NVIDIA est une entreprise américaine de semi-conducteurs et d'informatique, dont le siège est à Santa Clara, en Californie, fondée en 1993 par Jensen Huang, Chris Malachowsky et Curtis Priem. À l'origine centrée sur les unités de traitement graphique (GPU) pour les jeux vidéo et l'informatique visuelle, NVIDIA est devenue le principal fournisseur de matériel pour l'entraînement et l'exécution de modèles d'apprentissage profond, une position qui l'a rendue centrale dans l'économie de l'essor de l'IA générative des années 2020 et, à certains moments en 2024 et 2025, l'entreprise publique la plus valorisée au monde.
Histoire
NVIDIA a passé ses quinze premières années principalement comme une entreprise de puces graphiques en concurrence sur les marchés des ordinateurs personnels et des consoles de jeux. Une décision stratégique décisive est venue avec l'introduction en 2006 de CUDA, une plateforme logicielle permettant aux développeurs d'utiliser les GPU de NVIDIA pour le calcul parallèle à usage général plutôt que uniquement pour le rendu graphique. L'adoption a été progressive au cours des années 2000, mais le résultat de AlexNet en 2012, qui a entraîné un modèle gagnant d'ImageNet sur deux GPU NVIDIA, a démontré que la même architecture massivement parallèle adaptée au rendu de pixels était également bien adaptée aux multiplications matricielles sous-jacentes à l'apprentissage profond. Au cours de la décennie suivante, alors que les réseaux de neurones passaient de millions à des centaines de milliards de paramètres, la demande pour les GPU de centre de données de NVIDIA a augmenté en conséquence, et l'entreprise a progressivement redessiné ses puces haut de gamme, des gammes Tesla et Volta à Ampere, Hopper et Blackwell, autour des exigences spécifiques de l'entraînement et de l'inférence en IA plutôt que du graphisme seul.
Du graphisme à l'IA
Au début des années 2020, le segment des centres de données de NVIDIA, vendant des GPU aux fournisseurs de cloud et aux laboratoires d'IA entraînant de grands modèles, avait dépassé son activité historique de jeux comme principal moteur de revenus. Ses puces H100 et leurs successeurs sont devenues le matériel préféré pour l'entraînement des modèles frontières dans des organisations comme OpenAI, Anthropic et Meta, et les bénéfices et le cours de l'action de NVIDIA sont devenus un indicateur largement surveillé de la santé des investissements dans l'industrie de l'IA en général. La capitalisation boursière de l'entreprise est passée de dizaines de milliards de dollars au début des années 2010 à plus de trois billions de dollars d'ici 2024, une hausse étroitement liée au boom des dépenses d'investissement dans les centres de données d'IA.
Le fossé CUDA
Une raison centrale de l'avantage durable de NVIDIA sur ses rivaux fabricants de puces a été l'écosystème logiciel de CUDA : parce que la plupart des cadres d'apprentissage profond, y compris PyTorch et TensorFlow, et la plupart des outils des chercheurs ont été construits et optimisés pour CUDA pendant plus d'une décennie, le passage à du matériel alternatif comme le TPU de Google ou les puces concurrentes d'AMD a entraîné des coûts de compatibilité logicielle significatifs, une dynamique largement décrite comme le « fossé » logiciel de NVIDIA en plus de son avance matérielle.
Position sur le marché et risques
La domination de NVIDIA a attiré un examen réglementaire dans plusieurs juridictions concernant d'éventuels effets anticoncurrentiels, et sa dépendance à Taiwan Semiconductor Manufacturing Company pour la fabrication de puces a été signalée comme une vulnérabilité géopolitique compte tenu des tensions autour de Taïwan. Le choc DeepSeek de janvier 2025, dans lequel un modèle chinois relativement peu coûteux semblait égaler les systèmes frontières occidentaux, a brièvement effacé un montant record en une seule journée de la valeur de marché de NVIDIA, sur des craintes que l'entraînement en IA pourrait nécessiter beaucoup moins de calcul que supposé, illustrant à quel point la valorisation de l'entreprise était devenue étroitement liée à la croyance continue en une demande alimentée par les lois de mise à l'échelle pour toujours plus de calcul GPU, une dépendance que certains analystes ont comparée aux dynamiques de boom et de buste des cycles technologiques antérieurs prédits, bien qu'imparfaitement, par des observations comme la loi de Moore.