Longtemps cantonnés au jeu vidéo, les processeurs graphiques sont devenus une infrastructure stratégique pour l’intelligence artificielle, le cloud et la recherche scientifique.
Il y a encore une quinzaine d’années, le GPU évoquait surtout les cartes graphiques installées dans les ordinateurs de joueurs. Aujourd’hui, il est au cœur des plans d’investissement des géants du cloud, des laboratoires d’intelligence artificielle et d’une partie croissante des investisseurs. Ce changement de statut n’est pas seulement technologique : il raconte la montée d’une nouvelle infrastructure industrielle, comparable par certains aspects aux réseaux télécoms ou aux centres de données. Pourquoi un composant conçu pour accélérer l’affichage d’images est-il devenu si recherché ? La réponse tient à une histoire de calcul parallèle, de rareté industrielle et de besoins numériques qui explosent.
Du jeu vidéo au calcul intensif, une trajectoire inattendue
Le GPU, pour processeur graphique, a d’abord été pensé pour traiter rapidement des millions de pixels. Sa force vient d’une architecture très différente de celle du processeur central, le CPU. Là où le CPU excelle dans des tâches variées et séquentielles, le GPU peut exécuter simultanément un très grand nombre d’opérations simples. Pour afficher une scène 3D, cette capacité est idéale. Mais elle l’est aussi pour entraîner un modèle d’intelligence artificielle, simuler une molécule, analyser des données financières ou faire tourner certains calculs scientifiques.
La bascule s’est construite progressivement. Nvidia, fondée en 1993, a popularisé le terme GPU à la fin des années 1990 avec la GeForce 256. Le marché restait alors porté par le jeu vidéo et les stations de travail graphiques. Puis les chercheurs ont compris que ces puces pouvaient accélérer d’autres calculs. Le lancement de CUDA par Nvidia en 2006 a rendu cette puissance plus accessible aux développeurs. Le GPU n’était plus seulement une carte d’affichage : il devenait un moteur de calcul programmable.
Le moment IA a changé l’échelle du marché
L’histoire récente s’accélère avec l’apprentissage profond. En 2012, le modèle AlexNet remporte la compétition ImageNet en s’appuyant sur des GPU, un épisode souvent cité comme l’un des déclencheurs de la vague moderne de l’intelligence artificielle. Dix ans plus tard, l’arrivée de modèles génératifs capables de produire du texte, du code, des images ou de la vidéo a encore changé la dimension du sujet. Entraîner ces systèmes nécessite des milliers de GPU haut de gamme, souvent regroupés dans d’immenses centres de données.
Cette demande a déplacé le centre de gravité économique. Chez Nvidia, le segment des centres de données est devenu le principal moteur de revenus : lors de son exercice fiscal 2024, le groupe a publié un chiffre d’affaires annuel de 60,9 milliards de dollars, dont une large majorité provenant de cette activité. Ce basculement illustre une réalité plus large : la valeur ne se situe plus seulement dans la puce vendue à un joueur ou à un professionnel de l’image, mais dans l’infrastructure qui permet de produire et d’exploiter l’IA à grande échelle.
Pourquoi les investisseurs regardent au-delà du fabricant de puces
L’intérêt financier pour les GPU ne se limite pas aux actions des fabricants de semi-conducteurs. Autour de la puce s’est formé un écosystème complet : fondeurs comme TSMC, fabricants de mémoire à haute bande passante tels que SK Hynix, Samsung ou Micron, fournisseurs de serveurs, opérateurs de centres de données, spécialistes du refroidissement, énergéticiens et plateformes cloud. Chaque couche peut capter une partie de la valeur, mais chaque couche supporte aussi ses propres contraintes.
C’est précisément ce qui attire les investisseurs : les GPU sont devenus un indicateur avancé de la demande en calcul. Lorsque Microsoft, Amazon, Google ou Meta augmentent fortement leurs dépenses d’infrastructure, le signal dépasse le seul secteur technologique. Il concerne l’électricité, l’immobilier industriel, les chaînes logistiques et même la géopolitique des semi-conducteurs. Dans ce paysage, pictor-finance.com illustre aussi l’apparition d’acteurs positionnés sur l’univers des GPU, signe que l’intérêt dépasse désormais les seuls fabricants de puces.
Une rareté industrielle qui soutient les valorisations
Si les GPU suscitent autant d’attention, c’est aussi parce qu’ils ne se fabriquent pas comme des produits électroniques ordinaires. Les puces les plus avancées exigent des procédés de gravure extrêmement sophistiqués, des capacités de packaging avancé et des mémoires spécialisées. Or ces capacités sont concentrées chez un nombre limité d’acteurs. TSMC joue un rôle central dans la fabrication des puces haut de gamme, tandis que les mémoires HBM sont devenues indispensables pour alimenter rapidement les processeurs en données.
Cette rareté a deux conséquences. D’abord, elle crée des délais et des tensions d’approvisionnement lorsque la demande augmente trop vite. Ensuite, elle renforce les barrières à l’entrée. Concevoir un GPU compétitif ne suffit pas : il faut sécuriser la production, l’intégration dans des serveurs, les logiciels et les réseaux capables de relier des milliers de puces entre elles. Pour les marchés financiers, cette combinaison de croissance rapide et de contraintes physiques explique une partie des valorisations élevées, mais elle rappelle aussi que le secteur n’est pas sans risque.
Entre ruée technologique et discipline économique
L’enthousiasme autour des GPU ressemble parfois aux grandes phases d’investissement dans les infrastructures. Les chemins de fer, les câbles sous-marins, la fibre optique ou le cloud ont tous connu des périodes où les capitaux affluaient avant que les modèles économiques ne se stabilisent. La question n’est donc pas seulement de savoir si les GPU seront utiles. Ils le sont déjà. La vraie question est de savoir à quel rythme la demande rentable suivra les capacités installées.
Les grandes entreprises de la tech peuvent absorber des dépenses massives parce qu’elles disposent de bilans solides et de revenus récurrents. Pour des acteurs plus petits, le coût d’accès au calcul peut devenir une barrière. Louer ou acheter des GPU de dernière génération exige des capitaux importants, sans garantie immédiate de rentabilité. Dans cette bataille des infrastructures pour l’intelligence artificielle, les investisseurs doivent donc distinguer plusieurs horizons : la demande structurelle liée à l’IA, la cyclicité traditionnelle des semi-conducteurs et la possibilité de phases de surinvestissement si les usages commerciaux tardent à générer suffisamment de revenus.
Ce que les prochaines années pourraient changer
Le marché des GPU ne devrait pas rester figé autour d’un seul modèle. Les grands clients cherchent déjà à diversifier leurs fournisseurs et à concevoir leurs propres accélérateurs, comme Google avec ses TPU ou Amazon avec ses puces Trainium. AMD tente de renforcer sa position sur l’IA, tandis que de nombreuses start-up travaillent sur des architectures spécialisées. Cette concurrence peut, à terme, réduire certaines pénuries et peser sur les marges, mais elle confirme surtout que le calcul accéléré est devenu un enjeu stratégique.
Un autre facteur pèsera lourd : l’énergie. Les centres de données consommant de plus en plus d’électricité, l’efficacité des puces, la localisation des infrastructures et les solutions de refroidissement deviendront des critères économiques majeurs. Investir dans les GPU, directement ou indirectement, revient donc à parier sur une chaîne complète, pas sur un simple composant. L’histoire récente montre que les cycles technologiques les plus puissants naissent souvent quand un outil technique devient une infrastructure indispensable. Les GPU semblent avoir franchi ce seuil ; reste à savoir comment le marché répartira la valeur entre les gagnants industriels, les fournisseurs d’énergie, les plateformes cloud et les investisseurs capables de garder une vision de long terme.
