Jensen Huang : comment NVIDIA a élargi les usages du GPU
Du graphisme à l’IA : comprendre les GPU, le rôle de CUDA et la liberté de choix lorsqu’on s’appuie sur une infrastructure.
Des tâches menées en parallèle, puis réunies. Illustration conceptuelle générée par IA.
Un jeu doit dessiner de nouvelles images plusieurs fois par seconde. Un modèle d’IA doit effectuer une quantité considérable de calculs. Ces tâches ont un point commun : une partie du travail peut être répartie en petites opérations exécutées simultanément. C’est ce lien qui permet de comprendre le parcours de NVIDIA, du graphisme à l’IA.
Qui est Jensen Huang ?
Huang a cofondé NVIDIA avec Chris Malachowsky et Curtis Priem en 1993. Après des études de génie électrique à Oregon State, il a obtenu un master à Stanford en 1992 tout en travaillant. Son portrait publié par Stanford retrace ce parcours d’ingénieur. Le point de départ est concret : quel travail les ordinateurs doivent-ils accomplir, et quelles puces peuvent les y aider ?
Pourquoi une puce graphique peut-elle faire autre chose ?
Imaginez qu’il faille éclaircir chaque pixel d’une photo. On peut traiter plusieurs pixels à la fois, sans attendre que le précédent soit terminé. C’est du calcul parallèle. Le GPU, ou processeur graphique, est conçu pour effectuer de nombreuses opérations simultanément. Le CPU, processeur central, convient mieux aux tâches variées et aux étapes qui dépendent du résultat précédent. Les deux travaillent ensemble.
De nombreux calculs d’IA répètent eux aussi des opérations sur de grands ensembles de nombres. Un GPU peut accélérer les parties qui s’y prêtent. Mais il ne suffit pas d’en ajouter un pour rendre n’importe quel programme plus rapide : il faut pouvoir répartir le travail, acheminer les données et disposer d’un logiciel adapté.
Le logiciel rend la puissance utilisable
NVIDIA a introduit CUDA en 2006 pour permettre aux développeurs d’utiliser ses GPU au-delà du graphisme. Avoir un atelier puissant ne suffit pas : il faut aussi des outils pratiques et une façon d’organiser le travail. Les bibliothèques et outils de programmation remplissent ce rôle. L’introduction à CUDA explique cette coopération entre CPU et GPU.
Le développement de NVIDIA devient ainsi plus intelligible qu’un simple récit de dirigeant visionnaire. Puces, logiciels et créateurs d’applications doivent se rejoindre. Une possibilité technique prend de la valeur lorsqu’elle résout un problème concret.
Une autre question : qui garde le choix ?
Un outil performant mérite aussi des questions pratiques. Peut-on déplacer son logiciel vers une autre plateforme ? Combien coûterait ce changement ? Quelles évolutions peut-on accepter ou refuser ? La réputation du fournisseur ne répond pas à ces questions.
À propos de la coordination d’Internet, Lu Heng va plus loin dans sa Note 65 sur la primauté du code en fonctionnement : il défend des règles vérifiables localement et des changements adoptés volontairement. Une question relie ces lectures : l’infrastructure accroît-elle les possibilités de ses utilisateurs tout en leur laissant le choix ?