Nvidia, le plus gros coup de chance de l’histoire de la technologie ?

Nvidia a connu une croissance sans précédent, multipliant son chiffre d'affaires par 8 en quatre ans pour atteindre 216 milliards de dollars pour l'année calendaire 2025, et sa valorisation boursière dépasse les 5,3 milliers de milliards de dollars. Ce succès est principalement dû à ses processeurs dédiés à l'intelligence artificielle (IA), les GPU. Mais comment cette entreprise de second rang sur le marché du jeu vidéo est-elle devenue incontournable ? L'histoire commence il y a plus de 20 ans. Nvidia n'était pas encore le fournisseur indispensable des "hyperscalers" (géants du cloud comme Amazon AWS, Microsoft Azure, Google Cloud) qui ont besoin d'une quantité massive de puces pour leurs centres de données. Pour investir dans cette dynamique technologique sans acheter des actions américaines une par une, des ETF ou trackers axés sur la technologie ou les semi-conducteurs sont souvent utilisés, accessibles via des plateformes comme Fortuneo. En 1999, Nvidia lance son premier GPU programmable, la GeForce 256. Ian Buck, un doctorant de Stanford, teste ces GPU et se demande s'il est possible d'y exécuter d'autres calculs que du rendu graphique. Il invente le langage "Brook" pour programmer n'importe quel type de calcul sur les GeForce, marquant le début du GP GPU (calcul générique sur processeur graphique). L'intérêt réside dans la capacité de parallélisation du GPU, permettant d'effectuer un grand nombre de calculs simples et indépendants simultanément, contrairement au CPU qui exécute des calculs plus puissants mais séquentiellement. Nvidia saisit cette opportunité. L'entreprise finance les recherches de Buck et l'intègre à ses équipes. En 2006, Nvidia crée CUDA, une plateforme intégrée permettant de programmer le déploiement de n'importe quel calcul sur le GPU. Initialement, l'idée est de permettre aux développeurs de tester sur GPU les programmes destinés aux CPU. À cette époque, Nvidia réalise entre 2 et 4 milliards de dollars de chiffre d'affaires annuel, ayant réussi son pari sur le jeu vidéo comme future industrie culturelle de masse. L'entreprise lance alors un nouveau pari : faire du GPU un processeur de calcul compétitif. La stratégie de communication "CUDA everywhere" vise à inciter les développeurs à tester leurs programmes sur les GPU. Cela porte ses fruits. Andrew Ng, directeur du laboratoire d'IA de Stanford, commence à utiliser les GPU pour l'entraînement des réseaux de neurones. En 2009, il découvre que le parallélisme des GPU permet d'entraîner un réseau de neurones 70 fois plus rapidement que sur des CPU, réduisant un travail de plusieurs semaines à un seul jour. Cette découverte, combinée à l'afflux de données sur internet, déclenche un intérêt croissant pour les GPU dans le domaine de l'IA. En 2012, une équipe de l'université de Toronto, utilisant deux GPU et CUDA, pulvérise le record du concours de reconnaissance d'images ImageNet avec leur algorithme AlexNet. Cette performance marque le début de l'ère moderne du deep learning et convainc le secteur de l'IA d'adopter les GPU. Nvidia, sous la direction visionnaire de Jensen Huang, décide de miser sur l'IA comme nouveau marché à part entière. L'entreprise investit massivement, recrutant des spécialistes de l'IA et passant de 3 000 à 7 000 employés entre 2010 et 2016. Malgré l'absence d'un plan commercial clair, Huang est convaincu que les GPU peuvent être le déclencheur de ce marché. Nvidia s'impose alors dans le quotidien des spécialistes de l'IA. Les chercheurs et étudiants construisent leurs frameworks et librairies de machine learning sur CUDA, créant une vaste communauté de développeurs. Bien que CUDA ait des concurrents comme RAM d'AMD ou OpenCL, leur faible utilisation et la complexité de manipuler les couches logicielles de base des GPU rendent CUDA quasi indispensable. Nvidia a réussi à reproduire le modèle d'Apple avec l'iPhone : la popularité de ses GPU ne repose pas seulement sur le matériel, mais sur un écosystème logiciel et une communauté de développeurs. Pour détrôner Nvidia, il ne suffit pas de concevoir des architectures plus performantes, mais de proposer une avance technologique si significative que les professionnels de l'IA accepteraient de se passer de CUDA. Cette position dominante permet à Nvidia d'imposer des marges de plus de 70 % sur ses GPU dédiés à l'IA. Depuis 2017, Nvidia propose une seconde famille de GPU intégrant des cœurs de calcul spécifiques à l'IA, beaucoup plus chers (jusqu'à plus de 40 000 €) et destinés aux centres de données. Dès 2020, les revenus liés à l'IA deviennent une branche distincte dans les résultats financiers de Nvidia. L'offre de Nvidia pour les centres de données est devenue plus complexe, allant du GPU seul à des systèmes interconnectés comme le DGX SuperPod. En 2019, Nvidia a acquis Mellanox pour 6,9 milliards de dollars afin d'assurer le meilleur