La trajectoire de NVIDIA a subi sa transformation la plus significative à partir de 2006 avec l'introduction de CUDA (Compute Unified Device Architecture). Alors que NVIDIA avait longtemps optimisé ses GPU principalement pour le rendu graphique, CUDA a marqué un pivot stratégique délibéré et prévoyant vers l'exploitation des immenses capacités de traitement parallèle inhérentes au GPU pour des tâches de calcul à usage général, s'étendant bien au-delà des graphiques traditionnels. Cette innovation a fourni aux développeurs une plateforme logicielle robuste, incluant un modèle de programmation, un SDK (Software Development Kit) et des bibliothèques essentielles, leur permettant de tirer parti du débit parallèle immense des GPU NVIDIA. L'entreprise a cherché à permettre l'accélération d'un large éventail d'applications computationnellement intensives, ciblant initialement les simulations scientifiques, l'analyse de données avancée et les premières formes de calculs numériques qui se révéleraient par la suite cruciales pour l'apprentissage automatique.
Au moment du lancement de CUDA, le paysage informatique était largement dominé par les CPU, qui, bien que puissants, étaient conçus pour le traitement séquentiel. Le pari de NVIDIA était que les charges de travail susceptibles d'être massivement parallélisées, où de nombreux petits calculs indépendants pouvaient être effectués simultanément, définiraient de plus en plus l'avenir de l'informatique haute performance. CUDA a permis aux développeurs d'écrire du code en C, C++ et Fortran qui pouvait s'exécuter directement sur le GPU, abstraisant une grande partie de la complexité de l'API graphique sous-jacente qui avait auparavant entravé la programmation GPU à usage général (GPGPU). Des bibliothèques clés comme CUBLAS (pour l'algèbre linéaire) et CUFFT (pour les Transformées de Fourier rapides) ont été fournies, rendant immédiatement les GPU utiles pour des calculs scientifiques courants.
L'accueil initial de CUDA s'est principalement fait au sein des communautés académiques et scientifiques. Les chercheurs et les ingénieurs, notamment dans des domaines tels que la dynamique des fluides computationnelle, la dynamique moléculaire, l'astrophysique et la modélisation climatique, ont rapidement reconnu que le GPU, avec ses centaines de cœurs de traitement, offrait un avantage de performance qui pouvait être de plusieurs ordres de grandeur supérieur à celui des CPU traditionnels pour des tâches pouvant être décomposées en de nombreux calculs plus petits et indépendants. Par exemple, un seul GPU pouvait accélérer des calculs qui nécessitaient auparavant des grappes de CPU. Cette période a vu les GPU de NVIDIA de plus en plus déployés dans des centres de supercalcul et des laboratoires de recherche à l'échelle mondiale, démontrant leur efficacité à accélérer des charges de travail complexes qui étaient auparavant des goulets d'étranglement pour les architectures informatiques traditionnelles. L'entreprise a activement cultivé cet écosystème de développeurs naissant, investissant considérablement dans la fourniture d'outils, de bibliothèques, de documentation extensive et de programmes éducatifs pour faciliter l'adoption du GPGPU. L'engagement de NVIDIA auprès des programmes universitaires et des conférences scientifiques a été déterminant dans la construction d'une communauté précoce autour de CUDA.
Parallèlement, NVIDIA a été confrontée à des défis significatifs et à des pressions concurrentielles dans d'autres segments de marché. Ses efforts pour établir une forte présence dans le secteur de l'informatique mobile avec sa gamme Tegra de System-on-Chips (SoCs) ont rencontré un succès mitigé. Bien que les puces Tegra aient trouvé leur place dans certains appareils emblématiques comme le Microsoft Zune HD, le smartphone Motorola Atrix, divers tablettes Android (par exemple, Asus Eee Pad Transformer), et qu'elles aient ensuite connu un succès significatif dans la console Nintendo Switch, elles ont eu du mal à gagner une part de marché dominante face à des concurrents redoutables comme Qualcomm, Samsung et Apple sur le marché des smartphones, hautement concurrentiel et en évolution rapide. Ces initiatives de SoC mobile nécessitaient des dynamiques de chaîne d'approvisionnement différentes, des considérations d'efficacité énergétique plus strictes et une expertise d'intégration logicielle plus profonde que son activité principale de graphiques discrets, mettant en évidence les difficultés de diversification dans des marchés adjacents mais distincts.
De plus, un différend juridique prolongé avec Intel concernant la licence de chipset a ajouté une complexité et un coût significatifs aux opérations de l'entreprise. Le différend, qui s'est intensifié à la fin des années 2000, portait sur l'interprétation d'Intel selon laquelle la licence de NVIDIA pour développer des chipsets compatibles avec les CPU Intel ne s'étendait pas aux architectures de processeurs Intel plus récentes (en particulier, celles avec des contrôleurs de mémoire intégrés). NVIDIA a contesté cela, ce qui a conduit à des poursuites et des contre-poursuites. Ce conflit a restreint la capacité de NVIDIA à développer des chipsets pour le marché PC grand public, un segment historiquement rentable, et a contraint l'entreprise à absorber des frais juridiques substantiels tout en renonçant à des revenus potentiels. La résolution a finalement impliqué un accord de licence croisée en 2011, Intel payant à NVIDIA 1,5 milliard de dollars sur cinq ans pour des droits de brevet, mais cela a souligné les pressions concurrentielles intenses et les complexités juridiques dans l'industrie des semi-conducteurs.
Cependant, le travail fondamental méticuleusement réalisé avec CUDA a commencé à produire des dividendes extraordinaires avec l'émergence imprévue et l'avancement rapide de l'apprentissage profond et de l'intelligence artificielle au début des années 2010. Des percées comme la performance d'AlexNet lors du ImageNet Large Scale Visual Recognition Challenge en 2012, qui a largement utilisé les GPU NVIDIA, ont amené l'apprentissage profond dans le courant dominant. Les chercheurs ont découvert que l'architecture hautement parallèle des GPU, conçue pour traiter des milliers de pixels simultanément, était exceptionnellement bien adaptée à l'entraînement de grands réseaux neuronaux. Ces réseaux impliquent des millions, et souvent des milliards, de multiplications de matrices simultanées et d'autres opérations d'algèbre linéaire nécessaires pour des algorithmes d'apprentissage itératif comme la rétropropagation. Les GPU de NVIDIA, soutenus par la plateforme CUDA mature et en constante évolution — incluant des bibliothèques critiques comme cuDNN (CUDA Deep Neural Network library) — sont devenus la norme de facto pour le développement et le déploiement de l'IA. Cette puissante convergence de matériel spécialisé et d'une pile logicielle sophistiquée a permis des avancées rapides dans des domaines tels que la reconnaissance d'images, le traitement du langage naturel, la synthèse vocale et les systèmes autonomes, redéfinissant fondamentalement le paysage technologique.
Cette nouvelle prééminence dans l'IA a conduit à une réorientation substantielle de la stratégie commerciale et des flux de revenus de NVIDIA. L'entreprise a commencé à investir massivement dans des solutions de centre de données, développant des GPU spécialisés et des piles logicielles spécifiquement conçues pour l'entraînement et l'inférence en IA. Ses lignes de produits se sont considérablement élargies au-delà des cartes graphiques pour consommateurs pour inclure des accélérateurs d'IA conçus sur mesure tels que la série Tesla, et plus tard les GPU Volta (V100) et Ampere (A100), conçus avec des Tensor Cores optimisés pour les charges de travail d'IA. NVIDIA a également introduit des plateformes complètes comme ses systèmes DGX, qui étaient des superordinateurs d'IA entièrement intégrés et optimisés dans une boîte, allant des stations de travail individuelles aux solutions à l'échelle des racks pour les entreprises et les fournisseurs de cloud. La croissance du segment des centres de données est devenue explosive ; d'ici 2020, les revenus des centres de données ont dépassé ceux du jeu vidéo, devenant le plus grand segment commercial de NVIDIA, démontrant le profond changement dans son orientation de marché et son modèle commercial.
Des acquisitions stratégiques ont encore renforcé cette transformation en un fournisseur de plateforme informatique complète. En 2020, NVIDIA a finalisé l'acquisition de Mellanox Technologies, un fournisseur leader de solutions d'interconnexion haute performance, pour environ 6,9 milliards de dollars. Cette acquisition a été déterminante, intégrant les technologies InfiniBand et Ethernet haute vitesse de Mellanox directement dans les offres de centre de données de NVIDIA. Cela a permis à NVIDIA de fournir une solution complète, de bout en bout, pour l'infrastructure de calcul haute performance et d'IA, englobant non seulement les unités de traitement (GPU) mais aussi le tissu réseau qui connecte des milliers d'entre elles au sein d'un centre de données. Ce mouvement a souligné l'ambition de NVIDIA de contrôler davantage d'aspects de la pile informatique, du silicium à l'interconnectivité, maximisant ainsi la performance et rationalisant les déploiements pour ses clients.
Au milieu des années 2020, NVIDIA avait achevé une transformation complète. L'entreprise avait réussi à naviguer à travers les changements de marché, les pressions concurrentielles significatives et les évolutions technologiques, évoluant d'un concepteur de puces graphiques de premier plan en une entreprise technologique fondamentale propulsant des avancées dans de nombreuses industries. Ses GPU et ses plateformes logicielles étaient au cœur du développement mondial de l'intelligence artificielle, de l'informatique haute performance, des véhicules autonomes (avec sa plateforme NVIDIA DRIVE) et de la visualisation professionnelle (avec Omniverse, une plateforme pour la collaboration et la simulation en 3D). La capitalisation boursière de l'entreprise a explosé, reflétant son rôle critique dans la révolution de l'IA. Cette évolution stratégique a cimenté la position de NVIDIA à l'avant-garde de l'informatique moderne, illustrant sa remarquable capacité de réinvention et d'adaptation face à des paradigmes technologiques en rapide évolution.