Résumé
La contribution stratégique de Huang a été de soutenir une plateforme de calcul généraliste autour des GPU NVIDIA, et non de revendiquer le travail d'ingénierie des architectes de CUDA, des équipes de compilateurs, des auteurs de bibliothèques ou des chercheurs externes.
CUDA a abaissé une barrière centrale au calcul sur GPU: les développeurs pouvaient exprimer un travail parallèle via un modèle de type C au lieu de déguiser chaque calcul en opération graphique.
Les premières utilisations scientifiques, le supercalculateur Titan accéléré par GPU et AlexNet ont fourni une preuve de plus en plus solide que la même architecture programmable pouvait prendre en charge des charges de travail importantes au-delà des jeux.
NVIDIA a étendu l'avantage grâce à des bibliothèques, de la documentation, des formations, l'intégration de frameworks et la compatibilité entre générations de matériel. L'entreprise décrit désormais CUDA comme le fondement d'une pile de calcul complète.
Le résultat commercial est substantiel mais non séparable: NVIDIA a déclaré 215,9 milliards de dollars de revenus pour l'exercice 2026, tandis que les revenus de CUDA ne sont pas divulgués comme une ligne distincte. Il serait erroné d'attribuer la croissance de l'entreprise au seul logiciel.
L'écosystème crée une réelle valeur client et de réels coûts de changement. HIP d'AMD et la norme multiplateforme SYCL montrent que la portabilité est possible, mais la migration peut encore nécessiter des modifications de code, un réglage des performances et de nouvelles connaissances opérationnelles.
La décision était plus grande qu'une fonctionnalité graphique
La version la plus simple de l'histoire de NVIDIA va de meilleurs graphismes de jeux à l'intelligence artificielle, comme si un marché découlait naturellement du suivant. La version la plus utile repose sur une décision concernant qui devrait pouvoir programmer le processeur et quel type de travail le processeur devrait accepter.
NVIDIA avait construit un dispositif hautement parallèle car le rendu de millions de pixels récompense l'exécution simultanée de calculs similaires. CUDA a demandé si cette machinerie parallèle pouvait devenir une cible de calcul généraliste plutôt que de rester une étape spécialisée dans le pipeline graphique.
Ce n'était pas une extension de produit évidente. Une puce conçue pour les graphismes pouvait déjà être programmée via des interfaces graphiques, et des chercheurs avaient démontré des calculs non graphiques impressionnants dessus. Mais la voie était maladroite. Ils devaient souvent traduire les données en textures et le calcul en opérations de rendu.
Un scientifique intéressé par la dynamique moléculaire ou l'imagerie médicale devait comprendre des concepts appartenant à un système graphique avant d'atteindre la capacité arithmétique en dessous. Le débit brut existait; une plateforme de calcul largement utilisable, non.
La distinction importe lors de l'évaluation de Huang. Son rôle n'était pas de s'asseoir et d'écrire chaque passe de compilateur ou de définir chaque règle de synchronisation. La propre biographie de NVIDIA l'identifie comme co-fondateur en 1993, qui a occupé en continu les postes de président et directeur général.
La décision de plateforme relève donc de son dossier exécutif: il pouvait diriger les capitaux, les priorités produit et l'attention organisationnelle vers un marché dont la taille à court terme était incertaine. La mise en œuvre technique appartient à un groupe beaucoup plus large.
Lachronologie d'entreprisede NVIDIA date le dévoilement de l'architecture CUDA à 2006 et indique que l'objectif était d'ouvrir le traitement parallèle des GPU à la science et à la recherche. Un article technique de 2008 de John Nickolls, Ian Buck, Michael Garland et Kevin Skadron indique que le logiciel CUDA a été publié en 2007. Ces dates décrivent des jalons différents plutôt qu'une contradiction: l'architecture est apparue avec la direction unifiée graphismes-et-calcul de NVIDIA fin 2006, et l'environnement de développement a atteint les programmeurs par la suite.
C'était une expansion stratégique de l'identité du produit. Si le GPU restait seulement un accélérateur graphique, la demande resterait principalement liée aux charges de travail visuelles. S'il devenait un processeur parallèle programmable, chaque problème nécessitant beaucoup de calcul pourrait devenir une raison d'en acheter un.
L'entreprise devait encore prouver que des applications utiles pouvaient être écrites, que le code pouvait survivre aux mises à niveau matérielles et qu'assez de développeurs accepteraient un style de calcul différent. CUDA était donc une promesse concernant un marché que les développeurs n'avaient pas encore créé.
Les chercheurs avaient déjà exposé l'opportunité — et les frictions
Le calcul GPU à usage général n'a pas commencé lors du lancement de NVIDIA. Des chercheurs universitaires et des programmeurs l'exploraient depuis des années. La thèse de Stanford d'Ian Buck en 2004,« Stream Computing on Graphics Hardware », présentait Brook, un système de compilation et d'exécution qui étendait C avec des concepts de parallélisme de données et abstrait le GPU comme un coprocesseur de flux.
La thèse explique pourquoi les processeurs graphiques étaient attractifs: le parallélisme de données et l'intensité arithmétique leur permettaient de consacrer un matériel substantiel à des calculs répétés. Elle documente également le coût de l'ancienne voie, y compris les contraintes de mémoire, la surcharge du noyau et la difficulté de mapper des algorithmes généraux sur un dispositif de rendu.
Brook est important car il empêche un mythe d'origine centré sur le fondateur. Les travaux de Buck, ainsi que ceux de Tim Foley, Daniel Horn, Jeremy Sugerman, Kayvon Fatahalian, Mike Houston et Pat Hanrahan, ont démontré qu'un système de programmation de plus haut niveau pouvait exposer le GPU sans obliger chaque programmeur à manipuler des primitives graphiques.
Les pages de projet de Stanford montrent que ce travail s'inscrivait dans une communauté de recherche plus large sur le calcul de flux et a reçu le soutien de plusieurs entreprises et agences publiques, dont NVIDIA. Les idées circulaient déjà au-delà des frontières institutionnelles avant que CUDA ne devienne un produit.
NVIDIA a embauché Buck en 2004, selon lerécit de l'entreprise sur l'histoire de la programmation GPU. Cette page qualifie Brook de précurseur de CUDA et indique que l'objectif était de créer une approche familière aux programmeurs C tout en ajoutant des concepts parallèles de plus haut niveau. L'article ultérieur sur CUDA nomme Nickolls, Buck et Garland de NVIDIA aux côtés de Skadron de l'Université de Virginie.
Ces sources identifient une lignée technique et une équipe; elles ne soutiennent pas l'appellation de Huang comme unique inventeur de CUDA.
La propre contribution de Huang se voit mieux dans la manière dont il a interprété les utilisations dispersées. Dans uneconversation de 2024 à la Stanford Graduate School of Business, il a rappelé que NVIDIA rendait ses processeurs progressivement plus programmables, développait le langage Cg et remarquait que les chercheurs utilisaient la technologie pour la reconstruction CT et la chimie computationnelle.
Il a décrit avoir rendu visite à des utilisateurs médicaux et traité ces exemples comme des signaux indiquant que la forme de calcul pouvait résoudre des problèmes que les machines conventionnelles géraient mal. Selon lui, chaque utilisation donnait à l'entreprise plus de confiance pour continuer.
Ce souvenir est le récit d'un entité, pas une histoire institutionnelle complète. Sa valeur stratégique réside dans la règle de décision qu'il révèle. NVIDIA n'a pas attendu qu'un grand marché bien mesuré appelé « calcul GPU » apparaisse. Il a examiné des cas limites techniquement crédibles: imagerie, physique des particules, simulation de fluides et chimie.
Ceux-ci étaient petits par rapport aux graphismes grand public, mais ils partageaient une structure — de grandes quantités de travail numérique parallèle. Huang a vu une opportunité de plateforme commune derrière des applications séparées.
Le pari était donc fondé sur des preuves sans être certain. Les recherches existantes montraient que les GPU pouvaient accélérer des calculs appropriés. Cela ne prouvait pas que les développeurs grand public changeraient leur façon d'écrire des logiciels, que les scientifiques feraient confiance à un processeur dérivé du jeu, ou que NVIDIA pourrait maintenir la chaîne d'outils entre générations. La décision a converti une direction de recherche prometteuse en une obligation produit à long terme.
CUDA a changé l'unité de programmabilité
L'importance technique de CUDA peut être décrite sans la traiter comme de la magie. L'article de 2008 dans l'ACM Queueprésente trois abstractions centrales: une hiérarchie de groupes de threads, des mémoires partagées et une synchronisation par barrières. Un programmeur écrit un noyau — une fonction à exécuter en parallèle — et organise de nombreuses instances de ce travail en blocs et grilles.
Les threads à l'intérieur d'un bloc peuvent coopérer via la mémoire partagée et la synchronisation; les blocs sont conçus pour s'exécuter de manière suffisamment indépendante pour que l'exécution puisse les répartir entre les unités de traitement disponibles.
Cette structure reliait deux objectifs souvent contradictoires. Les programmeurs avaient besoin de suffisamment de contrôle pour utiliser la hiérarchie mémoire et le matériel parallèle efficacement. NVIDIA avait besoin que le logiciel évolue d'une génération de GPU à l'autre sans coder en dur une application pour un nombre physique de cœurs unique.
En demandant aux développeurs de diviser un problème en blocs indépendants, CUDA permettait à l'exécution de programmer le même programme sur différents nombres de processeurs. L'abstraction ne rendait pas chaque algorithme parallèle, et elle ne supprimait pas le besoin de travail sur les performances. Elle séparait la décomposition logique d'un programme du nombre exact de cœurs GPU en dessous.
Le changement peut être compris comme le déplacement de l'interface plus près du problème du développeur. Avant un modèle de calcul approprié, un programmeur pouvait encoder des nombres comme des textures, lancer une opération de rendu et récupérer les résultats comme s'il s'agissait de pixels. Avec CUDA, le programmeur pouvait exprimer directement des noyaux, des tableaux, des transferts mémoire et la synchronisation. Le matériel imposait encore des contraintes.
Les motifs de branchement, l'accès mémoire, le mouvement des données et l'intensité arithmétique pouvaient déterminer si l'accélération en valait la peine. Mais ces contraintes étaient désormais des concepts informatiques plutôt qu'un déguisement construit à partir du vocabulaire graphique.
Le modèle de programmation rendait également le GPU explicitement hétérogène. Le CPU restait l'hôte: il démarrait l'application, préparait les données et lançait le travail. Le GPU devenait le dispositif: il exécutait un grand nombre de threads parallèles. Ladocumentation moderne de CUDAdécrit toujours cette relation, tout en permettant des systèmes avec plusieurs CPU et GPU. CUDA ne plaidait pas pour qu'un GPU remplace un CPU pour tout.
Il donnait aux développeurs un moyen d'assigner différentes parties d'une charge de travail au type de processeur qui leur convenait.
Cette frontière est l'une des raisons pour lesquelles la plateforme a pu se répandre. Une entreprise ou un laboratoire n'avait pas à jeter son application existante et à réécrire chaque ligne. Il pouvait identifier les noyaux coûteux, déplacer ces parties vers le GPU et garder le travail séquentiel ou gourmand en contrôle sur le CPU. L'adoption pouvait commencer par un goulot d'étranglement. Une fois l'environnement de développement, les pratiques de déploiement et les connaissances du personnel en place, davantage de travail pouvait suivre.
La limitation est tout aussi importante. L'accélération dépend de l'application, de l'implémentation, du système de comparaison et de la quantité de données transférées. Le premier article sur CUDA rapportait des exemples allant d'une amélioration de 10 à 100 fois pour la dynamique moléculaire à des chiffres beaucoup plus élevés pour des implémentations particulières d'IRM et de n-corps. Ces mesures démontraient une possibilité sur les systèmes testés; ce n'était pas une promesse universelle pour tout programme déplacé sur un GPU.
Une plateforme gagne l'adoption non pas en garantissant un multiplicateur, mais en rendant la recherche d'accélération appropriée reproductible.
Un produit est devenu une plateforme grâce à des compléments
Un compilateur seul n'aurait pas produit l'écosystème CUDA. Les développeurs avaient besoin de pilotes, débogueurs, profileurs, documentation, exemples de code, bibliothèques mathématiques, matériel pédagogique, soutien communautaire et matériel disponible à plusieurs niveaux de prix. Chaque complément réduisait un coût d'adoption différent. Une bibliothèque pouvait éliminer le besoin d'écrire une primitive hautement optimisée. Un profileur pouvait montrer pourquoi un noyau stagnait. Un cours pouvait rendre la pensée parallèle enseignable.
Une politique de compatibilité pouvait permettre à une équipe d'acheter un nouveau GPU sans jeter une application fonctionnelle.
L'article de 2008 décrivait déjà des programmes CUDA en chimie computationnelle, résolution de matrices creuses, tri, recherche et physique. Il pointait également vers l'enseignement universitaire. Ces premières applications importaient même lorsqu'elles généraient peu de revenus logiciels directs. Elles donnaient à d'autres développeurs des exemples à copier, produisaient des questions qui amélioraient les outils et créaient des spécialistes dont le prochain employeur pourrait aussi choisir CUDA. Chaque application réussie augmentait l'utilité du matériel pour quelqu'un d'autre que son auteur original.
C'est la logique économique d'une plateforme développeur. NVIDIA fournit un côté: processeurs, systèmes, compilateurs et bibliothèques. Les développeurs externes en fournissent un autre: applications, frameworks, codes scientifiques et expertise. Les utilisateurs sont plus disposés à acheter le matériel lorsque des logiciels utiles existent déjà. Les développeurs sont plus disposés à cibler la plateforme lorsque de nombreux utilisateurs et machines sont disponibles. Aucun côté n'a besoin d'être planifié centralement pour que le cycle se cumule.
L'accomplissement stratégique de Huang a été de maintenir NVIDIA engagé dans ce cycle alors que les premières applications étaient dispersées dans les domaines de recherche. Une entreprise de puces habituée à mesurer un produit par unités et gains de référence devait traiter les logiciels écrits par d'autres comme faisant partie de la valeur du produit. Elle devait également soutenir des développeurs dont les projets pouvaient prendre des années pour devenir de grands marchés.
Le retour sur investissement d'une bibliothèque chimique optimisée ou d'un cours universitaire n'apparaîtrait pas nécessairement dans le même trimestre que la dépense.
L'engagement s'est élargi avec le temps. LeFormulaire 10-Kde l'exercice 2026 de NVIDIA indique que sa pile technologique commence avec CUDA, puis ajoute des centaines de bibliothèques spécifiques à un domaine, frameworks, algorithmes, kits de développement logiciel et interfaces de programmation. Le dossier décrit une architecture programmable unifiée servant plusieurs marchés via différentes piles logicielles construites par NVIDIA, des partenaires et des développeurs tiers. C'est une description formelle d'entreprise du modèle de plateforme, pas simplement un slogan de scène de conférence.
La chronologie de NVIDIA indique désormais que plus de quatre millions de développeurs créent des milliers d'applications accélérées, plus de 40 000 entreprises utilisent ses technologies d'IA et 15 000 startups participent à son programme Inception. Ce sont des comptes d'écosystème rapportés par l'entreprise, ils ne doivent donc pas être traités comme des mesures auditées d'utilisation active ou de dépendance économique. Ils révèlent néanmoins ce que NVIDIA a choisi de compter. L'entreprise présente les développeurs et les applications comme des actifs opérationnels aux côtés du silicium.
La science a fourni une preuve publique avant que l'IA ne devienne le titre
Le calcul scientifique n'était pas un marché décoratif pendant que CUDA attendait l'apprentissage automatique. Il fournissait des charges de travail exigeantes et des institutions visibles qui testaient la thèse de la plateforme. Les simulations, l'imagerie et l'algèbre linéaire contiennent un travail parallèle abondant, mais ils exposent également des limites numériques, de mémoire et de mise à l'échelle. Une plateforme qui ne produisait pas de résultats scientifiques reproductibles ou ne pouvait pas fonctionner sur de grands systèmes ne gagnerait pas de crédibilité simplement parce que ses puces étaient rapides dans les jeux.
L'un des résultats les plus clairs était Titan au Oak Ridge National Laboratory. LeOak Ridge Leadership Computing Facilitydécrit Titan comme un Cray XK7 avec 18 688 nœuds de calcul, chacun combinant un CPU AMD Opteron 16 cœurs avec un GPU NVIDIA K20X. Le système offrait plus de 27 pétaflops de performance de crête théorique.
Oak Ridge indique qu'il offrait dix fois la vitesse et cinq fois l'efficacité énergétique de son prédécesseur, Jaguar, tout en utilisant seulement un peu plus d'énergie et la même empreinte physique.
Titan n'a pas prouvé que les GPU devraient exécuter tous les codes scientifiques. Sa conception hybride a prouvé presque le contraire: les CPU et les GPU pouvaient diviser le travail. Les applications devaient exposer suffisamment de parallélisme pour utiliser l'accélérateur, et les équipes scientifiques devaient préparer leurs codes pour une architecture différente. L'approvisionnement a donc rendu tangible la décision écosystémique. Un laboratoire national était prêt à associer une machine immense à un effort de programmation et d'application qui dépendait du logiciel d'accélération.
L'échelle a également changé qui supportait le coût de l'adoption. Sur un bureau, un développeur pouvait expérimenter avec une carte graphique. Sur Titan, les laboratoires, les équipes d'application, le fournisseur du système et NVIDIA devaient se coordonner. Le portage et l'optimisation de codes scientifiques majeurs nécessitaient de la formation et une ingénierie soutenue. Ce fardeau fait partie de l'histoire de CUDA, pas une note de bas de page. L'adoption d'une plateforme est coûteuse avant de devenir pratique.
Le résultat observable était un supercalculateur hybride fonctionnel qui est resté en service jusqu'en 2019. Oak Ridge attribue un temps de solution plus rapide, une plus grande complexité de modèle et un réalisme de simulation amélioré à l'architecture. Ce sont les conclusions de l'installation concernant son propre système, mais le nombre de nœuds, le modèle de GPU, les performances de crête et la date de retrait fournissent des ancres concrètes. CUDA était passé d'expériences individuelles à une infrastructure dont les utilisateurs dépendaient pour un travail scientifique planifié.
La science a également influencé la plateforme elle-même. Les algorithmes avec accès mémoire irrégulier, données creuses, réductions ou plusieurs GPU ont poussé CUDA au-delà du simple parallélisme de type pixel. Des bibliothèques et des fonctionnalités de programmation ont été développées pour gérer des motifs plus larges. C'est un avantage de choisir une plateforme plutôt qu'un accélérateur ponctuel: les applications externes révèlent ce que la version suivante doit prendre en charge.
Le résultat ne peut pas être attribué à Huang seul. Oak Ridge a sélectionné et exploité la machine; Cray a intégré le système; AMD a fourni les CPU; les équipes NVIDIA ont construit le matériel et le logiciel; les scientifiques ont adapté leurs applications. La contribution imputable de Huang a été de maintenir l'entreprise orientée vers le calcul accéléré assez longtemps pour qu'une telle coalition devienne pratique.
AlexNet a changé le centre de gravité commercial
Le résultat d'AlexNet en 2012 est souvent résumé en une histoire où NVIDIA a « causé » l'IA moderne. Le résultat réel est à la fois plus spécifique et plus informatif. Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton ont entraîné un réseau de neurones convolutif profond sur ImageNet. Leurarticleindique que l'entraînement a pris cinq à six jours sur deux GPU NVIDIA GTX 580 avec 3 Go de mémoire chacun.
L'implémentation liée s'appelait cuda-convnet. Dans le concours de 2012, un ensemble basé sur leur approche a atteint un taux d'erreur top-5 de 15,3 %, contre 26,2 % pour la deuxième meilleure entrée.
Ces chiffres établissent un résultat, pas une cause unique. Les chercheurs ont conçu le réseau, les méthodes d'entraînement et le schéma multi-GPU. ImageNet a fourni un grand ensemble de données étiquetées. Les avancées dans les méthodes de réseaux de neurones ont compté. Les GPU ont rendu la quantité de calcul réalisable en quelques jours, et CUDA a fourni un moyen de les programmer. Supprimez l'un de ces éléments et l'histoire change.
Attribuer tout le crédit à NVIDIA effacerait la recherche; traiter les processeurs comme accessoires ignorerait le propre récit de l'article sur la mémoire et le temps d'entraînement.
Pour Huang, AlexNet était un signal plus fort que les applications dispersées antérieures car il pointait vers une méthode générale avec une demande de calcul croissante. Les réseaux de neurones pouvaient s'améliorer à mesure que les modèles et les ensembles de données grandissaient, tandis que l'entraînement exposait de grandes quantités d'algèbre linéaire parallèle. L'appétit de la charge de travail s'alignait sur l'architecture du GPU et sur les années d'investissement logiciel de NVIDIA.
CUDA signifiait que l'entreprise n'avait pas à commencer à construire un environnement développeur après l'apparition de la percée. L'environnement existait déjà.
C'est là que la patience est devenue une valeur d'option stratégique. Avant 2012, CUDA soutenait des domaines scientifiques et techniques dont les marchés étaient significatifs mais fragmentés. Après AlexNet, la même base pouvait servir une communauté d'apprentissage automatique en croissance rapide. Une plateforme construite uniquement pour un package de chimie ou un algorithme d'imagerie n'aurait pas été transférée aussi facilement. Les abstractions générales et les bibliothèques de CUDA ont donné à NVIDIA un chemin d'une vague d'applications à une autre.
La chronologie d'entreprise de NVIDIA identifie AlexNet comme un jalon de 2012 propulsé par ses GPU. Cette description est promotionnelle et devrait être lue à côté de l'article original. L'article fournit les détails vérifiables du matériel, de l'entraînement et du taux d'erreur; la chronologie montre comment NVIDIA a interprété l'événement. L'entreprise a vu AlexNet non pas comme une vente chanceuse de deux cartes de jeu mais comme une confirmation que le calcul accéléré pouvait devenir le moteur d'une transition logicielle majeure.
La réponse commerciale s'est étendue au-delà du langage CUDA original. NVIDIA a développé et acquis des bibliothèques pour les opérations de réseaux de neurones, construit des systèmes pour l'entraînement, ajouté des fonctionnalités matérielles spécialisées et soutenu des frameworks qui permettaient aux chercheurs de travailler à un niveau plus élevé. La valeur de la décision originale n'était pas que chaque développeur d'IA écrirait des noyaux CUDA bruts. C'était que les auteurs de frameworks et les équipes de bibliothèques pouvaient cibler CUDA, permettant à des millions d'utilisateurs de bénéficier via des couches d'abstraction.
L'intégration dans les frameworks a rendu la plateforme ordinaire
Une technologie devient infrastructurelle lorsque de nombreux utilisateurs en dépendent sans interagir avec sa couche la plus basse. Les développeurs d'apprentissage automatique contemporains écrivent souvent des opérations tensorielles en Python plutôt qu'en CUDA C++. Pourtant, le framework peut distribuer ces opérations aux bibliothèques et noyaux CUDA. L'utilisateur voit un tenseur et un nom de dispositif; la plateforme gère la compilation, l'allocation mémoire, l'ordonnancement et les primitives optimisées en dessous.
PyTorch rend cette relation explicite. Sadocumentation sur la sémantique CUDAexplique comment les tenseurs CUDA sont alloués aux dispositifs, comment les flux ordonnent le travail, comment plusieurs GPU communiquent et comment le code indépendant du dispositif peut choisir entre l'exécution CPU et CUDA. Le framework réduit la quantité de code spécifique à la plateforme qu'un chercheur doit écrire, mais il n'efface pas la plateforme. Les concepts CUDA restent visibles lorsque les performances, la mémoire ou la synchronisation importent.
TensorFlow fournit un autre signal indépendant. Songuide d'installationoffre un chemin de package GPU qui inclut le support CUDA et liste les pilotes NVIDIA, le CUDA Toolkit et cuDNN parmi les logiciels nécessaires pour les configurations GPU prises en charge. Encore une fois, la plupart des utilisateurs n'implémentent pas un noyau de convolution. Les mainteneurs de frameworks et de bibliothèques absorbent ce travail, et leur soutien rend le matériel NVIDIA accessible à une population plus large.
Cette stratification renforce CUDA de deux manières. Premièrement, un petit groupe de mainteneurs experts peut optimiser des opérations utilisées par un très grand nombre d'applications. Un noyau de multiplication matricielle ou d'attention plus rapide peut améliorer de nombreux modèles sans que chaque équipe ne le réécrive. Deuxièmement, les frameworks deviennent des canaux de distribution pour la plateforme matérielle. Un étudiant qui apprend un framework sur un GPU CUDA peut prendre un code similaire vers une station de travail, une instance cloud ou un cluster.
La même stratification peut affaiblir la dépendance directe au niveau de l'application. Le code écrit contre un framework de haut niveau peut également fonctionner sur un CPU, un GPU AMD, un processeur Apple, un accélérateur Google ou un autre backend. Les API indépendantes du dispositif créent de la place pour la concurrence. Mais la portabilité de la syntaxe n'est pas identique à la portabilité des performances. Les extensions CUDA personnalisées, les hypothèses sur la mémoire, les opérations non prises en charge et les noyaux optimisés pour la plateforme peuvent encore rendre un déplacement coûteux.
Cette tension est centrale pour le résultat de plateforme de Huang. NVIDIA bénéficie lorsque les outils de haut niveau rendent CUDA facile à adopter; il fait face à un risque lorsque ces mêmes outils rendent le matériel sous-jacent interchangeable. La réponse de l'entreprise a été de continuer à ajouter des bibliothèques optimisées, des fonctionnalités système et des services développeurs afin que les frameworks abstraits fonctionnent particulièrement bien sur sa pile. Le concours concurrentiel se déroule donc sous l'interface Python autant qu'à la fiche technique de la puce.
La compatibilité a transformé le code passé en raison d'acheter le prochain GPU
Les écosystèmes développeurs ne s'accumulent que si le travail d'hier conserve de la valeur. Si chaque nouveau processeur forçait une application à être reconstruite à partir de zéro, les bibliothèques et les compétences se déprécieraient rapidement. La conception de compatibilité de NVIDIA est donc une fonctionnalité économique autant que technique.
Ladocumentation actuelle de la plateforme CUDAexplique que le code de haut niveau peut compiler en PTX, une représentation intermédiaire que le pilote peut traduire pour un GPU physique. Les exécutables peuvent contenir des binaires pour plusieurs architectures plus du PTX pour les futures. La documentation indique que le PTX peut être compilé à l'exécution pour des capacités de calcul ultérieures, tandis que la compatibilité binaire s'applique dans des limites d'architecture définies. Les promesses ont des limites, mais elles donnent aux développeurs des chemins pris en charge entre générations.
La compatibilité modifie le comportement d'achat. Une organisation avec des applications CUDA fonctionnelles, du personnel formé et des outils de déploiement peut considérer un nouveau GPU NVIDIA comme une continuation plutôt qu'un projet logiciel frais. Le nouveau matériel peut encore nécessiter un réglage pour atteindre ses meilleures performances, et les anciens binaires peuvent ne pas utiliser les nouvelles fonctionnalités. Mais la perspective d'exécuter le travail existant réduit le risque d'adoption. Chaque génération matérielle peut hériter de la demande créée par l'investissement logiciel précédent.
Cela modifie également les obligations de NVIDIA. Un fournisseur de plateforme ne peut pas optimiser seulement pour un nouveau benchmark et abandonner les anciennes applications sans conséquence. Les pilotes doivent charger le code plus ancien dans les limites promises. Les bibliothèques doivent gérer la dépréciation. La documentation doit expliquer quelles combinaisons de toolkit, pilote et GPU sont prises en charge. Les bogues dans une couche de compatibilité peuvent affecter des applications que l'entreprise n'a jamais écrites. L'écosystème est un actif précisément parce qu'il est aussi un fardeau de maintenance.
Cela aide à expliquer pourquoi CUDA est devenu plus défendable qu'une seule puce rapide. Les performances matérielles peuvent être surpassées par un concurrent ou remplacées par un accélérateur spécialisé. Un ensemble d'applications compatibles, de bibliothèques et de connaissances opérationnelles évolue plus lentement. Les concurrents doivent offrir suffisamment d'avantages pour justifier non seulement un achat de matériel mais aussi la migration, la validation et la reconversion.
L'avantage n'est pas permanent. La compatibilité elle-même peut devenir lourde, et les couches d'abstraction peuvent réduire les différences de plateforme. Les services cloud permettent aux clients de louer des alternatives sans acheter un nouveau cluster. Les normes ouvertes peuvent rendre le code portable. Pourtant, la longue continuité de CUDA signifie que la comparaison est rarement entre deux systèmes vierges. Un côté arrive souvent avec des années de travail accumulé.
Les résultats financiers de NVIDIA montrent l'échelle, pas une ligne de revenus CUDA
Le résultat commercial le plus visible est la transformation de NVIDIA d'un fournisseur de puces axé sur les graphismes en un fournisseur de systèmes et de logiciels de calcul pour centres de données. Son dossier de l'exercice 2026 fait état d'un revenu de 215,938 milliards de dollars, en hausse de 65 % par rapport à l'exercice 2025. Le calcul et le réseautage ont contribué pour 193,479 milliards de dollars, contre 22,459 milliards de dollars pour les graphismes. Les revenus des centres de données ont augmenté de 68 % sur un an, ce que l'entreprise a attribué aux changements de plateforme de calcul accéléré et d'IA.
Ces chiffres sont extraordinaires, mais ils ne mesurent pas CUDA séparément. NVIDIA vend des GPU, du réseautage, des systèmes, des services et des logiciels. La demande des clients reflète également la croissance des modèles, les dépenses d'investissement dans le cloud, l'approvisionnement en mémoire, la capacité de fabrication, les performances du réseautage et les fonctionnalités des architectures récentes. CUDA aide à rendre les systèmes utiles, mais le dossier ne permet pas à un étranger de calculer combien de dollars disparaîtraient sans lui.
L'affirmation correcte est plus étroite: la stratégie déclarée de NVIDIA et son plus grand segment de revenus dépendent désormais d'une plateforme de calcul complète dont le fondement inclut CUDA. Le 10-K indique que l'entreprise combine matériel, systèmes, logiciels, algorithmes, bibliothèques, modèles, ensembles de données et services. Il indique également qu'une base de développeurs et une base installée importantes et croissantes augmentent la valeur de la plateforme. La direction décrit explicitement les effets de réseau comme faisant partie du modèle économique.
L'investissement fournit un autre résultat mesurable. NVIDIA a déclaré 18,497 milliards de dollars de dépenses de recherche et développement pour l'exercice 2026, en hausse de 43 % par rapport à l'année précédente. Il a indiqué qu'environ 31 000 de ses 42 000 employés travaillaient dans la recherche et le développement à la fin de l'année et que l'investissement cumulé dans cette fonction depuis la création dépassait 76,7 milliards de dollars. Ces totaux couvrent l'ensemble de l'entreprise, pas seulement CUDA.
Ils montrent l'échelle organisationnelle qui soutient désormais l'architecture partagée et ses nombreuses piles logicielles.
L'échelle apporte également un risque de concentration et d'exécution. Le dossier indique qu'un client direct représentait 22 % des revenus de l'exercice 2026 et un autre 14 %, principalement dans le calcul et le réseautage. Une plateforme peut diversifier les cas d'utilisation tandis que les ventes restent concentrées parmi les constructeurs de systèmes et les fournisseurs de cloud. La large portée développeur de CUDA ne signifie pas que NVIDIA facture directement des millions de développeurs ou que le pouvoir d'achat est uniformément réparti.
Le résultat financier soutient donc une histoire de plateforme sans prouver une simple équation causale. La décision de Huang a donné à NVIDIA un moyen durable d'étendre ce que ses processeurs pouvaient faire. La demande d'IA, l'exécution technique, les partenariats d'approvisionnement et l'innovation externe ont converti cette option en revenus. Une évaluation rigoureuse peut créditer CUDA comme fondamental tout en refusant d'étiqueter chaque dollar comme « revenus CUDA ».
Le fossé est un logiciel utile — et le coût de le quitter
Les gens décrivent souvent CUDA comme un fossé. La métaphore est incomplète à moins qu'elle n'explique ce qui se trouve dans l'eau. La barrière n'est pas simplement que CUDA est un environnement de programmation contrôlé par NVIDIA. C'est la valeur combinée des bibliothèques optimisées, des applications fonctionnelles, de la documentation, de l'expertise du personnel, des pratiques de débogage, de la compatibilité et du matériel disponible. Les clients restent lorsque cette combinaison fait gagner plus de temps ou produit de meilleurs résultats que les alternatives, pas parce qu'un nom seul empêche le mouvement.
Ledocument de l'OCDE de 2025 sur la concurrence dans l'infrastructure IAdécrit les logiciels comme critiques pour rendre les GPU efficaces et cite une estimation selon laquelle NVIDIA détenait plus de 80 % du marché des GPU utilisés dans l'IA. Il lie la position de l'entreprise aux performances, à l'avantage du premier entrant et à CUDA.
Le pourcentage est une estimation de marché secondaire utilisée par l'OCDE, pas un recensement officiel des expéditions, il doit donc être traité comme une indication de concentration plutôt qu'une part universelle exacte.
Unrésumé ultérieur de la table ronde sur la concurrence de l'OCDEdécrit les effets de réseau indirects entre les GPU NVIDIA et CUDA: plus de logiciels rendent le matériel attractif, tandis qu'une adoption matérielle plus large encourage plus de logiciels. Il enregistre également des préoccupations selon lesquelles la dépendance à un environnement de développement peut rendre le changement techniquement difficile et coûteux, nécessitant parfois une refonte logicielle et du temps. En même temps, la discussion caractérise le marché comme potentiellement contestable car d'autres fabricants de puces, fournisseurs de cloud et développeurs d'IA poursuivent des alternatives.
Cette description équilibrée est plus utile que de qualifier chaque dépendance d' abusive ou chaque avantage de mérité. CUDA crée des efficacités: les développeurs peuvent réutiliser du code optimisé, les organisations peuvent embaucher des personnes avec des compétences pertinentes et les mainteneurs de frameworks peuvent cibler une plateforme stable. Ces avantages sont la raison pour laquelle l'écosystème a du pouvoir. La même réutilisation peut devenir un coût de changement lorsqu'un acheteur veut un accélérateur différent.
Le coût varie selon la charge de travail. Une application qui utilise uniquement des opérations de framework de haut niveau disponibles sur plusieurs backends peut se déplacer avec des modifications de code limitées, bien que les performances et le déploiement nécessitent encore des tests. Un code scientifique contenant des années de noyaux CUDA personnalisés et de bibliothèques spécifiques à NVIDIA peut nécessiter une ingénierie majeure. Une entreprise qui a automatisé un cluster CUDA peut également avoir besoin de nouvelles pratiques de surveillance, d'ordonnancement et de débogage.
« Être verrouillé » n'est pas un état binaire; c'est une pile de coûts de migration.
La décision de Huang peut donc être évaluée de deux perspectives à la fois. Du point de vue de NVIDIA, l'investissement accumulé des développeurs rend chaque génération plus précieuse et moins vulnérable au lancement d'une puce rivale. Du point de vue du client, l'écosystème peut réduire le coût de construction aujourd'hui tout en augmentant le coût de changement de fournisseur demain. Les deux sont des résultats du même succès de plateforme.
Les concurrents attaquent le coût de programmation, pas seulement le silicium
L'existence d'outils de portabilité montre que les concurrents comprennent où se trouve l'avantage. Ladocumentation HIPd'AMD décrit un runtime C++ et un langage de noyau conçus pour permettre à une source de cibler les GPU AMD et NVIDIA. Son matériel de portage explique comment les développeurs peuvent convertir du code CUDA de manière incrémentielle et comparer la fonction et les performances par rapport à l'original.
La simple présence d'un chemin de migration confirme deux choses: le code CUDA a assez de valeur pour être préservé, et le déplacer est un problème qui mérite des outils.
Khronos emprunte une voie basée sur les normes.SYCLest une abstraction C++ multiplateforme, ouverte et libre de droits pour les processeurs hétérogènes incluant CPU, GPU et FPGA. Sa documentation est prudente quant à la limite: un langage et une API communs peuvent rendre le code portable, mais cela ne garantit pas une portabilité automatique et parfaite des performances. Les développeurs peuvent encore avoir besoin de variantes et de réglages spécifiques à l'architecture.
Ces alternatives empêchent une histoire déterministe dans laquelle CUDA doit dominer pour toujours. Les frameworks de haut niveau prennent en charge de plus en plus de dispositifs. Les plateformes cloud peuvent exposer des accélérateurs concurrents. Les gros acheteurs peuvent construire des puces personnalisées pour des charges de travail particulières. Les normes de programmation ouvertes peuvent réduire la quantité de code liée à un fournisseur. Les charges de travail d'inférence peuvent récompenser des compromis de coût et d'énergie différents des systèmes d'entraînement géants.
Pourtant, une couche de portabilité doit concurrencer la maturité, pas seulement la syntaxe. Un noyau traduit doit être correct. Une bibliothèque doit couvrir l'opération nécessaire. Les outils de performance doivent identifier les goulots d'étranglement. Le déploiement doit être stable. La documentation et les connaissances de la communauté doivent répondre aux cas limites. L'application doit continuer à fonctionner à mesure que les plateformes source et cible changent. C'est pourquoi les écosystèmes logiciels sont difficiles à copier rapidement même lorsqu'un processeur rival est capable.
La concurrence peut également améliorer CUDA. Si les clients peuvent se déplacer, NVIDIA doit continuer à gagner l'adoption par les performances, la fiabilité et la productivité des développeurs. Si les alternatives comblent les lacunes des bibliothèques, l'entreprise ne peut pas compter seulement sur le code historique. La plateforme doit continuer à absorber de nouveaux modèles, formats numériques, systèmes mémoire et motifs multi-GPU. Un fossé qui cesse d'évoluer devient une île.
La question politique n'est pas de savoir si une plateforme propriétaire peut réussir. C'est de savoir si le comportement autour de ce succès bloque injustement les alternatives, restreint l'interopérabilité ou lie les marchés adjacents de manière nuisible. Les documents de l'OCDE identifient ces questions comme des sujets de surveillance continue, pas des conclusions selon lesquelles CUDA lui-même est illégal. Le fait observable est que le logiciel et le matériel se renforcent mutuellement suffisamment pour façonner la structure du marché.
La géopolitique peut diviser un écosystème que l'échelle avait autrefois unifié
La proposition initiale de CUDA était une large disponibilité: un développeur pouvait apprendre un modèle et l'exécuter sur du matériel NVIDIA sur des cartes grand public, des stations de travail et des serveurs. Les contrôles à l'exportation et les politiques technologiques régionales compliquent cette proposition. Le dossier de l'exercice 2026 de NVIDIA indique que les restrictions avaient effectivement exclu l'entreprise du marché du calcul dans les centres de données en Chine à la fin de l'année et averti que l'exclusion pourrait aider les concurrents à construire des écosystèmes de développeurs et de clients plus importants.
Cet avertissement révèle comment NVIDIA valorise l'accès au marché. Une vente perdue n'est pas seulement une unité perdue. Cela peut être un développeur qui apprend une autre chaîne d'outils, une université qui enseigne une plateforme différente, un cloud qui optimise une alternative et une application qui ne traite plus CUDA comme son défaut. La concurrence des écosystèmes se cumule dans les deux directions.
Cela ne prouve pas qu'une politique d'exportation spécifique est juste ou fausse. Les décisions de sécurité nationale pèsent des considérations au-delà des revenus de l'entreprise et de l'adoption de logiciels. Cela montre une contrainte sur la stratégie de plateforme de Huang: aucune entreprise privée ne contrôle toutes les juridictions, chaînes d'approvisionnement ou règles par lesquelles son matériel atteint les développeurs. Une base de programmation globalement unifiée peut se fragmenter lorsque l'accès aux dispositifs sous-jacents se fragmente.
L'offre est une autre contrainte. CUDA ne peut pas fournir d'accélération sans processeurs, mémoire, packaging, énergie, réseautage et capacité de centre de données. NVIDIA conçoit ses principales puces mais dépend de partenaires de fabrication. La plateforme récente s'est étendue d'une carte GPU à des systèmes complets dont les parties doivent fonctionner ensemble. Le logiciel augmente l'utilité du matériel rare; il ne peut pas en fabriquer davantage.
La concentration des clients crée une dépendance supplémentaire. Les grands fournisseurs de cloud distribuent la capacité CUDA à de nombreux utilisateurs, mais ils peuvent également développer leurs propres accélérateurs et promouvoir des frameworks alternatifs. La plateforme de NVIDIA aide les clouds à vendre des services de calcul, tandis que les clouds servent d'intermédiaires pour l'accès aux produits NVIDIA. L'écosystème n'est pas un verrou unidirectionnel. Les clients majeurs peuvent façonner les prix, le déploiement et les choix d'architecture concurrents.
Ces contraintes maintiennent l'histoire de leadership ancrée. La décision de Huang a produit un levier, pas une invulnérabilité. L'entreprise doit maintenir le logiciel, expédier le matériel, naviguer dans la réglementation et persuader chaque nouvelle génération de développeurs. L'adoption passée d'une plateforme achète du temps et de la distribution; elle n'annule pas le risque d'exécution.
Le crédit appartient au leadership, aux ingénieurs et aux utilisateurs dans des proportions différentes
La médaille d'honneur de l'IEEE 2026 offre une formulation externe utile.IEEE Spectrumindique que Huang a été reconnu pour son leadership dans le développement des GPU et leur application au calcul scientifique et à l'IA. Le mot « leadership » est précis. Il reconnaît la vision technique et la direction organisationnelle sans prétendre qu'il a personnellement écrit chaque composant.
Les actions documentées les plus fortes de Huang dans l'histoire de CUDA sont la reconnaissance de patterns, l'engagement et le cadrage de plateforme. Il a vu les utilisations non graphiques comme une preuve d'un besoin de calcul commun. Il a soutenu une architecture programmable unifiée. Il a maintenu le logiciel et l'adoption par les développeurs au centre tandis que l'entreprise passait par le calcul scientifique et l'IA. Il décrit également publiquement NVIDIA comme une plateforme plutôt qu'un fournisseur de composants, une description qui correspond maintenant à son dossier réglementaire.
La contribution des ingénieurs est le système lui-même. Buck et l'équipe Brook ont fourni une lignée de recherche importante. Nickolls, Buck, Garland, Skadron et de nombreux collègues ont défini et expliqué le modèle précoce. Les équipes de compilateur, pilote, bibliothèque, architecture et relations développeurs ont transformé un lancement en un environnement maintenu. Les auteurs de frameworks, les chercheurs et les développeurs d'applications ont étendu CUDA dans des domaines que NVIDIA n'aurait pas pu construire seul.
Les utilisateurs ont fourni les tests décisifs. L'imagerie médicale et la chimie ont offert des signaux précoces. Les scientifiques ont exposé les demandes d'échelle et numériques. L'équipe AlexNet a démontré un résultat d'apprentissage automatique qui a changé les priorités de l'industrie. Les mainteneurs de PyTorch et TensorFlow ont rendu l'exécution GPU disponible via des frameworks largement utilisés. Les clients ont ensuite décidé si le système total justifiait son coût.
Séparer ces rôles améliore plutôt que diminue le bilan de Huang. Le leadership exécutif n'est pas précieux parce qu'il imite l'ingénierie. Il est précieux lorsqu'il choisit une direction qui laisse l'ingénierie et l'innovation externe se cumuler. Le résultat vérifiable est une organisation qui a maintenu une architecture de programmation pertinente à travers plusieurs vagues de calcul.
Cela rend également la responsabilité plus claire. Huang peut être crédité pour l'engagement stratégique et tenu responsable de la conduite de la plateforme, des priorités d'investissement et des affirmations de marché. Les équipes techniques peuvent être créditées pour l'implémentation. Les chercheurs conservent la paternité de leurs découvertes. Les clients peuvent juger si les avantages de la plateforme l'emportent sur ses coûts. Une histoire de héros brouille ces lignes; une histoire de plateforme les exige.
Un tableau de bord pratique pour le long pari
Vingt ans après le dévoilement de 2006, la décision CUDA peut être testée contre plusieurs résultats observables.
Premièrement, le modèle de programmation a-t-il survécu à son matériel de lancement? Oui. La documentation actuelle de CUDA traite des systèmes multi-GPU modernes tout en préservant les concepts de base des noyaux, des hiérarchies de threads et de l'exécution hétérogène. Les mécanismes de compatibilité donnent aux applications des chemins à travers plusieurs générations, dans les limites énoncées.
Deuxièmement, les développeurs l'ont-ils utilisé en dehors des graphismes? Oui. La littérature technique précoce documente la chimie, l'imagerie, l'algèbre linéaire et la physique. Titan a fait de l'accélération GPU une partie d'un grand système de laboratoire national. AlexNet a utilisé deux GPU NVIDIA et une implémentation CUDA pour un résultat de classification d'images marquant. La documentation actuelle de PyTorch et TensorFlow expose CUDA comme une voie d'exécution prise en charge.
Troisièmement, un écosystème complémentaire s'est-il formé? NVIDIA indique que plus de quatre millions de développeurs construisent maintenant des applications accélérées et décrit des centaines de bibliothèques, frameworks, algorithmes et interfaces de développement dans son dossier fiscal. L'activité exacte derrière les comptes de l'entreprise n'est pas publique, mais la documentation indépendante des frameworks confirme que CUDA est intégré dans des couches logicielles largement utilisées.
Quatrièmement, la plateforme a-t-elle soutenu une plus grande entreprise? Les revenus de calcul et de réseautage de NVIDIA ont atteint 193,479 milliards de dollars à l'exercice 2026, dépassant de loin son segment graphique. L'entreprise identifie le calcul accéléré et l'IA comme les moteurs de la croissance des centres de données et place CUDA à la base de sa pile. Aucune divulgation n'isole la part causale de CUDA, donc le résultat est une association dans une stratégie déclarée, pas un calcul de revenus logiciels autonome.
Cinquièmement, la stratégie a-t-elle créé une défendabilité? L'OCDE décrit un marché de GPU IA hautement concentré et lie CUDA aux effets de réseau et aux coûts de changement. AMD HIP et SYCL existent en partie pour réduire ces coûts. L'investissement continu dans la portabilité est lui-même la preuve que la base logicielle installée compte sur le plan concurrentiel.
Sixièmement, y a-t-il des coûts non résolus? Oui. La migration peut être coûteuse, la concentration de la plateforme peut réduire le choix de l'acheteur, la compatibilité nécessite une maintenance continue, et l'accès mondial peut être perturbé par la réglementation et les contraintes d'approvisionnement. Le matériel alternatif et les modèles de programmation maintiennent le marché contestable. Une décision de plateforme réussie crée des obligations ainsi que des retours.
Ce tableau de bord évite deux erreurs. L'une est la certitude rétrospective: le succès ultérieur de CUDA ne signifie pas que son marché précoce était garanti. L'autre est la mythologie du fondateur: la continuité stratégique ne fait pas de Huang le seul créateur du travail technique produit par de nombreuses personnes. L'accomplissement durable est l'alignement du leadership, de l'architecture, du logiciel et de l'adoption externe.
La décision durable a été de subventionner l'invention des autres
L'effet stratégique le plus profond de CUDA a été de faire du matériel NVIDIA un endroit où d'autres personnes pouvaient créer de la valeur. Un scientifique pouvait accélérer une simulation, une équipe de framework pouvait optimiser des opérations tensorielles, une startup pouvait déployer un modèle et un cloud pouvait vendre l'accès au système résultant. NVIDIA n'avait pas besoin d'inventer chaque application. Il devait rendre la prochaine application plus susceptible de choisir sa plateforme.
Cela change la nature d'une entreprise de semi-conducteurs. Le produit n'est plus complet lorsque la puce passe la validation. Il reste inachevé jusqu'à ce que les compilateurs, les bibliothèques et les applications rendent le silicium utile, et il reste en danger si la prochaine vague logicielle se forme ailleurs. Les relations développeurs, la compatibilité et l'éducation deviennent des fonctions stratégiques. L'horizon temporel s'étend au-delà d'un cycle matériel.
Le long pari de Huang a réussi parce qu'il a joint un avantage architectural réel à cet horizon plus long. Les GPU avaient un débit parallèle créé pour les graphismes. Les chercheurs avaient montré que d'autres problèmes pouvaient l'utiliser. CUDA a abaissé la barrière de programmation. Les bibliothèques et les frameworks ont élargi l'accès. La compatibilité a préservé le travail accumulé. Chaque couche a rendu la suivante plus précieuse.
La même structure explique le débat actuel sur la dépendance. Quand une plateforme fait gagner des années de travail aux développeurs, la quitter peut coûter des années de travail. Les clients bénéficient de l'écosystème et deviennent exposés à son propriétaire. Les concurrents doivent égaler une expérience, pas seulement un benchmark. Les régulateurs voient des efficacités potentielles et des barrières potentielles dans le même ensemble de faits.
La conclusion la plus juste n'est ni que CUDA seul a créé l'IA, ni que NVIDIA a simplement eu la chance de vendre la bonne puce. Huang a pris une décision de plateforme précoce et soutenue face à une demande incertaine. Les ingénieurs de NVIDIA et les prédécesseurs académiques ont construit le modèle de programmation et sa machinerie. Les chercheurs et les développeurs ont prouvé ce qu'il pouvait faire.
L'écosystème résultant a aidé à transformer le GPU d'un composant graphique en une plateforme de calcul généraliste — et a donné à NVIDIA à la fois son actif stratégique le plus fort et l'une de ses plus grandes responsabilités.