L'option nucléaire de Google : Vendre des TPU pour briser l'emprise de Nvidia

Le « Jardin clos » est officiellement tombé. Pendant une décennie, les Tensor Processing Units (TPU) de Google ont été le fruit défendu du monde de l’IA. Vous pourriez les louer dans Google Cloud, observer leur puissance à distance pendant qu’ils entraînaient AlphaGo et Gemini, mais vous ne pourriez jamais les posséder. Vous ne pourriez certainement pas les installer dans votre propre centre de données.

Cette règle vient d’être brisée.

Dans un mouvement qui signale un changement structurel sur le marché de l’IA, qui pèse des milliers de milliards de dollars, des rapports émergents indiquent que Google finalise des accords pour louer et éventuellement vendre des TPU directement à Meta et potentiellement à Apple. Il ne s’agit pas simplement d’un accord avec un fournisseur ; c’est la première véritable fissure dans l’armure de Nvidia et une initiative désespérée et brillante de Google pour sauver son propre écosystème logiciel.

Si vous détenez des actions Nvidia ou si vous élaborez une stratégie d’infrastructure d’IA, vous devez comprendre la physique, l’économie et les guerres logicielles qui ont motivé cette décision.

L’actualité : d’étranges compagnons de lit

L’alignement stratégique est clair. Meta (Facebook) est le consommateur le plus vorace de Nvidia H100 au monde, en accumulant plus de 600 000. Mais Mark Zuckerberg a exprimé ouvertement son désir de s’affranchir de la « taxe Nvidia » : la prime payée pour le verrouillage CUDA et le matériel à marge élevée.

Selon des rumeurs et des rapports approfondis de l’industrie :

• The Deal : Meta aura accès aux instances TPU “bare metal” (probablement Trillium v6) initialement hébergées par Google mais complètement séparées du cloud public de Google.
• La feuille de route : d’ici 2027, le cadre permet à Meta d’acheter directement des modules TPU pour les installer dans leurs propres centres de données non Google.
• Le facteur Apple : des discussions similaires ont lieu avec Apple, qui a besoin de calculs massifs pour “Apple Intelligence”, mais est notoirement allergique à s’appuyer sur des concurrents comme Microsoft ou à payer les marges de Nvidia.

Cela change du jour au lendemain l’équation offre/demande. Si Meta cesse d’acheter 20 % de l’offre de Nvidia parce qu’elle est passée aux TPU, la rareté qui soutient le pouvoir de fixation des prix de Nvidia s’évapore.

Analyse technique approfondie : physique de la lumière et du cuivre

Pourquoi Meta voudrait-il un TPU alors que la Nvidia Blackwell B200 est la « puce la plus puissante au monde » ? La réponse ne réside pas dans la puce elle-même : elle est dans les câbles. Ou plutôt leur absence.

L’avantage OCS (commutation de circuits optiques)

Les SuperPOD de Nvidia s’appuient sur InfiniBand, un réseau de commutation électrique extrêmement rapide mais traditionnel. Pour connecter 100 000 GPU, vous avez besoin de kilomètres de cuivre et de commutateurs électriques actifs qui convertissent constamment les électrons en photons et inversement.

L’arme secrète de Google, déployée depuis TPU v4, est Palomar (et maintenant Jupiter), basée sur des Commutateurs de circuits optiques (OCS).

Au lieu de la commutation de paquets numériques : un routeur lit un paquet, le met en mémoire tampon, décide où il va et le retransmet : Google utilise des MEMS (Micro-Electro-Mechanical Systems). Ce sont de minuscules miroirs microscopiques qui tournent physiquement pour faire rebondir un faisceau de lumière d’un serveur à un autre.

La physique gagne :

1. Vitesse de la lumière : Il n’y a aucune conversion optique-électrique. La lumière rebondit.
2. Puissance zéro : Un miroir nécessite une puissance zéro pour maintenir sa position. Il ne consomme de l’énergie que lorsqu’il se déplace (reconfigure). Un interrupteur électrique consomme énormément de puissance 24 heures sur 24, 7 jours sur 7, juste pour maintenir les ports actifs.
3. Topologie indépendante : Google peut recâbler physiquement le réseau en quelques millisecondes. Si une forme en « Tore » est meilleure pour le travail de formation A et qu’une forme en « Libellule » est meilleure pour le travail d’inférence B, les miroirs s’inclinent simplement et le supercalculateur est physiquement recâblé.

Les mathématiques de l’efficacité

Tandis que Nvidia recherche les FLOP bruts, Google recherche les Performances/TCO. Le TPU Trillium (v6) revendique une amélioration de l’efficacité énergétique de 67 % par rapport au v5e, en grande partie grâce à cette efficacité d’interconnexion.

Examinons les calculs théoriques du refroidissement. Les interrupteurs électriques génèrent de la chaleur. Cette chaleur doit être refroidie. Les commutateurs OCS ne génèrent presque pas de chaleur.

$$\text{Total Power} = \text{Compute Power} + \text{Cooling Power} + \text{Networking Power}$$

Dans un cluster Nvidia, la puissance réseau peut représenter 15 à 20 % de la consommation totale du cluster. Dans un pod TPU, OCS réduit la consommation d’énergie du réseau de près de 95 %. Dans un centre de données de 100 MW, ce delta d’efficacité signifie que vous pouvez intégrer 30 % de calcul en plus dans la même enveloppe de puissance. Pour Meta, entraîner Llama 5, cela vaut des milliards.

La guerre des logiciels : JAX contre CUDA

C’est la partie qui manque à Wall Street. Google ne vend pas seulement des puces parce qu’il veut des revenus matériels. Il vend des jetons pour sauver JAX.

Les douves CUDA

Le monopole de Nvidia n’est pas le matériel ; c’est un logiciel. Tout le monde code dans CUDA (via PyTorch). Parce que tout le monde utilise CUDA, tout le monde achète Nvidia. C’est une boucle qui s’auto-renforce.

JAX de Google

Le langage interne de Google, JAX, est sans doute supérieur pour la physique avancée et les mathématiques lourdes. Il s’optimise automatiquement pour le compilateur XLA (Accelerated Linear Algebra). Mais en dehors de DeepMind et des chercheurs spécialisés, l’adoption est faible.

En mettant les TPU entre les mains de Meta, Google oblige les ingénieurs de Meta : les meilleurs au monde en dehors de Google : à optimiser PyTorch pour XLA.

• Si PyTorch fonctionne parfaitement sur les TPU (via XLA), le “CUDA Moat” se remplit de sable.
• Soudain, les puces AMD (qui fonctionnent également sous XLA/ROCm) deviennent viables.
• Intel Gaudi devient viable.
• L’ensemble de l’écosystème se dissocie de Nvidia.

Histoire contextuelle : une décennie de secrets

Google a inventé l’architecture Transformer (le « T » dans GPT) en 2017. Ils ont construit le premier TPU en 2015. Ils avaient des années d’avance. Pourquoi ont-ils perdu ?

• 2016 (TPU v1) : conçu uniquement à des fins d’inférence (exécutant AlphaGo).
• 2018 (TPU v2/v3) : Les bêtes d’entraînement. Refroidi par liquide. Mais Google les a gardés enfermés dans le Cloud. “Si l’on veut la puce, il faut utiliser le cloud.”
• 2020-2023 (The Hubris) : Google supposait que son avantage matériel était infini. Ils n’ont pas vendu les chips.
• 2024 (The Panic) : Microsoft et OpenAI ont pris la tête grâce aux GPU Nvidia. AWS a créé Trainium.
• 2025 (The Pivot) : Google se rend compte que “Cloud Exclusivity” est une condamnation à mort. Les développeurs vont là où se trouvent les puces. Si les puces ne sont pas partout, les développeurs s’en vont.

Cette vente est un aveu d’échec en stratégie, mais un coup de génie en relance.

Analyse financière : le calcul de la “taxe Nvidia”

Examinons les chiffres pour expliquer pourquoi Meta accepte cet accord.

Le balisage Nvidia :

• Coût de fabrication du H100 (TSMC + CoWoS + HBM) : ~$3 000 - $4 000
• Prix de vente du H100 : ~$25 000 - $30 000
• Marge : ~85 %

L’économie du TPU : Google conçoit le TPU en interne et utilise Broadcom pour la conception back-end. Ils n’ont pas besoin de réaliser une marge de 85 % sur Meta. Ils peuvent vendre le TPU pour $15 000, réaliser un bénéfice important de 50 % et toujours offrir à Meta une réduction de 50 % par rapport à Nvidia.

Pour un cluster de 100 000 chips :

• Coût Nvidia : $3 milliards
• Coût du TPU : $1,5 milliard

Économies : 1,5 milliard de dollars. Cela finance toute l’infrastructure de refroidissement du centre de données.

Analyse prospective : la Chip Alliance

Cette décision crée effectivement une « alliance anti-Nvidia ».

1. Google : génère des revenus matériels + préserve la pertinence JAX + nuit à leur plus grand rival (Nvidia).
2. Meta/Apple : obtient du terrain pour négocier des prix plus bas avec Nvidia et diversifie l’efficacité de sa chaîne d’approvisionnement.
3. Amazon : dispose déjà de Trainium, voit désormais la validation du chemin non-Nvidia.

L’impact sur le marché : L’industrie passe d’un monopole (Nvidia détient 90 % des parts) à un oligopole (Nvidia, Google, AWS, AMD).

• Court terme (1-2 ans) : Nvidia reste roi. Le retard de livraison est trop long et le portage des logiciels prend du temps.
• Moyen terme (3-5 ans) : compression des marges. Cette nouvelle spécifique est le signal que les marges brutes de 80 % dont bénéficie Nvidia sont susceptibles d’atteindre un sommet.

Verdict : Le matériel est réel. Les physiques (OCS) sont supérieurs pour des charges de travail spécifiques. Si Google peut livrer la marchandise, le « Code Rouge » n’est plus réservé uniquement à Google : il s’adresse à Jensen Huang.

Nos sources (4)

• datacenterdynamics.com Google Offers TPUs to AI Cloud Providers
• cloud.google.com Google Trillium Architecture
• cloud.google.com TPU v4 Enables Performance, Energy, and CO2e Efficiency Gains
• newsletter.semianalysis.com Analysis: The Nvidia Tax and Custom Silicon