AIXX Pedia › Concept technique › Tensor Core
Tensor Core est une unité de calcul matriciel dédiée introduite par NVIDIA avec l'architecture Volta (2017) — chaque Tensor Core effectue une multiplication matricielle 4×4 en un cycle d'horloge. Il répond à un même problème : l'opération centrale du deep learning est la multiplication de matrices (GEMM), inefficace sur les cœurs CUDA généralistes ; le Tensor Core a été conçu spécifiquement pour cela.
Les précisions prises en charge par chaque génération de Tensor Core évoluent : première génération (Volta) FP16 ; deuxième (Turing) INT8/INT4 ; troisième (Ampere) BF16/TF32 ; quatrième (Hopper) FP8 ; cinquième (Blackwell) FP4. Chaque nouvelle précision permet d'« entasser plus de puissance de calcul dans la même surface » — c'est la raison profonde de la croissance explosive des performances FP4 du B300.
| Élément | Valeur / périmètre |
|---|---|
| Cinquième génération (Blackwell) | FP4/FP6/FP8/FP16/BF16/TF32/FP64 |
| Puissance FP4 (B300) | Environ 15 PFLOPS en mode dense / davantage en mode sparse |
| Puissance FP8 (H100) | 3 341 TFLOPS (sparse) |
| Nombre de générations | Cinquième génération (Blackwell) |
Les Tensor Core de cinquième génération (B300) prennent en charge nativement les précisions FP4 et FP6 — l'inférence des grands modèles peut être quantifiée en FP4 avec une perte de précision quasi nulle, ce qui signifie que la même surface de silicium offre deux fois la puissance de calcul du FP8. Les acheteurs doivent y prêter attention : les performances FP4 annoncées par NVIDIA sont au compteur sparse ; en mode dense, elles sont divisées par deux — le débit réel d'inférence dépend du niveau de prise en charge de la quantification par le framework (TensorRT-LLM / vLLM, etc.).