SECTIONS
EDITIONS
NETWORK
AIXX Pedia L'encyclopédie du calcul intensif

AIXX Pedia › Fiches logicielles › CUDA

Image officielle de baie data center NVIDIA (image fabricant)
Cartographie des usages GPU NVIDIA · AIXX Pedia (site officiel NVIDIA)

CUDA

Plateforme de calcul parallèle NVIDIA · depuis 2006 · Fiche logicielle

Vue d'ensemble OVERVIEW

CUDA est le Plateforme de calcul parallèle et modèle de programmation : lancée en novembre 2006 aux côtés de la GeForce 8800 (G80, architecture unifiée) — elle transforme le GPU d'un « processeur graphique » en « processeur de calcul parallèle généraliste », permettant aux développeurs d'écrire directement des programmes GPU dans un langage proche du C (selon la page officielle NVIDIA CUDA[1]). Aujourd'hui, c'est le standard de facto du monde de l'IA : sous PyTorch, TensorFlow et vLLM, le backend GPU de presque tous les frameworks d'IA majeurs repose sur CUDA.

CUDA n'est pas qu'un simple « pilote » — c'est une pile logicielle à trois niveaux : en bas, le pilote et le jeu d'instructions matériel (déterminé par la version de « capacité de calcul » de la carte) ; au milieu, le CUDA Toolkit (compilateur nvcc, runtime) et la famille de bibliothèques CUDA-X (cuBLAS/cuDNN/NCCL, etc.[2][3]) ; en haut, les frameworks et les applications internes. La « capacité de calcul » (Compute Capability, H100=9.0, Blackwell=10.0 par exemple) dont on parle au moment de choisir une carte est la génération matérielle de l'univers CUDA — c'est le premier paramètre de référence pour la vérification des cartes d'occasion et la compatibilité des frameworks (selon la table officielle[4])。

Pour un acheteur, CUDA signifie deux choses concrètes : le verrouillage écosystème (migrer une ligne de production CUDA vers ROCm/oneAPI a un coût réel, voir « Limites et controverses ») et la compatibilité de versions (version CUDA requise par le framework vs pilote et capacité de calcul de la carte — un contrôle obligatoire à l'achat d'occasion). Cette fiche est une fiche concept logiciel — elle se complète avec chaque fiche modèle.

Cas d'usage FIT

AIXX Index (0–100) : estimation pondérée selon l'adéquation à l'écosystème (méthodologie spécifique aux fiches concepts logiciels).

Backends GPU des frameworks d'IA 96AIXX Index
Le standard de facto des backends GPU de PyTorch/TensorFlow/vLLM — la compatibilité des versions CUDA est le premier critère de sélection d'une carte.
Développement d'opérateurs maison 93AIXX Index
Écriture directe de kernels en CUDA C++ : le dernier kilomètre vers la performance maximale — les opérateurs personnalisés des moteurs d'inférence et les ports HPC passent tous par là.
Accélération du calcul scientifique 87AIXX Index
Les bibliothèques cuBLAS/cuFFT/CUDA-X couvrent de l'algèbre linéaire aux transformées de Fourier — vingt ans de capital de code constituent le véritable fossé défensif de CUDA.
Matériel non NVIDIA 35AIXX Index
Les binaires compilés CUDA ciblent l'architecture NVIDIA — les cartes AMD passent par ROCm/HIP, Intel par oneAPI ; la migration a un coût réel (voir Limites et controverses).

Historique HISTORY

En novembre 2006 , CUDA sort avec la GeForce 8800 (G80) : l'architecture unifiée permet de piloter les stream processors du GPU par des programmes parallèles généralistes — le nom « Compute Unified Device Architecture » est né (selon la page officielle NVIDIA CUDA et l'histoire technique publique[1]) — le GPGPU passe d'astuce académique à plateforme d'ingénierie.

2012-2016 , l'explosion du deep learning : AlexNet remporte la compétition en s'entraînant sur deux GTX 580 (selon l'histoire technique publique), et les GPU CUDA deviennent la norme de calcul du deep learning — cuDNN et les bibliothèques spécialisées mûrissent, la famille CUDA-X prend forme (page officielle cuDNN[2])。

2017-2022 , l'ère datacenter : Volta (capacité de calcul 7.0) introduit les Tensor Core, CUDA passe des cartes grand public au champ de bataille principal des datacenters ; la bibliothèque de communications collectives NCCL devient la pièce standard de l'entraînement multi-GPU (page officielle NCCL[3]). À l'époque des A100 (8.0) et H100 (9.0), le lien entre versions CUDA et écosystème des frameworks se resserre.

2023-2026 , l'ère Blackwell : la capacité de calcul entre dans la génération 10.0 (selon la table officielle[4]), les nouvelles précisions FP4/FP8 sont prises en charge nativement par la pile CUDA ; pendant ce temps, ROCm (AMD) et oneAPI (Intel) rattrapent en tant qu'alternatives — la tension entre domination de l'écosystème CUDA et forces de substitution est la toile de fond des choix de calcul en 2026 (voir « Limites et controverses »).

Table de correspondance des capacités de calcul COMPUTE CAPABILITY

La capacité de calcul (Compute Capability, souvent abrégée CC/sm_XX) est la « génération matérielle » de l'univers CUDA — elle détermine quels jeux d'instructions la carte peut exécuter et comment frameworks et pilotes s'adaptent. Correspondance CC des modèles vendus dans cette base (selon la table officielle NVIDIA[4]):

ModèleArchitectureCapacité de calculFiche dans cette base
Série B300 / GB300 (Blackwell Ultra)Blackwell UltraGénération 10.x (selon la table officielle)B300
Série B200 / GB200 (Blackwell)Blackwell10.0Fiche GB200 NVL72
H100 / H200 / H20(Hopper)Hopper9.0H200
L40S / L40 / L20(Ada)Ada Lovelace8.9L40S
A100 / A800(Ampere)Ampere8.0A100
RTX 6000 Ada / cartes workstation série AAda / Ampere8.9 / 8.6Fiche technique RTX 6000 Ada

Pour la table complète (toutes cartes grand public/professionnelles), voir la page officielle NVIDIA CUDA GPUs[4] ; « selon la table officielle » = ce tableau ne liste que les modèles vendus dans cette base ; la sous-version exacte de Blackwell Ultra attendra la mise à jour officielle, sans spéculation.

Vérification rapide en contexte d'achat d'occasion : à la réception d'une carte d'occasion, lancer d'abord nvidia-smi -q pour lire le pilote et la CUDA Version (plafond CUDA du pilote), puis vérifier la capacité de calcul de la carte — quand l'exigence du framework (ex. version CUDA de la build PyTorch) correspond au CC de la carte, on peut dire que « cette carte peut entrer en production ».

La famille de bibliothèques CUDA-X LIBRARIES

BibliothèqueRôleQui l'utilise
cuBLASAlgèbre linéaire (produits matriciels, etc.) — la base arithmétique du deep learningTous les frameworks d'entraînement/inférence
cuDNNAccélération des primitives deep learning (convolutions/attention, etc., selon la page officielle[2])Base d'opérateurs des frameworks d'entraînement et d'inférence
NCCLCommunications collectives multi-cartes/multi-machines (AllReduce, etc., selon la page officielle[3])Infrastructure de communication de l'entraînement distribué
CUDA-X Data Science / AI, etc.Familles de bibliothèques verticales : traitement de données, recommandation, quantification, etc. (selon la documentation officielle CUDA-X)Pipelines de données et cas verticaux
nvcc / chaîne d'outils NsightCompilateur et profiling (composants du Toolkit, selon la documentation officielle[6])Développement et optimisation d'opérateurs maison

CUDA-X est le nom générique NVIDIA pour la famille de bibliothèques GPU accélérées (documentation officielle) ; les versions des bibliothèques forment une matrice d'appariement avec le CUDA Toolkit — consultez la table de compatibilité avant toute mise à jour (documentation officielle[6])。

Versions et compatibilité COMPATIBILITY

ScénarioRègleImplication pour la vérification
Pilote vs CUDALa version du pilote détermine le plafond CUDA supporté (rétrocompatibilité)Sur une carte d'occasion, la nvidia-smi CUDA Version en haut à droite = plafond du pilote, pas la version du Toolkit installé
Toolkit vs capacité de calculUn Toolkit récent supporte les nouveaux CC ; les binaires compilés avec un ancien Toolkit peuvent nécessiter une recompilation sur carte récenteLa version CUDA de l'image du framework doit correspondre au CC de la carte — un vieux framework sur carte récente (ex. image CUDA 11.x sur Blackwell) exige de vérifier le chemin de compatibilité
Compatibilité ascendanteUn mécanisme de pilote spécifique aux datacenters permet aux cartes récentes d'exécuter d'anciens binaires CUDA (documentation officielle[6])Un avantage de compatibilité des cartes datacenter (Tesla/série datacenter) — suivez la documentation officielle, ne vous fiez pas à votre mémoire

La matrice de compatibilité évolue avec les versions ; référez-vous à la documentation officielle NVIDIA[6] ; ce tableau donne une orientation décisionnelle, pas un manuel opératoire.

CUDA est une plateforme logicielle, sans galerie matérielle ; le schéma de la pile logicielle figure dans la section « Spécifications techniques ». Pour les éléments de marque, se référer aux publications officielles NVIDIA.

Logiciels et écosystème ECOSYSTEM

ÉlémentStatut
AccèsLe CUDA Toolkit est distribué via la page de téléchargement officielle NVIDIA (documentation officielle[5]), pilote et Toolkit s'installent séparément
Support des frameworksPyTorch / TensorFlow / JAX / vLLM / TensorRT, etc., utilisent CUDA comme backend GPU principal
ConteneurisationNVIDIA Container Toolkit — les images des frameworks embarquent le runtime CUDA, l'hôte ne gère que le pilote
ConcurrentsAMD ROCm (écosystème HIP), Intel oneAPI (famille SYCL) — le support des frameworks et la couverture d'opérateurs progressent (voir Limites et controverses)
Capital de codeVingt ans de code CUDA (reproductions d'articles, dépôts open source, opérateurs maison) constituent le cœur du coût de migration

Informations écosystème compilées à partir de sources publiques ; les versions et matrices de support évoluent, se référer aux publications officielles NVIDIA.

Point de vue achat PROCUREMENT VIEW

Trois vérifications liées à CUDA lors de l'achat d'une carte (complémentaires à la vérification matérielle des fiches modèles) :

1
Capacité de calcul vs framework
La version CUDA exigée par le framework/l'image cible doit correspondre au CC de la carte (table ci-dessus) — une « vieille carte pas chère » dont le CC est trop ancien pour faire tourner les frameworks récents, c'est une fausse économie.
2
Test du plafond du pilote
À réception, lancer nvidia-smi -q : vérifier version du pilote et plafond CUDA, modèle de carte et mémoire face à la description du vendeur — les cartes à personnalisation cloud (état de licence vGPU) se démasquent à cette étape.
3
Coûts cachés de migration de pile logicielle
Passer une production CUDA à ROCm/oneAPI se chiffre en hommes-mois (triple coût : versions de frameworks, couverture d'opérateurs, expérience d'optimisation) — comparez « l'écart de prix des cartes » au « coût total de migration » avant de décider.

Les six tests de charge côté matériel figurent dans les fiches modèles (ex. fiches A100/B300) ; cette section ne couvre que l'angle logiciel.

Vérification rapide à la réception QUICK CHECK

Vérification d'une carte d'occasion en quatre étapes du point de vue CUDA (à combiner avec les tests matériels) :

1
Identité et plafonds
nvidia-smi -q : modèle de carte, version du pilote, plafond CUDA Version, VBIOS — à comparer point par point avec la description du vendeur.
2
Confirmation de la capacité de calcul
deviceQuery (CUDA samples) ou dans le framework torch.cuda.get_device_capability() : vérifier le CC contre la table officielle[4]——la fausse carte se révèle sur le CC.
3
Exécution réelle des frameworks
Faire tourner un forward + backward standard sur le framework cible : initialisation OK, entraînement OK, aucune erreur de fallback d'opérateur — une compatibilité sur le papier ne garantit pas un fonctionnement réel.
4
État des licences
Vérification de l'état vGPU/licence des cartes cloud personnalisées : le coût de retrait des verrous de licence à la revente doit être intégré au prix total (selon le retour d'expérience d'inspection de cette base).

Transport et livraison LOGISTICS

1
Checklist logicielle accompagnant la carte
La livraison d'une carte ne se limite pas au matériel : version du driver, état des licences, rapports de tests d'origine (avec captures d'exécution CUDA) sont à vérifier à réception — l'état logiciel représente la moitié de la valeur d'une carte d'occasion.
2
Licences et conformité
La licence logicielle CUDA suit les termes de distribution du SDK NVIDIA (EULA), avec des clauses restrictives sur la transpilation vers des plateformes non NVIDIA (selon les débats publics) — en contexte de conformité d'entreprise, l'avis juridique fait foi ; les propos de cette base ne constituent pas un avis juridique.

Fiches terminologie GLOSSARY

Compute Capability

La génération matérielle dans l'univers CUDA (ex. 8.0/9.0/10.0) : elle détermine le jeu d'instructions et les fonctionnalités de la carte — frameworks et compilateurs génèrent/sélectionnent le code selon le CC. Vérifier le CC contre le tableau officiel est un moyen redoutable d'identifier les fausses cartes (tableau officiel de correspondance[4])。

nvcc

Compilateur du CUDA C++ (composant du CUDA Toolkit) : compile les kernels en binaires GPU ciblant un CC spécifique — le « CC cible de compilation » détermine quelles cartes peuvent exécuter le binaire.

cuDNN / NCCL

Les deux bibliothèques vedettes de CUDA-X : cuDNN accélère les primitives de deep learning (convolutions/attention), NCCL gère les communications collectives multi-GPU — les deux piliers de la « rapidité d'exécution » des frameworks d'entraînement (selon les pages officielles[2][3])。

Tensor Core

L'unité de calcul matriciel introduite depuis Volta : le socle matériel de l'entraînement en précision mixte — chaque nouvelle précision des Tensor Core (FP16→BF16→FP8→FP4) est d'abord prise en charge par la pile CUDA, cas typique du « CUDA qui rattrape le matériel ».

ROCm et oneAPI

Deux voies alternatives : AMD ROCm (la syntaxe HIP est proche de CUDA, la maturité de la chaîne de migration progresse sans cesse), Intel oneAPI (approche SYCL multi-vendeurs) — la couverture des opérateurs et le temps d'optimisation restent l'écart avec CUDA (consensus des évaluations publiques).

Compatibilité ascendante / descendante

Les règles de compatibilité de CUDA : un nouveau driver supporte les anciennes versions de CUDA (rétrocompatibilité, la norme) ; les cartes data center peuvent, via un mécanisme spécifique, exécuter d'anciens binaires CUDA sur de nouvelles cartes (compatibilité forward, selon la doc officielle[6]) — consultez la doc officielle avant tout déploiement inter-versions, ne vous fiez pas à votre intuition.

Limites et controverses LIMITS

  • Le coût réel du verrouillage par l'écosystème : migrer une ligne de production CUDA existante vers ROCm/oneAPI = adaptation des versions de framework + lacunes de couverture des opérateurs + capital d'optimisation à reconstituer, triple cumul à chiffrer en hommes-mois — comparez le « différentiel de prix des cartes » au « coût total de migration » avant de décider (consensus des évaluations publiques).
  • Les zones grises des clauses de licence : la licence du SDK CUDA comporte des clauses restrictives sur la transpilation vers du matériel non NVIDIA, sujet de débats publics persistants (selon les reportages publics) — en contexte de conformité d'entreprise, l'avis juridique fait foi ; les propos de cette base ne constituent pas un avis juridique.
  • La complexité de la matrice de versions : l'alignement des versions sur quatre niveaux (driver/Toolkit/framework/bibliothèques) est la principale source de complexité opérationnelle — la conteneurisation (runtime embarqué dans l'image) est la solution dominante, mais la contrainte de plafond du driver hôte demeure (doc officielle[6])。
  • Le fossé entre vieilles cartes et nouveaux frameworks : les nouvelles versions de frameworks abandonnent progressivement le support des CC trop anciens — « vieille carte à bas prix + nouveau framework » se vérifie, ça ne se présume pas (retour d'expérience d'inspection de cette base).
  • Cette entrée adopte une approche conceptuelle logicielle : les chiffres de performance concrets de CUDA (benchmarks des frameworks) évoluent vite à chaque version ; cette base ne fait pas de comparaison de performance figée — se référer aux publications officielles et aux benchmarks indépendants.

FAQ FAQ

Qu'est-ce que CUDA ? Est-ce la même chose que le driver ?

Non : le driver est le logiciel de bas niveau qui permet au système de reconnaître la carte ; CUDA est une plateforme de calcul parallèle (compilateur du Toolkit + runtime + toute la gamme CUDA-X). Le « CUDA Version » en haut à droite de nvidia-smi indique le plafond CUDA supporté par le driver, pas la version du Toolkit installé — les deux sont souvent confondus.

Pourquoi vérifier le Compute Capability à l'achat d'une carte d'occasion ?

Le Compute Capability (CC) détermine quels jeux d'instructions et fonctionnalités de framework la carte peut exécuter : un CC trop ancien ne fera pas tourner les frameworks récents, un CC incohérent avec le modèle trahit potentiellement une fausse carte — vérifier le CC contre le tableau officiel (ex. A100=8.0/H100=9.0/Blackwell=10.0) est un moyen redoutable d'inspection des cartes d'occasion.

Que faire en cas d'incompatibilité de version CUDA ?

Trois leviers : mettre à jour le driver (pour relever le plafond CUDA), utiliser une image de framework adaptée au CC de la carte (runtime embarqué dans le conteneur), vérifier le mécanisme de compatibilité forward officiel pour les cartes data center. Pour toute combinaison précise, la doc officielle NVIDIA fait foi — n'improvisez pas entre versions de mémoire.

Le ROCm des cartes AMD peut-il remplacer CUDA ?

Selon les cas : pour les modèles courants des frameworks grand public (PyTorch etc.), ROCm fonctionne déjà, et les outils de migration via la syntaxe HIP proche de CUDA gagnent en maturité ; mais la couverture des opérateurs, le temps d'optimisation et vingt ans d'actifs de code creusent encore l'écart avec CUDA — une nouvelle ligne de production peut l'évaluer, migrer une ligne CUDA existante se chiffre en hommes-mois.

Qu'y a-t-il à savoir sur la licence de CUDA ?

Le SDK CUDA est concédé selon les termes de distribution NVIDIA, qui comportent des clauses restrictives sur la transpilation vers du matériel non NVIDIA (selon les débats publics) — l'usage classique « CUDA sur carte NVIDIA » n'est pas concerné ; pour toute question de conformité liée à la transpilation interplateforme, l'avis juridique fait foi, et les propos de cette base ne constituent pas un avis juridique.

H200A100B300L40SConnectX-7Stockage full-flash NVMecuDNN / NCCLTensor CoreComparatif ROCm / oneAPI

Pour aller plus loin EXPLORE

Références REFERENCES

  1. Site NVIDIA — CUDA Zone (archive officielle de CUDA) https://developer.nvidia.com/cuda-zone
  2. Site NVIDIA — page produit cuDNN (volet bibliothèques deep learning de CUDA-X) https://developer.nvidia.com/cudnn
  3. Site NVIDIA — page produit NCCL (volet bibliothèque de communications collectives) https://developer.nvidia.com/nccl
  4. Doc officielle NVIDIA — CUDA GPUs : tableau complet de correspondance des Compute Capability (archive de référence CC, à jour octobre 2026) https://developer.nvidia.com/cuda-gpus
  5. Site NVIDIA — page de téléchargement du CUDA Toolkit (volet distribution) https://developer.nvidia.com/cuda-downloads
  6. Doc officielle NVIDIA — matrice de compatibilité CUDA Toolkit & drivers (volet alignement des versions et compatibilité ascendante/descendante) https://docs.nvidia.com/cuda/
  7. Recherche d'offres — AIXX Exchange (mise en relation sans commission, avec service de sélection de cartes sous l'angle de la compatibilité CUDA) https://www.aixx.vip/hall.html
Versions et corrections |Cette fiche est maintenue par la rédaction d'AIXX Pedia, rédigée avec l'aide de l'IA et vérifiée par des humains. Mise à jour le 2026-10-10 · version v1.0 · historique des modifications consultable. Une erreur ? Signalez-la via le canal de corrections ; après vérification, elle sera corrigée publiquement et consignée dans l'historique des versions.

Présentation vidéo VIDEO

Cette base
Politique éditorialeÀ propos de cette base (déclaration d'intérêts)le canal de corrections
Résumé de la charte éditoriale
Chaque affirmation sourcéeLes défauts obligatoirement mentionnés · Corrections publiques tracéesAucune entrée sponsorisée acceptéeZéro élément de prospection ou de vente dans les entréesDonnées de marché intégrées uniquement comme module de données
Famille AIXX
AIXX PediaAIXX ExchangeActualités AIXX
Source des données de marché : AIXX Exchange · © 2026 AIXX Pedia · Une production AIXX