Médaille d'honneur de l'IEEE pour Jensen Huang : des puces graphiques aux usines d'IA

L'IEEE a désigné Jensen Huang, fondateur et PDG de Nvidia, lauréat de sa Médaille d'honneur 2026, assortie d'une dotation de 2 millions de dollars. Mary Ellen Randall, présidente et directrice générale de l'IEEE, a annoncé cette distinction le 6 janvier au Consumer Electronics Show de Las Vegas. La citation officielle est la suivante : « pour son leadership dans le développement des processeurs graphiques et leur application au calcul scientifique et à l'intelligence artificielle ».

Cette formulation est plus étroite que l'image courante de Huang en figure du monde des affaires. L'IEEE salue une chaîne de décisions d'architecture qui ont transformé un périphérique de jeu en matériel parallèle généraliste. Ce portrait retrace cette chaîne et signale les points où les affirmations reposent sur des chiffres des constructeurs plutôt que sur des mesures indépendantes.

01De concepteur de puces à fondateur

Huang est titulaire d'un BSEE de l'Oregon State University et d'un MSEE de Stanford. Il a travaillé chez AMD et LSI Logic avant de lancer Nvidia. Chez LSI, il dirigeait CoreWare, la stratégie de système sur puce de l'entreprise, et il avait auparavant conçu des microprocesseurs chez AMD. Nvidia a été fondée en 1993 par Huang, Chris Malachowsky et Curtis Priem. Malachowsky venait de Sun Microsystems. Priem avait été concepteur de puces graphiques chez IBM et Sun. Huang est président, PDG et membre du conseil d'administration depuis l'origine.

Le problème que les fondateurs voulaient résoudre était le rendu 3D réaliste sur les ordinateurs personnels. La première tentative a échoué. Le prospectus d'introduction en bourse de Nvidia indiquait que les ventes du NV1 avaient chuté à mesure que Direct3D de Microsoft et OpenGL de SGI s'imposaient. L'entreprise a cessé de commercialiser le NV1 début 1996. Elle a ensuite abandonné le développement du NV2 pour concentrer ses efforts sur le RIVA 128, arrivé sur le marché en 1997 comme processeur Direct3D 128 bits. La leçon : concevoir en fonction des standards logiciels dominants plutôt que de les concurrencer. Cette habitude a façonné la stratégie de plateforme qui a suivi.

02Le GPU : sortir la géométrie du CPU

En 1999, Nvidia a lancé la GeForce 256. L'entreprise l'a présentée comme le premier GPU au monde, défini comme un processeur monopuce intégrant des moteurs de transformation, d'éclairage, d'initialisation et de clipping des triangles, et de rendu, capable de traiter au moins 10 millions de polygones par seconde. Auparavant, les accélérateurs 3D concurrents exécutaient ces fonctions sur le CPU hôte. L'exception était le processeur autonome de transformation et d'éclairage de 3Dlabs.

Les chiffres sont modestes selon les standards actuels. D'après Jon Peddie Research, le NV10 à 120 MHz était gravé selon le procédé 220 nm de TSMC, avec 17 millions de transistors sur une puce de 139 mm². Quatre moteurs en pipeline offraient un taux de remplissage de 480 Mpix/s. L'enjeu architectural tenait à la répartition des tâches. Le calcul géométrique (positionner, faire pivoter et éclairer les sommets) relève d'une arithmétique régulière et parallèle sur les données. Il convient mieux à un matériel large qu'à un CPU généraliste.

Deux réserves méritent d'être gardées en tête. D'abord, le terme n'était pas nouveau. Peddie rappelle que 3Dlabs avait introduit « GPU » en 1997 pour un moteur programmable de transformation et d'éclairage ; la revendication de Nvidia porte donc sur la popularisation et l'intégration, non sur l'invention du terme. Ensuite, les documents de l'IEEE évoquent un « GPU programmable » en 1999. Les historiques techniques décrivent plutôt la GeForce 256 comme l'ajout de la transformation et de l'éclairage matériels, avec un nombre accru de pipelines de pixels fixes. La programmabilité au sens des shaders est arrivée avec les générations suivantes.

03CUDA : transformer le pipeline en ordinateur

Le maillon qui relie le graphisme à l'IA est logiciel. Avant CUDA, quiconque voulait exploiter le parallélisme des GPU pour des tâches non graphiques devait reformuler son problème sous forme d'opérations graphiques via OpenGL. Nvidia a publié CUDA en 2006. Le premier GPU compatible était la GeForce 8800 GTX, lancée en novembre 2006 sur l'architecture G80. Cette génération a introduit les shaders unifiés, de sorte que chaque cœur pouvait exécuter du calcul généraliste ; la 8800 GTX en comptait 128. CUDA comprend trois éléments : un langage qui étend le C/C++, une API et des bibliothèques. Les programmeurs écrivent des « kernels », de courts programmes exécutés sur une unité d'exécution unique. Un travail volumineux est découpé en nombreux petits fragments exécutés en parallèle.

L'accueil du marché a d'abord été sceptique. Le récit de Steven Witt dans le New Yorker, relayé par Understanding AI, indique que Wall Street a réagi avec consternation. Le retour sur investissement est arrivé six ans plus tard. Alex Krizhevsky et Ilya Sutskever, étudiants de Geoffrey Hinton, ont entraîné AlexNet sur deux GPU GTX 580, dotés chacun de 512 unités d'exécution. Cela leur a permis d'entraîner un réseau des centaines de fois plus vite qu'un CPU ne l'aurait permis. AlexNet reposait sur CUDA, et ce résultat est largement considéré comme le point de départ de l'essor de l'apprentissage profond.

Nvidia a ensuite commencé à intégrer dans le silicium des fonctions propres à l'IA. Le V100, de la génération Volta (2017), a ajouté les Tensor Cores, des unités dédiées à la multiplication matricielle. Selon le livre blanc de Nvidia, elles offrent jusqu'à 125 TFLOPS Tensor, soit jusqu'à 12 fois le débit crête des opérations FP32 standard du P100 de la génération précédente. NVLink reliait plusieurs V100 à des débits allant jusqu'à 300 Go/s. Le pari de conception était que l'apprentissage profond est dominé par la multiplication matricielle, et que la bande passante mémoire et les liaisons entre puces comptent autant que l'arithmétique brute.

04L'« usine d'IA » : le passage à l'échelle

La même logique s'applique désormais à l'échelle du rack. Le GB200 NVL72 de Nvidia relie 72 GPU Blackwell dans un unique domaine NVLink, avec plus de 1 Po/s de bande passante agrégée et 30 To de mémoire unifiée. Le NVLink de cinquième génération offre à chaque GPU 1,8 To/s de débit bidirectionnel, soit 14 fois PCIe Gen5 selon Nvidia. L'objectif est qu'un rack se comporte comme un seul accélérateur pour des modèles de mille milliards de paramètres. Nvidia revendique une inférence de LLM en temps réel 30 fois plus rapide pour de tels modèles qu'avec les systèmes précédents. Il s'agit d'un chiffre du constructeur, dont la référence de comparaison et la charge de travail comptent.

Le coût est physique. Les QuickSpecs de HPE pour son NVL72 indiquent un TDP nominal de 132 kW par rack, avec une puissance électrique de conception maximale d'environ 192 kW. Le rack nécessite un jeu de barres 50 V continu et un collecteur de liquide de refroidissement. Une analyse sectorielle cite la puissance disponible sur le site, les boucles de refroidissement, le packaging, les délais d'approvisionnement en mémoire et le verrouillage lié à CUDA parmi les contraintes qui déterminent qui peut déployer de tels systèmes. L'étiquette d'« usine d'IA », que Nvidia emploie pour ces installations, renvoie autant à l'ingénierie des centres de données qu'aux puces.

05Impact, reconnaissance et questions en suspens

Selon la synthèse de l'IEEE, le GPU a déclenché des avancées dans l'intelligence artificielle, l'informatique et la médecine. Parmi les distinctions antérieures de Huang figurent le prix Robert N. Noyce de la Semiconductor Industry Association, la Médaille des fondateurs de l'IEEE et son élection à la National Academy of Engineering. L'IEEE cite aussi le Queen Elizabeth Prize for Engineering parmi ses récentes distinctions. Au CES, il a déclaré accepter la médaille au nom de tous les formidables employés de Nvidia.

Plusieurs points ne sont pas tranchés par cette récompense :

• Attribution. Le GPU, CUDA et la pile logicielle d'IA ont été construits par de grandes équipes, et d'autres avaient eu auparavant des idées sur le graphisme programmable et le calcul sur GPU. La médaille honore le leadership de Huang, comme l'indique la citation, et non une invention qui serait la sienne seule.
• Dépendance à une seule plateforme. La domination de CUDA est une force pour les développeurs et un risque de concentration pour l'industrie. Des rivaux comme Stream d'AMD et DirectCompute de Microsoft sont apparus peu après CUDA, mais ne l'ont pas détrôné.
• Efficacité énergétique. Avec des puissances de plus de 100 kW par rack, l'électricité et le refroidissement, et pas seulement le silicium, deviennent les facteurs limitants pour poursuivre la montée en échelle.
• Preuves. La plupart des chiffres de performance mis en avant pour les produits actuels sont publiés par les constructeurs. Les données de benchmarks indépendants arrivent après les lancements.

La médaille est remarquable en partie parce qu'elle revient à quelqu'un dont le rôle principal est de diriger l'entreprise. Elle reconnaît aussi que, dans ce cas, les décisions d'architecture produit, de stratégie logicielle et de chaîne d'approvisionnement en puces sont indissociables.