Nvidia au-delà de la puce : logiciel libre, usines d'IA et avantage d'infrastructure
Nvidia vend une infrastructure, pas seulement une puce
Analyse | 13 novembre 2026. Nvidia domine la fourniture de puces haut de gamme utilisées pour entraîner et exécuter les modèles d'IA dans les centres de données. Les estimations sectorielles situent sa part mondiale autour de 80 %. Son importance dépasse les processeurs et englobe logiciels, outils de développement, services cloud et pratiques d'ingénierie. Remplacer cette plateforme opérationnelle est bien plus complexe que concevoir un processeur concurrent. Une part de marché mesure un marché défini, pas le nombre de toutes les entreprises d'IA ni leur dépendance exclusive.
Passer de la récupération d'informations stockées à la génération de réponses contextuelles en temps réel change le rôle économique du calcul. Un système d'IA calcule pour produire sa réponse au lieu de simplement livrer un fichier enregistré. L'idée d'usine d'IA découle de cette évolution : l'infrastructure participe à la production de services numériques. Le test commercial est de savoir si le résultat est assez utile pour rapporter davantage que son coût de livraison.
Le logiciel libre participe au moteur, mais CUDA n'est pas entièrement libre
Le logiciel libre permet d'examiner, modifier et partager le code conformément à sa licence. Il rend possible la coopération entre entreprises et pays. PyTorch illustre cette base commune : son passage à la Linux Foundation a réuni notamment AMD, AWS, Google Cloud, Meta, Microsoft Azure et Nvidia. Les logiciels ouverts d'IA ne sont donc ni la propriété ni l'accomplissement d'un seul fabricant de puces.
Nvidia participe tout en conservant des composants propriétaires. Sa bibliothèque CUTLASS est publiée sous licence BSD et ses modules du noyau Linux pour GPU sous double licence MIT/GPL. Mais ouvrir les modules du noyau ne rend pas libres l'ensemble du pilote, le micrologiciel ou CUDA Toolkit. Ce dernier possède sa propre licence et ses restrictions. Téléchargement gratuit, code ouvert et poids ouverts sont des notions différentes ; chaque composant doit être vérifié séparément.
Les modèles ouverts servent trois objectifs liés : comprendre les architectures futures, diffuser l'IA au-delà de quelques fournisseurs propriétaires et soutenir la biologie, la physique ou la robotique, pas seulement le langage. Nemotron 3 Super en est un exemple. Nvidia le décrit comme un modèle hybride Mamba-Transformer à mélange d'experts, avec 120 milliards de paramètres au total et 12 milliards actifs, dont les checkpoints, jeux de données et méthodes ont été publiés. Cela démontre une forme précise d'ouverture, pas l'absence de restrictions sur tous les produits Nvidia.
L'avantage est le chemin entre l'idée et le système qui fonctionne
CUDA fournit plateforme de programmation, compilateur, bibliothèques et outils pour les applications accélérées par GPU. Un chercheur peut utiliser un framework de haut niveau sans écrire chaque opération directement en CUDA. Mais les choix d'implémentation sous-jacents influencent toujours la mémoire, les calculs et les échanges entre appareils.
La base installée de CUDA est un avantage concurrentiel central. Logiciels pris en charge, ingénieurs formés, outils de débogage et déploiements familiers réduisent l'incertitude du passage en production. Un concurrent affronte cet ensemble fonctionnel, pas seulement un chiffre sur une fiche technique. Le remplacer peut exiger adaptation du logiciel, validation des résultats et reconstruction de l'expertise opérationnelle. La difficulté est réelle, mais son coût dépend de la charge ; ce n'est pas un enfermement permanent.
OpenAI et le cloud : dépendance importante, pas monopole universel
ChatGPT est un service d'OpenAI, pas un acheteur de puces distinct dans cette comparaison. L'annonce d'OpenAI de septembre 2025 désignait Nvidia comme partenaire stratégique privilégié pour le calcul et les réseaux et présentait une lettre d'intention portant sur au moins 10 gigawatts de systèmes Nvidia. Elle exposait aussi l'intention de Nvidia d'investir progressivement jusqu'à 100 milliards de dollars américains. Ce sont des projets annoncés à une date précise, pas la preuve que toute la capacité fonctionne ou que tout l'investissement a été versé.
Le cloud donne accès au matériel Nvidia sans acheter ses propres serveurs. AWS documente, par exemple, des instances EC2 P5 équipées de GPU H100 et P5e/P5en de H200 pour l'entraînement, l'inférence et le calcul haute performance. Le fournisseur apporte autour du matériel réseaux et gestion de capacité. La relation dépasse une simple vente de puces.
Nvidia domine le marché global, mais des solutions différentes réalisent déjà des tâches importantes. Google a entraîné Gemini 2.0 sur ses TPU Trillium. AWS a signalé des charges Anthropic sur l'infrastructure Trainium2 de Project Rainier. Ce sont de véritables alternatives, pas la preuve que chaque plateforme concurrente est moins chère, plus rapide ou aussi disponible pour toute tâche. La réalité combine forte dépendance à Nvidia et substitution sélective, pas dépendance exclusive universelle.
Au-delà du dialogue : santé, robotique et calcul près du capteur
Les plateformes documentées de Nvidia couvrent imagerie médicale, génomique, recherche pharmaceutique et robotique. Ses documents de santé présentent MONAI pour l'IA d'imagerie et Parabricks pour la génomique ; IGX vise les applications industrielles, robotiques et médicales en périphérie. Ce sont des capacités et usages prévus, pas la preuve d'une guérison, d'une autorisation clinique ou d'une installation dans tous les hôpitaux.
La distinction entre centre de données et périphérie compte. Un système central fournit de grandes ressources partagées ; un système en périphérie traite près d'une caméra, d'une machine ou d'un capteur. Cela peut donner de la valeur à une réponse locale et à l'envoi sélectif de données. Chaque environnement conserve ses exigences d'énergie, de fiabilité et de sécurité. Une architecture présente dans plusieurs domaines ne signifie pas qu'un appareil identique convient partout.
Nvidia a atteint l'espace ; une usine orbitale d'IA est une autre affirmation
Un exemple spatial précis est documenté. Une présentation de juin 2023 du Jet Propulsion Laboratory répertorie quatre GPU Nvidia Tesla T4 dans l'ensemble HPE Spaceborne Computer-2 à bord de la Station spatiale internationale. Le programme a aussi étudié d'autres processeurs. Cela établit l'utilisation de matériel Nvidia dans une expérience orbitale, pas dans tous les satellites, ni qu'il s'agissait des premiers GPU envoyés dans l'espace.
Le récit de NASA sur Spaceborne Computer explique les radiations et l'approche logicielle de HPE consistant à surveiller et ralentir les systèmes lorsque nécessaire. Le calcul orbital est un problème d'ingénierie, pas un simple déplacement de serveurs au-dessus de l'atmosphère. Radiations, redondance, énergie et évacuation thermique comptent. Traiter des images près des capteurs d'un satellite diffère d'une grande usine orbitale d'IA. Cette dernière reste une perspective, pas un refroidissement résolu ou un calendrier confirmé.
Valorisation : distinguer prix de marché et prévision
Les données vérifiées pour cet article situaient la capitalisation boursière de Nvidia autour de 4 010 milliards de dollars américains à la clôture américaine du 12 novembre 2026. C'est une estimation arrondie et datée, pas une cotation en direct de la séance américaine du 13 novembre. La capitalisation valorise les actions ; ce n'est ni le chiffre d'affaires annuel, ni la trésorerie, ni le bénéfice total de l'IA pour la société.
Une future valorisation de 10 000 milliards de dollars ou un chiffre d'affaires annuel de 3 000 milliards relèvent d'un scénario ambitieux, pas de résultats acquis. L'argument est que les usines d'IA créeraient une nouvelle demande, au-delà de parts de marché existantes. Sa rentabilité dépendrait de clients payant pour un résultat utile, du coût des infrastructures et du progrès technique. Ce sont des possibilités de long terme, pas des objectifs validés ou garantis par cette analyse.
La prochaine contrainte est l'usine entière
L'unité pertinente est passée du GPU à l'ordinateur, au cluster puis à l'usine complète d'IA. Les projets d'OpenAI et les descriptions de clusters GPU d'AWS montrent pourquoi réseaux et déploiement comptent avec les processeurs. Énergie, refroidissement, fiabilité logicielle et utilisation doivent être évalués ensemble. Acheter des accélérateurs ne signifie pas exploiter un service productif. Le calcul à l'échelle planétaire reste une direction de long terme, pas une capacité achevée.
Le logiciel libre élargit la participation et facilite l'adaptation. Il ne fournit pas d'électricité, ne supprime pas le coût du matériel et ne garantit pas qu'une application couvrira ses coûts. De même, matériel et logiciels propriétaires peuvent être performants sans rendre la dépendance permanente. L'équilibre entre outils partagés et plateformes commerciales reste une compétition, pas une loi figée du secteur.
Conclusion : difficile à remplacer ne signifie pas irremplaçable
Nvidia compte par la combinaison du calcul accéléré, d'une plateforme mature, de la confiance des développeurs, de l'accès cloud et d'applications allant du laboratoire à une expérience en orbite. Son travail ouvert permet à davantage de personnes de construire, tandis que les couches propriétaires gardent leur importance commerciale. La question n'est pas de copier un GPU, mais de fournir le système complet et fiable dont un client donné a besoin.
Cela rend Nvidia difficile à remplacer dans de nombreux cas, mais pas irremplaçable partout. Les TPU de Google et Trainium d'AWS empêchent déjà cette affirmation absolue. Son avenir dépendra de sa capacité à transformer ingénierie et écosystème en travail utile à un coût acceptable. Une valorisation élevée reflète des attentes, pas une garantie. Ceci est une analyse éditoriale, non un conseil en investissement.