Why Silicon Valley Is Abandoning Nvidia?

Il y a quelques jours, Nvidia publié ses résultats trimestriels. 81 milliards de dollars de chiffres d'affaires, 85 % de croissance sur 1 an, un nouveau record absolu qui efface celui du trimestre précédent. Son data center à lui seul pèse 75 milliards, soit 92 % de plus qu'il y a 1 an. Pour donner un ordre de grandeur, le data center de Nvidia génère désormais plus de revenus que l'intégralité du chiffre d'affaires d'Intel, AMD, Qualcom et Broadcom réunis. Dans la foulée, Jensen Wong multiplie le dividende par 25, autorise 80 milliards de dollars de rachat d'action supplémentaires et annonce que la demande pour les puces Blackwell est complètement hors norme. Et au même moment, Google annonce exactement le chiffre opposé, 80 milliards de levées de fond. Alors, rendez-vous compte. D'un côté, Nvidia rendu capital à ses actionnaires comme une entreprise qui imprime tellement de cash qu'elle ne sait plus quoi en faire. De l'autre, Google retourne voir le marché pour financer l'expansion de ses data centers, de ses puces et de sa capacité de calcul IA. Sur le papier, c'est le triomphe absolu pour Nvidia, le genre de résultat dont certains s'attendent à ce qu'il propulse le titre dans la stratosphère. Et pourtant, ben non, c'est même le contraire. L'action baisse dans les heures qui suivent et je vais vous expliquer ce qui se joue derrière tout cela. Alors, ce n'est pas une chute brutale bien sûr, mais un décrochage suffisamment significatif pour que tout le monde se pose la même question que voient les marchés que les chiffres ne disent pas. Et bien justement, monsieur le marché voit pas mal de choses et parmi elles ce qu'il s'est passé quelques semaines avant l'annonce des résultats à 650 km de Santa Clara à Las Vegas. Parce que pendant que Jensen Wong célèbre ses records, Google a franchi une étape symbolique. Ils ont dévoilé non pas une mais deux puces exclusivement conçu pour l'IA. La TPU 8T d'un côté qui sert à entraîner les modèles et la TPU8i qui sert de l'autre côté à les faire tourner. Et cette distinction entre ces puces d'entraînement et des puces d'inférence est un élément clé. Google ne pense plus seulement à l'IA comme un problème de puissance brute. Il commence à découper l'infrastructure IA comme une chaîne industrielle. Une machine pour fabriquer l'intelligence, une autre pour la distribuer à grande échelle. La promesse qui va avec est tout aussi folle. près de trois fois plus de performance par dollar à l'entraînement et 80 % de gain en performance par dollar à l'inférence par rapport à la génération précédente. Et cette annonce n'est qu'un petit bout de la face émergée de l'iceberg parce que depuis l'automne dernier, trois des plus gros acteurs de l'IA générative, ceux même qui ont bâti leur empire sur du Nvidia, ont commencé à basculer une partie de leur infrastructure sur les TPU de Google. Anthropique, Meta et même Open AI. Oui, Open AI, l'enfant chéri de Jensen Wang, commence à louer des TPU pour faire tourner Chat GPT. Et encore, ce n'est pas tout. En parallèle, Amazon, Microsoft, Meta et même Open AI développent leur propre puce. Tous sans exception cherchent une manière ou une autre à réduire leur dépendance au GPU de Nvidia. Résultat, la part de marché de Nvidia sur les accélérateurs IA qui frôit les 90 % en 2025 est désormais projeté autour de 70 %. Alors oui, 70 % ça reste plus que dominant, c'est clair, il n'y a pas de débat mais c'est aussi près de 20 points potentiellement perdus en quelques mois. Dans ce contexte, rappelez-vous que toute la stratégie d'investissement IA de Wall Street repose sur un horizon de rentabilité longue, généralement projeté autour de la fin de la décennie. Si Nvidia perd autant de part de marché avant même que ce calendrier ne se concrétise, on peut légitimement se demander si la trajectoire ne va pas devoir se réajuster bien plus tôt que prévu. Et quand vous vous rappelez que les marchés ne regardent ni le passé, ni le présent, mais le futur, vous comprenez comment des résultats records sur le trimestre passé se traduisent par une baisse du cours aujourd'hui. Donc on se retrouve dans une situation où d'apparence tout va pour le mieux mais en arrièreboutique et on sent quand même queil se passe quelque chose. Envilia s'apprêterait donc à faire face à un choc de concurrence d'anthologie, chose qui nous amène à nous demander qui va vraiment ramasser la mise quand la poussière sera retombée. Nvidia restera-t-il le roi des sept magnifiques ou alors sera-t-il chassé du royaume par son rival le plus proche Google? Avant tout et pour mesurer l'ampleur de la chose, sachez que les AIC, donc les puces taillées sur mesure voi leur livraison croître de 45 % sur 1 an. Tandis que le GPU classique, ceux de Nvidia, affiche une croissance de 16 %, près de trois fois moins. C'est la première année de l'ER RIA où les puces surmesure dépassent les GPU en rythme de croissance. Et là, je ne suis pas peu fier de moi car lorsque j'ai cofondé Data Factory, lors du premier webinaire, j'annonçais que nous construisions des fermes de puissance qui utiliserait le minage de Bitcoin comme un tremplin pour prendre des MW qui serviraient au grand secteur du HPC, donc de l'IA. D'ici à l'époque, je disais 3 ans. Bon, au final, ce sera fait plus tôt, mais voilà. Pour en revenir à aujourd'hui, on peut donc en conclure deux choses. Premièrement, si tout le monde se met à fabriquer sa propre puce, c'est bien parce que dépendre de Nvidia coûte une fortune. Deuxièmement, il y a tout un marché qui arrive sur les structures spécialisées dans l'inférence. D'un côté donc on aura celle des gros data centers dédiés surtout à l'entraînement de modèle et de l'autre on aura des infrastructure spécialisé dans l'inférence pour répondre à l'utilisation massive des modèles. Et ça bah c'est tout le paris qu'on est en train de remporter avec la fusion de Data Factory, Polycloud et en une seule société antimateur qui contrôle l'infrastructure énergétique, la puissance de calcul et la couche logicielle qui sera complémentaire des Hyper Scalers. Je vous raconte un peu ma vie parce que ce qu'il faut comprendre c'est qu'il y a en réalité deux mouvements très différents qui se cachent derrière tout ça. Premièrement, les géants qui fabriquent leurs propres puces pour reprendre le contrôle de leur infrastructure. Microsoft à Maya, Meta à MTI, Amazon à Trenium. Puis les géants qui développent leur infrastructure pour la mettre au service des clients comme c'est le cas de SpaceX AI avec Anthropiic. Et il y a encore ceux qui font un peu des deux. Amazon par exemple qui en plus d'utiliser ses propres puces en interne, les monétise également à travers AWS en louant à ses clients des instance cloud qui tourne sur ses propres accélérateurs. On parle quand même de 20 milliards de dollars de revenus annualisés et ce ne sont pas les seuls. Microsoft pourrait faire sensiblement la même chose avec Azure et c'est la logique d'Antimateur où nous vendons la puissance de calcul. Mais attention, Google intègre la chaîne encore un cran plus haut avec leur propre design de puce qu'il loue en direct et y compris et c'est tout le sel de l'affaire au clients historiques de Nvidia. Vous sais la nuance? Quand Meta ou Microsoft fabriquent leur puce, Nvidia perd surtout une partie de la demande interne de ses géants. OK, mais quand Google loue ses TPU anthropique Meta Open AI, Nvidia perd un client et Google en gagne un. C'est un double effet. D'un côté, on retire de la demande à Nvidia, de l'autre, on la capte. Typiquement chez antimateur, sur les mW de nos fermes de puissance, il n'est pas impossible qu'un jour on propose autre chose que du Nvidia sur Ivenet car il commence à y avoir de la concurrence. C'est pour ça que l'annonce des nouvelles puces de Google à Las Vegas est bien plus déterminante qu'elle n'en a l'air. On n'est pas juste dans le Google a une meilleure puce, c'est Google a désormais les moyens industriels de servir les concurrents de Nvidia à grande échelle. C'est pas tout à fait pareil. Et les clients ne s'y trompent pas. Quand on regarde qui bascule, on tient déjà une bonne partie de la réponse parce que on ne parle pas de petite start-up en quête d'économie, on parle de trois laboratoires qui définissent la frontière de l'IA mondial. Commençons par Anthopique, un labo dont les modèles ont été entraînés à l'origine en grande partie sur du matériel Nvidia. En octobre dernier, Entropic signe avec Google le plus gros contrat de l'histoire de Google Cloud. Un accès à 1 million de TPU. Mais ce n'est qu'un début. 6 mois plus tard, le labo triple sa mise et sécurise 3,5 GW de capacité nouvelle génération via un accord à 3 avec Google et Broadcom. Et au moment où j'écris ces lignes, on parle de négociation pour un engagement total de 200 milliards de dollars sur 5 ans. 200 milliards. Pour donner une idée, c'est presque l'équivalent du dernier chiffre d'affaires annuel de Nvidia dépensé par un seul client chez un concurrent. Ensuite vient Meta qui signe à son tour un deal pluréannuel à plusieurs milliards de dollars pour accéder au précieux TPU. Et là, mesurez bien le signal, Meta n'est pas une start-up qui gratte sur sa facture de cloud. Non, c'est l'un des plus gros investisseurs en infrastructure I de la planète avec un budget qui se compte en centaines de milliards. Meta a déjà ses propres puces comme on vient de le voir et ils ont aussi déjà des accords avec Nvidia. Malgré ça, l'entreprise signe un chèque de plusieurs milliards pour louer du Google. Et puis il y a le troisième nom, celui qui aurait dû faire tomber Johnson Wang de sa scène ou de sa chaise, Open AI. Parce qu'Open AI est le client emblématique de Nvidia depuis le lancement de Chat GPT. Tout l'Empire repose massivement sur du Nvidia. Même quand Open AI annonce son plus gros chantier d'infrastructure, le cœur de la machine reste du Nvidia. Et pourtant, depuis l'été dernier, Open AI loue les TPU Google pour faire tourner certaines de ses charges. Donc on a des clients parmi les plus prestigieux de Nvidia qui nous disent ancreux qu'on peut faire tourner de l'IA à grande échelle sur autre chose que du Nvidia. Maintenant tout ça reste un peu abstrait. Des deal à plusieurs milliards, des gigawatt, ça ne parle pas vraiment. Alors, prenons un exemple concret d'une seule entreprise qui a migré de Nvidia à Google et voyons ce qui s'est passé. Midourné, le générateur d'imag avec lequel vous avez dû, je n'en doute pas beaucoup vous amuser, à migrer l'essentiel de sa production depuis des clusters Nvidia vers des TPU. Alors, sur l'ffecture mensuelle d'inférence, on passe de 2,1 million de dollars à moins de 700000 dollars. Une baisse de 65 % des coûts pour le même volume de production, soit près de 17 millions de dollars d'économisés par an. Et le plus fou, ce sont les délais. La migration a pris 6 semaines et le retour sur un investissement, le temps qu'il a fallu pour rentabiliser le coût de la bascule a été atteint en 11 jours. Maintenant, on fait le même calcul à l'échelle d'un antropique qui dépense des milliards. Vous comprenez pourquoi la tentation devient irrésistible. Alors, arrivé ici, vous devez vous dire que les TPU c'est génial et que Nvidia va à la cassera habillée. Et ben, ne nous emballons pas non plus trop vite parce que le patron de midjournée justement, David Hols exprime quand même un regret. Non pas d'être passé sur des TPU mais de les avoir utilisé trop tôt. En gros, il aurait préféré développer et itérer sur Nvidia pendant la phase de recherche puis basculer sur les TPU seulement en production, là où leur avantage économique devient beaucoup plus évident. Ce qui laisse sous-entendre que les TPU de Google ne sont pas forcément nécessairement les meilleurs partout, mais qu'ils seraient meilleurs à des endroits très précis. Et là, il va falloir ouvrir le capot. Remontons à 2013 et à un calcul de coin de table griffonné par un homme, Jeff Deffan pour vous situer, c'est une légende vivante de l'informatique. L'architecte de l'infrastructure IA de Google, figure centrale de Google Brain, unité qui donnera naissance en 2017 au papier Attention is all you need, qui a posé l'architecture sur laquelle tourne aujourd'hui votre LLM préféré. En 2013, donc l'équipe de DIN vient de mettre au point un modèle de reconnaissance vocale nettement meilleur que tout ce qui existait. Sauf que problème, ils estiment que si 100 millions de personnes se mettent à parler à leur téléphone, ne serait-ce que 3 minutes par jour, Google devrait doubler le nombre total de ces data centers dans le monde juste pour une seule fonctionnalité. Inutile de vous dire que d'un point de vue économique, c'est impensable. Et c'est là que Dan, dans tout son génie se dit que le problème ce n'est pas que les puces sont trop lentes, c'est qu'elles sont trop polyvalentes. Un processeur classique sait tout faire, donc il fait tout moyennement. Or, un réseau de neurone dans sa partie la plus lourde passe l'essentiel de son temps à faire des multiplications de matrices. Ce qui le poussera alors à créer une puce qui ne sait faire que ça. Une seule opération mais poussée à l'extrême. En 15 mois, l'équipe accouche du premier TPU. déployé dès 2015 dans les data centers de Google pour faire tourner Search et même Alphago lors de sa victoire historique contre Led Doll. Et déjà à l'époque, les chiffres du premier TPU sont bluffants. Sur l'inférence, il est 15 à 30 fois plus rapide que les GPU et processeurs de l'époque et surtout 30 à 80 fois plus efficient énergétiquement. Alors d'où vient cette magie noire? et bien d'un seul concept, le tableau systolique. Ne vous laissez pas impressionner par ce terme un peu barbare et voyez les choses comme ça. Un GPU, c'est une armée, des milliers de petits soldats, les fameux cœurs kuda chez Nvidia capables de faire chacun des choses différentes en même temps. C'est extraordinairement souple. Un GPU peut faire du rendu de jeux vidéo, de la simulation physique, de la cryptographie, de l'IA et j'en passe. Mais cette polyvalence a un coûte. Pour coordonner toute cette armée, il faut une logistique énorme, des caches, des fils d'attente, de la gestion mémoire et surtout pour chaque opération, le GPU doit aller chercher la donnée en mémoire, faire le calcul puis réécrire le résultat en mémoire et cetera et cetera et cetera. Or, aller chercher une donnée en mémoire consomme bien plus d'énergie que le calcul lui-même. On estime que lire une valeur dans la mémoire externe peut coûter jusqu'à 200 fois plus d'énergie qu'une simple multiplication. Autrement dit, la puce passe le plus clair de son énergie, non pas à calculer, mais à déplacer des données. Et un TPU, ben c'est tout l'inverse, c'est une chaîne de montage. Au cœur de la puce, vous avez ce que l'on appelle une Matrix multiply unit, une grille de 256/ 256, soit 65536 unités de calcul aligné comme les postes d'une usine. Et le génie du système, c'est que les données circulent directement d'une unité à la suivante, sans jamais repasser par la mémoire entre deux opérations. Le résultat est spectaculaire. Sur un TPU, on estime que plus de 90 % du silicium fait du calcul utile contre environ 30 % sur un GPU. Et c'est là toute la philosophie de Google. Pendant que Nvidia construit le couteau suisse universel, Google forge un scalpel, une lame qui ne sait faire qu'une chose mais qui a fait mieux que n'importe quoi d'autre au monde. Enfin, du moins, c'était la vision historique car désormais les TPU modernes ne sont plus les puces rigides de 2015 et les GPU Nvidia ne sont plus de simples cartes graphiques généralistes non plus. La preuve en est avec Google qui a scindé sa gamme en deux. Une puce pour l'entraînement, une puce pour l'inférence. Pourquoi? Parce que l'inférence, le fait de faire tourner un modèle déjà entraîné devrait représenter 75 % de toute la consommation il a mondiale d'ici 2030. Quand un marché devient à ce point gigantesque, ça vaut le coup de tailler une puce rien que pour lui. Mais cette perfection a un prix parce que ben rien n'est gratuit dans la vie. Le tableau systolique est historiquement rigide par conception. Demandez-lui de la multiplication de matrice, il est imbattable. Mais demandez-lui autre chose, du calcul irrégulier, dynamique, du tâtonnement, ce qui arrive constamment dans la recherche et le prototypage et il devient nettement moins à l'aise. C'est une réelle gamme de services qui est donc en train de se construire autour de différentes puces qui constituent la puissance de calcul de notre époque. Et tout cela se passe sous nos yeux. Nous avons cette chance de vivre cette époque incroyable. Et rappelez-vous, c'est pas pour rien, que la puissance de calcul est en train de devenir une réelle classe d'actifs à part entière. Et c'est exactement ce que disait David Hols quand il regrettait de ne pas avoir gardé du Nvidia pour la phase de recherche. Le GPU lui fait tourner n'importe quoi. C'est le couteau suisse, c'est pour ça que toute l'industrie a été bâtie dessus. Bon alors, OK, il y a des limites, on pouvait s'y attendre. Mais fondamentalement, si le TPU est aussi efficient, s'il évolue et si l'économie est aussi écrasante que les chiffres le montrent chez Mid journée, pourquoi est-ce que le mouvement de rééquilibrage entre Nvidia et la concurrence n'est pas beaucoup plus important? La réponse tient en un mot. KDA lancé par Nvidia en 2006, c'est l'écosystème logiciel qui permet de programmer ses puces. 20 ans de bibliothèqu d'outils, de documentation et des millions d'ingénieurs formés dessus. Mais si on veut être précis, le vrai frein ce n'est même pas tant couda que les couches accumulées par-dessus optimisé au fil des années que personne n'a envie de réécrire. Concrètement, migrer de couda vers autre chose, ce n'est pas juste changer de fournisseur, c'est changer d'écosystème, des mois de travail, une partie du code à reconstruire et une perte de performance le temps de tout réoptimiser. Pour la plupart des entreprises, le calcul est vite fait. On reste sur Nvidia, même si la plus concurrente est moins chère. parce que le coût de la bascule est beaucoup trop grande. Mais alors dans ce cas, pourquoi midjourné a-t-il tout de même migré en 6 semaines? D'où vient ce miracle? Et bien parce que eux tournaient déjà sur Jacks, en gros la langue maternelle des TPU Google. Même chose pour Anthropique multiframework depuis le début tandis que ben l'écrasante majorité de l'industrie, elle tourne sur Petitorch, le framer croix historiquement marié à Kuda. Mais mais mais mais mais mais mais attention, l'histoire ne s'arrête pas là non plus. Google avec l'appui de Meta et le créateur de Porch lance Torch TPU, un projet pour faire tourner Porch nativement sur TPU sans réécrire le code. Le projet est rentré en préversion chez certains clients il y a quelques semaines avec une promesse simple, portez vos modèles tel quel. Ce qui veut dire que si ça prend, le mur a des chances de tomber et des milliers d'entreprises aujourd'hui prisonnières de Kouda pourrai basculer avec immensément moins de friction. Bon après, je suis d'accord qu'avec des silles, on met Paris en bouteille mais quand même l'histoire est folle. Fun fact d'ailleurs. En début d'année, un développeur a montré que Claude Code pouvait porter du code kuda vers un écosystème concurrent en 30 minutes. Lia serait-elle elle-même en train de raboter le dernier rempart de Nvidia? Et il y a un deuxième frein. Un TPU historiquement ça ne s'achète pas comme un GPU Nvidia, ça se loue via Google Cloud. Autrement dit, basculer sur TPU, c'est aussi accepté de confier une partie de ses charges de calcul à l'écosystème Google. Acceptable pour un entropique qui ne possède pas d'infrastructure propre, mais beaucoup moins pour un Amazon ou un Microsoft qui sont des concurrents directs. Cela dit, les choses sont en train de changer également et Google semble clairement basculer vers des déploiements TPU beaucoup plus industriels. Bon, d'accord, mais maintenant, il faut prendre aussi des choses dans l'autre sens. Si Google semble talon de si pré Nvidia, pourquoi Nvidia ne fabrique pas son propre TPU Nvidia? Et bien, voyons ce que Jensen Wang en dit. Nvidia ne vend pas seulement une puce. Nvidia vend une plateforme universelle utilisable par tout le monde pour presque tous les types de calculs dans presque tous les data centers du monde. Une puce maison vous oblige à être votre propre opérateur. C'est pour ça que selon lui, tout ça n'a pas vraiment de sens. Ce qui confirme exactement le point que l'on vient de voir. Ce n'est pas tant une bataille de puce que de plateforme. Quant à Google, il nous dit que la croissance des TPU repose sur un seul client enique et que sans eux pas de croissance, donc en gros pas vraiment de menace. Sauf que dans l'arrière boutique, Nvidia agit. En septembre dernier, il dévoile Rubin CPX, sa première puce taillée spécifiquement pour un type d'inférence très précis, les contexte long. Puis en décembre, il signe un accord de 20 milliards de dollars avec Grock pour intégrer une technologie d'inférence ultra rapide dans sa future gamme. Nvidia, qui pendant des années a venté l'universalité de son couteau suisse mettrait lui aussi à forger des lames spécialisées. Maintenant, à la fin de tout ça, est-ce que l'un des deux finira mécaniquement grand gagnant? Reprenez les deux nouvelles puces de Las Vegas. Google définit architecture, conçoit le système et cetera. Mais pour transformer cette vision en silicium produit à grande échelle, il faut des partenaires que sont Broadcom pour la 8T et Médiathek pour la 8i et qui les grave TSMC à Taiwan. Google lui définit l'architecture et signe l'échec mais il ne touche pas au silicium. Au final se rend compte que dans toute cette histoire une bonne partie de la valeur remonte dans les poches des intermédiaires comme broadcom. Et là, accrochez-vous, au premier trimestre de cette année, les revenus IA de Brotcom atteignent 8,4 milliards de dollars en hausse de 106 % sur 1 an. Son carnet de commandia dépasse 73 milliards de dollars et son PDG HTAN vise plus de 100 milliards de revenus IA pour 2027. Mais attendez, le plus savoureux, c'est que Broadcomoit le TPI de Google, le MTI de Meta et la future plus custom d'open AI. Donc si je résume, Broadcom puce qui veut tuer Nvidia et construit avec Meta, celle qui veut réduire la dépendance à Nvidia et à Google, et avec Open AI, celle qui est mensible d'à peu près tout le monde. Bref, Broadcom vend des pelles et des pioches à tous les camps et derrière tout cela, on retrouve inévitablement TSMC parce que Google, Nvidia, Broadcom, Amazon, tous font la queue chez le même fondeur et son nœud de gravure le plus avancé et saturé. réservé jusqu'en 2028 avec une demande qui dépasse l'offre d'un facteur 3. Et je ne vous reparle même pas d'ASML qui fournit les machines pour faire les puces chez TSMC. Au final, dans cette guerre Google contre Nvidia, aucun des deux n'a vraiment le pouvoir. Et si vous voulez comprendre l'enjeu réel, un étage au-dessus, au cœur même des puces, allez voir cette vidéo. No.