Главный ров Nvidia — не чипы, а CUDA: AI-агенты начали его переписывать

Pendant vingt ans, le principal actif concurrentiel de Nvidia n'a pas été la vitesse des GPU, mais la plateforme logicielle CUDA — la couche qui transforme le silicium de l'entreprise en outil pour les développeurs AI. Selon l'analyse de The Next Web, c'est précisément ce fossé que les agents AI d'écriture de code et les nouveaux outils d'optimisation de l'inférence ont commencé à éroder.

Pourquoi CUDA compte plus que n'importe quel chip Nvidia

CUDA est apparu en 2006 et, en près de deux décennies, est devenu le fondement du développement AI : PyTorch, TensorFlow, JAX et la plupart des principaux frameworks de deep learning en dépendent. Des milliers de noyaux hautement optimisés, des pipelines ML d'entreprise, des programmes universitaires — tout cela a été construit autour des abstractions CUDA pendant des années.

Migrer de CUDA vers une alternative ne signifiait pas remplacer quelques fonctions, mais reconstruire une stack déboguée pendant des années. AMD propose ROCm, Intel propose oneAPI, mais leur compatibilité avec l'écosystème CUDA existant restait limitée, et porter des noyaux critiques nécessitait une connaissance approfondie des microarchitectures GPU. Résultat : même les entreprises ayant des incitations économiques à changer de fournisseur matériel restaient le plus souvent sur Nvidia — parce que le coût de sortie de l'écosystème logiciel était trop élevé.

• CUDA fonctionne depuis 2006 — près de 20 ans d'écosystème accumulé
• PyTorch, TensorFlow et JAX sont nativement optimisés pour CUDA
• AMD ROCm et Intel oneAPI — des alternatives fonctionnelles avec une compatibilité limitée
• Historiquement, passer à une autre plateforme nécessitait des mois de travail d'ingénieurs GPU
• C'est le coût de sortie élevé, et non la supériorité des puces, qui maintenait l'industrie sur Nvidia

Comment les agents AI ont commencé à réécrire le fossé

Les agents AI d'écriture de code — GitHub Copilot, Cursor, Devin et leurs équivalents — ont commencé à prendre en charge la partie mécanique de la migration depuis CUDA : ils analysent les dépendances, réécrivent les noyaux, adaptent les interfaces pour ROCm ou oneAPI. Le coût qui se mesurait autrefois en mois de travail de spécialistes du code bas niveau commence à diminuer.

« Le vrai fossé de Nvidia n'a jamais été matériel.

L'AI a commencé à le réécrire », — extrait de l'analyse de The Next Web.

Selon la publication, le fossé de Nvidia tenait non à la supériorité technique de CUDA en tant que telle, mais au coût prohibitif d'en sortir. Les outils qui réduisent ce coût modifient fondamentalement l'équation concurrentielle sur le marché matériel AI.

En parallèle, se développe la direction de l'optimisation de l'inférence indépendante du matériel. Le framework Triton d'OpenAI, les compilateurs MLIR et le langage Mojo de Modular permettent d'écrire des noyaux GPU sans dépendance rigide à l'API CUDA. Conjointement avec les agents AI, ils forment un outillage qui abaisse systématiquement la barrière au changement de plateforme matérielle, ouvrant la voie à une véritable concurrence.

Ce que cela signifie

La menace pesant sur CUDA ne signifie pas l'effondrement de Nvidia : l'avantage matériel en termes de performances de la gamme Blackwell reste réel, le cycle de renouvellement du parc GPU dans les centres de données prend des années, et l'effet d'écosystème ne disparaît pas en une seule saison. Mais le simple fait que les agents AI aient commencé à réduire la principale barrière non technologique de Nvidia modifie le tableau à long terme : AMD, Intel et les startups sur puces personnalisées ont obtenu une réelle chance d'attirer des développeurs qui ne pouvaient auparavant pas se permettre de quitter l'écosystème CUDA.