Le 21 juillet 2026 (heure de Pékin), Alphabet a clôturé à 351,37 $, en hausse de 1,52 % sur la journée. Ce même jour, NVIDIA a terminé à 203,28 $, soit une progression de 0,23 %.
À l’origine de cet écart de performance, un article du média technologique The Information : Google développe une nouvelle puce serveur, nom de code interne Frozen v2, dont l’objectif est d’intégrer de façon permanente une partie de l’architecture du grand modèle Gemini directement dans le silicium. Cette approche permettrait d’obtenir des performances de traitement des jetons 6 à 10 fois supérieures par unité d’énergie par rapport à l’actuelle TPU. Le jour de l’annonce, l’action Alphabet a bondi de près de 3,7 % en séance.
Une puce prévue pour un déploiement dans deux ans a suffi à convaincre le marché d’adhérer à cette vision. Cette dynamique va bien au-delà du lancement d’une nouvelle puce d’IA : elle annonce une possible redéfinition des règles de la concurrence sur les infrastructures d’intelligence artificielle.
Pourquoi les géants du cloud computing passent-ils du rôle d’acheteurs à celui de concepteurs de puces ?
Au cours de la dernière décennie, la structure du marché des infrastructures d’IA s’est articulée autour d’un axe principal : les GPU de NVIDIA, l’écosystème logiciel CUDA et des centres de données en expansion continue. Ce modèle s’est révélé efficace : des puces de calcul généralistes s’adaptent à une grande diversité de charges de travail en IA, tandis que les économies d’échelle permettent de réduire les coûts et d’améliorer les performances.
Mais ce paysage évolue. Les principaux fournisseurs de cloud se tournent désormais collectivement vers la conception de leurs propres puces :
| Entreprise | Puce propriétaire | Avancement |
|---|---|---|
| TPU (Tensor Processing Unit) | Septième génération Ironwood, déploiement en 2026 | |
| Amazon | Trainium / Inferentia | Chiffre d’affaires annualisé supérieur à 20 milliards $ début 2026 |
| Microsoft | Maia 200 | Lancée en janvier 2026, gravure en 3 nm |
| Meta | MTIA (Iris) | Production de masse prévue pour septembre 2026 |
Plusieurs facteurs expliquent cette tendance. Le premier est le coût. Les TPU développées en interne par Google permettent de réduire les coûts de calcul en IA jusqu’à 30 %. L’activité de puces propriétaires d’AWS a dépassé les 20 milliards $ de chiffre d’affaires annualisé début 2026. À mesure que l’inférence en IA passe de « est-ce possible ? » à « est-ce rentable ? », le coût par jeton devient la variable centrale de la concurrence.
Le deuxième facteur est la sécurité d’approvisionnement. Les pénuries de puissance de calcul sont devenues un enjeu critique chez Google. Selon les rapports, l’insuffisance de ressources de calcul renforce la concurrence interne et contraint Google Cloud à refuser certains partenariats externes. En juin 2026, Google a accepté de verser près d’un milliard de dollars par mois à SpaceX pour combler ses besoins en calcul. Au premier trimestre 2026, les dépenses d’investissement d’Alphabet ont atteint 35,7 milliards $, avec une prévision annuelle relevée à 180–190 milliards $ — soit le double des 91,4 milliards $ dépensés en 2025. Sur la même période, le chiffre d’affaires de Google Cloud a atteint 20 milliards $, en hausse de 63 % sur un an, et l’arriéré de contrats est passé de 240 milliards $ au trimestre précédent à 462 milliards $. La direction a précisé lors de la conférence de résultats que la demande en IA était sans précédent et que l’entreprise restait limitée par ses capacités de calcul.
Lorsque la croissance de la demande dépasse systématiquement l’augmentation de l’offre, le développement de puces propriétaires passe du statut d’« optionnel » à celui d’« indispensable ».
La logique de « congélation » de Frozen v2 : pourquoi intégrer l’architecture du modèle dans le silicium décuple l’efficacité
Pour comprendre la valeur de Frozen v2, il faut d’abord saisir le fonctionnement des puces d’IA traditionnelles.
Dans les architectures conventionnelles, les modèles d’IA sont stockés en mémoire. Les puces lisent les poids et les paramètres d’architecture en mémoire, réalisent les calculs dans les unités de traitement, puis écrivent les résultats en mémoire. À chaque jeton généré, ce cycle complet se répète. Une grande partie de l’énergie est consommée pour déplacer les données, tandis que le calcul proprement dit ne représente qu’une fraction de la dépense.
Frozen v2 adopte une approche différente : l’architecture du réseau neuronal Gemini — structure hiérarchique, mécanismes d’attention multi-têtes, connexions résiduelles et autres éléments clés — est directement gravée dans les circuits physiques lors de la conception de la puce. Ce qui nécessitait auparavant de multiples lectures et calculs devient une partie intégrante du circuit.
Ce concept est connu dans l’industrie des semi-conducteurs sous le nom d’ASIC (Application-Specific Integrated Circuit). Les mineurs de Bitcoin sont des ASIC, tout comme les processeurs de signal d’image (ISP) des smartphones : ils sacrifient la polyvalence pour une efficacité extrême sur une tâche donnée. Mais jusqu’à présent, personne n’avait osé concevoir un ASIC pour des grands modèles, car les cycles d’évolution des modèles sont rapides, ceux de conception de puces sont longs, et une fois la puce fabriquée, le modèle peut déjà être dépassé.
Le pari de Frozen v2 est que l’architecture sous-jacente de Gemini s’est suffisamment stabilisée pour justifier son inscription dans le silicium. Depuis la sortie de Gemini 1.0 en décembre 2023 jusqu’à 3.5 Flash, les composants fondamentaux de l’architecture Transformer — attention multi-têtes, réseaux feed-forward, normalisation de couche — n’ont pas connu de changements majeurs. Les innovations réelles ont porté sur l’échelle des modèles, les données d’entraînement et l’optimisation post-entraînement, non sur l’infrastructure.
Frozen v2 fige l’architecture, mais les poids restent modifiables. Le plan initial de Frozen v1 visait à graver à la fois l’architecture et les poids, mais Google a finalement abandonné cette approche, car la puce ne pouvait exécuter qu’une seule version de Gemini, devenant obsolète à chaque évolution du modèle. Le compromis de Frozen v2 est donc de « figer le squelette, pas la chair ».
D’un point de vue pipeline de données, les gains d’efficacité de Frozen v2 se décomposent ainsi :
Architecture du modèle gravée dans le silicium → moins de décodage d’instructions et de lectures de paramètres → réduction des transferts de données entre la puce et la mémoire → consommation énergétique moindre par jeton → traitement 6 à 10 fois plus de jetons par unité d’énergie
Le rapport précise que les puces Frozen deviendront une branche spécialisée au sein du portefeuille de puces propriétaires de Google, sans remplacer les TPU généralistes. Google considère actuellement Frozen v2 comme un projet expérimental, sans projet de production de masse à l’échelle des TPU. Le déploiement est prévu pour 2028.
De la « course au nombre de GPU » à la « compétition sur le coût par jeton »
L’enjeu de Frozen v2 n’est pas tant son potentiel de production de masse que le basculement de logique concurrentielle qu’il incarne.
Historiquement, le principal indicateur de la compétition sur les puces d’IA était « qui possède le plus de GPU ». NVIDIA a acquis une avance difficilement rattrapable : début 2026, l’entreprise détenait environ 86 % du marché des accélérateurs IA et des puces pour centres de données. TrendForce estime sa part de marché mondiale à environ 64 % en 2026. Au premier trimestre 2026 (Q1 2027 fiscal pour NVIDIA), le chiffre d’affaires data center de NVIDIA a atteint 75,25 milliards $, en hausse de 92 % sur un an.
Mais Frozen v2 ouvre une nouvelle dimension concurrentielle : « qui peut fournir le plus de puissance IA au coût unitaire le plus bas ». À mesure que les usages de l’IA basculent de l’entraînement vers l’inférence à grande échelle, le coût de l’électricité, des puces et de l’exploitation des centres de données par jeton devient déterminant pour la viabilité des modèles économiques.
Google dispose ici d’un avantage structurel : les TPU inactives peuvent être absorbées en interne — intégrées directement aux opérations cloud de Google — alors que NVIDIA ne dispose pas d’une activité cloud à l’échelle comparable pour valoriser son matériel excédentaire. Cela offre à Google plus de flexibilité dans la planification des capacités et la gestion des risques liés à ses puces propriétaires.
En outre, Google élargit l’écosystème TPU vers des marchés externes. Des rapports indiquent que Google a entamé des discussions avec plusieurs fournisseurs de cloud GPU professionnels dits « Neo-cloud », afin de les inciter à proposer des options TPU dans leurs offres. Anthropic, Apple et Meta sont devenus clients externes des TPU. La coentreprise de Google avec Blackstone construit une capacité de calcul TPU de 500 mégawatts. Si davantage d’acteurs technologiques migrent leurs charges de travail vers les TPU ou puces propriétaires de Google, cela pourrait non seulement éroder la part de marché de NVIDIA, mais aussi réduire sa capacité à imposer ses prix.
Cependant, ce processus se heurte à des contraintes concrètes. TSMC reste le passage obligé pour tous les concepteurs de puces ; Google dépend de Broadcom pour sécuriser ses capacités de production. Les allocations pour 2027 sont en cours de finalisation, et la part de Google reflétera directement la position de TSMC sur l’activité TPU. Par ailleurs, Google demeure l’un des plus gros clients de NVIDIA, achetant chaque année des dizaines de milliers de GPU pour entraîner ses plus grands modèles. Cette dynamique de « concurrent et principal client » complexifie encore davantage le paysage concurrentiel.
Les coûts et limites de la spécialisation
La voie technique de Frozen v2 n’est pas sans compromis. Le rapport est explicite : la puce n’est compatible avec les futurs modèles Gemini que si Google conserve la même architecture sous-jacente. Si la structure fondamentale du modèle évolue, la partie gravée dans le silicium pourrait devenir obsolète.
Parallèlement, l’activité IA de Google fait face à des défis plus immédiats. Selon plusieurs sources, la sortie de la prochaine génération de Gemini Pro a été retardée et plusieurs chercheurs seniors en IA sont partis chez des concurrents. Les modèles d’IA chinois représentent désormais 45 % de l’utilisation de jetons par les entreprises américaines. Si les puces spécialisées restent sur la feuille de route pour 2028, les priorités à court terme de Google sont la stabilisation du rythme d’itération des modèles et la rétention des talents.
De plus, Alphabet vient de boucler un financement en actions de 84,75 milliards $ — l’une des plus importantes émissions secondaires de l’histoire des États-Unis — principalement destiné à la construction de centres de données, au déploiement des TPU Ironwood de septième génération et à la poursuite des achats de GPU NVIDIA. Frozen v2 n’arrivera pas avant 2028 ; ces fonds sont investis dès maintenant.
Conclusion
L’action Alphabet a progressé de 1,52 % à l’annonce de Frozen v2, tandis que NVIDIA n’a gagné que 0,23 %. Cet écart reflète sans doute la différence de valorisation par le marché de deux approches concurrentes : l’une fondée sur la barrière d’échelle des puces de calcul généralistes, l’autre sur la révolution de l’efficacité des puces spécialisées.
Frozen v2 reste un projet expérimental, et son calendrier de déploiement en 2028 signifie qu’il ne remettra pas en cause la position de marché de NVIDIA à court terme. Cependant, la tendance qu’il incarne — passer de « qui possède le plus de GPU » à « qui fournit le plus de puissance IA au meilleur coût » — s’impose progressivement comme une dynamique structurelle dans l’industrie.
Le marché des puces d’IA devrait passer d’environ 61,8 milliards $ en 2025 à près de 84,2 milliards $ en 2026. Dans ce marché en forte croissance, l’équilibre entre spécialisation et généralisation façonnera la structure des coûts et la dynamique concurrentielle de l’infrastructure IA pour la prochaine décennie. Que Frozen v2 réussisse ou non, l’état d’esprit qu’il symbolise — concevoir des puces pour les modèles, plutôt que d’adapter les modèles aux puces — transforme déjà la manière dont l’industrie aborde la question de la puissance de calcul en IA.
FAQ
Q : De combien la puce Frozen v2 de Google améliore-t-elle les performances par rapport aux TPU actuelles ?
Les ingénieurs de Google estiment que Frozen v2 peut offrir des performances de traitement des jetons 6 à 10 fois supérieures par unité d’énergie par rapport aux dernières TPU de l’entreprise. Ce gain provient principalement de l’intégration de l’architecture du modèle Gemini dans la puce, ce qui réduit la consommation liée aux transferts de données et aux calculs redondants.
Q : Frozen v2 va-t-elle remplacer les GPU de NVIDIA ?
Pas à court terme. Frozen v2 est une puce spécialisée conçue pour le modèle Gemini ; elle ne remplacera pas les TPU généralistes, et encore moins les GPU de NVIDIA. Google continue d’acheter chaque année des dizaines de milliers de GPU NVIDIA pour entraîner ses plus grands modèles.
Q : Quand Frozen v2 sera-t-elle officiellement déployée ?
Selon les rapports, Google vise un déploiement en 2028. Le projet est actuellement considéré comme expérimental, sans plan de production de masse à l’échelle des TPU.
Q : Pourquoi Alphabet développe-t-il ses propres puces d’IA ?
Trois raisons principales : réduire la dépendance à NVIDIA, maîtriser la hausse des coûts de calcul et pallier de sévères pénuries internes de puissance de calcul. Au premier trimestre 2026, le chiffre d’affaires de Google Cloud a atteint 20 milliards $, en hausse de 63 % sur un an, mais les contraintes de calcul ont limité la croissance supplémentaire.
Q : Quels sont les risques de l’approche technique de Frozen v2 ?
Le principal risque est le coût de l’inflexibilité. La puce n’est compatible qu’avec les versions ultérieures de Gemini qui conservent la même architecture sous-jacente. Si la base du modèle évolue, la conception gravée dans le silicium pourrait devenir obsolète. En outre, les cycles de conception de puces sont plus longs que ceux d’itération des modèles, raison pour laquelle personne n’avait, jusqu’ici, osé développer des ASIC pour de grands modèles.
