CUDA (Compute Unified Device Architecture)

Terme Avancé 🔤 Acronymes et sigles

Mis à jour le 7 juin 2026

CUDA est la plateforme de NVIDIA qui permet d'utiliser un GPU pour du calcul parallèle général, socle de l'accélération de l'apprentissage profond.

📖 Définition

CUDA (Compute Unified Device Architecture) est la plateforme de calcul parallèle et le modèle de programmation créés par NVIDIA en 2007, qui permettent d'utiliser un processeur graphique (GPU) pour des calculs généraux, et non plus seulement pour l'affichage d'images. Un GPU contient des milliers de petits cœurs capables d'exécuter la même opération sur de nombreuses données en parallèle ; CUDA donne aux développeurs les outils (extensions des langages C/C++, bibliothèques comme cuDNN, compilateur) pour répartir un calcul sur ces cœurs. C'est cette capacité de calcul massivement parallèle qui a rendu possible l'essor de l'apprentissage profond : entraîner un réseau de neurones revient à effectuer d'énormes quantités de multiplications de matrices, une tâche idéale pour un GPU. La quasi-totalité des bibliothèques d'IA modernes (PyTorch, TensorFlow) s'appuient sur CUDA pour accélérer l'entraînement et l'inférence sur les cartes NVIDIA. CUDA est aujourd'hui un quasi-standard de fait : sa domination explique en partie la position centrale de NVIDIA dans l'écosystème de l'IA, et l'existence d'alternatives (ROCm d'AMD, OpenCL) qui peinent à rivaliser avec son écosystème logiciel.

💬 En termes simples

Un processeur classique (CPU), c'est quelques ouvriers très polyvalents ; un GPU avec CUDA, c'est une armée de milliers d'ouvriers spécialisés qui font tous le même geste simple en même temps — parfait quand il y a une montagne de petits calculs identiques à abattre.

🎯 Exemple concret

Pour entraîner un réseau de neurones, on multiplie d'immenses matrices des millions de fois. Avec CUDA, ces multiplications sont réparties sur les milliers de cœurs d'un GPU NVIDIA, réduisant un entraînement de plusieurs semaines sur CPU à quelques heures.

💡 Le saviez-vous ?

CUDA explique en grande partie pourquoi NVIDIA domine l'IA : ce n'est pas seulement le matériel, mais l'écosystème logiciel bâti depuis 2007 qui crée un « verrouillage » difficile à concurrencer pour AMD ou Intel.

❓ Questions fréquentes

Pourquoi CUDA est-il si important pour l'IA ?

Parce que l'entraînement des réseaux de neurones repose sur d'énormes calculs matriciels parallélisables ; CUDA permet de les exécuter sur les milliers de cœurs d'un GPU, accélérant l'entraînement d'un facteur considérable.

CUDA fonctionne-t-il sur d'autres cartes que NVIDIA ?

Non : CUDA est propriétaire et réservé aux GPU NVIDIA. Des alternatives ouvertes ou concurrentes (OpenCL, ROCm d'AMD) existent, mais n'offrent pas le même écosystème logiciel mature.

Accueil

Outils

Annuaire

Apprendre