En clair
GPU signifie « graphics processing unit », soit processeur graphique. À l'origine, cette puce équipait les cartes graphiques pour afficher des images et des jeux vidéo. Son atout est d'exécuter des milliers de calculs simples en même temps, là où un processeur classique (CPU) traite quelques tâches complexes l'une après l'autre.
Les calculs de l'IA, surtout les multiplications de matrices, se prêtent bien à ce travail massivement parallèle. Un GPU peut donc enchaîner des opérations par milliers pendant qu'un CPU les ferait à la queue leu leu. C'est ce qui a rendu possible l'entraînement de grands modèles de langage sur des volumes de données considérables.
Pourquoi c'est important
La taille des modèles et le coût de leur entraînement dépendent directement de la puissance de calcul disponible. Sans GPU, faire tourner un modèle comme ceux qui répondent dans un chatbot demanderait des temps d'attente rédhibitoires. Les GPU sont donc devenus une ressource rare et chère, et leur disponibilité conditionne les projets d'IA.
Un GPU ne travaille pas seul. Pour les très grands modèles, on en assemble des milliers dans des centres de données, reliés par des réseaux rapides. Le logiciel qui répartit le calcul entre ces puces compte autant que le matériel.
Dans la pratique
Un GPU se choisit selon sa mémoire embarquée, sa vitesse de calcul et le logiciel qui l'accompagne. Les fabricants proposent des bibliothèques pour programmer ces puces, et les frameworks d'IA s'appuient dessus. Un moteur d'inférence, par exemple, doit être adapté à chaque famille de GPU pour tirer parti de ses capacités.
DeepInfer, le moteur d'inférence que DeepSeek a publié en open source, tourne sur les GPU NVIDIA SM100 et sur les NPU Huawei Ascend 950. Cette mention montre qu'un même modèle peut être servi sur des matériels différents, à condition que le logiciel soit adapté.
Faire tourner un modèle sur son propre GPU reste possible pour de petits modèles, mais les plus grands exigent plusieurs puces et beaucoup de mémoire. C'est l'une des raisons pour lesquelles beaucoup d'utilisateurs passent par un service en ligne plutôt que par du matériel personnel.
À ne pas confondre avec
Le GPU n'est pas le CPU. Le CPU excelle dans les tâches variées et séquentielles, le GPU dans les calculs répétitifs en masse. Les deux cohabitent dans une machine, le CPU coordonnant le travail confié au GPU.
Le GPU se distingue aussi du NPU, un processeur spécialisé dans les calculs d'IA, souvent plus économe en énergie mais moins polyvalent. Enfin, un GPU n'est pas un modèle d'IA : c'est le matériel qui exécute les calculs du modèle.