Google, Apple, Amazon : 3 géants qui ont abandonné Nvidia pour faire leurs propres puces

Ce que personne ne dit : dépendre de Nvidia coûte des milliards. Alors ils ont décidé de tout faire eux-mêmes.

En 2023, des entreprises comme Meta ou Microsoft ont attendu des mois pour recevoir des GPU H100 de Nvidia — les puces qui font tourner leurs modèles d'IA les plus puissants. Le prix unitaire ? Jusqu'à 40 000 dollars pièce. C'est à ce moment précis que les géants de la tech ont pris une décision qui va redessiner l'industrie : concevoir leurs propres semiconducteurs dédiés à l'intelligence artificielle.

La course aux puces maison n'est pas une simple tendance. C'est une question de survie économique et de souveraineté technologique. Voici ce qui se passe vraiment dans les laboratoires de Google, Apple, Amazon et consorts.

Pourquoi fabriquer sa propre puce plutôt qu'acheter chez Nvidia ?

La réponse courte : le contrôle total. Une puce généraliste comme les GPU de Nvidia est conçue pour faire "tout", ce qui signifie qu'elle fait beaucoup de choses de manière acceptable, mais aucune de manière parfaite pour un usage spécifique.

Une puce dédiée à l'IA — souvent appelée NPU (Neural Processing Unit) ou TPU (Tensor Processing Unit) — est optimisée pour un seul type de calcul : la multiplication de matrices, qui est l'opération mathématique centrale de tout modèle de deep learning. Résultat : des performances multipliées par 10 à 100 sur ces tâches précises, pour une consommation électrique drastiquement réduite.

Mais il y a un second facteur, moins visible : la confidentialité des architectures. Développer ses propres puces, c'est aussi s'assurer que personne d'autre ne sait comment vos modèles fonctionnent au niveau matériel.

Tour d'horizon : qui fait quoi dans la guerre des puces IA

Google et ses TPU : les pionniers discrets

Google a lancé ses Tensor Processing Units dès 2016 — bien avant que l'IA générative ne devienne un sujet grand public. Aujourd'hui en version 5, les TPU de Google alimentent Gemini, Google Search et des centaines de services internes. Ce que peu de gens savent : Google loue également ces puces via Google Cloud, transformant un coût interne en source de revenus.

Apple et la puce M-series : l'IA dans votre poche

Apple a choisi une approche différente : intégrer les capacités d'IA directement dans ses puces grand public, la série M et A. Chaque iPhone récent contient un moteur neuronal capable d'exécuter des modèles d'IA localement, sans envoyer vos données dans le cloud. C'est la raison pour laquelle Siri et les outils de traitement photo fonctionnent aussi rapidement, même hors connexion. Apple Intelligence, annoncé en 2024, s'appuie entièrement sur cette infrastructure matérielle propriétaire.

Amazon Trainium et Inferentia : l'IA au service du cloud

AWS a développé deux puces distinctes : Trainium pour l'entraînement des modèles, et Inferentia pour l'inférence (c'est-à-dire faire tourner un modèle déjà entraîné). Cette séparation n'est pas anodine — entraîner un modèle et l'utiliser en production sont deux problèmes très différents sur le plan computationnel. En proposant des instances basées sur ces puces, Amazon offre à ses clients des coûts réduits de 20 à 40 % par rapport aux instances GPU classiques.

Microsoft et Meta : les challengers qui rattrapent leur retard

Microsoft a dévoilé Maia 100 fin 2023, une puce conçue pour faire tourner des modèles comme GPT-4 en interne sur Azure. Meta, de son côté, a annoncé MTIA (Meta Training and Inference Accelerator), destiné à personnaliser les flux de contenu et à alimenter ses outils d'IA générative sur Facebook et Instagram. Les deux entreprises reconnaissent toutefois qu'elles ont encore plusieurs années de retard sur Google.

Ce que ça change concrètement pour vous

Si vous utilisez ChatGPT, Gemini ou Llama, la puce qui fait tourner le modèle influence directement :

• La vitesse de réponse : une puce optimisée réduit la latence de plusieurs secondes
• Le coût de l'abonnement : moins cher à faire tourner = potentiellement moins cher pour l'utilisateur final
• La disponibilité du service : moins de dépendance à un fournisseur tiers = moins de pannes en cascade
• L'empreinte carbone : une puce 3x plus efficace consomme 3x moins d'électricité pour le même résultat

La vraie menace pour Nvidia

Nvidia reste dominant, et le restera encore quelques années. Mais le modèle économique des géants de la tech évolue : ils ont les ressources pour investir des milliards en R&D, et chaque dollar dépensé pour une puce maison est un dollar de moins qui part chez Nvidia. Jensen Huang, le PDG de Nvidia, le reconnaît lui-même : ses meilleurs clients sont en train de devenir ses concurrents.

La vraie question n'est pas de savoir si Nvidia survivra — la demande externe (startups, universités, États) est colossale. La question est : dans 5 ans, quelle part du marché de l'IA sera alimentée par des puces que personne n'achète, parce qu'elles appartiennent déjà à celui qui les utilise ?

Conclusion : la puce, nouveau terrain de la guerre IA

La bataille pour l'IA ne se joue plus seulement dans les modèles, les données ou les interfaces. Elle se joue au niveau du silicium. Concevoir sa propre puce, c'est désormais un signal clair : nous voulons contrôler l'intégralité de la chaîne de valeur. Pour les professionnels de la tech comme pour les décideurs, suivre cette course aux semiconducteurs n'est plus optionnel — c'est l'un des meilleurs indicateurs de qui dominera l'IA dans la prochaine décennie.

— Reservoir Live