Les unités de traitement tensoriel de Google fonctionnent désormais dans les centres de données de Meta, selon un rapport de Tom's Hardware publié le 22 octobre 2026 – c'est la première fois que Google vend ses puces d'IA personnalisées à un client externe en tant que matériel déployé plutôt que via son propre cloud. Cette décision marque un changement historique sur le marché du matériel d'IA, où les GPU de Nvidia ont longtemps été le choix par défaut pour la formation et le service de grands modèles.

Pendant des années, l'industrie a supposé que l'écosystème logiciel CUDA de Nvidia rendait ses GPU irremplaçables, même si des alternatives émergeaient. Cette hypothèse est actuellement testée par les deux sociétés les mieux placées pour la briser. L'accord, qui s'ajoute aux énormes dépenses d'infrastructure d'IA de Meta ce trimestre, montre à quel point les hyperscalers recherchent sérieusement l'indépendance de calcul - une histoire que vous pouvez suivre plus en profondeur avec les derniers développements d'IA couverts quotidiennement sur notre page d'accueil à l'adresse aibuzzwire.news.

Du TorchTPU à l'acier et au silicium

Les bases de ce moment ont été posées publiquement deux jours plus tôt. Le 20 octobre, Google et Meta ont lancé conjointement TorchTPU, un backend PyTorch natif pour les TPU de Google, annoncé sur le blog officiel de PyTorch par l'équipe TorchTPU. Le projet a débuté chez Google à la mi-2025 en collaboration avec l'équipe PyTorch de Meta, et il fait quelque chose qu'aucun effort précédent n'a géré proprement : il permet aux charges de travail PyTorch existantes de s'exécuter sur des TPU avec un changement de code trivial, en échangeant essentiellement `.to("cuda")` pour `.to("tpu")`.

Cela est important car la tentative précédente de Google, PyTorch/XLA, lancée en 2020, nécessitait des modifications intrusives du code source, souffrait de longs temps de compilation et manquait de prise en charge du mode d'exécution natif de PyTorch. De nombreuses équipes qui ont expérimenté les TPU ont fini par revenir aux GPU Nvidia simplement parce que l'expérience du développeur était trop pénible. TorchTPU a été explicitement conçu pour résoudre ce problème, sans dépendances JAX dans le runtime et avec une intégration torch.compile basée sur Torch Dynamo plutôt que sur l'ancienne approche Lazy Tensor.

Ce que Meta retire de l'accord

Les résultats techniques publiés par Google et Meta sont remarquables. Selon les détails rapportés par Yahoo Tech, la pile TorchTPU a été validée sur 5 000 modèles Hugging Face, et le mode d'exécution DeferAndFuse de Google offre des gains de performances de 50 % ou plus par rapport à une exécution stricte et hâtive. Des études de cas de fournisseurs montrent que le modèle Llama 3 405B de Meta atteint 57 % d'utilisation des FLOP sur des clusters de 128 à 1 024 TPU Ironwood – des chiffres qui, bien qu'auto-déclarés, indiquent que les puces peuvent exécuter avec compétence des charges de travail de formation à l'échelle de la frontière.

L’économie est la plus grande histoire. On dit depuis longtemps que les TPU coûtent nettement moins cher que les GPU Nvidia haut de gamme, et une entreprise ayant l'appétit informatique de Meta – couvrant à la fois ses ambitions de recherche en IA et ses systèmes de recommandation – a tout intérêt à se diversifier en s'éloignant d'un seul fournisseur. Bloomberg a rapporté dès novembre 2025 que Meta et Google discutaient du déploiement de TPU dans les centres de données de Meta, et la collaboration sur TorchTPU a été rapportée par Reuters en décembre 2025. Ce qui a changé maintenant, c'est que l'accord est passé de la discussion au déploiement, Tom's Hardware signalant que les puces sont physiquement installées et fonctionnent dans les installations de Meta.

Une fissure dans l'armure de Nvidia

Nvidia détient toujours l’écrasante majorité du marché des accélérateurs d’IA, et les revenus de ses centres de données restent la référence recherchée par tous ses concurrents. Mais la dynamique est en train de changer. Comme TechCrunch l'a dit dans sa couverture du lancement de TorchTPU, Google a rejoint Amazon pour attaquer le bastion de Nvidia sur la couche logicielle qui maintient les développeurs liés à son matériel. Meta, quant à lui, gagne un levier de négociation : chaque rack TPU qu'il installe est un rack de GPU qu'il n'a pas eu à acheter au prix de Nvidia.

La pression vient de plusieurs directions à la fois. Amazon a ses puces Trainium, Google a des TPU et une vague de startups construisent des accélérateurs spécifiques à l'inférence. Ce qui différencie le déploiement Meta, c'est l'échelle et la visibilité. Meta est l'un des plus gros clients de Nvidia, et si ses équipes d'ingénierie concluent que les TPU peuvent supporter une part significative des charges de travail de formation et d'inférence, d'autres grands acheteurs y prêteront une attention particulière.

Les mises en garde

Rien de tout cela ne signifie que la position de Nvidia s’effondrera du jour au lendemain. Le blog PyTorch lui-même prévient que même si les modèles peuvent fonctionner directement sur les TPU, l'obtention de performances optimales nécessite toujours une optimisation matérielle, car les formes de modèles, les stratégies de partitionnement et les implémentations du noyau sont généralement adaptées aux architectures GPU. Le jeu d'instructions TPU diffère de celui de Nvidia et l'écosystème d'outils, de bibliothèques et d'ingénieurs expérimentés reste fortement centré sur le GPU.

Il y a aussi la question de l’approvisionnement. Google a historiquement réservé les TPU à ses charges de travail internes et à ses clients cloud, et la capacité de fabrication d'accélérateurs personnalisés n'est pas illimitée. La question de savoir si Google peut ou veut fournir des TPU à une échelle significative par rapport à l'empreinte informatique totale de Meta – qui éclipse celle de la plupart des entreprises – reste une question ouverte.

Que regarder ensuite

Les signaux immédiats à surveiller sont de savoir si d'autres hyperscalers suivent l'exemple de Meta, comment Nvidia réagit en matière de prix et si la dynamique open source de TorchTPU se traduit par une véritable migration des charges de travail PyTorch vers l'infrastructure TPU. Le marché du matériel d’IA attend depuis des années une alternative crédible à Nvidia haut de gamme. Avec les TPU fonctionnant désormais dans les centres de données d'une deuxième entreprise, cette attente pourrait enfin être terminée.

Gardez une longueur d'avance sur l'IA

La course au matériel d’IA s’accélère rapidement, et les gagnants et les perdants de la prochaine décennie se décident maintenant. Gardez une longueur d'avance sur l'IA avec une couverture indépendante des puces, des modèles et des offres qui remodèlent l'industrie.

Lire plus d'actualités sur l'IA →