L'IA vient de concevoir une puce qui bat Nvidia

La puce d’OpenAI : un défi direct à l’avantage logiciel de Nvidia

Cette vidéo analyse l’annonce par OpenAI de sa première puce, Jalapeno, un circuit intégré spécialisé (ASIC) dédié à l’inférence de modèles de langage. L’auteur s’appuie sur les tests indépendants du cabinet SemiAnalysis pour montrer que cette puce, et surtout sa méthode de conception assistée par IA, pourrait ébranler un avantage compétitif que Nvidia a mis vingt ans à construire.

.

Une puce taillée pour l’efficacité énergétique

• Jalapeno n’est pas un GPU généraliste, mais un ASIC conçu pour une seule tâche: générer des tokens le plus vite possible avec le moins d’énergie possible. Or, dans l’industrie, le facteur limitant n’est plus l’argent ni l’espace, mais les watts disponibles.

• Selon SemiAnalysis, Jalapeno offre 1,5 à ́1,9 fois plus de travail par watt que les systèmes Nvidia Blackwell, avec une latence réduite de 1,7 à ́3,6 fois, et jusqu’à 4 fois sur les charges interactives. Le tout pour 700 W de consommation, contre 1400 W pour le GB300 de Nvidia. .

• SemiAnalysis précise toutefois que comparer Jalapeno à Blackwell, c’est comparer une puce neuve à la génération précédente. Face à la nouvelle plateforme Vera Rubin de Nvidia, l’écart se resserre considérablement, avec un coût total par token presque égal. Mais Jalapeno n’a que trois mois de mise au point logicielle, ce qui rend la performance d’autant plus significative.

Le vrai bouleversement : des kernels écrits par l’IA

• Pour fonctionner, une puce nécessite des kernels, ces programmes hyper-optimisés qui orchestrent chaque calcul. Ce savoir-faire rare est dominé depuis vingt ans par l’écosystème CUDA de Nvidia, fort de plus de 4 millions de développeurs. C’est ce "fossé défensif" qui rend toute concurrence presque impossible. .

• OpenAI a créé un langage de programmation de bas niveau, Gluon, et a utilisé son modèle interne GPT Astra – bien supérieur aux versions publiques – pour écrire les kernels. Résultat: sur certains blocs critiques, les implémentations écrites par l’IA tournent 1,5 à ́1,8 fois plus vite que celles codées à la main par les meilleurs ingénieurs humains. .

• L’anecdote rapportée par SemiAnalysis est frappante: pour porter le modèle DeepSeek R1, les chercheurs d’OpenAI ont admis ne pas savoir écrire le kernel eux-mêmes: "c’est l’IA qui nous a fait ça." En deux mois, Codex a porté trois modèles open-weight non prévus au plan initial. L’IA a aussi participé à la conception de la puce elle-même, réduisant le cycle de développement de plusieurs années à neuf mois.

Nvidia reste dominant, mais la donne change

• Le lendemain de l’annonce, Nvidia a publié des résultats records: 96,2 milliards de dollars de chiffre d’affaires trimestriel, en hausse de 106 %, avec un guidage de 108 milliards. La demande dépasse largement l’offre. OpenAI continue d’ailleurs d’acheter massivement des puces Nvidia, AMD et Cerebras pour son plan global. .

• Le diagnostic de SemiAnalysis est sans appel: "CUDA est potentiellement mort" – non pas pour les 4 millions de développeurs, mais au sommet de la pyramide, où les grands laboratoires peuvent désormais automatiser l’écriture de kernels et neutraliser l’avantage logiciel historique de Nvidia. Ironie suprême: ce sont les GPU Nvidia qui ont entraîné les modèles ayant conçu la puce qui menace aujourd’hui leur propre hégémonie.

Une boucle de rétroaction généralisée

Ce phénomène ne se limite pas aux semi-conducteurs. En biologie moléculaire, en mathématiques, en physique ou en médecine, l’IA compresse le temps de travail, accélère les découvertes et produit de nouvelles données qui alimentent de meilleurs modèles. Dans le cas des puces, la boucle se referme de la manière la plus directe: l’IA améliore l’outil physique qui la fait tourner, chaque cycle accélérant le suivant.

Key Takeaway

L’IA n’est pas seulement un produit que l’on utilise: c’est un outil qui construit les outils qui la rendent meilleure. L’avantage de Nvidia, bâti sur vingt ans de logiciel, peut être contourné par une IA capable d’écrire des kernels mieux que les humains. La course aux semi-conducteurs entre dans une phase où la vitesse d’itération et l’intégration de l’IA dans la conception deviennent plus décisives que le stock de bibliothèques existant. Ceux qui comprendront cette boucle de rétroaction se positionneront avant les autres.