Nvidia voit son avantage concurrentiel attaqué sur plusieurs fronts

Poinst clés :

• Cerebras s’attaque à Nvidia sur le terrain de la vitesse d’inférence, tandis que Google approfondit sa stratégie de puces sur mesure avec Marvell.

• Les hyperscalers veulent de plus en plus des puces conçues pour des charges de travail spécifiques plutôt qu’un processeur unique capable de tout faire.

• Nvidia conserve de solides atouts dans les logiciels et les réseaux, mais le marché des puces dédiées à l’IA devient de plus en plus spécialisé.

Depuis le début du boom de l’intelligence artificielle, Nvidia s’est imposé en fournissant la puce polyvalente de référence du secteur. Mais certains de ses plus gros clients veulent désormais des solutions conçues spécifiquement pour leurs besoins, tandis que des concurrents plus modestes cherchent à repenser complètement la manière de concevoir les puces.

Deux annonces faites cette semaine illustrent parfaitement cette évolution. Le 18 août, Cerebras a dévoilé une nouvelle architecture matérielle destinée à accélérer considérablement l’inférence en intelligence artificielle (IA). Le lendemain, Google a renforcé son partenariat avec Marvell Technology dans le domaine des puces sur mesure. Si les objectifs de performance sont atteints, cet accord pourrait représenter jusqu’à 120 milliards de dollars de chiffre d’affaires pour Marvell d’ici à l’exercice 2033.

Les investisseurs ne s’y sont pas trompés. Le 19 août, l’action Marvell a clôturé à 237,27 dollars, en hausse de près de 10 %. Mais au-delà de cette envolée ponctuelle, c’est une tendance plus profonde qui se dessine : Nvidia doit désormais défendre sa position sur deux fronts à la fois.

Le GPU n’est plus la seule voie

L’inférence obéit à une autre logique. Une fois entraîné, un modèle doit répondre à un grand nombre de requêtes de façon répétée. Dans ce contexte, des puces spécialement conçues pour certaines tâches peuvent être plus efficaces. Google dispose ainsi de ses tensor processing units (TPU), Amazon de ses Trainium, tandis que Meta développe son Meta Training and Inference Accelerator (MTIA). Ces solutions font un compromis : elles sont moins polyvalentes qu’un GPU, mais peuvent offrir de meilleures performances, une consommation énergétique moindre ou un coût plus avantageux pour certaines applications.

Le marché de l’IA tend donc à se fragmenter. Nvidia continue de miser sur des GPU programmables, tandis que des hyperscalers comme Google et Amazon développent leurs propres processeurs. De leur côté, des spécialistes comme Cerebras cherchent à repenser l’architecture elle-même. Marvell et Broadcom jouent un rôle clé en coulisses sur de nombreux projets de puces sur mesure, grâce à leur expertise dans les semi-conducteurs, les réseaux et la connectivité.

En clair, les différents usages de l’IA commencent à avoir leurs propres puces.

Cerebras repense l’architecture des puces

Cerebras pousse la logique de spécialisation encore plus loin.

Plutôt que de connecter entre elles de nombreuses puces conventionnelles, l’entreprise conçoit des processeurs dont la taille est comparable à celle d’une assiette. Son nouveau système CS-4 en utilise trois, ce qui permet de rapprocher les capacités de calcul et la mémoire et de limiter les transferts de données, particulièrement coûteux.

Selon Cerebras, le système utilise 50 % de composants en moins que son architecture précédente. Il cible notamment l’inférence, pour laquelle des temps de réponse plus courts peuvent améliorer à la fois l’expérience utilisateur et les coûts d’exploitation des centres de données.

Cela ne signifie pas pour autant que Cerebras est en mesure de remplacer Nvidia du jour au lendemain. Nvidia conserve d’importants atouts en matière d’échelle, de logiciels, de fiabilité et d’écosystème. Mais Cerebras pose une question de fond : toutes les applications d’IA ont-elles réellement besoin d’un GPU ?

Google veut des puces adaptées à ses besoins

Google exerce une autre forme de pression sur Nvidia.

Les hyperscalers qui exploitent d’immenses centres de données disposent désormais d’une taille suffisante pour concevoir des puces adaptées à leurs propres usages. L’accord élargi entre Google et Marvell porte sur les processeurs, le stockage et les infrastructures réseau associés aux TPU de Google.

Il s’agit davantage d’une stratégie de diversification des fournisseurs que d’une volonté de remplacer Broadcom. Cette dernière a par ailleurs conclu un accord distinct pour développer les futures puces IA sur mesure de Google jusqu’en 2031.

La frontière entre concurrents et partenaires devient également de plus en plus floue. Marvell accompagne ses clients dans la conception de puces sur mesure tout en collaborant avec Nvidia, notamment dans le cadre de son écosystème NVLink.

Pour Nvidia, la défense de sa position ne se résume donc peut-être pas à préserver sa part de marché dans les GPU. Même lorsque ses clients optent pour un autre type de processeur, Nvidia peut continuer à jouer un rôle dans l’infrastructure qui l’entoure.

Les limites de cette offensive

Les puces spécialisées ne deviennent intéressantes économiquement qu’à partir d’un certain volume. Leur conception coûte cher, leur fabrication peut être complexe et les logiciels doivent être fiables. Un avantage impressionnant sur le papier ou lors d’un benchmark ne signifie pas grand-chose si les clients ne peuvent pas déployer la solution facilement.

Nvidia peut également défendre sa position en améliorant les performances de ses GPU en matière d’inférence, tout en continuant de fidéliser ses clients grâce à son écosystème logiciel, réseau et de développement. Pour les investisseurs, le véritable signal à surveiller ne sera donc pas le lancement d’une nouvelle puce spectaculaire. Ce sera le passage effectif de certaines charges de travail vers des solutions concurrentes.

Le scénario inverse mérite également d’être pris en compte. La demande en puissance de calcul pour l’IA pourrait progresser suffisamment vite pour permettre à Nvidia, aux concepteurs de puces sur mesure et aux spécialistes du secteur de croître simultanément. Une entreprise peut perdre des parts de marché tout en continuant à augmenter ses revenus si le marché dans son ensemble progresse encore plus rapidement.

Ce que les investisseurs doivent surveiller

• Regardez les déploiements réels, pas les démonstrations. Les puces sur mesure deviennent véritablement importantes lorsque les hyperscalers les déploient en production sur des charges de travail importantes et récurrentes.

• Distinguez l’entraînement de l’inférence. Nvidia peut conserver une position dominante sur un segment de l’IA tout en voyant les alternatives gagner du terrain sur d’autres usages.

• Surveillez l’ensemble de l’infrastructure. Les réseaux, la mémoire et la connectivité pourraient prendre une importance croissante à mesure que les centres de données combinent plusieurs types de processeurs.

• Restez prudents avec les fournisseurs de puces sur mesure. Les grands contrats représentent de belles opportunités, mais la dépendance à quelques clients géants crée également un risque de concentration important.

L’avantage de Nvidia peut se réduire sans pour autant disparaître

La question n’est désormais plus de savoir si quelqu’un est capable de concevoir une puce IA plus rapide que celles de Nvidia. Pour certaines charges de travail et dans certaines conditions, c’est généralement déjà le cas. Le véritable défi consiste à déterminer si ces solutions alternatives peuvent égaler, à grande échelle, la combinaison de performances, de logiciels, de capacités réseau, d’approvisionnement et de simplicité de déploiement offerte par Nvidia.

C’est ce qui rend les annonces de Cerebras et l’accord entre Google et Marvell particulièrement intéressants lorsqu’on les considère ensemble. Le premier remet en question l’architecture même des puces. Le second remet en cause l’idée selon laquelle les hyperscalers doivent nécessairement s’appuyer sur un processeur standard. Ni l’un ni l’autre ne signifie que l’avantage concurrentiel de Nvidia va disparaître. Mais le calcul pour l’IA devient de plus en plus spécialisé, ce qui rend cet avantage plus complexe à défendre. La position de Nvidia reste extrêmement solide. Mais les concurrents disposent désormais de davantage de voies pour la contourner.