Broadcom tire son épingle du jeu dans le partage du marché des puces IA entre AMD et Google

Broadcom a transformé la compétition entre AMD et Google autour des puces IA en une course différente, où fournir du silicium sur mesure peut compter davantage que vendre des accélérateurs de marque.

Nvidia domine toujours les accélérateurs IA commerciaux, tandis qu’AMD étend sa gamme Instinct en tant que principale alternative. Google suit une autre voie avec les Tensor Processing Units, ou TPU, conçues pour ses propres charges de travail. Broadcom bénéficie lorsque les grands opérateurs cloud estiment qu’aucun fournisseur de GPU standard ne répond pleinement à tous leurs besoins d’infrastructure.

Cela ne fait pas de Broadcom le gagnant incontesté. Nvidia continue de générer des revenus de centres de données bien plus élevés, et AMD offre aux clients une deuxième plateforme GPU crédible. Le changement est que Broadcom peut croître sans évincer l’une ou l’autre entreprise sur l’ensemble du marché.

Son opportunité se situe dans les accélérateurs sur mesure, les réseaux Ethernet, l’interconnexion des puces et la conception de systèmes. Ces composants gagnent en valeur à mesure que les laboratoires d’IA construisent des clusters autour de charges de travail qu’ils maîtrisent bien. Broadcom cherche donc moins à attirer l’attention des développeurs qu’à s’inscrire dans les feuilles de route d’infrastructure.

Les revenus IA de Broadcom ont dépassé le stade d’activité secondaire

Les derniers résultats de Broadcom montrent que les puces IA sur mesure et les réseaux sont devenus des moteurs de croissance centraux, et non plus des lignes de produits expérimentales.

Broadcom a annoncé un chiffre d’affaires de 22,2 milliards de dollars au deuxième trimestre de son exercice 2026, en hausse de 48 % sur un an. Les revenus des semi-conducteurs liés à l’IA ont atteint 10,8 milliards de dollars, soit une augmentation de 143 %.

Le directeur général Hock Tan a attribué cette croissance aux accélérateurs IA sur mesure et aux réseaux IA. L’entreprise prévoyait que les revenus des semi-conducteurs IA du troisième trimestre atteindraient 16 milliards de dollars, ce qui représenterait une croissance de plus de 200 % par rapport à la période comparable.

Ces chiffres proviennent directement des résultats trimestriels de Broadcom. Ils expliquent aussi pourquoi les investisseurs décrivent de plus en plus Broadcom comme une entreprise de matériel IA.

Un accélérateur effectue les opérations mathématiques intensives utilisées pour entraîner ou exécuter un modèle d’IA. Nvidia et AMD vendent généralement des accélérateurs capables de prendre en charge de nombreux clients, modèles et environnements logiciels.

Broadcom suit un modèle différent. L’entreprise aide certains clients à créer des processeurs spécifiques à leurs charges de travail, souvent appelés XPU ou circuits intégrés spécifiques à une application. Ces puces sacrifient une part de polyvalence afin de cibler un ensemble plus restreint d’opérations.

Le client pilote la stratégie de charge de travail, tandis que Broadcom apporte son expertise en ingénierie, interfaces, connectivité et production. Cet arrangement peut raccourcir le chemin entre une conception interne de puce et un système déployable.

Les réseaux constituent la seconde moitié de l’opportunité. Un grand modèle ne fonctionne pas sur un seul processeur : des milliers d’accélérateurs doivent donc échanger des données avec une faible latence.

Broadcom vend des technologies de commutation Ethernet et de connectivité pour ce trafic. L’entreprise peut ainsi participer à la fois à la couche de calcul et au réseau qui relie ces calculs.

Cette combinaison explique pourquoi ses revenus IA déclarés progressent plus vite que ne le laisserait penser une simple activité de puces sur mesure. Chaque déploiement plus important d’accélérateurs crée aussi une demande pour des commutateurs, des liaisons optiques et des composants de support.

Le modèle diffère de la plateforme étroitement intégrée de Nvidia. Nvidia réunit sous une même marque des GPU, des interconnexions NVLink, des produits réseau, des systèmes, des bibliothèques et des outils pour développeurs.

Broadcom soutient plutôt une infrastructure que son client souhaite contrôler. Ses produits deviennent des ingrédients d’un système portant l’identité de Google, Meta, Anthropic ou d’un autre opérateur.

Cette position offre moins de visibilité publique. Elle réduit aussi la nécessité de convaincre des millions de développeurs d’adopter un nouvel environnement de programmation propriétaire.

La croissance de Broadcom ne prouve pas que les puces sur mesure remplaceront les GPU. Elle montre que les hyperscalers considèrent désormais l’accélération sur mesure comme une stratégie de production justifiant des dépenses pluriannuelles.

Les résultats de l’entreprise comportent également un avertissement important. Un fournisseur qui sert un nombre limité de clients hyperscale peut connaître de fortes variations lorsqu’un déploiement passe d’un trimestre à l’autre.

Broadcom dépend de la capacité de ses clients à concevoir avec succès des modèles, à sécuriser la capacité de leurs centres de données et à maintenir leurs plans internes de puces. Ses revenus peuvent progresser rapidement, mais cette concentration crée des risques de négociation et de prévision.

Les derniers chiffres ont néanmoins déplacé la charge de la preuve. Les accélérateurs IA sur mesure n’ont plus à démontrer l’existence d’un marché réel. La question est de savoir quelle part du prochain cycle d’infrastructure ils pourront capter.

Pourquoi la fracture matérielle entre AMD et Google favorise Broadcom

La séparation entre AMD et Google représente deux philosophies d’achat différentes, et Broadcom en bénéficie lorsque les opérateurs cloud privilégient la maîtrise à la polyvalence.

Les accélérateurs Instinct d’AMD suivent le modèle des GPU commerciaux. Les clients achètent un processeur standardisé pris en charge par la pile logicielle ROCm d’AMD, puis l’utilisent pour différentes charges de travail d’entraînement et d’inférence.

Les TPU de Google partent d’un autre principe. Google conçoit le matériel, les compilateurs, les modèles, les réseaux et les centres de données comme les éléments d’un système coordonné.

Cette distinction fait du mot-clé AMD Google plus qu’une comparaison maladroite entre deux noms de puces. Elle décrit un choix stratégique auquel fait face chaque grand acheteur d’infrastructure IA.

Une option consiste à acheter un accélérateur flexible auprès de Nvidia ou d’AMD. L’autre consiste à concevoir du matériel spécialisé autour de charges de travail connues et à conserver davantage de contrôle sur le système obtenu.

La série MI350 d’AMD intègre jusqu’à 288 gigaoctets de mémoire HBM3E et huit téraoctets par seconde de bande passante mémoire. La HBM est une mémoire empilée, placée près de l’accélérateur afin d’accélérer les transferts de données.

L’entreprise positionne les systèmes MI350 pour l’entraînement, l’inférence et le calcul haute performance. Ses spécifications d’accélérateurs mettent aussi en avant la prise en charge de logiciels ouverts et de déploiements sur serveurs standard.

Cette flexibilité compte pour les fournisseurs cloud et les entreprises qui servent de nombreux clients. Ils ne peuvent pas toujours prévoir quels modèles, formats numériques ou cadres de développement domineront la demande future.

Google fait face à un calcul différent parce qu’il contrôle d’importantes charges de travail internes. Search, la publicité, Gemini, YouTube et Google Cloud créent une demande récurrente considérable avec des schémas d’exploitation identifiables.

Un processeur sur mesure devient plus attractif lorsque son propriétaire peut le maintenir fortement sollicité. Un taux d’utilisation élevé répartit les coûts de conception sur un grand volume de calcul.

Le TPU Ironwood de septième génération de Google illustre cette approche. Google affirme qu’Ironwood offre plus de quatre fois les performances par puce de Trillium pour l’entraînement et l’inférence.

Google indique également qu’un pod Ironwood peut connecter 9 216 puces. Chaque processeur contient 192 GiB de mémoire à haute bande passante, tandis qu’un système complet offre 1,77 pétaoctet.

Ironwood utilise XLA, un compilateur qui traduit les opérations des modèles en instructions optimisées pour le matériel de Google. Cette co-conception du matériel et des logiciels peut éliminer des surcoûts qu’une plateforme généraliste doit conserver pour assurer une compatibilité plus large.

La contribution exacte de Broadcom à chaque génération de TPU de Google n’est pas détaillée de façon exhaustive dans les informations publiques. Des rapports associent depuis longtemps les deux entreprises, mais aucune ne publie une répartition complète des responsabilités d’ingénierie.

Cette lacune est importante. Broadcom ne devrait pas recevoir seul le crédit de processeurs que Google décrit comme conçus sur mesure, car Google fournit une architecture, des logiciels et une connaissance des charges de travail déterminants.

La conclusion défendable est plus limitée. Broadcom a bâti une activité qui aide les opérateurs hyperscale à transformer leurs plans d’accélérateurs sur mesure en déploiements à grande échelle.

Cette position place Broadcom entre l’acheteur et la fonderie. L’entreprise n’a pas besoin de posséder le modèle, le service cloud ou la plateforme pour développeurs de son client.

Elle peut aussi soutenir plusieurs feuilles de route sur mesure sans présenter un accélérateur public unique comme la réponse à toutes les charges de travail. Ce portefeuille répartit son exposition entre différents laboratoires d’IA.

AMD doit convaincre les clients que sa plateforme commune offre des performances, une disponibilité et une maturité logicielle suffisantes. Google doit démontrer que sa pile intégrée justifie les limites d’une architecture plus spécialisée.

Broadcom capte la demande créée par le second argument. Lorsqu’un hyperscaler décide que la différenciation exige du silicium qu’il possède, Broadcom devient un partenaire d’ingénierie potentiel.

C’est pourquoi la fracture entre AMD et Google crée une ouverture plus large que ne le suggère un simple benchmark de GPU. La véritable compétition porte sur celui qui contrôle l’architecture et celui qui tire des revenus de sa construction.

Le silicium sur mesure modifie la compétition avec Nvidia

Broadcom n’a pas besoin de battre directement la plateforme GPU de Nvidia, car le silicium sur mesure s’attaque à l’économie des charges de travail répétitives et prévisibles.

La position de Nvidia reste redoutable. Ses revenus de centres de données pour l’exercice 2026 ont atteint 193,7 milliards de dollars, soit une hausse de 68 % par rapport à l’année précédente.

Les seuls revenus des centres de données du quatrième trimestre ont atteint 62,3 milliards de dollars. Ces résultats financiers montrent pourquoi déclarer Nvidia évincé reviendrait à ignorer l’ampleur du marché.

Nvidia fournit plus qu’un processeur. Les logiciels CUDA, les bibliothèques optimisées, les réseaux, les systèmes de référence et la large disponibilité dans le cloud réduisent les frictions de déploiement pour les développeurs.

Cette étendue rend Nvidia précieux lorsque les charges de travail évoluent rapidement. Un groupe de recherche qui explore une nouvelle architecture préfère généralement un matériel adaptable et des outils de développement familiers.

Le silicium sur mesure devient plus convaincant après la stabilisation d’une charge de travail. Un opérateur peut supprimer les fonctions qu’il utilise rarement et consacrer davantage de surface de puce aux calculs fréquents.

L’inférence constitue un cas particulièrement pertinent. L’inférence est le processus qui consiste à exécuter un modèle entraîné afin de générer des prédictions, des réponses, des images ou d’autres résultats.

Un service très utilisé peut exécuter des opérations similaires des milliards de fois. Même une amélioration modeste de l’efficacité peut influencer les besoins des centres de données en énergie, refroidissement et capacité.

C’est là que s’ouvre l’opportunité de Broadcom. Sa plateforme d’accélérateurs sur mesure permet à un client d’optimiser la structure du modèle, le mouvement des données en mémoire, la précision numérique et le comportement du réseau.

Les réseaux sont tout aussi importants, car des processeurs plus rapides peuvent toujours attendre les données. Les performances utiles d’un cluster dépendent de l’efficacité avec laquelle les puces partagent les paramètres du modèle et les résultats intermédiaires.

Nvidia répond à cet enjeu avec ses produits NVLink, InfiniBand et Ethernet. Broadcom concurrence principalement via Ethernet, une norme établie qui permet aux opérateurs d’assembler une infrastructure issue de plusieurs fournisseurs.

Le débat ne se résume pas à opposer des réseaux propriétaires à des réseaux ouverts. Les acheteurs comparent la latence, la gestion de la congestion, l’intégration logicielle, la disponibilité des composants, la familiarité opérationnelle et le contrôle.

Broadcom bénéficie lorsque les clients privilégient Ethernet et souhaitent éviter de dépendre d’un fournisseur unique et complet. Nvidia bénéficie lorsque les performances d’une plateforme intégrée l’emportent sur cette préoccupation.

C’est le renversement central de cet article. Broadcom peut gagner des parts dans les dépenses IA sans convaincre le marché plus large des développeurs d’abandonner Nvidia.

Ses clients prennent cette décision en interne. Ils déploient des accélérateurs sur mesure pour certaines charges de travail tout en continuant d’acheter des GPU Nvidia pour la recherche, les services cloud externes ou les tâches moins prévisibles.

Google suit cette approche mixte. L’entreprise propose des TPU tout en fournissant également des instances GPU Nvidia via Google Cloud.

Meta en offre un autre exemple. Broadcom a annoncé un partenariat élargi prenant en charge les puces Meta Training and Inference Accelerator jusqu’en 2029.

Les entreprises ont déclaré que le programme comprend un accélérateur gravé en deux nanomètres et plusieurs générations de silicium. Elles ont également évoqué des déploiements mesurés en plusieurs gigawatts.

Leur partenariat MTIA associe le calcul sur mesure à la technologie Ethernet de Broadcom. Toutefois, les plans de déploiement restent prospectifs tant que les clients n’ont pas installé et utilisé la capacité promise.

Ce modèle mixte exerce une pression sur les deux principaux fournisseurs de GPU. Nvidia fait face à des clients qui souhaitent davantage de maîtrise des coûts, de l’approvisionnement et de l’architecture.

AMD fait face à un défi plus subtil. L’entreprise peut séduire des clients recherchant un second fournisseur d’accélérateurs, mais certains de ces acheteurs pourraient à terme transférer leurs plus grandes charges de travail vers des puces internes.

Pour AMD, Google illustre à la fois l’opportunité et la menace. Google Cloud peut proposer des accélérateurs AMD, mais le propre programme TPU de Google réduit son besoin de dépendre exclusivement de GPU externes.

Pour Broadcom, chacune de ces transitions peut générer de la demande. Un opérateur cloud à la recherche d’alternatives peut commencer avec AMD, puis ajouter des processeurs personnalisés lorsque les charges de travail atteignent une échelle suffisante.

Cela ne signifie pas que chaque entreprise d’IA devrait concevoir une puce. Le silicium sur mesure exige des équipes expérimentées, des charges de travail stables, des volumes de déploiement importants et de longs cycles de planification.

La plupart des entreprises ne réunissent pas ces conditions. Elles continueront à louer de la capacité ou à acheter des systèmes reposant sur des accélérateurs commercialisés sur le marché.

Les clients adressables de Broadcom sont donc concentrés au sommet du marché. Cette limite peut néanmoins soutenir une activité importante, car ces entreprises disposent de budgets d’infrastructure considérables.

La position gagnante ne consiste pas à posséder chaque accélérateur. Elle consiste à participer aux dépenses de clients déterminés à posséder une plus grande part de leur pile informatique.

Ce que la thèse Broadcom ne prouve toujours pas

Une croissance rapide du chiffre d’affaires confirme la demande, mais elle n’établit pas que Broadcom a acquis un avantage durable sur Nvidia ou AMD.

La première incertitude concerne la concentration des clients. Les programmes de puces sur mesure de Broadcom impliquent un petit groupe d’entreprises disposant d’un pouvoir d’achat immense.

Ces acheteurs peuvent négocier agressivement, retarder des déploiements ou réaffecter des ressources d’ingénierie. La perte d’une feuille de route pourrait avoir un effet disproportionné sur la croissance future.

Le deuxième enjeu est le risque de développement. Un accélérateur sur mesure commence son développement des années avant son déploiement, alors que les architectures de modèles et les besoins en mémoire restent incertains.

Un changement inattendu dans les techniques d’IA peut rendre un matériel spécialisé mal adapté à la charge de travail la plus récente. Les GPU généralistes offrent une assurance contre cette possibilité.

Le troisième enjeu est le logiciel. Google peut soutenir le développement des TPU grâce à JAX, aux intégrations PyTorch, à XLA et à ses ressources d’ingénierie internes.

Les opérateurs plus petits ne peuvent pas facilement reproduire cet effort. Un processeur aux spécifications attrayantes échoue néanmoins si les développeurs peinent à y migrer leurs modèles.

Google a travaillé à réduire cette barrière. Sa pile Ironwood prend en charge l’optimisation des compilateurs et les noyaux personnalisés dans un système coordonné.

Toutefois, les revendications de performance publiées par Google reflètent son propre environnement matériel et logiciel. Les comparaisons indépendantes sur des charges de production variées restent limitées.

Le choix entre AMD et Google ne porte donc pas seulement sur la puissance de calcul de pointe. Il comprend la portabilité, le temps de développement, le taux d’utilisation, la disponibilité dans le cloud et le coût de maintenance du logiciel.

AMD peut répondre en améliorant la compatibilité ROCm et en proposant des accélérateurs dotés d’une capacité mémoire importante. Nvidia peut réduire les coûts d’inférence tout en élargissant ses systèmes intégrés.

Les deux entreprises vendent également des technologies réseau ou collaborent avec des fournisseurs de systèmes. Broadcom ne peut pas supposer que sa position dans Ethernet et ses contrats de conception sur mesure resteront incontestés.

L’approvisionnement présente un autre risque. Broadcom dépend de fabricants externes et de fournisseurs de packaging avancé pour transformer ses conceptions en processeurs finis.

Les accélérateurs sur mesure se disputent la même capacité de fabrication de pointe que les autres puces d’IA. Les contraintes de packaging peuvent retarder les revenus même lorsque la demande client reste forte.

La disponibilité électrique est devenue tout aussi importante. Un déploiement à l’échelle du gigawatt nécessite de l’électricité, du terrain, du refroidissement, des transformateurs, du réseau et des capacités de construction.

Une puce achevée ne peut pas générer de revenus à partir d’un centre de données inachevé. Les calendriers d’infrastructure peuvent donc dominer les calendriers des semi-conducteurs.

L’initiative de financement de Broadcom de juin 2026 illustre à la fois l’opportunité et la contrainte. L’entreprise a rejoint Apollo et Blackstone dans une plateforme conçue pour permettre plus de 20 gigawatts de déploiements d’IA d’ici 2028.

L’initiative a commencé par une transaction initiale soutenant plus d’un gigawatt de capacité associée à Anthropic. Broadcom a déclaré que ses XPU et ses solutions réseau desserviraient des déploiements pour des laboratoires d’IA de pointe.

Cette plateforme de capacité étend le rôle de Broadcom au-delà de la fourniture de composants. Elle révèle également l’ampleur du capital et de la coordination requis par les clusters d’IA modernes.

La capacité annoncée n’équivaut pas à une infrastructure installée et productive. Le financement, les autorisations, la construction, les raccordements au réseau et la demande des clients doivent s’aligner.

Une autre incertitude concerne la transparence. Broadcom évoque de manière sélective ses clients d’accélérateurs sur mesure, et la confidentialité limite la visibilité sur les conditions contractuelles ou l’économie des programmes.

Les investisseurs peuvent observer les revenus agrégés des semi-conducteurs d’IA. Ils ne peuvent pas toujours distinguer les accélérateurs de calcul des réseaux, ni identifier la contribution de chaque client.

Cela rend les prévisions simples peu fiables. Un trimestre solide peut refléter un changement de plateforme durable, une concentration temporaire des livraisons, ou les deux.

La formulation du « gagnant ultime » néglige également l’expansion du marché. Nvidia, AMD, Broadcom, les opérateurs cloud, les fournisseurs de mémoire et les fonderies peuvent tous croître lorsque les dépenses totales en IA augmentent.

La victoire ne devient significative qu’après avoir défini le concours. Nvidia domine la vaste plateforme d’accélérateurs, tandis que Broadcom progresse dans le silicium sur mesure et l’infrastructure Ethernet.

AMD reste plus petit dans l’accélération des centres de données, mais fournit une alternative stratégiquement importante. Google est à la fois un acheteur cloud et un concepteur de puces internes.

Ces positions se chevauchent sans être identiques. La force de Broadcom vient de son service à des clients dont les incitations diffèrent de celles des acheteurs conventionnels de semi-conducteurs.

La thèse s’affaiblit si les puces sur mesure manquent à plusieurs reprises leurs échéances, n’améliorent pas l’efficacité utile ou restent confinées à des expérimentations internes. Elle s’affaiblit également si l’économie de la plateforme Nvidia efface l’intérêt de la spécialisation.

Elle se renforce lorsque les clients déploient des générations successives de puces. Les programmes répétés montrent que le silicium sur mesure a survécu aux tests opérationnels et obtenu un investissement continu.

L’accord de Broadcom avec Meta s’étend jusqu’en 2029, mais les générations promises doivent encore devenir des systèmes fonctionnels. La croissance des revenus restera la preuve publique la plus claire de cette conversion.

Trois signaux décideront de la course aux puces d’IA entre AMD et Google

La prochaine étape dépendra de preuves de déploiement, d’engagements répétés des clients et de la capacité des fournisseurs de GPU commercialisés sur le marché à réduire l’avantage économique des puces sur mesure.

Le premier signal est le chiffre d’affaires déclaré de Broadcom dans les semi-conducteurs d’IA. La direction prévoyait 16 milliards de dollars pour son troisième trimestre fiscal de 2026.

Atteindre cette prévision étayerait l’idée que la demande passe de contrats de conception isolés à des volumes de production plus importants. Ne pas l’atteindre soulèverait des questions sur le calendrier des livraisons et la concentration des clients.

La composition compte autant que le total. Les investisseurs devraient rechercher des éléments indiquant que les accélérateurs sur mesure et les réseaux contribuent tous deux chez plusieurs clients.

Un trimestre ne peut pas établir la durabilité. Des hausses successives liées à plusieurs déploiements offriraient une indication plus forte d’une large transformation de l’infrastructure.

Le deuxième signal est l’adoption réelle de Google Ironwood et de Meta MTIA. Google a rendu Ironwood généralement disponible après l’avoir positionné pour l’entraînement comme pour l’inférence à grand volume.

Google affirme qu’Ironwood offre dix fois les performances de pointe du TPU v5p et plus de quatre fois les performances par puce de Trillium. L’entreprise revendique également près de trente fois l’efficacité énergétique de son premier TPU cloud.

Il s’agit de mesures du fournisseur, pas de résultats universels. Les preuves les plus solides viendront de la disponibilité pour les clients, d’une utilisation soutenue, du support logiciel et de déploiements répétés.

Google indique déjà que Gemini, Veo, Imagen et Claude d’Anthropic utilisent des TPU pour l’entraînement ou le service. Une utilisation plus large par les clients montrerait que le matériel sur mesure peut s’étendre au-delà des applications internes d’un seul propriétaire.

Le programme MTIA de Meta en deux nanomètres offre un test distinct. Livrer plusieurs générations jusqu’en 2029 validerait la capacité de Broadcom à accompagner un autre client à grande échelle.

Des retards exposeraient les longs cycles de développement qui sous-tendent le silicium sur mesure. Ils pourraient également renvoyer les charges de travail vers les plateformes Nvidia ou AMD.

Le troisième signal est la réponse des fournisseurs de GPU commercialisés sur le marché. La plateforme Rubin de Nvidia vise à réduire les coûts d’inférence tout en conservant son vaste environnement logiciel.

AMD promeut les accélérateurs MI350, dotés d’une grande capacité mémoire et d’une pile ROCm de plus en plus mature. Une meilleure portabilité logicielle réduirait le coût de choisir AMD plutôt que Nvidia.

Si Nvidia et AMD réduisent les coûts d’exploitation totaux plus rapidement que les programmes sur mesure ne progressent, la spécialisation devient moins convaincante. Les clients peuvent préférer un matériel adaptable livré selon un calendrier prévisible.

Si les puces sur mesure apportent des gains d’efficacité répétés sur des charges de travail stables, la position de Broadcom se renforce. Les hyperscalers auraient une raison plus claire de financer davantage de conceptions internes.

Le résultat le plus probable reste une infrastructure hétérogène. Les équipes de recherche utiliseront des accélérateurs flexibles, tandis que les grands services de production envisageront de plus en plus du matériel optimisé pour des tâches récurrentes.

Cet environnement favorise les fournisseurs capables de participer à plusieurs architectures. Les capacités de Broadcom en calcul, commutation, connectivité et conception répondent à cette exigence.

Il empêche également toute conclusion simple selon laquelle le vainqueur rafle tout. Nvidia peut rester la plus grande plateforme tandis que Broadcom capte une part croissante de l’infrastructure sur mesure.

AMD peut gagner des parts dans les accélérateurs commercialisés sur le marché, même si Google développe les TPU. Google peut proposer les trois options via son cloud tout en privilégiant ses propres puces en interne.

Le débat sur le matériel d’IA entre AMD et Google concerne en définitive le contrôle. Les acheteurs doivent décider si la maîtrise des charges de travail justifie le coût et la complexité de posséder davantage de silicium.

Broadcom s’est positionné comme l’entreprise qui aide à répondre oui. Ses revenus suggèrent que plusieurs grands clients sont déjà parvenus à cette conclusion.

Les un à trois prochains mois devraient clarifier si ces engagements s’accélèrent. Surveillez les revenus IA de Broadcom, la disponibilité en production des puces sur mesure et l’économie de l’inférence chez les fournisseurs de GPU.

Pour les développeurs et les acheteurs en entreprise, la question n’est pas de savoir quel logo remporte chaque benchmark. Demandez-vous où vos charges de travail ont besoin de flexibilité, où elles se répètent et qui contrôle la pile logicielle.

Cette décision déterminera si le prochain déploiement reposera sur du matériel Nvidia ou AMD, des TPU de Google ou un autre accélérateur sur mesure. Elle déterminera également quelle part de l’infrastructure qui en résultera passera par Broadcom.