Nvidia

Du jeu vidéo au calcul scientifique

Nvidia s'est construite sur le marché des cartes graphiques pour le jeu et la création. Ces processeurs exécutent en parallèle des milliers d'opérations simples, ce qui correspond exactement au calcul d'un réseau de neurones. L'entreprise a accompagné ce basculement en adaptant ses produits aux serveurs, puis en fournissant des machines complètes destinées à l'entraînement et à l'inférence des modèles. Cette proximité entre le calcul graphique et le calcul neuronal a été décisive au moment où les modèles ont grossi. Les cartes conçues pour l'affichage se sont révélées adaptées à une tout autre tâche.

Le matériel ne suffit pas à expliquer sa position. L'entreprise a construit un environnement de programmation, CUDA, utilisé par les bibliothèques d'apprentissage automatique, et des bibliothèques optimisées pour les opérations courantes. Cette combinaison crée une habitude chez les développeurs et rend le changement de fournisseur coûteux, indépendamment des performances brutes des cartes. L'écosystème pèse autant que le silicium dans la décision d'achat. Un développeur qui change de matériel doit réapprendre des outils, ce qui pèse dans la décision.

Ce que cela implique pour un projet

La plupart des organisations n'achètent pas de cartes Nvidia. Elles louent de la puissance chez un fournisseur de cloud, ou utilisent une API de modèle. Le nom apparaît alors indirectement, dans le prix et dans la disponibilité. Quand un service est saturé ou qu'un modèle demande beaucoup de mémoire, la contrainte matérielle se traduit en file d'attente et en facture, sans que l'utilisateur final en connaisse la cause. Cette dépendance indirecte reste invisible tant que le service fonctionne normalement.

Pour un déploiement local, le choix d'une carte détermine ce qui est possible. La mémoire embarquée fixe la taille de modèle chargeable, et donc le niveau de qualité accessible. Le reste de la machine, processeur, mémoire système, stockage, doit suivre. Il faut également prévoir le refroidissement et l'alimentation, points souvent sous-estimés dans un local technique existant où l'on ajoute une machine sans revoir l'ensemble. Une alimentation sous-dimensionnée provoque des arrêts difficiles à diagnostiquer. Le bruit et la chaleur produite limitent aussi l'installation dans un bureau.

Un écosystème, pas seulement des cartes

Nvidia publie des outils de serveur d'inférence, des conteneurs prêts à l'emploi et des services packagés autour de modèles ouverts. Ces briques réduisent le travail d'installation mais renforcent la dépendance à un fournisseur unique. Des alternatives existent, chez d'autres fabricants de processeurs comme chez les concepteurs de puces spécialisées, avec des écosystèmes logiciels plus jeunes et une documentation parfois moins abondante. Ces outils simplifient la mise en service mais imposent leurs conventions et leurs formats. Le verrouillage se joue autant sur les logiciels que sur les cartes.

La question pertinente pour une PME n'est donc pas de savoir qui domine le marché, mais où se situe sa dépendance. Si le modèle est utilisé par API, la dépendance est contractuelle et tarifaire. Si le modèle tourne sur vos serveurs, elle est matérielle et logicielle. Dans les deux cas, il faut savoir ce qu'un changement coûterait, en temps, en compétences et en interruption de service. Cette évaluation suffit souvent à orienter le choix entre API et hébergement local.