Ggoogle, Amazone Et Microsoft investissent de plus en plus dans le développement de semi-conducteurs propriétaires pour soutenir la croissance deintelligence artificielle dans le centres de données. Une stratégie qui, selon l'analyse publiée par Centre d'analyse des politiques européennes et signé par Christopher Cytera, reflète avant tout la volonté des grands prestataires nuage réduire les coûts et renforcer son pouvoir de négociation contre Nvidiaaujourd'hui le leader incontesté du marché des GPU pour l'IA.
Le point central de l’analyse est que les nouvelles architectures développées en interne par les big tech ils ne sont pas destinés à remplacer NVIDIAmais à intégrer à ses solutions. Comme l’écrit Cytera : «les sociétés de cloud contrôleront conjointement certaines parties de la couche IA, tandis que NVIDIA continuera à construire les moteurs de base, au moins dans un avenir prévisible».
La domination de NVIDIA reste forte
Le marché des GPU dédiés à l’intelligence artificielle continue de croître à un rythme impressionnant. Selon les estimations rapportées dans l'analyse, jeLe secteur passera d'environ 36 milliards de dollars en 2025 à plus de 811 milliards de dollars en 2035. NVIDIA détient aujourd'hui plus de 80 % du marché mondial des GPU et les revenus du segment des centres de données pourraient passer d'environ 115 milliards de dollars en 2025 à 483 milliards de dollars en 2030.
Ce qui renforce l'avantage concurrentiel de l'entreprise américaine, c'est avant tout CUDA, l'écosystème logiciel propriétaire qui gravite autour de ses processeurs graphiques et qui, selon CePA, continue de représenter un élément difficile à contourner pour les opérateurs de cloud. Le seul concurrent véritablement important sur le front des GPU reste AMD, également américain.
Google s'appuie sur Tensor pour contenir les coûts
Dans le cas de Google, l'accent est mis sur les puces TPU 8t et 8i, conçues pour exécuter des modèles propriétaires et sélectionner des charges de travail au sein de Google Cloud. Ces processeurs permettent à Mountain View d'optimiser l'efficacité et de baisser les prix, notamment dans les tâches d'inférence d'IA.
L’objectif est cependant de construire un levier industriel et commercial plutôt qu’une alternative complète à l’univers NVIDIA. « Avec TPU 8t/8i, Google dispose d'un outil puissant pour contrôler les coûts et renforcer son pouvoir de négociation, réduisant ainsi légèrement sa dépendance à l'égard de NVIDIA.», souligne Cytera.
Amazon construit un écosystème complet
Amazon Web Services développe ce que l'analyse appelle «peut-être le portefeuille le plus complet de puces propriétairesLa stratégie du groupe repose sur une gamme complexe de semi-conducteurs : processeurs Graviton basés sur Arm pour l'informatique générale, Trainium pour la formation des modèles d'IA et Inferentia pour les tâches d'inférence.
LE ébrécher ils sont conçus en interne par AWS et produits par TSMC, mais même dans ce cas l'approche reste complémentaire des GPU NVIDIA. « AWS présente explicitement le silicium propriétaire comme un moyen de « renforcer l'avantage concurrentiel de ses puces », tout en poursuivant ses partenariats avec NVIDIA, AMD et Intel.», souligne le document.
Microsoft accélère l'efficacité des charges de travail d'IA
Microsoft suit également la même trajectoire. Les puces Maia AI Accelerator et Azure Cobalt CPU ont été conçues pour optimiser les charges de travail d'IA internes et des clients Azure grâce à une approche intégrée impliquant du matériel, des logiciels et des services cloud.
Le groupe Redmond reconnaît ouvertement que Maia a un champ d’utilisation spécifique : «Maia n'est pas assez puissant pour remplacer les GPU NVIDIA dans le développement de grands modèles de langage« , souligne l'analyse. Les puces Microsoft sont donc principalement orientées vers les activités d'inférence et les charges de travail à volume élevé, améliorant l'efficacité opérationnelle et ne réduisant que partiellement l'utilisation des accélérateurs NVIDIA et AMD.
Vers des datacenters d’IA de plus en plus hybrides
Selon l’analyse du CePA, l’avenir de l’intelligence artificielle sera caractérisé par des architectures hybrides dans lesquelles GPU, CPU et accélérateurs spécialisés travailleront ensemble. Les GPU continueront de représenter le cœur du traitement parallèle à grande échelle, tandis que les processeurs et puces dédiés coordonneront les flux de travail et la planification opérationnelle.
Aujourd’hui, dans les centres de données IA, un processeur est utilisé en moyenne pour quatre GPU, mais le ratio pourrait progressivement approcher la parité dans les années à venir. Ce scénario entraînera une augmentation de la demande globale de semi-conducteurs IA, sans réduire le nombre absolu de GPU installés.
La conclusion de Cytera est que le marché des puces IA devient multidimensionnel et collaboratif. « Des puces IA de différentes formes et caractéristiques devront être combinées entre elles – conclut l’analyse – pour obtenir des résultats optimaux».
Voir l’article original en italien
