Entrée 101
Silicium sur mesure : pourquoi les ASIC comptent même si NVIDIA gagne
Le silicium IA sur mesure — le TPU de Google, Trainium et Inferentia d'Amazon, MTIA de Meta, Maia de Microsoft, et une vague de puces conçues sur spécifications client par Broadcom et Marvell — est souvent présenté comme une menace pour NVIDIA. Ce cadrage est erroné. Le silicium sur mesure n'est pas un marché où le vainqueur rafle tout ; il est spécifique à chaque charge de travail. NVIDIA domine le marché de l'entraînement et de l'inférence généraliste grâce à CUDA et au verrouillage de son écosystème. Les ASIC dominent des charges de travail d'inférence spécifiques, là où les hyperscalers peuvent justifier le coût de conception. Les deux tendances progressent simultanément, et Broadcom et Marvell perçoivent des revenus de conception côté ASIC, quel que soit l'hyperscaler gagnant.
Traduit automatiquement de l’original anglais. Lire l’original en anglais →
Les trois acteurs du silicium sur mesure
- Hyperscalers concevant en interne : Google (TPU v5), Amazon (Trainium 2, Inferentia 3), Meta (MTIA v2), Microsoft (Maia). Programmes pluriannuels, dépenses de conception en milliards.
- Fonderies de silicium sur mesure : Broadcom (la plus importante, avec le TPU de Google parmi ses clients), Marvell (AWS, entre autres). Elles conçoivent et fabriquent des puces selon les spécifications du client.
- Propriété intellectuelle et outils de conception : Arm, Cadence, Synopsys. Chaque puce sur mesure utilise de la propriété intellectuelle sous licence et des logiciels de conception — et ces fournisseurs sont rémunérés indépendamment de la puce qui gagne.
Pourquoi les ASIC ont du sens pour des charges de travail spécifiques
Une charge de travail fonctionnant à grande échelle 24h/24 et 7j/7 — classement de recherche, inférence publicitaire, systèmes de recommandation — peut amortir un coût de conception de puce de 500 millions de dollars sur plusieurs années d'exploitation. Les ASIC offrent une performance par watt 3 à 10 fois supérieure aux GPU sur des charges de travail spécifiques et étroites. Une fois qu'un hyperscaler atteint un volume interne suffisant, le silicium interne se justifie économiquement sur une base de ROI net. Le calcul est simple, et il ne dépend d'aucune tendance IA particulière qui se poursuivrait.
Pourquoi les ASIC ne tuent pas NVIDIA
L'entraînement des modèles de pointe requiert une programmabilité généraliste que CUDA et les GPU fournissent. Les nouvelles architectures de modèles émergent plus vite que les cycles de conception des ASIC ne peuvent suivre — un cycle de conception de puce de 2 ans face à des évolutions architecturales tous les 6 mois. Les effets d'écosystème CUDA (adhésion des développeurs, maturité des bibliothèques, compatibilité) se renforcent chaque année. Les clients qui exécutent des charges de travail mixtes — la plupart des entreprises — ne peuvent justifier la conception d'ASIC ; ils achètent des GPU. Le cadrage du « tueur de NVIDIA » est erroné depuis une décennie car il méprend la structure du marché.
Où va l'argent
NVIDIA capte l'entraînement, l'inférence généraliste et la longue traîne des charges de travail IA en entreprise. Les hyperscalers captent des économies de coûts sur leur inférence interne à haut volume. Broadcom et Marvell captent des revenus de services de conception quel que soit l'hyperscaler gagnant. TSMC capte des parts de plaquettes provenant à la fois de NVIDIA et de l'écosystème ASIC. La taille totale du gâteau du silicium IA croît ; les parts sont différentes.
L'implication pour l'investissement
La stratégie barbell — long sur NVIDIA pour l'entraînement et l'usage généraliste, long sur Broadcom/Marvell/Arm pour l'écosystème ASIC — capte les deux jambes de la tendance. Parier contre NVIDIA sur la seule menace des ASIC a été un pari perdant depuis 2017. Ignorer le silicium sur mesure fait manquer l'une des histoires de croissance de services de conception les plus nettes des semi-conducteurs.