Les investisseurs s’enthousiasment pour la montée en puissance des puces sur mesure de Broadcom, mais selon Jim Cramer de CNBC, la société ne mène pas une bataille frontale avec Nvidia dans l’IA. Dans un marché qui explose, ces deux acteurs avancent côte à côte, chacun sur son terrain.
Deux approches technologiques bien distinctes
- Nvidia conçoit des GPU polyvalents capables d’exécuter une large palette de tâches d’IA, de la recherche au déploiement en production. Leur force tient autant au matériel qu’à l’écosystème logiciel, avec des bibliothèques et outils qui simplifient le travail des développeurs.
- Broadcom, à l’inverse, se concentre sur des ASIC sur mesure destinés à des clients précis et à des besoins très ciblés. L’objectif: maximiser les performances, réduire les coûts et gagner en efficacité énergétique pour des charges de travail récurrentes et bien définies.
En clair: les GPU offrent de la flexibilité et une mise en route rapide, tandis que les ASIC visent l’optimisation extrême quand l’usage est parfaitement connu.
Une demande tirée par les géants du cloud
Les hyperscalers comme Google ou Meta recherchent les deux: la flexibilité des GPU pour expérimenter rapidement, et la performance des ASIC pour industrialiser certaines tâches. La ligne “custom silicon” de Broadcom progresse nettement, même si sa taille reste inférieure au rythme annuel de revenus de Nvidia, désormais au-delà de plusieurs dizaines de milliards de dollars.
Cette dynamique montre que le marché de l’infrastructure IA n’est pas un jeu à somme nulle: il s’élargit et ouvre des poches de valeur différentes.
Clients communs, usages complémentaires
Il n’est pas rare qu’un même client achète des GPU Nvidia en volume tout en co‑concevant des puces sur mesure avec Broadcom. Par exemple, Google investit massivement dans les H100 de Nvidia, tout en développant des TPU dédiés pour des fonctions spécifiques. Ce modèle hybride combine:
- la puissance générique pour l’entrainement et l’exploration,
- la spécialisation pour les tâches répétitives à grande échelle.
Résultat: les deux fournisseurs coexistent plus qu’ils ne s’affrontent.
Le point de vue des dirigeants et des analystes
Du côté de Nvidia, Jensen Huang considère que les puces sur mesure de Broadcom ne menacent pas la position de son entreprise sur l’entraînement et l’inférence généralistes. Plusieurs analystes partagent cette lecture: les solutions custom répondent à des besoins d’optimisation ciblée, là où la base installée de GPU demeure essentielle à l’écosystème global de l’IA.
Ce que cela implique pour les investisseurs
Plutôt que d’opposer Broadcom et Nvidia, il faut voir deux bénéficiaires de la même vague. Les catalyseurs diffèrent:
- pour Nvidia: leadership produit, écosystème logiciel, adoption généralisée;
- pour Broadcom: contrats multi‑annuels, visibilité sur volumes dédiés, gains d’efficacité chez de grands comptes.
Le marché total adressable de l’IA s’élargit, laissant de la place à plusieurs vainqueurs avec des spécialisations complémentaires.
À retenir
- Pas de duel direct: les deux entreprises répondent à des besoins distincts.
- Même vent porteur: la demande en calcul IA augmente pour les deux.
- Complémentarité: les clients géants achètent à la fois du générique et du sur mesure.
Conclusion
La question n’est pas “qui remplace qui ?”, mais “comment chaque acteur capte une partie croissante de la valeur”. Nvidia reste le socle polyvalent de l’IA moderne; Broadcom accélère là où la spécialisation paie le plus. Deux trajectoires différentes, soutenues par la même tendance de fond.
FAQ
Qui d’autre fabrique des puces sur mesure pour l’IA ?
Outre Broadcom, on trouve des initiatives chez des hyperscalers eux‑mêmes (par exemple Amazon avec Graviton/Inferentia), ainsi que des fournisseurs comme Marvell selon les cas d’usage. Les fonderies comme TSMC ou Samsung jouent un rôle clé pour produire ces puces.
Pourquoi un acteur choisirait-il un ASIC plutôt qu’un GPU ?
Pour des charges de travail stables et massives, un ASIC peut offrir un meilleur coût total de possession et une efficacité énergétique supérieure. Les GPU gardent l’avantage quand on a besoin d’itérer vite, de couvrir des usages variés ou d’exécuter de nouveaux modèles.
Combien de temps faut-il pour concevoir une puce sur mesure ?
La conception et l’industrialisation d’un ASIC prennent souvent 12 à 24 mois, parfois plus, selon la complexité du design, la disponibilité des nœuds de gravure et la chaîne d’approvisionnement.
Quelles sont les principales limites du modèle custom ?
La dépendance à quelques grands clients, le risque d’exécution (délais, rendement en fonderie) et la moindre flexibilité si les besoins évoluent rapidement. En contrepartie, les contrats peuvent offrir une meilleure visibilité des volumes.
Que pourrait éroder l’avance de Nvidia à terme ?
Une concurrence accrue sur le matériel, des progrès logiciels hors de l’écosystème CUDA, et la montée des accélérateurs spécialisés. Mais l’effet de réseau logiciel‑matériel de Nvidia reste aujourd’hui un avantage majeur.