La domination de CUDA se fissure. Pendant des années, la plateforme propriétaire de calcul parallèle d’NVIDIA était le fossé imprenable : intégration matérielle poussée, écosystème mûr, bibliothèques exclusivement CUDA (cuDNN, cuBLAS) et chaque framework de ML optimisé d’abord pour elle. Mais les murs s’effondrent :
ROCm rattrape son retard pour les GPU AMD, surtout dans les clusters HPC. PyTorch propose désormais un support AMD correct, sans passer par des couches de traduction CUDA.
Triton (le langage de programmation GPU d’OpenAI) s’affranchit de CUDA : il vous permet d’écrire du code au niveau des kernels qui se compile pour le matériel NVIDIA et AMD. Plus d’enfermement chez un seul fournisseur.
MLX (le framework d’Apple) tourne à une vitesse fulgurante sur Metal pour les puces M-series, en contournant totalement CUDA pour l’inférence et l’entraînement.
Les fournisseurs de cloud poussent du silicium sur mesure : les TPU de Google, AWS Trainium/Inferentia, la Maia de Microsoft. Aucun de ces systèmes n’a besoin de CUDA.
Le changement ? Les frameworks et les compilateurs deviennent compatibles avec le matériel, indépendamment des plateformes. CUDA était le fossé parce qu’il s’agissait du seul moyen d’extraire la meilleure performance des GPU. Aujourd’hui, les couches d’abstraction suffisent largement : les développeurs n’ont plus besoin d’écrire du CUDA directement. L’effet d’enfermement s’affaiblit.
NVIDIA reste en tête en performance brute et en maturité d’écosystème, mais l’écart concurrentiel se réduit à grande vitesse. Le fossé de CUDA n’est pas encore disparu, mais il est clairement en train de s’effondrer.
ROCm rattrape son retard pour les GPU AMD, surtout dans les clusters HPC. PyTorch propose désormais un support AMD correct, sans passer par des couches de traduction CUDA.
Triton (le langage de programmation GPU d’OpenAI) s’affranchit de CUDA : il vous permet d’écrire du code au niveau des kernels qui se compile pour le matériel NVIDIA et AMD. Plus d’enfermement chez un seul fournisseur.
MLX (le framework d’Apple) tourne à une vitesse fulgurante sur Metal pour les puces M-series, en contournant totalement CUDA pour l’inférence et l’entraînement.
Les fournisseurs de cloud poussent du silicium sur mesure : les TPU de Google, AWS Trainium/Inferentia, la Maia de Microsoft. Aucun de ces systèmes n’a besoin de CUDA.
Le changement ? Les frameworks et les compilateurs deviennent compatibles avec le matériel, indépendamment des plateformes. CUDA était le fossé parce qu’il s’agissait du seul moyen d’extraire la meilleure performance des GPU. Aujourd’hui, les couches d’abstraction suffisent largement : les développeurs n’ont plus besoin d’écrire du CUDA directement. L’effet d’enfermement s’affaiblit.
NVIDIA reste en tête en performance brute et en maturité d’écosystème, mais l’écart concurrentiel se réduit à grande vitesse. Le fossé de CUDA n’est pas encore disparu, mais il est clairement en train de s’effondrer.