L'IA n'a pas créé la demande de GPU. Elle l'a rendue visible.
Pendant des années, les GPU ont servi aux charges graphiques et à quelques calculs scientifiques de niche. Puis les grands modèles de langage sont arrivés. Entraîner un seul modèle d'IA mobilise désormais des milliers de GPU pendant des semaines. À grande échelle, l'inférence exige une bande passante mémoire que les architectures classiques ne peuvent pas fournir.
Résultat : un marché métamorphosé. Des entreprises qui achetaient des GPU par dizaines en commandent aujourd'hui par milliers. Les exploitants de centres de données se disputent les allocations. Les États traitent la capacité de production de semi-conducteurs comme une infrastructure, non comme une marchandise.
Les hyperscalers américains tirent les volumes. Les entreprises chinoises s'efforcent de bâtir des solutions nationales sous contraintes d'exportation. Les fabricants de mémoire multiplient les lignes de production HBM pour répondre aux besoins de bande passante. Le GPU n'est pas simplement plus rapide cette année : c'est un produit différent, au service d'une autre fonction.
Pour comprendre ce basculement, il faut dépasser les chiffres des benchmarks. Qui maîtrise la fabrication ? Quelles architectures passent à l'échelle pour l'entraînement, et lesquelles pour l'inférence ? Comment les politiques d'exportation redessinent-elles les chaînes d'approvisionnement ? Autant de questions qui pèsent plus lourd que les fréquences d'horloge ou le nombre de cœurs CUDA.
