OpenAI se tourne vers les TPU de Google pour desserrer l’étau de Nvidia

La bataille de l’intelligence artificielle ne se joue pas seulement dans les interfaces de conversation ou dans la qualité des modèles. Elle se déroule aussi, et surtout, dans les centres de données, où des milliers de puces spécialisées exécutent les calculs nécessaires pour entraîner et faire fonctionner ces systèmes. C’est dans ce contexte qu’OpenAI pourrait s’appuyer sur les TPU de Google, accessibles par l’intermédiaire de Google Cloud, afin de diversifier ses ressources matérielles et de réduire sa dépendance aux GPU de Nvidia.

L’information est notable parce qu’elle rapproche deux groupes qui se disputent pourtant les usages les plus visibles de l’IA générative. D’un côté, OpenAI est le créateur de ChatGPT. De l’autre, Google développe Gemini et déploie ses propres services d’IA. Mais cette rivalité commerciale n’empêche pas une coopération plus discrète sur l’infrastructure. Dans un marché où la capacité de calcul est rare, coûteuse et décisive, un concurrent peut aussi devenir un fournisseur.

Une collaboration industrielle entre deux rivaux

Les informations disponibles au 28 juin 2025 indiquent qu’OpenAI pourrait accéder aux unités de traitement tensoriel de Google, les TPU, à travers son service de cloud computing. L’objectif est d’ajouter une source de puissance de calcul aux infrastructures déjà utilisées par OpenAI, plutôt que de faire reposer ses activités sur un seul type de puce ou un seul partenaire technologique.

Il ne s’agit pas, en l’état, d’un rapprochement entre les modèles Gemini et ChatGPT, ni d’un partage de technologies conversationnelles. Le sujet est beaucoup plus concret : des processeurs, des serveurs et des capacités de calcul louées à la demande. Google fournirait une brique d’infrastructure, tandis qu’OpenAI continuerait à concevoir et exploiter ses propres modèles et produits.

Cette distinction est essentielle. Dans l’IA, le logiciel et le matériel sont étroitement liés, mais ils ne sont pas interchangeables. Un modèle comme ChatGPT peut être entraîné puis servi aux utilisateurs sur différents types d’accélérateurs, à condition que les équipes techniques adaptent les logiciels, les bibliothèques de calcul et les opérations de déploiement.

Pourquoi OpenAI cherche à réduire sa dépendance à Nvidia

Nvidia occupe une place centrale dans l’essor récent de l’IA générative. Ses GPU, initialement conçus pour accélérer le rendu graphique, se sont révélés particulièrement efficaces pour exécuter en parallèle les très nombreux calculs nécessaires aux réseaux de neurones. Ils sont devenus l’équipement de référence de la plupart des grandes infrastructures d’IA.

Pour une entreprise comme OpenAI, cette position dominante présente plusieurs contraintes. La première est la disponibilité : lorsque de nombreux laboratoires, entreprises du cloud et start-up recherchent les mêmes processeurs, l’accès aux capacités peut devenir un facteur limitant. La deuxième est économique : exécuter des modèles à grande échelle représente une dépense récurrente considérable. Enfin, une dépendance trop forte à un unique fournisseur réduit la marge de négociation et complique la planification à long terme.

Diversifier les puces utilisées ne signifie pas qu’elles remplissent toutes exactement la même fonction. Les GPU de Nvidia sont réputés pour leur polyvalence et bénéficient d’un environnement logiciel très largement adopté. Les TPU de Google ont, eux, été pensés pour certains calculs intensifs associés à l’apprentissage automatique, notamment les opérations sur les tenseurs, ces grands tableaux de nombres manipulés par les modèles d’IA.

TPU et GPU : de quoi parle-t-on exactement ?

Un GPU, ou processeur graphique, est une puce capable d’effectuer un très grand nombre d’opérations en parallèle. Cette caractéristique est précieuse pour l’IA, qui repose sur d’immenses quantités de multiplications et d’additions effectuées simultanément. Les GPU sont employés aussi bien pour l’entraînement de grands modèles que pour leur utilisation quotidienne.

Un TPU, pour Tensor Processing Unit, est un processeur spécialisé conçu par Google pour accélérer des calculs d’apprentissage automatique. Longtemps utilisés principalement dans les infrastructures internes du groupe, les TPU sont progressivement devenus accessibles à des clients externes de Google Cloud. Cette ouverture constitue pour Google une manière de valoriser son expertise matérielle au-delà de ses propres produits.

Dans les deux cas, il ne suffit pas de brancher une puce pour obtenir instantanément de meilleures performances ou des coûts inférieurs. Les équipes doivent tenir compte de la compatibilité des logiciels, de l’organisation des données, de la fiabilité des serveurs et de la manière dont les modèles sont découpés entre de nombreuses machines. Le choix d’un accélérateur est donc autant une décision d’ingénierie qu’une décision commerciale.

L’inférence, le coût discret des assistants IA

L’un des mots clés de ce dossier est l’inférence. Ce terme désigne le moment où un modèle déjà entraîné est utilisé pour produire une réponse. Lorsqu’un internaute pose une question à ChatGPT, demande un résumé ou génère du code, le système exécute une inférence. Répétée à très grande échelle, cette opération mobilise d’importantes ressources informatiques.

L’entraînement d’un grand modèle est souvent spectaculaire, car il exige des clusters de serveurs pendant de longues périodes. Mais l’inférence est tout aussi stratégique pour un service destiné au grand public ou aux entreprises. Une fois le modèle lancé, il faut pouvoir répondre rapidement à des millions de requêtes, maintenir une qualité de service stable et éviter que la facture énergétique et matérielle n’augmente plus vite que les revenus.

C’est pourquoi l’utilisation de TPU via Google Cloud pourrait avoir un intérêt particulier pour OpenAI. Si cette solution permet d’exécuter une partie des requêtes à un coût plus compétitif ou avec une capacité additionnelle, elle peut contribuer à améliorer l’équation économique de ses produits. Les détails techniques, les volumes concernés et les éventuels gains financiers ne sont toutefois pas publics.

Il faut également séparer cette question de l’entraînement des futurs modèles. Les informations rapportées portent sur une utilisation des TPU pour l’inférence et l’optimisation des coûts associés. Elles ne permettent pas d’affirmer qu’OpenAI transférerait l’ensemble de l’entraînement de ses modèles sur l’infrastructure de Google.

Ce que Google peut gagner en ouvrant ses puces

Pour Google, cette collaboration potentielle dépasse le seul contrat avec OpenAI. Elle sert aussi de vitrine pour Google Cloud et pour ses TPU face aux offres concurrentes. Vendre de la capacité de calcul à des clients externes permet de rentabiliser les investissements réalisés dans les centres de données et de montrer que les puces maison peuvent répondre aux besoins des acteurs les plus exigeants de l’IA.

Google ne part pas de zéro. Ses TPU ont déjà été proposés à des entreprises et à des acteurs de l’écosystème de l’IA. L’intérêt d’un accord avec OpenAI tient cependant au symbole : le créateur de ChatGPT est l’un des plus grands consommateurs de puissance de calcul au monde. Le compter parmi les utilisateurs de son cloud renforcerait la crédibilité commerciale de Google sur ce marché.

Cette stratégie ne fait pas disparaître la compétition. Google poursuit le développement de sa famille de modèles Gemini, dont Gemini 2.5, tandis qu’OpenAI continue de faire évoluer ChatGPT. Les deux entreprises cherchent à conquérir les particuliers, les développeurs et les organisations. Elles peuvent donc s’affronter sur les produits tout en trouvant un intérêt commun sur l’infrastructure.

Cette situation est moins paradoxale qu’il n’y paraît. Dans le secteur technologique, les relations sont rarement exclusivement concurrentielles ou exclusivement coopératives. Une entreprise peut acheter des composants à une autre, utiliser son cloud, puis lui faire concurrence auprès des mêmes clients finaux.

Ce que cette annonce ne change pas encore

L’accord potentiel ne renverse pas immédiatement l’équilibre du marché des puces d’IA. Nvidia conserve une position déterminante grâce à l’ampleur de son offre matérielle, à son écosystème logiciel et au nombre considérable d’entreprises déjà équipées de ses GPU. Mettre en production un modèle sur une nouvelle architecture demande du temps, des compétences et des tests approfondis.

La portée de la collaboration semble par ailleurs encadrée. Google ne mettrait pas à la disposition d’OpenAI ses TPU les plus avancés. Cette réserve est logique dans une relation avec un concurrent direct sur l’IA générative : Google peut développer son activité de cloud tout en préservant une partie de son avantage technologique pour ses propres produits et clients prioritaires.

Il serait également prématuré d’en déduire qu’OpenAI se détourne de tous ses partenaires existants. Le besoin de calcul d’une entreprise d’IA est si vaste qu’il peut nécessiter plusieurs fournisseurs, plusieurs types de processeurs et plusieurs centres de données. La diversification est précisément le cœur de la stratégie évoquée ici.

Ce qu’il faut surveiller

La première question sera celle de l’ampleur réelle du déploiement. L’utilisation de TPU restera-t-elle limitée à certaines tâches d’inférence, ou prendra-t-elle progressivement une place plus importante dans l’infrastructure d’OpenAI ? Sans chiffres publics sur les volumes, il est impossible de mesurer le poids de Google dans les opérations du créateur de ChatGPT.

La deuxième porte sur le coût. Si les TPU deviennent une option convaincante pour servir des modèles à grande échelle, d’autres entreprises pourraient elles aussi chercher à diversifier leurs achats de puces. Cela ne garantit pas une baisse générale des prix, mais une concurrence plus crédible entre solutions matérielles peut redonner des marges de manœuvre aux clients.

Enfin, cette affaire rappelle que l’avenir de l’IA dépend autant des modèles que des infrastructures. Les assistants conversationnels, les outils de création et les services d’entreprise reposent sur des composants physiques, de l’électricité, des centres de données et des chaînes d’approvisionnement mondiales. L’accès au calcul devient ainsi un avantage stratégique majeur, au même titre que la qualité d’un modèle ou la taille de sa base d’utilisateurs.