Passer au playerPasser au contenu principal
Comment Nvidia est-elle devenue l'entreprise la plus importante de l'IA ? 🔎

Suivez 👉 @numerama pour anticiper l'avenir !

__
#tech #ia #nvidia #ad
Transcription
00:00Comment Nvidia est-elle devenue l'entreprise la plus importante des liens ?
00:03Sur les 4 dernières années, Nvidia a multiplié par 8 son chiffre d'affaires
00:07jusqu'à atteindre 216 milliards de dollars pour l'année calendaire 2025.
00:11On parle d'une entreprise valorisée à plus de 5,3 milliers de milliards de dollars
00:16au moment où on tourne cette vidéo.
00:18Ce succès, Nvidia le doit à ses processeurs dédiés à l'intelligence artificielle,
00:22donc les fameux GPU.
00:23On est en 1999 et Nvidia présente son premier GPU, la GeForce 256.
00:29Sa spécificité, c'est qu'il est programmable.
00:32Le laboratoire Computer Graphics de l'université de Stanford s'équipe de GeForce pour les tester
00:37et dans ce labo, il y a un doctorant, Ian Buck, qui se dit
00:41« Et si j'essayais de faire tourner autre chose que du rendu graphique sur les GPU ? »
00:45Sauf qu'à l'époque, un GPU, c'est vraiment juste une carte graphique.
00:48Donc qu'est-ce que fait Buck avec ses collègues pour contourner ce problème ?
00:51Il invente le langage Brook qui permet de programmer n'importe quel type de calcul sur les GeForce.
00:56C'est le début du GP-GPU.
00:59Donc littéralement, le calcul générique sur processeur graphique.
01:02Et vous imaginez bien que s'il se casse la tête à faire ça,
01:05c'est qu'il voit un intérêt particulier à faire des calculs sur GPU.
01:09C'est parce que la spécialité de ce processeur, c'est la parallélisation.
01:12Laissez-moi vous expliquer plus en détail avec cette petite vidéo illustrative.
01:16Le GPU, grâce à son architecture, a la capacité de faire un grand nombre de calculs en parallèle,
01:22ici contrôler 1100 canons à peinture en simultané.
01:25À condition que ces calculs soient simples et indépendants les uns des autres.
01:29C'est pour ça que le GPU est d'abord pensé pour les graphismes exigeants des jeux vidéo ou des
01:33artistes 3D.
01:34Il peut traiter chaque pixel en parallèle et donc faire un rendu graphique à une vitesse inédite.
01:39Les travaux de Ian Buck, c'est une grande chance pour Nvidia.
01:42Grâce à lui, en 2006, Nvidia va créer ce qui va devenir son plus grand trésor, son moat,
01:48c'est-à-dire la barrière stratégique qui le protège contre la concurrence.
01:52Et il décide de l'appeler CUDA.
01:54C'est une plateforme intégrée qui va permettre de programmer le déploiement de n'importe quel calcul sur le GPU.
01:59L'idée, c'est de permettre aux développeurs de tester sur GPU les programmes qu'ils font tourner sur CPU.
02:04Et il est temps de lancer un deuxième pari, faire du GPU un processeur de calcul compétitif.
02:10La communication de l'entreprise se met en marche avec un message clair, CUDA everywhere.
02:15Nvidia veut que les développeurs de logiciels testent leurs programmes sur les GPU
02:19pour voir s'ils y trouvent un avantage par rapport aux CPU.
02:23Androeng, le directeur du laboratoire d'IA de Stanford,
02:26commence à tester les GPU avec l'idée qu'ils pourraient être très utiles dans l'entraînement des réseaux de
02:30neurones.
02:31Grâce à l'aide d'un de ses étudiants, Androeng construit un serveur équipé de deux GPU haut de gamme,
02:36les GeForce GTX 280.
02:37Le parallélisme des GPU leur permet d'entraîner 70 fois plus rapidement un réseau de neurones de 100 millions de
02:44paramètres.
02:45Androeng publie un article pour présenter la découverte de son équipe
02:48et beaucoup de chercheurs en IA commencent à s'intéresser aux GPU.
02:51Et c'est à partir de là que l'empire IA de Nvidia pouvait s'étendre.
02:54Etc.
02:55Etc.
02:56Etc.
02:57Sous-titrage FR ?

Recommandations