Qu'est-ce que NVIDIA ? GPU, CUDA et calcul pour l'IA

NVIDIA Corporation est une entreprise technologique américaine qui conçoit des processeurs graphiques (GPU), d'autres processeurs, du matériel réseau et des logiciels. Ses produits servent au jeu vidéo, à l'intelligence artificielle, au calcul scientifique, au graphisme professionnel et à la robotique. Son siège se trouve à Santa Clara, en Californie.

L'entreprise est surtout connue pour ses GPU, mais son activité va des puces aux systèmes informatiques complets, en passant par les outils utilisés pour les programmer. Distinguer ces niveaux permet de comprendre pourquoi le nom NVIDIA apparaît sur un PC de jeu, un serveur d'IA et un service de calcul cloud.

Que fait NVIDIA concrètement ?

NVIDIA développe des technologies de calcul et vend du matériel, des logiciels et des services associés. Certains clients achètent des cartes graphiques ou des systèmes intégrés. D'autres utilisent du matériel NVIDIA dans un ordinateur fabriqué par une autre entreprise, ou y accèdent auprès d'un fournisseur cloud.

Il est utile de distinguer trois niveaux :

• Les processeurs et le réseau : GPU, CPU, cartes réseau, commutateurs et composants associés effectuent des calculs et déplacent les données.
• Les systèmes : des produits comme DGX réunissent des composants de calcul dans des machines ou des infrastructures plus vastes destinées aux traitements d'IA.
• Les logiciels : pilotes, CUDA, bibliothèques et outils de développement permettent aux applications d'utiliser le matériel.

Ces éléments peuvent être vendus ou accessibles de différentes façons. L'achat d'un GPU n'inclut pas automatiquement toutes les licences de logiciels professionnels ni un service d'IA managé. Louer un serveur équipé de GPU NVIDIA ne signifie pas que NVIDIA exploite le service ou fixe ses conditions de facturation.

Comment fonctionnent les GPU NVIDIA ?

Un processeur graphique est conçu pour exécuter un grand nombre d'opérations en parallèle. Le graphisme informatique a constitué l'un de ses premiers usages : produire une image nécessite de nombreuses opérations sur les pixels, la géométrie et l'éclairage, qui peuvent être réparties entre plusieurs unités de calcul.

Des besoins similaires existent dans d'autres domaines. Un réseau de neurones répète des opérations sur des tableaux de nombres. Une simulation scientifique peut mettre à jour de nombreux points d'une grille. Un GPU peut accélérer ces tâches si le logiciel les organise pour une exécution parallèle et alimente suffisamment le processeur en données.

Un GPU fonctionne généralement aux côtés d'un CPU, le processeur central. Le CPU exécute le système d'exploitation, coordonne l'application et prend en charge le travail moins adapté à l'accélérateur. Les transferts de données entre composants prennent aussi du temps : un GPU n'accélère donc pas tous les programmes. Notre introduction au calcul GPU explique les usages qui bénéficient de cette accélération et ses limites.

Qu'est-ce que CUDA et quel est son rôle ?

CUDA est la plateforme de calcul parallèle de NVIDIA. Son nom vient de Compute Unified Device Architecture. NVIDIA a présenté cette architecture en 2006 pour rendre le calcul GPU accessible à des traitements autres que le graphisme, comme l'explique le guide de programmation CUDA.

Le CUDA Toolkit fournit des composants de développement : compilateur, bibliothèques, environnement d'exécution et outils de débogage. Les développeurs peuvent écrire leur propre code GPU ou utiliser des applications et des frameworks d'apprentissage automatique qui appellent des bibliothèques accélérées.

Cette distinction compte en pratique. Une personne qui utilise une application d'IA compatible n'a pas nécessairement besoin d'écrire un kernel CUDA. L'application exige toutefois un GPU pris en charge et un environnement logiciel compatible. Le pilote, le toolkit et le paquet du framework ont des rôles différents : en installer un ne garantit pas que toutes les applications fonctionneront.

Par exemple, un chercheur peut entraîner un modèle de classification d'images avec un framework, tandis que des bibliothèques GPU optimisées effectuent une grande partie du calcul numérique. Il doit néanmoins vérifier les besoins mémoire et les versions prises en charge. La compatibilité CUDA est une exigence à contrôler, pas une promesse de gain de vitesse déterminé.

Que signifie la compute capability d'un GPU NVIDIA ?

La compute capability d'un GPU identifie les fonctions matérielles et les instructions prises en charge par son architecture. Ce numéro est distinct de la version du CUDA Toolkit, du nombre de cœurs CUDA et de la capacité mémoire. Recherchez le modèle exact du GPU, puis vérifiez les architectures compatibles avec l'application et la version logicielle prévues. La compute capability aide à établir la compatibilité ; elle n'indique pas la vitesse d'exécution d'une tâche complète.

Qu'est-ce que NVIDIA Nsight Compute ?

NVIDIA Nsight Compute est un outil de développement qui analyse les performances des kernels, les fonctions exécutées sur le GPU. Son interface graphique et son interface en ligne de commande recueillent des mesures détaillées pour comprendre comment un kernel utilise les ressources de calcul et la mémoire du GPU. Il n'est pas nécessaire de lancer cet outil pour utiliser une application CUDA compatible.

Nsight Systems examine l'activité de l'ensemble de l'application, notamment le travail du CPU, celui du GPU et les transferts. Cette vue globale peut aider à localiser un goulot d'étranglement avant d'analyser un kernel précis avec Nsight Compute. Par exemple, une tâche qui passe l'essentiel de son temps à attendre des données ne s'analyse pas de la même façon qu'une tâche ralentie par un kernel GPU.

Le profilage modifie l'exécution. Le guide de profilage NVIDIA explique que la collecte de mesures peut nécessiter de réexécuter des kernels et de sauvegarder ou de restaurer leur mémoire, ce qui ajoute du temps. Commencez par un petit ensemble de mesures pertinentes et chronométrez séparément l'exécution normale de la tâche complète. Une exécution plus longue pendant le profilage ne suffit pas à conclure que l'application a ralenti.

Les produits NVIDIA et leurs usages

GeForce : jeu vidéo et création

GeForce est la famille de produits graphiques grand public de NVIDIA. Les GPU GeForce RTX proposent des fonctions de rendu, de ray tracing et de graphisme assisté par l'IA. Les technologies DLSS comprennent la reconstruction d'images de résolution supérieure à partir d'entrées de résolution inférieure et, sur le matériel compatible, la génération d'images supplémentaires. Les fonctions disponibles dépendent de la génération du GPU, de l'application et des réglages.

Une carte GeForce peut aussi exécuter des traitements de calcul compatibles. Son intérêt pour un modèle d'IA dépend de la mémoire, des logiciels et de la tâche, plutôt que de sa seule appellation de carte de jeu. Les produits grand public et de centre de données correspondent à des configurations différentes, même lorsqu'ils exécutent tous deux des applications CUDA.

GeForce NOW est un service distinct de jeu vidéo dans le cloud. Il diffuse des jeux compatibles depuis des systèmes distants. Un abonnement de cloud gaming n'équivaut pas à la location d'une instance GPU généraliste pour exécuter votre propre code d'entraînement.

RTX PRO : visualisation professionnelle

Les produits NVIDIA RTX PRO répondent à des besoins professionnels comme la conception technique, le rendu, la simulation et le développement d'IA. NVIDIA Quadro est une ancienne marque de cartes graphiques professionnelles, encore présente sur certaines machines ou dans des documentations plus anciennes.

Pour un logiciel professionnel, vérifiez le matériel et les pilotes pris en charge. Un numéro de modèle plus élevé ne garantit pas une capacité mémoire, des certifications ou des fonctions de déploiement adaptées à votre travail.

GPU de centre de données, CPU et systèmes DGX

Les offres de centre de données servent notamment à l'entraînement et à l'inférence d'IA, à l'analyse de données et au calcul haute performance. Les noms A100, H100, H200 et B200 désignent des produits ou familles de GPU dont la mémoire, l'architecture et les exigences système diffèrent. Ils ne sont pas des appellations interchangeables pour un seul type de serveur d'IA.

NVIDIA conçoit également des CPU. Le CPU Grace, par exemple, utilise l'architecture Arm et est destiné au calcul en centre de données. Un CPU et un GPU restent deux types de processeurs différents, même lorsqu'ils sont étroitement reliés au sein d'un système.

DGX désigne des systèmes intégrés de calcul pour l'IA, plutôt qu'un modèle de GPU. La gamme couvre plusieurs échelles et configurations. Notre guide NVIDIA DGX explique l'articulation entre systèmes, logiciels et options de déploiement.

Le réseau pour relier les ressources de calcul

Les traitements d'IA de grande taille peuvent répartir le travail sur plusieurs GPU ou serveurs. Ces appareils doivent échanger des données : le réseau influence donc les performances utiles du système. NVIDIA fournit notamment des technologies réseau InfiniBand et Ethernet.

NVIDIA a finalisé son acquisition de Mellanox en avril 2020, après l'annonce de l'accord en 2019. Il faut distinguer ces deux dates dans les historiques de l'entreprise. Cette acquisition a étendu ses capacités réseau en complément de ses produits de calcul.

Robotique, véhicules et simulation

Les modules et kits de développement Jetson prennent en charge l'IA en périphérie, où le calcul s'effectue à proximité d'un appareil ou d'un capteur. NVIDIA Isaac fournit des outils de développement robotique, dont des ressources de simulation et d'apprentissage pour les robots.

Pour les véhicules, NVIDIA DRIVE propose du matériel de calcul et des logiciels utilisés dans le développement de la conduite assistée et automatisée. NVIDIA fournit des technologies aux concepteurs de véhicules : la présence de son matériel ne rend pas automatiquement un véhicule autonome.

NVIDIA Omniverse propose des bibliothèques et des outils de développement pour des applications faisant appel à des environnements 3D et à la simulation. Ces outils peuvent aider à construire et à tester des environnements virtuels. La précision d'une simulation dépend toujours de ses modèles, de ses données d'entrée et de sa validation par rapport au système réel.

Pourquoi NVIDIA est-elle associée à l'intelligence artificielle ?

Le deep learning repose sur des opérations numériques que les GPU peuvent traiter en parallèle. L'entraînement ajuste les paramètres d'un modèle à partir d'exemples ; l'inférence utilise le modèle entraîné pour produire des résultats. Les deux peuvent bénéficier de l'accélération, mais leurs besoins en mémoire, en latence et en débit diffèrent.

Le rôle de NVIDIA associe du matériel GPU à des logiciels qui permettent aux applications de l'exploiter. Les bibliothèques, la prise en charge par les frameworks, les outils d'analyse des performances et les logiciels de déploiement comptent : la puissance théorique d'une puce n'est utile que si l'application peut en tirer parti.

NVIDIA n'est pas pour autant synonyme d'IA. De nombreuses organisations développent des modèles, et les applications accélérées peuvent utiliser d'autres matériels et environnements logiciels. L'appellation « puce d'IA » ne garantit pas non plus qu'un modèle donné tiendra en mémoire ou respectera un objectif de temps de réponse.

Pour un déploiement concret, examinez la compatibilité de l'application, ses besoins mémoire et les résultats d'un test représentatif. Comparez la tâche complète, y compris le chargement des données et la qualité des résultats, plutôt que d'assimiler une puissance de calcul annoncée à la performance que vous obtiendrez.

NVIDIA fabrique-t-elle ses propres puces ?

NVIDIA conçoit des puces et fait appel à des partenaires industriels pour les produire. Son rapport annuel pour l'exercice 2026 décrit une stratégie de fabrication sans usine propre, dite « fabless », et sous contrat, avec des fondeurs comme Taiwan Semiconductor Manufacturing Company (TSMC) et Samsung.

« Fabless » signifie que l'entreprise s'appuie sur des fabricants externes de semi-conducteurs au lieu d'exploiter les usines qui produisent ses plaquettes. La fabrication comprend aussi l'encapsulation, l'assemblage et les tests. Le nom NVIDIA identifie le concepteur de la puce ; il ne signifie pas que chaque étape de production se déroule dans une installation lui appartenant.

Un bref historique de NVIDIA

Jensen Huang, Chris Malachowsky et Curtis Priem ont fondé NVIDIA en 1993. L'entreprise se concentrait initialement sur le graphisme 3D pour les jeux et le multimédia. Son historique officiel présente CUDA en 2006 et les résultats d'AlexNet obtenus avec des GPU en 2012 comme des étapes de son développement dans le calcul généraliste et l'IA.

L'acquisition de Mellanox en 2020 a élargi son activité réseau pour les centres de données. La gamme actuelle reflète cette évolution : graphisme, accélération généraliste, réseau et logiciels sont des activités liées. Cet historique explique mieux la diversité de ses produits qu'une valorisation boursière changeante.

Utiliser du matériel NVIDIA dans le cloud

Vous pouvez utiliser des GPU NVIDIA sans acheter de machine locale, en louant des ressources auprès d'un fournisseur. Celui-ci détermine la configuration de l'instance, la méthode d'accès, la disponibilité et les conditions du service. Le nom du GPU ne précise pas si l'offre inclut du stockage, un environnement logiciel pris en charge ou une exploitation managée.

Notre guide du cloud computing NVIDIA distingue les instances GPU louées des catalogues logiciels et des autres services. Avant de lancer un traitement, vérifiez :

• Le modèle exact du GPU, la mémoire disponible et le mode d'allocation.
• La compatibilité du système d'exploitation, des pilotes, du framework et des bibliothèques nécessaires.
• Le CPU, la mémoire hôte, le stockage et les ressources réseau fournis avec l'instance.
• Les prix, la persistance du stockage, le comportement à l'arrêt et les ressources qui restent facturables.
• Les performances sur votre propre tâche, y compris le temps de préparation et la qualité des résultats attendue.

Compute with Hivenet permet d'accéder à des ressources de calcul GPU NVIDIA. Consultez l'offre actuelle et la configuration sélectionnée avant de lancer une instance. Une liste générale de produits NVIDIA ne constitue jamais l'inventaire d'un fournisseur.

Questions fréquentes

NVIDIA est-elle un GPU ?

Non. NVIDIA est l'entreprise. Le GPU est un type de processeur. NVIDIA conçoit plusieurs familles de GPU, ainsi que des CPU, des produits réseau, des systèmes et des logiciels.

NVIDIA est-elle une entreprise américaine ?

Oui. Son siège se trouve à Santa Clara, en Californie. Elle travaille avec des partenaires industriels et des clients dans plusieurs pays.

Toute application d'IA a-t-elle besoin d'un GPU NVIDIA ?

Non. Certaines applications fonctionnent sur CPU ou sur d'autres accélérateurs. Le matériel adapté dépend de la compatibilité logicielle, de la taille du modèle, des performances requises et du coût.

CUDA est-il un pilote de carte graphique ?

Non. CUDA est une plateforme de calcul ; le CUDA Toolkit contient des outils de développement et des bibliothèques. Le pilote graphique est un autre élément de l'environnement logiciel. Une application peut exiger des versions compatibles précises : suivez ses instructions d'installation.