Intelligence artificielle
NVIDIA (NVDA) à la loupe : du géant des puces graphiques au titan de l’IA
Ajouter Securities.io à vos sources préférées sur Google
Le géant de l’IA
Pendant plus d’une décennie, l’attention des investisseurs technologiques s’est concentrée sur les grandes plateformes, notamment Microsoft (MSFT ), Google (GOOG ), Facebook (META ), entre autres. Ces dernières années ont également mis en évidence le rôle du matériel informatique. La progression de Tesla (TSLA ) illustre l’intérêt que peut susciter une entreprise associant logiciels et équipements, sans garantir des rendements comparables pour d’autres titres.
Une autre entreprise située à l’intersection du matériel et du logiciel a enregistré une forte progression : NVIDIA (NVDA ).
Souvent présentée comme une réussite soudaine de l’IA, NVIDIA a construit ses technologies et son écosystème sur plusieurs décennies. Cette expérience peut constituer un avantage concurrentiel, sans assurer une domination durable.
Le chemin du succès de NVIDIA
CPU et GPU
NVIDIA s’est d’abord spécialisée dans les puces graphiques, ou GPU. Elles complétaient les processeurs centraux, ou CPU, en prenant notamment en charge les calculs nécessaires à l’affichage.
Les CPU sont polyvalents et particulièrement adaptés à de nombreuses tâches séquentielles ou nécessitant une faible latence.
Les GPU exécutent un grand nombre d’opérations en parallèle. Ils ne sont pas simplement moins puissants : leurs performances dépendent du type de calcul et de la manière dont il est organisé.
Des années 1990 aux années 2010, des fabricants de CPU comme Intel (INTC ) occupaient une place centrale. Les GPU haut de gamme servaient notamment aux jeux, à la création graphique et à certaines applications professionnelles.
Développer une activité dans les GPU
Dès les débuts, Jensen Huang et ses cofondateurs ont misé sur la croissance des besoins de calcul. Huang avait travaillé chez AMD et LSI Logic ; ses cofondateurs Chris Malachowsky et Curtis Priem avaient une expérience chez Sun Microsystems, ensuite rachetée par Oracle (ORCL ). Ensemble, ils ont fondé NVIDIA en 1993, dans le contexte de l’essor du PC.
« Nous pensions que les graphismes 3D pourraient être quelque chose de vraiment intéressant. Pour la première fois, on avait une plateforme informatique que l’on pouvait utiliser à toutes sortes de fins, y compris pour jouer. Il nous fallait simplement construire une puce qui rende cela possible.
Aucun de nous n’avait même vu de PC. Nous avons donc acheté un Gateway 2000. Nous ne savions pas programmer sous Windows ou DOS ; nous avons dû le démonter et apprendre à connaître ce secteur. »
Le jeu vidéo semblait alors moins lucratif que certains marchés informatiques professionnels. Les premières puces de NVIDIA n’ont pas rencontré le succès attendu. Sa deuxième génération a notamment été confrontée au changement d’architecture graphique favorisé par DirectX.
L’entreprise a traversé plusieurs crises avant de trouver une combinaison de produits et de demande lui permettant de se développer.
La Riva 128 a constitué un tournant, avec un million d’unités vendues au cours de ses quatre premiers mois selon le récit cité. Elle a été suivie de générations de cartes, notamment la gamme GeForce, qui reste un acteur majeur aux côtés des cartes d’AMD (AMD ) Radeon.
Source: UBuy
CUDA et cryptomonnaies
NVIDIA a présenté l’architecture CUDA en 2006, puis ses outils de développement en 2007. Elle permet d’utiliser les GPU pour des calculs généralistes, au-delà de l’affichage. Des chercheurs exploitaient déjà leur parallélisme pour accélérer certains travaux scientifiques.
Source: NVIDIA
« Les chercheurs ont compris qu’en ajoutant une carte de jeu GeForce à leur ordinateur, ils pouvaient disposer d’une sorte de supercalculateur personnel : dynamique moléculaire, traitement sismique, reconstruction tomographique, traitement d’images et bien d’autres applications. »
Cette adoption a renforcé un cercle de développement lié aux effets de réseau: davantage d’utilisateurs et de développeurs familiers de la plateforme peuvent favoriser les applications et les ventes, qui financent à leur tour la recherche. Ce mécanisme n’exclut pas la concurrence.
Source: NVIDIA
Selon les données historiques présentées par NVIDIA, la base installée comptait des centaines de millions de GPU compatibles CUDA.
Source: NVIDIA
Le calcul parallèle a également trouvé des applications dans le minage de certaines cryptomonnaies.
L’essor des cryptomonnaies
Les GPU ont été très utilisés pour miner certaines monnaies, notamment Ethereum avant son passage à la preuve d’enjeu en 2022. Le minage du bitcoin repose surtout sur des circuits spécialisés, les ASIC. Toutes les blockchains ne nécessitent donc pas de GPU ni le même niveau de calcul.
Cette demande a contribué à certaines phases de hausse des ventes de NVIDIA. La progression de son action dépend toutefois de plusieurs facteurs et ne peut être attribuée intégralement aux cryptomonnaies.
NVDA Graphique du prix
Le recul de la demande liée au minage en 2022 a précédé une forte accélération des activités d’IA, préparées depuis plusieurs années.
IA
Réseaux neuronaux
Dès le début des années 2010, des chercheurs utilisaient des GPU pour entraîner des réseaux neuronaux. Les progrès liés à l’apprentissage automatique et aux applications scientifiques de l’IA ont notamment été reconnus par les prix Nobel de physique et de chimie de 2024, et non par celui de médecine. Les réseaux neuronaux constituent une base technique importante de l’IA contemporaine.
« En 2009, Ian Goodfellow, alors l’un de mes étudiants, m’a aidé à construire un serveur GPU dans sa chambre universitaire. Nous l’avons utilisé pour nos premières expériences d’apprentissage profond.
Nous avons commencé à observer des entraînements dix, voire cent fois plus rapides, en réalisant mille ou dix mille opérations en parallèle plutôt qu’une à la fois. »
Andrew Ng – fondateur de DeepLearning.AI et associé dirigeant d’AI Fund, dans un entretien avec Sequoia
Ces travaux précédaient la percée d’AlexNet dans la reconnaissance d’images en 2012 et les succès ultérieurs d’AlphaGo.
Le virage de NVIDIA vers l’IA
NVIDIA a investi tôt dans le calcul pour les réseaux neuronaux, alors que ce marché restait incertain. Jensen Huang a résumé cette démarche par la formule :
« Nous investissons dans des marchés de zéro milliard de dollars. »
En 2016 et 2017, NVIDIA a présenté les architectures Pascal et Volta. Volta a introduit les Tensor Cores pour accélérer certaines opérations d’apprentissage profond. Les gains annoncés, jusqu’à douze fois dans des comparaisons spécifiques, ne s’appliquent pas uniformément à chaque tâche.
« Nous avons orienté toute l’entreprise dans cette direction et cherché à travailler avec les chercheurs en IA.
Le fait que notre plateforme leur soit utile nous apportait un retour positif. C’est ainsi que j’ai noué des relations avec beaucoup de chercheurs du domaine.
Ils nous ont aidés à reconnaître les premiers signes de réussite. Il faut savoir accorder de l’importance à ces petites victoires. »
Ces développements ont préparé l’expansion des infrastructures d’IA, devenue particulièrement visible au grand public après le lancement de ChatGPT en novembre 2022.
Ils reposaient sur plusieurs générations de GPU et d’outils logiciels, et non sur une seule percée soudaine.
Source: NVIDIA
Les progrès du matériel et des algorithmes peuvent accroître rapidement les performances. La loi de Moore décrit elle-même une évolution approximativement exponentielle du nombre de transistors, et non une croissance linéaire. Aucun rythme de progrès illimité n’est garanti pour l’IA.
La disponibilité et la qualité des données, ainsi que les méthodes d’entraînement, influencent également les performances et l’efficacité.
NVIDIA présente des comparaisons montrant jusqu’à 350 fois moins d’énergie pour certaines tâches comparables sur huit ans. Ces gains dépendent des systèmes, modèles et méthodes retenus ; ils ne prouvent pas une baisse équivalente de la consommation totale de l’IA.
Source: NVIDIA
Partenariats NVIDIA
NVIDIA entretient un réseau de partenaires tout en se concentrant sur la conception de puces et les logiciels associés.
Son modèle est dit « fabless » : l’entreprise conçoit les composants et confie leur fabrication à des fondeurs comme TSMC (TSM ).
NVIDIA fournit de nombreuses grandes entreprises et jeunes pousses de l’IA. Elle développe aussi ses propres modèles et logiciels, notamment Nemotron ; elle n’est donc pas dépourvue de toute activité pouvant concurrencer certains clients. L’ampleur des ventes soutient ses dépenses de recherche.
L’augmentation des investissements dans les centres de données lui a fortement profité, sans assurer la poursuite de ce rythme.
La prévision citée pour les dépenses d’investissement liées à l’IA évoquait jusqu’à 200 milliards de dollars en 2025. Le périmètre et les hypothèses doivent être distingués des dépenses effectivement réalisées.
Source: Sherwood
Finances
La comparaison entre les exercices fiscaux 2023 et 2024 de NVIDIA, ce dernier clos le 28 janvier 2024, montre une forte croissance :
- Le chiffre d’affaires a augmenté de 126%, passant d’environ 27,0 à 60,9 milliards de dollars.
- Le résultat opérationnel ajusté non-GAAP est passé de 9,0 à 37,1 milliards de dollars, soit une hausse de 311% et une multiplication par environ 4,1. Le résultat opérationnel GAAP était de 33,0 milliards.
- La marge brute non-GAAP est passée de 59,2% à 73,8%. La marge brute GAAP est passée de 56,9% à 72,7%.
Les multiples historiques cités, notamment un cours/bénéfices supérieur à 60 et un rendement du dividende de 0,03%, reflétaient des attentes élevées. Ils varient avec la date, le cours et la méthode de calcul, et ne constituent pas des données actuelles.
Source: NVIDIA
Avenir de NVIDIA
Croissance durable ?
La croissance à trois chiffres a soutenu l’enthousiasme pour l’action, mais suscite aussi des interrogations sur sa durée.
Les inquiétudes passées n’ont pas empêché la progression de NVIDIA. Cela ne prouve toutefois ni que les risques actuels sont négligeables, ni qu’une position optimiste ou pessimiste soit toujours justifiée.
Dans un entretien du podcast BG2Pod, Huang a estimé qu’environ mille milliards de dollars d’infrastructures informatiques pourraient devoir être modernisées pour l’IA, dont quelque 150 milliards auraient déjà été dépensés. Ce sont ses estimations, pas des commandes garanties pour NVIDIA.
Selon cette analyse, les besoins existants et de nouvelles applications pourraient soutenir les ventes, notamment dans la conduite automatisée.
L’IA pourrait être utilisée dans de nombreux secteurs, dont la santé. Son adoption, sa valeur économique et les contraintes réglementaires diffèrent cependant selon les usages.
Source: NVIDIA
Blackwell
En mars 2024, NVIDIA a annoncé Blackwell. Selon l’entreprise, cette plateforme devait permettre l’inférence de grands modèles génératifs pouvant compter mille milliards de paramètres avec des coûts et une consommation d’énergie jusqu’à 25 fois inférieurs à la génération précédente, dans les configurations comparées. Il s’agit d’une comparaison annoncée par le fournisseur, non d’un gain universel pour tout calcul.
Source: NVIDIA
L’énergie devient un enjeu important pour les centres de données. Cela est illustré par l’accord annoncé par Microsoft et Constellation pour une remise en service de l’unité 1 de Three Mile Island, avec l’achat de la totalité de sa production pendant vingt ans dans le cadre contractuel prévu. En 2024, le redémarrage restait un projet soumis aux autorisations et travaux nécessaires, distinct de l’unité 2 accidentée en 1979.
Conceptions internes
Les grands clients cherchent aussi à développer leurs propres accélérateurs afin de maîtriser leurs coûts et de répondre à des besoins spécifiques. Les marges élevées de NVIDIA peuvent renforcer cet intérêt.
Par exemple, Tesla a développé son propre matériel de calcul pour ses véhicules, après avoir utilisé notamment la plateforme NVIDIA Drive PX 2. Cela ne signifie pas que tous les besoins informatiques de Tesla excluent NVIDIA.Les projets de robotaxis présentés par Tesla en 2024 pouvaient accroître ses besoins futurs en calcul, mais leur commercialisation à grande échelle n’était pas démontrée.
Tesla et d’autres entreprises d’Elon Musk, dont SpaceX (SPCX ), privilégient une intégration verticale importante dans plusieurs activités. Elles ne constituent pas les seuls groupes capables de concevoir du matériel.
Microsoft et les groupes issus du secteur logiciel peuvent utiliser les produits de NVIDIA tout en développant leurs propres puces. Ces approches ne s’excluent pas.
La familiarité des développeurs avec CUDA et les logiciels existants peut rendre une migration coûteuse. Cet écosystème constitue un avantage concurrentiel, mais pas une impossibilité de changer de fournisseur.
Risques du marché de l’IA
Le marché de l’IA comporte des risques que NVIDIA ne contrôle pas entièrement. Une question est de savoir si les applications généreront assez de recettes pour justifier les investissements, comme l’iPhone l’avait fait pour Apple (AAPL ) dans un autre contexte.
La monétisation peut demander du temps et varier considérablement selon les usages.
Si les recettes attendues tardaient trop, les investissements pourraient ralentir. La bulle internet rappelle qu’une technologie importante peut s’accompagner de valorisations excessives ou d’anticipations trop rapides.
L’épisode très médiatisé où Jensen Huang a signé un autographe sur le haut porté par une admiratrice en juin 2024 illustre sa célébrité. Il ne constitue pas à lui seul un indicateur fiable de bulle financière.
L’histoire financière offre des points de comparaison, sans se répéter mécaniquement. Les investisseurs peuvent notamment étudier le cas de Sun Microsystems lors de la bulle internet ; Sun n’était pas le premier employeur de Jensen Huang.
« À dix fois le chiffre d’affaires, pour vous rembourser en dix ans, il faudrait que je vous verse 100% du chiffre d’affaires en dividendes pendant dix ans. Cela suppose l’accord des actionnaires, aucun coût des produits vendus et aucune dépense, malgré 39 000 salariés. (…)
Après cela, voudriez-vous encore acheter mon action à 64 dollars ? Voyez-vous à quel point ces hypothèses sont irréalistes ? Il n’était pas nécessaire de disposer de notes de bas de page. À quoi pensiez-vous ? »
Scott McNealy — alors dirigeant de Sun Microsystems
Le ratio cours/chiffre d’affaires de 35 cité pour NVIDIA était une mesure historique, sensible à la date et au mode de calcul.
Source: YChart
Conclusion
NVIDIA s’est développée grâce à plusieurs choix stratégiques, des cartes graphiques pour PC à CUDA puis à l’IA. Jensen Huang est devenu l’une des personnalités les plus connues de l’industrie des semi-conducteurs.
Les performances récentes ont suscité un fort enthousiasme. Les comparaisons avec Tesla peuvent illustrer certaines réactions du marché, sans fournir une méthode fiable pour prévoir les rendements de NVIDIA.
L’ampleur des investissements dans l’IA crée à la fois des possibilités et des risques. La croissance future dépendra notamment de la demande réelle, de la concurrence, de l’efficacité des systèmes et de la rentabilité des usages.
