La géométrie du pouvoir
Par une matinée de printemps 1993, trois ingénieurs se sont retrouvés dans un restaurant de San Jose et ont décidé de créer une entreprise autour d'une intuition : l'avenir de l'informatique serait visuel, tridimensionnel et avide de puissance de calcul parallèle . Jensen Huang, Chris Malachowsky et Curtis Priem ont fondé Nvidia le 5 avril de cette année-là, la baptisant d'après le mot latin pour « envie » — un choix curieux pour une société qui deviendrait, trois décennies plus tard, l'objet du désir le plus fébrile de Wall Street .
En janvier 2025, cette start-up née autour d'une table de restaurant était devenue la première entreprise de l'histoire humaine à franchir les seuils des quatre puis cinq mille milliards de dollars de capitalisation boursière, sa valeur atteignant désormais 5 010 milliards de dollars . Pour mettre cela en perspective : Nvidia vaut plus que l'ensemble du PIB du Japon, plus que la valeur combinée de toutes les entreprises cotées en France. Elle est devenue, dans les termes financiers les plus brutaux, l'entreprise la plus précieuse jamais constituée.
Mais les valorisations, aussi vertigineuses soient-elles, ne sont que des symptômes. La question la plus intéressante est de savoir ce que Nvidia est devenue en substance — et la réponse est à la fois plus simple et plus étrange que ne le suggère ce chiffre de mille milliards. Nvidia s'est transformée de fabricant de puces graphiques en substrat physique de l'intelligence artificielle elle-même, l'entreprise qui fabrique les pelles, les chemins de fer et, de plus en plus, toute la chaîne d'approvisionnement de la nouvelle ruée vers l'or. Et maintenant, avec ses dernières manœuvres dans la robotique et la simulation open source, elle tente de faire pour l'IA incarnée ce qu'elle a fait pour l'apprentissage automatique : se rendre indispensable.
La longue marche des téléphones aux planètes
Le chemin de Nvidia vers la domination n'a jamais été linéaire. Pendant des années, elle n'était que l'entreprise de cartes graphiques, le nom que connaissaient les joueurs, le fabricant de puces qui faisait danser les pixels. Mais l'entreprise a toujours joué une partie plus longue, se diversifiant dans des marchés adjacents avec une agressivité patiente.
En 2011, l'entreprise avait lancé son offensive dans l'informatique mobile, introduisant la gamme de processeurs Tegra pour smartphones et tablettes. Cette année-là, Nvidia dominait le marché des appareils Android double-cœur aux États-Unis, alimentant à la fois les tablettes et ce que l'industrie appelait alors les « superphones » . Le Tegra 3, annoncé peu après, était une merveille quad-core, le type de puce qui donnait aux premiers fleurons Android l'impression, brièvement, d'incarner l'avenir .
Pourtant, le mobile n'est jamais devenu le royaume de Nvidia. Qualcomm et le silicium personnalisé d'Apple y veilleraient. Ce que Tegra a fait, cependant, c'est d'apprendre à Nvidia comment construire des architectures système-sur-puce pour des enveloppes énergétiques contraintes — une connaissance qui s'avérerait inestimable lorsque l'entreprise pivotera vers l'inférence IA en périphérie. La famille Jetson de processeurs embarqués, désormais conçus spécialement pour la robotique et l'IA physique, descend directement de cette lignée Tegra . Les puces sont optimisées pour l'inférence en temps réel sur les principaux modèles ouverts, suffisamment petites pour tenir dans des drones et des bras robotiques, suffisamment puissantes pour traiter les données des capteurs à l'échelle de la milliseconde requise pour les machines autonomes .
Nvidia a également fait des paris précoces et prescients sur le cloud gaming et le rendu à distance. Au début des années 2010, elle a introduit Nvidia Grid, une plateforme matérielle-logicielle conçue pour diffuser des jeux depuis des centres de données vers des clients légers . La technologie était en avance sur son temps — la bande passante était insuffisante, la latence trop élevée — mais la réflexion architecturale préfigurait les offres cloud IA ultérieures de l'entreprise. Nvidia a appris, durant ces années, à construire non seulement des puces mais des écosystèmes entiers : matériel, pilotes, API et la pile logicielle qui les lie ensemble.
Puis sont venues les acquisitions, du genre qui signale une intention stratégique. En 2019, Nvidia a annoncé qu'elle acquerrait Mellanox Technologies pour environ 7 milliards de dollars en espèces, une transaction qui a intégré les réseaux à haut débit dans son portefeuille — critiques pour les interconnexions qui relient des milliers de GPU dans les superordinateurs IA modernes . Cette même période a vu Nvidia acquérir Cumulus Networks, une société de réseaux open source spécialisée dans l'optimisation des centres de données, resserrant encore son emprise sur la couche infrastructure .
Et puis, en 2020, est venue la manœuvre la plus audacieuse : Nvidia a annoncé qu'elle acquerrait Arm Limited, le concepteur de puces britannique dont les architectures alimentent pratiquement tous les appareils mobiles sur Terre, pour 40 milliards de dollars . La transaction aurait créé, selon les mots d'un analyste, « un mastodonte informatique » . Elle aurait donné à Nvidia le contrôle de la propriété intellectuelle qui sous-tend les puces de la série M d'Apple, les processeurs mobiles de Qualcomm et la grande majorité des systèmes embarqués dans le monde. Les régulateurs aux États-Unis, en Europe et en Chine ont finalement bloqué l'acquisition pour des motifs antitrust, mais la tentative seule révélait l'ambition de Nvidia : non pas simplement dominer l'informatique IA, mais posséder toute la pile, du mobile au cloud, de la périphérie à l'exascale.
La doctrine Blackwell
Ce que Nvidia a construit, au final, est un monopole non pas des marchés mais des capacités. Ses GPU — unités de traitement graphique réutilisées pour le calcul parallèle — sont devenus la norme de facto pour l'entraînement de grands modèles IA. Google, Meta, OpenAI, Anthropic : tous exécutent leurs modèles sur du silicium Nvidia. L'environnement de programmation CUDA de l'entreprise, maintenant vieux de deux décennies, a créé un fossé si large que les concurrents peinent même à être considérés.
En 2024, le PDG de Nvidia de l'époque, Jensen Huang, est monté sur scène et a déclaré : « Nous avons créé un processeur pour l'ère de l'IA générative » . Il faisait référence à la plateforme Blackwell, la dernière architecture de Nvidia, conçue pour exécuter l'IA générative en temps réel sur des modèles avec des milliers de milliards de paramètres — avec jusqu'à 25 fois moins de coût et de consommation d'énergie que son prédécesseur . La plateforme Blackwell n'est pas simplement plus rapide ; elle est suffisamment efficace pour rendre certaines classes d'applications IA économiquement viables pour la première fois. L'entraînement d'un modèle à mille milliards de paramètres nécessitait auparavant la production électrique d'une petite ville ; Blackwell le rend possible avec le budget énergétique d'un grand immeuble de bureaux.
C'est l'alchimie que Nvidia a maîtrisée : non seulement la performance brute, mais la performance par watt, la performance par dollar, la performance à grande échelle. Les puces Blackwell, comme leurs prédécesseurs, seront expédiées non pas comme des composants autonomes mais dans le cadre de systèmes intégrés — des racks de serveurs, des solutions de refroidissement, un tissu de réseau, tous optimisés pour fonctionner ensemble. Nvidia, en d'autres termes, est devenue un intégrateur de systèmes, vendant non pas des composants mais des usines IA complètes.
L'entreprise a déposé son rapport annuel pour l'exercice clos le 26 janvier 2025, un document qui, bien que dense en prose d'entreprise habituelle, révèle des revenus et des marges qui feraient rougir un cartel pétrolier . Les marges brutes de Nvidia sur les puces IA planent près de 80 pour cent ; l'entreprise a un pouvoir de fixation des prix qui frôle l'absolu. Quand la demande dépasse l'offre de plusieurs ordres de grandeur, vous pouvez fixer votre prix.
La question ouverte de l'ouverture
Pourtant, la domination de Nvidia a toujours été assombrie par une certaine opacité. L'entreprise a historiquement été réticente à ouvrir sa documentation matérielle, une posture qui a frustré la communauté open source pendant des décennies. En 2006, Fedora a décidé de ne pas migrer vers X.org 7.1 parce que les fournisseurs de modules propriétaires, Nvidia parmi eux, n'avaient pas fourni de support adéquat . Le pilote open source Nouveau, construit par rétro-ingénierie du matériel de Nvidia, n'a jamais atteint la parité des fonctionnalités avec les pilotes propriétaires de l'entreprise.
Ces dernières années, cependant, Nvidia a évolué — partiellement, stratégiquement — vers l'ouverture, du moins dans certains domaines. Elle s'est engagée à publier davantage de documentation au fil du temps, offrant des conseils dans des domaines spécifiques selon les ressources disponibles . Le framework d'apprentissage automatique DIB-R, qui génère des modèles 3D à partir d'images 2D uniques, a été publié avec une licence ouverte, un geste vers la communauté académique qui dépend des outils de Nvidia . Plus récemment, l'entreprise a publié Isaac Sim, une plateforme open source complète pour entraîner, simuler et valider des robots basés sur l'IA dans des environnements virtuels physiquement précis .
Isaac Sim est plus qu'un simulateur ; c'est un pari sur l'avenir de l'IA incarnée. Entraîner un robot dans le monde réel est coûteux, lent et dangereux. L'entraîner en simulation — à travers des milliers d'environnements virtuels, avec des moteurs physiques qui modélisent la friction, l'inertie, le bruit des capteurs — permet une itération rapide à un coût marginal quasi nul. Nvidia a construit Isaac Sim au-dessus de sa plateforme Omniverse, une suite d'outils initialement conçue pour le cinéma et la visualisation architecturale, désormais réutilisée pour l'ère de la robotique.
L'entreprise a également publié des logiciels pour accélérer le développement de véhicules autonomes, exploitant des techniques de raisonnement IA pour améliorer la transparence et la prise de décision dans les systèmes autonomes . Le modèle Alpamayo-R1, récemment dévoilé, vise à rendre la logique de conduite autonome plus interprétable — une exigence critique alors que les régulateurs commencent à examiner la nature de boîte noire de l'autonomie basée sur les réseaux neuronaux .
L'ère de la robotique généraliste
Et puis, début 2025, est venu GROOT — non pas le personnage Marvel ressemblant à un arbre, mais le modèle de base open source de Nvidia pour robots humanoïdes. Le modèle GROOT N1, comme il est formellement connu, représente l'entrée la plus directe de Nvidia dans l'IA incarnée . C'est un modèle à usage général conçu pour accélérer le développement de robots pouvant naviguer dans des environnements non structurés, manipuler des objets et apprendre des tâches par démonstration plutôt que par programmation codée en dur.
« L'ère de la robotique généraliste est arrivée », a déclaré Nvidia en dévoilant GROOT, et l'affirmation, pour une fois, n'est peut-être pas hyperbolique .
Pendant des années, la robotique a été entravée par le problème de spécificité : chaque robot était un système sur mesure, entraîné pour un ensemble restreint de tâches dans des environnements contrôlés. Les robots d'usine soudent des châssis de voiture avec une précision inhumaine mais ne peuvent pas ouvrir une porte. Les robots d'entrepôt déplacent des cartons mais ne peuvent pas plier une chemise. Les robots humanoïdes, le Saint Graal du domaine, sont restés largement expérimentaux, trop lents et trop stupides pour être commercialement viables.
GROOT vise à changer cela en fournissant un modèle de base pré-entraîné — analogue à GPT pour le langage ou DALL-E pour les images — qui peut être affiné pour des plateformes robotiques spécifiques. Le modèle est entraîné sur de vastes ensembles de données de mouvements humains, de manipulation d'objets et de raisonnement spatial, puis déployé sur le matériel Jetson de Nvidia pour l'inférence en temps réel . Le résultat est un robot qui peut généraliser : enseigné à ramasser une tasse, il peut ramasser une bouteille ; enseigné à naviguer dans une pièce, il peut naviguer dans une autre.
La décision de publier GROOT en open source est calculée. Nvidia ne vend pas de robots ; elle vend les puces et les logiciels qui rendent les robots possibles. En rendant le modèle open source, l'entreprise s'assure que chaque start-up robotique, chaque laboratoire de recherche, chaque fabricant de matériel ambitieux construira sur la pile de Nvidia. Plus il y a de robots qui exécutent GROOT, plus Nvidia vend de modules Jetson. Plus les chercheurs entraînent de modèles dans Isaac Sim, plus Nvidia loue de GPU dans le cloud. C'est le modèle du rasoir et des lames, appliqué à l'infrastructure de l'intelligence elle-même.
La mémoire qui n'était pas
Toutes les initiatives de Nvidia n'ont pas été fluides. En 2015, l'entreprise a fait face à un débâcle de relations publiques concernant la carte graphique GeForce GTX 970, un GPU de jeu populaire commercialisé comme ayant 4 gigaoctets de mémoire vidéo . Les passionnés ont rapidement découvert que seulement 3,5 gigaoctets de cette mémoire étaient facilement accessibles ; les 512 derniers mégaoctets se trouvaient sur une partition plus lente du bus mémoire, provoquant une chute des performances lorsque les applications tentaient d'utiliser les 4 gigaoctets complets .
La controverse n'était pas seulement technique mais éthique : Nvidia avait-elle intentionnellement induit les consommateurs en erreur, ou s'agissait-il d'un échec de communication ? La réponse de l'entreprise a été confuse. Elle a clarifié que la GTX 970 pouvait, en théorie, utiliser tous les 4 gigaoctets — mais seulement dans des « conditions hautement stressantes », et avec une pénalité de performance . Nvidia a également déclaré, définitivement, qu'il n'y aurait pas de mise à jour du pilote pour améliorer l'allocation de mémoire ou les performances spécifiquement pour la GTX 970 . L'entreprise a proposé d'aider les détaillants à traiter les retours, une reconnaissance tacite que le produit n'avait pas répondu aux attentes des consommateurs .
L'incident a été un faux pas rare pour une entreprise qui a par ailleurs géré sa réputation avec précision. Il a également souligné une tension qui persiste dans la relation de Nvidia avec ses clients : les produits de l'entreprise sont si dominants que les utilisateurs n'ont guère d'autre choix que d'accepter leurs bizarreries, leur documentation fermée, leur verrouillage propriétaire. Le scandale de la GTX 970 s'est estompé ; les ventes ont à peine baissé. La position de marché de Nvidia, même alors, était déjà trop forte pour être sérieusement menacée par un seul faux pas produit.
L'infrastructure de la pensée
Ce que Nvidia a construit, en fin de compte, n'est pas une gamme de produits mais une plateforme — l'infrastructure sur laquelle la révolution IA est en train d'être construite. Chaque percée dans l'IA générative, chaque nouvelle capacité robotique, chaque véhicule autonome qui se rapproche de la viabilité : tout cela fonctionne, à un moment donné du pipeline, sur du matériel Nvidia.
La capitalisation boursière de l'entreprise, maintenant à 5 010 milliards de dollars, n'est pas une bulle au sens traditionnel . C'est le reflet de quelque chose de plus fondamental : la reconnaissance que l'IA n'est pas une technologie unique mais un nouveau substrat pour l'informatique, et que Nvidia contrôle les moyens de production. Tout comme Standard Oil dominait autrefois l'énergie, tout comme AT&T dominait autrefois les communications, Nvidia domine maintenant l'infrastructure de l'intelligence machine.
Mais les monopoles, aussi efficaces soient-ils, sont fragiles. Ils invitent la réglementation, la concurrence et l'entropie lente de la disruption technologique. Google conçoit ses propres TPU ; Amazon ses propres puces Trainium ; même Apple travaillerait sur du silicium IA personnalisé. Les alternatives open source à CUDA prolifèrent, bien que lentement. La forteresse que Nvidia a construite est formidable, mais elle n'est pas éternelle.
L'initiative GROOT, et la poussée plus large dans la robotique, représente la tentative de Nvidia de sécuriser la prochaine frontière avant l'arrivée des concurrents. Si l'IA était la première vague — intelligence logicielle, fonctionnant dans des centres de données — alors la robotique est la deuxième : intelligence physique, fonctionnant dans le monde. Nvidia a appris de ses erreurs mobiles qu'elle ne peut pas se permettre de céder de nouveaux marchés aux rivaux. Cette fois, elle avance tôt, investit massivement et donne juste assez — à travers des modèles open source et des outils de simulation accessibles — pour s'assurer que lorsque la révolution robotique arrivera, elle sera construite selon les termes de Nvidia.
Le restaurant, revisité
Trente-deux ans après cette réunion à San Jose, Nvidia n'est plus une start-up avec une intuition. C'est la banque centrale de l'économie IA, l'institution qui fixe les termes de l'échange, l'entité sans laquelle tout l'édifice vacille. Ses puces sont allouées comme une marchandise rare ; les PDG de sociétés du Fortune 500 appellent personnellement Jensen Huang pour supplier d'avoir un accès anticipé au dernier matériel. Les gouvernements traitent Nvidia comme un actif stratégique, réglementant ses exportations comme s'il s'agissait de plutonium de qualité militaire.
Et pourtant, malgré toute sa domination, Nvidia reste, dans un sens fondamental, un pari : le pari que l'IA continuera à s'étendre, que la demande de calcul continuera à dépasser l'offre, que l'avenir nécessitera toujours plus de silicium dédié à des modèles toujours plus grands. La poussée robotique est une couverture contre l'échec de ce pari — un moyen de se diversifier dans l'IA incarnée, dans l'informatique en périphérie, dans des marchés où les lois d'échelle des modèles de transformateurs ne s'appliquent pas.
Si GROOT et Isaac Sim se révéleront aussi transformateurs que CUDA et la gamme GeForce reste à voir. La robotique est plus difficile que le logiciel ; la physique est moins indulgente que la probabilité. Mais Nvidia a passé trois décennies à apprendre comment construire des plateformes, pas seulement des produits — comment créer des écosystèmes qui verrouillent les développeurs, les chercheurs et les clients.
L'entreprise que trois ingénieurs ont fondée autour d'un petit déjeuner vaut maintenant plus que la capitalisation boursière de nations entières. Elle est devenue, dans un sens très littéral, trop grande pour échouer — du moins pour l'instant, du moins tant que dure le boom de l'IA, du moins jusqu'à ce que le prochain changement de paradigme arrive et qu'une autre conversation autour d'une table de restaurant commence à esquisser l'avenir.
Pour le moment, cependant, l'avenir fonctionne sur les puces de Nvidia, simule dans les logiciels de Nvidia et, de plus en plus, marchera sur les jambes robotiques de Nvidia. Cinq mille milliards de dollars ne sont pas la fin de l'histoire. C'est simplement le prix que le marché a placé sur l'infrastructure de la pensée elle-même.