Puces maison contre GPU du marché : décryptage d'un choix structurant

Derrière chaque grand modèle d'intelligence artificielle se cache une décision rarement mise en lumière : sur quel silicium le faire tourner. Concevoir sa propre puce, ou acheter les processeurs graphiques disponibles sur le marché ? Cet arbitrage, longtemps réservé aux équipes d'infrastructure, s'est hissé au rang de choix industriel majeur. Google, Amazon, Meta et Microsoft ont chacun tranché à leur manière, tandis que d'autres acteurs continuent de s'appuyer sur les puces d'un fournisseur devenu quasi incontournable. Loin d'être un détail technique, ce choix du matériau de base façonne durablement les coûts, l'autonomie et la trajectoire de chaque entreprise. Décryptons cette rivalité entre puces maison et puces du marché, et ce qu'elle révèle des logiques industrielles à l'œuvre.

Le constat : deux voies pour alimenter l'IA en calcul

Entraîner et faire fonctionner un modèle de langue moderne réclame une quantité de calcul considérable. Ce calcul repose sur des puces spécialisées, appelées accélérateurs, capables de réaliser des milliards d'opérations matricielles par seconde. Pendant des années, une réponse unique s'est imposée : les processeurs graphiques (GPU) conçus par Nvidia. Ces composants, initialement pensés pour le jeu vidéo, se sont révélés remarquablement adaptés à l'apprentissage automatique. Autour d'eux s'est construit un écosystème logiciel entier, ce qui a consolidé leur position.

Face à cette réalité, deux stratégies coexistent aujourd'hui. La première consiste à acheter les GPU du marché, principalement ceux de Nvidia, complétés depuis peu par ceux d'AMD. La seconde revient à concevoir ses propres puces sur mesure, taillées pour ses charges de travail précises. Les grands hébergeurs de services en nuage — ce qu'on appelle les hyperscalers — ont largement emprunté cette seconde voie, sans pour autant abandonner la première.

Il faut noter d'emblée qu'aucune de ces deux options ne s'exclut mutuellement. La réalité observée est faite de dosages : un même acteur peut acheter des GPU pour une partie de ses besoins, en concevoir pour une autre, et faire évoluer ce partage au fil du temps. La question n'est donc pas tant « faire ou acheter » de façon binaire que « dans quelle proportion, pour quels usages, et à quel horizon ». C'est cette gradation qui rend le sujet intéressant à décrypter : elle traduit des paris différents sur l'avenir.

La domination des GPU du marché

Les chiffres décrivent un point de départ sans ambiguïté. Selon plusieurs analyses de marché convergentes, Nvidia contrôle de l'ordre de 80 % à plus de 90 % du marché des accélérateurs d'IA en 2025, selon la méthode de mesure retenue. La fourchette varie parce que certains comptent en revenus, d'autres en unités, d'autres encore en charges de travail hébergées dans le nuage. Un rapport de Futurum Group situe la part de Nvidia sur les GPU de centres de données à plus de 90 % au premier trimestre 2025 ; une autre estimation, en fin d'année, retient environ 86 % du marché des accélérateurs.

Cette position se traduit dans les comptes. Le chiffre d'affaires de la division centres de données de Nvidia a atteint, d'après les données financières publiées, un niveau de l'ordre de 194 milliards de dollars sur son exercice fiscal 2026. Les marges brutes, comprises selon les rapports entre environ 73 et 79 % au niveau de l'entreprise (avec des pointes proches de 88 % estimées pour certaines puces phares comme le H100, selon des analyses de coûts de production publiées dans la presse spécialisée), illustrent la rareté relative de l'offre face à une demande soutenue. Ces éléments dessinent le contexte dans lequel s'inscrit tout arbitrage sur le silicium : partir du fournisseur dominant, ou construire une alternative.

Le véritable rempart de Nvidia ne tient pas seulement au matériel, mais à près de deux décennies d'écosystème logiciel accumulé — bibliothèques, outils, optimisation des cadriciels — dont le coût de remplacement dépasse souvent l'avantage de performance recherché.

La montée des puces maison

En parallèle, chaque grand hébergeur a développé son propre silicium. Google fut le pionnier avec ses TPU (Tensor Processing Units), dont les premières générations remontent au milieu des années 2010. La septième génération, baptisée Ironwood et annoncée lors de la conférence Cloud Next en avril 2025, est devenue disponible fin 2025. Chaque puce Ironwood délivre, selon les spécifications communiquées, de l'ordre de 4 600 téraflops en format FP8, avec 192 Go de mémoire HBM3E, et repose sur le procédé N3P de TSMC.

Amazon poursuit une trajectoire comparable avec ses puces Trainium, dédiées à l'entraînement, et Inferentia, dédiées à l'inférence. La troisième génération, Trainium3, présentée fin 2025 lors de l'événement re:Invent, constitue le premier composant d'AWS gravé en 3 nanomètres. Meta développe de son côté sa famille MTIA (Meta Training and Inference Accelerator), dont la deuxième génération est arrivée en 2024. Microsoft, entré plus tard dans cette course, a lancé sa série Maia à partir de fin 2023, avec des générations ultérieures dédiées à ses charges internes et à celles de ses partenaires.

Un trait commun réunit ces quatre programmes : aucune de ces puces n'est vendue ni louée à l'extérieur. Elles restent captives de leurs concepteurs. Un client qui n'est ni Amazon, ni Google, ni Microsoft, ni Meta n'y a tout simplement pas accès directement. Cette caractéristique éclaire déjà une partie de la logique à l'œuvre : le silicium maison est d'abord un outil interne, pas un produit à vendre.

La lecture : ce que révèle l'arbitrage du silicium

Au-delà des spécifications, ce choix entre puces maison et puces du marché peut se lire comme un révélateur de la stratégie de chaque acteur. Plusieurs grilles d'analyse coexistent ; en voici une, présentée comme une interprétation possible parmi d'autres.

Une question d'économie à grande échelle

Concevoir une puce coûte cher. Les frais d'ingénierie, de conception, de validation et de production initiale se chiffrent en centaines de millions de dollars, sans compter le temps — plusieurs années entre l'idée et le silicium en production. Une telle dépense ne se justifie que si le volume d'utilisation est suffisant pour l'amortir. C'est précisément la situation des hyperscalers : ils font tourner leurs propres modèles à une échelle colossale, sur des millions de requêtes quotidiennes. Pour eux, chaque point de pourcentage gagné sur le coût du calcul se traduit en économies substantielles, répétées à l'infini.

On peut lire dans cette logique une forme classique d'intégration verticale. Plutôt que de payer la marge d'un fournisseur externe — marge qui, on l'a vu, se compte en dizaines de points de pourcentage — l'entreprise internalise une partie de la valeur. Elle échange une dépense d'exploitation prévisible contre un investissement lourd et un risque technologique, en pariant que la maîtrise du matériau lui rapportera davantage sur la durée.

L'ampleur du phénomène se mesure aussi côté fournisseurs de conception. Le marché de la co-conception d'accélérateurs sur mesure représente déjà, d'après les estimations rapportées par la presse spécialisée, plusieurs milliards de dollars annuels, et les projections d'analystes le voient croître nettement d'ici la prochaine décennie. Ce dynamisme confirme, s'il en était besoin, que le silicium maison n'est pas un phénomène marginal mais une tendance de fond, portée par la recherche d'un meilleur rapport entre capital investi et calcul obtenu. Reste que ces projections, comme toute anticipation de marché, restent entourées d'incertitude et doivent être lues avec précaution.

Cette croissance ne signifie pas pour autant que les GPU du marché perdraient du terrain en valeur absolue. Le gâteau global du calcul grossit si vite que puces maison et puces du marché peuvent progresser simultanément, chacune sur son segment. On assiste moins à un transfert d'un camp vers l'autre qu'à un élargissement de l'ensemble, où de nouvelles catégories de silicium trouvent leur place à côté des GPU sans nécessairement les supplanter. Cette lecture invite à la prudence : la montée du sur-mesure décrit une diversification du paysage, pas le déclassement d'une technologie au profit d'une autre.

Le sur-mesure comme avantage technique

Une puce généraliste doit satisfaire de nombreux usages. Une puce sur mesure, elle, peut être taillée pour un profil de charge précis. Un hébergeur qui connaît exactement les modèles qu'il va faire tourner peut optimiser l'architecture, la mémoire et les interconnexions pour ces cas d'usage. Cette adéquation fine peut se traduire par un meilleur rendement énergétique et une efficacité accrue sur les tâches ciblées — deux paramètres devenus décisifs à mesure que la consommation électrique des centres de données grimpe.

• Efficacité énergétique : une puce conçue pour un type de calcul donné peut consommer moins pour un résultat équivalent, un enjeu de coût autant que de logistique électrique.
• Optimisation logicielle intégrée : le concepteur maîtrise à la fois le matériel et la pile logicielle qui tourne dessus, ce qui autorise des ajustements impossibles avec une puce tierce.
• Prévisibilité de l'approvisionnement : disposer de sa propre chaîne réduit l'exposition aux pénuries et aux files d'attente qui touchent périodiquement les GPU les plus demandés.

Entraînement et inférence : deux besoins, deux calculs

Un point mérite d'être approfondi, car il structure une grande partie de l'arbitrage. Le calcul de l'IA se répartit entre deux phases distinctes. L'entraînement consiste à construire le modèle à partir de vastes ensembles de données : c'est une opération intensive, concentrée dans le temps, qui mobilise d'énormes grappes de puces pendant des semaines ou des mois. L'inférence, elle, correspond à l'usage quotidien du modèle une fois entraîné : répondre à une requête, générer un texte, analyser une image. Elle se répartit sur des milliards d'appels, en continu, à longueur d'année.

Cette distinction change la donne économique. À mesure que les modèles se déploient auprès de larges publics, la part de l'inférence dans la facture totale de calcul tend à croître fortement. Or l'inférence se prête particulièrement bien à l'optimisation par puce sur mesure : les charges sont plus prévisibles, plus répétitives, et un composant taillé pour elles peut abaisser sensiblement le coût unitaire. On comprend mieux, dès lors, pourquoi Amazon a séparé Trainium (entraînement) d'Inferentia (inférence), et pourquoi plusieurs acteurs concentrent leurs efforts de silicium maison sur la phase d'inférence, la plus volumineuse dans la durée.

Une lecture possible : le terrain le plus disputé n'est pas forcément celui de l'entraînement des modèles les plus puissants, où la performance brute prime, mais celui de l'inférence à grande échelle, où chaque fraction de centime économisée sur une requête se démultiplie. C'est là que le calcul de rentabilité d'une puce maison devient le plus favorable, et c'est probablement là que se jouera une part importante de la concurrence des prochaines années.

L'allègement d'une dépendance

Un dernier ressort, souvent évoqué, tient à l'autonomie stratégique. Dépendre à 80 ou 90 % d'un seul fournisseur pour une ressource aussi critique que le calcul place une entreprise dans une situation de vulnérabilité : sur les prix, sur les délais, sur les priorités d'allocation. Développer une puce maison, même si elle ne couvre qu'une fraction des besoins, offre une marge de manœuvre. Elle fournit un point d'appui dans les négociations et une police d'assurance contre les aléas d'un approvisionnement concentré.

Cette lecture ne doit toutefois pas être poussée trop loin. Aucun des grands hébergeurs n'a réellement tourné le dos aux GPU du marché. Tous continuent d'en acheter en volume, y compris ceux qui investissent le plus dans leur propre silicium. Le silicium maison apparaît davantage comme un complément que comme un remplacement — une manière d'équilibrer un portefeuille plutôt que d'en changer radicalement la composition.

La mise en perspective : quatre trajectoires, un même carrefour

Comparer les positions des principaux acteurs éclaire la diversité des réponses apportées au même problème. Le tableau ci-dessous synthétise, à titre indicatif, les grandes orientations observées. Les chiffres de performance renvoient aux spécifications communiquées par les fabricants et peuvent varier selon les conditions de mesure.

Acteur	Puce maison	Génération récente	Recours aux GPU du marché
Google	TPU	Ironwood (v7), annoncée avril 2025	Complémentaire
Amazon (AWS)	Trainium / Inferentia	Trainium3, fin 2025 (3 nm)	Important, en parallèle
Meta	MTIA	2ᵉ génération, 2024	Massif
Microsoft	Maia	Série lancée fin 2023, générations ultérieures	Central
Nombre d'autres acteurs	Aucune (ou en projet)	—	Prépondérant

Google : le pari de la profondeur

Google est l'acteur ayant investi le plus tôt et le plus profondément dans le silicium maison. Ses TPU alimentent aussi bien ses propres modèles Gemini que les services proposés à ses clients de cloud. Cette antériorité lui confère une maturité que les autres cherchent encore à rattraper. On peut lire dans la démarche de Google une volonté de maîtriser toute la chaîne, du composant jusqu'au produit final — une intégration verticale poussée à son terme.

Fait notable, cette maîtrise commence à déborder du périmètre interne. Des accords récents ont vu la capacité TPU proposée à des tiers via des partenariats. En avril 2026, un engagement portant sur environ 3,5 gigawatts de capacité TPU de nouvelle génération a été formalisé au bénéfice d'Anthropic, concepteur de l'assistant Claude, dans le cadre d'un accord impliquant également Broadcom. Ce mouvement suggère que la frontière entre puce captive et puce commercialisable n'est pas aussi étanche qu'il y paraît.

Amazon : l'entraînement et l'inférence séparés

La stratégie d'AWS se distingue par une spécialisation assumée : Trainium pour l'apprentissage, Inferentia pour l'inférence. Cette séparation reflète une réalité économique — les deux phases n'ont pas les mêmes contraintes, et une puce optimisée pour chacune peut se révéler plus efficace qu'un composant polyvalent. Avec Trainium3 gravé en 3 nanomètres, AWS a franchi une étape technologique qui le rapproche des procédés les plus avancés.

Là encore, la puce maison cohabite avec une offre de GPU du marché. AWS reste un fournisseur majeur d'instances équipées de processeurs Nvidia, y compris pour des clients qui, par ailleurs, utilisent Trainium. Anthropic, par exemple, fait tourner ses modèles sur un éventail de matériels combinant Trainium, TPU de Google et GPU Nvidia — une illustration concrète du fait que ces choix ne sont pas mutuellement exclusifs.

Meta et Microsoft : entre construction et achat

Meta et Microsoft occupent une position intermédiaire. Tous deux développent leur silicium — MTIA d'un côté, Maia de l'autre — tout en demeurant parmi les plus gros acheteurs de GPU du marché. Leur pari peut se lire comme une couverture progressive : construire une capacité interne qui monte en puissance génération après génération, sans dépendre entièrement de cette capacité pour leurs besoins immédiats.

Des informations de presse ont fait état, en 2026, de discussions explorant l'usage de TPU de Google par Meta pour une partie de ses charges. Que ces échanges aboutissent ou non, ils traduisent une réalité de fond : même un acteur disposant de sa propre puce continue d'évaluer les alternatives disponibles. La logique n'est pas idéologique, mais économique et opérationnelle — prendre la meilleure option pour chaque besoin.

Les partenaires invisibles : Broadcom et TSMC

Un aspect souvent négligé de cet arbitrage mérite d'être mis en lumière. Concevoir une puce maison ne signifie pas la fabriquer soi-même, ni même la dessiner entièrement seul. Deux acteurs, discrets aux yeux du grand public, jouent un rôle structurant dans l'ensemble de cette dynamique.

Broadcom, l'architecte de l'ombre

Broadcom co-conçoit une large part des puces sur mesure des hyperscalers. L'entreprise apporte son expertise en conception de circuits intégrés spécifiques (ASIC) et en interconnexions, traduisant l'intention architecturale d'un client en silicium fonctionnel. Selon les résultats financiers publiés par Broadcom, son activité liée à l'IA (semi-conducteurs sur mesure et mise en réseau) a généré environ 20 milliards de dollars de revenus sur l'exercice fiscal 2025 (clos début novembre 2025), en progression par rapport aux 12,2 milliards de l'exercice précédent, en servant plusieurs grands clients dont Google et Meta.

Avec son concurrent Marvell, Broadcom contrôlerait, d'après les mêmes sources, une part très majoritaire du marché de la co-conception d'accélérateurs d'IA sur mesure. Certaines projections d'analystes situent la part de Broadcom autour de 60 % de ce marché à l'horizon 2027, Marvell suivant autour de 25 %. Ces chiffres, à considérer avec la prudence d'usage pour des prévisions, illustrent une concentration frappante : derrière la diversité apparente des puces maison se cache un petit nombre de partenaires de conception communs.

Une lecture possible : la course au silicium maison n'a pas tant réduit les dépendances qu'elle les a déplacées — du fournisseur de GPU vers un cercle restreint de concepteurs d'ASIC et un fondeur unique.

TSMC, le goulet d'étranglement commun

C'est le second point d'ancrage, et sans doute le plus universel. Que la puce soit un GPU Nvidia, un TPU Google ou un Trainium d'Amazon, elle est en pratique fabriquée par le même fondeur : TSMC. Le taïwanais grave les composants les plus avancés et, surtout, maîtrise l'assemblage complexe qui les rend utilisables. Sa technologie de conditionnement avancé, connue sous le nom de CoWoS, est devenue l'un des maillons les plus critiques de toute la chaîne d'approvisionnement de l'IA.

La raison est concrète : sans ce conditionnement, un accélérateur moderne n'est qu'un ensemble de puces isolées, incapables de fonctionner ensemble. La capacité de CoWoS constitue de ce fait un point de passage obligé, et une ressource disputée. Des rapports indiquent que Nvidia a réservé une part majoritaire de la capacité la plus avancée, ce qui contraint mécaniquement les programmes concurrents. TSMC augmente fortement cette capacité — avec un rythme de croissance annuel de l'ordre de 80 % selon certaines estimations — sans que la demande ne faiblisse pour autant.

Ce constat relativise l'idée d'une pleine autonomie. Choisir sa propre puce libère d'une dépendance à un vendeur de processeurs, mais reconduit une dépendance à un fondeur et à un conditionnement partagés par tous. L'indépendance obtenue est donc partielle : elle porte sur la conception et l'usage, moins sur la fabrication physique.

L'énergie, arbitre silencieux du silicium

Une variable pèse de plus en plus lourd dans cet arbitrage : l'électricité. Les centres de données consacrés à l'IA consomment des quantités d'énergie qui croissent au rythme des déploiements. Cette réalité déplace une partie du raisonnement du seul coût d'achat des puces vers leur coût d'exploitation sur la durée. Une puce qui délivre le même résultat en consommant moins devient un atout compétitif, non plus seulement technique mais économique et logistique.

C'est précisément un terrain où le sur-mesure peut faire la différence. En taillant l'architecture pour ses charges réelles, un concepteur peut viser un meilleur rapport entre travail utile et énergie dépensée. Google a d'ailleurs mis en avant, pour sa génération Ironwood, des gains d'efficacité énergétique par rapport aux générations précédentes — un argument révélateur de l'importance prise par ce critère. Là où la puissance brute dominait les comparaisons il y a quelques années, l'efficacité par watt s'impose désormais comme un indicateur central.

On peut y voir une inflexion notable de la logique concurrentielle. Le nerf de la guerre n'est plus seulement d'aligner le plus de calcul, mais d'en tirer le maximum pour chaque unité d'énergie et chaque mètre carré de centre de données. Dans cette perspective, la maîtrise du silicium devient un levier direct sur la contrainte électrique, qui figure parmi les plus structurantes du secteur. Un acteur capable d'optimiser finement sa puce pour ses propres modèles dispose là d'un avantage difficile à répliquer pour qui achète du matériel standard.

À mesure que l'électricité devient la ressource rare, l'efficacité énergétique d'une puce cesse d'être un argument secondaire pour devenir un axe de différenciation aussi décisif que la performance elle-même.

Les limites et les nuances de l'arbitrage

Aucune des deux voies n'est intrinsèquement supérieure. Chacune répond à un contexte, à une échelle, à une temporalité. Il est utile de rappeler les contreparties de chaque option, pour éviter une lecture trop tranchée.

Le coût caché du silicium maison

Construire sa puce, c'est aussi construire tout ce qui l'entoure : le logiciel qui l'exploite, les outils de développement, la documentation, la formation des équipes. C'est précisément là que réside l'un des atouts durables des GPU du marché. L'écosystème logiciel qui accompagne les puces Nvidia s'est constitué sur près de deux décennies. Le reproduire pour une puce maison représente un effort considérable, rarement visible dans les seules spécifications matérielles.

Une puce peut être excellente sur le papier et décevoir en pratique si les outils qui l'entourent manquent de maturité. C'est un frein réel à l'adoption, y compris en interne, où les équipes doivent être convaincues de migrer vers un environnement moins rodé. Cette friction explique pourquoi les GPU du marché conservent une place centrale même chez ceux qui investissent le plus dans leur propre silicium.

Ce facteur logiciel éclaire aussi la place particulière d'AMD. Concurrent le plus sérieux de Nvidia sur les GPU, le fabricant progresse en matériel mais doit encore combler l'écart d'écosystème logiciel. Sa montée en puissance illustre une réalité : la barrière n'est pas seulement d'assembler du silicium performant, mais de fournir la couche logicielle qui permet aux développeurs de l'exploiter sans effort de portage. Tant que cet environnement reste plus mince que celui du fournisseur dominant, l'adoption progresse lentement, même à performance matérielle comparable. C'est un rappel utile : dans cette industrie, le matériel ne se sépare jamais du logiciel qui lui donne vie.

Pour les hyperscalers, ce constat vaut avec la même force sur leur propre silicium. Concevoir une puce, c'est aussi s'engager à faire vivre, sur plusieurs générations, la pile logicielle qui la sert — compilateurs, bibliothèques, intégration aux cadriciels d'apprentissage. Cet engagement de long terme fait partie du calcul initial, et il explique que le silicium maison reste, pour l'instant, l'apanage d'un petit nombre d'acteurs disposant à la fois de l'échelle et des équipes nécessaires pour le soutenir dans la durée.

Le risque de l'immobilisme et celui de la précipitation

Pour un acteur qui n'a pas l'échelle d'un hyperscaler, concevoir une puce maison serait rarement rationnel : les volumes ne suffiraient pas à amortir l'investissement. S'appuyer sur les GPU du marché reste alors la décision la plus sensée, quitte à en accepter le coût et la dépendance. À l'inverse, un hyperscaler qui négligerait le silicium maison prendrait le risque de subir durablement la structure de coûts d'un fournisseur en position de force.

L'arbitrage dépend donc étroitement de la position de départ. Il n'existe pas de réponse unique valable pour tous. Ce qui vaut pour un géant du nuage traitant des milliards de requêtes ne vaut pas pour une entreprise plus modeste dont les besoins, bien que réels, n'atteignent pas ce seuil critique. La bonne décision est contextuelle, et elle évolue avec l'échelle et la maturité de chaque acteur.

Une frontière mouvante

Enfin, la ligne de partage entre puce captive et puce du marché se déplace. Les accords récents ouvrant l'accès aux TPU de Google à des tiers montrent qu'une puce d'abord conçue pour un usage interne peut, sous certaines conditions, s'ouvrir à l'extérieur. Symétriquement, la mise en réseau de puces sur mesure avec les technologies d'interconnexion de Nvidia, évoquée dans certains partenariats, brouille la distinction entre « fait maison » et « acheté ». Le paysage n'est pas figé en deux camps étanches, mais fait de combinaisons évolutives.

Ce qu'on peut en retenir

Le choix du silicium n'est pas une simple ligne budgétaire : c'est une décision qui engage la trajectoire de long terme. Concevoir sa propre puce ou s'appuyer sur celles du marché revient à arbitrer entre autonomie et rapidité, entre investissement lourd et souplesse, entre maîtrise et écosystème éprouvé. Chaque acteur a répondu selon sa taille, son historique et ses ambitions.

Quelques enseignements se dégagent de cette analyse, sans prétendre à la certitude. D'abord, les deux voies coexistent bien plus qu'elles ne s'opposent : même les champions du silicium maison restent d'importants clients des GPU du marché. Ensuite, l'autonomie recherchée est réelle mais partielle : elle se heurte à la concentration des concepteurs d'ASIC et à la dépendance commune envers un fondeur unique et son conditionnement. Enfin, l'avantage d'un fournisseur ne se résume pas à ses puces, mais tient tout autant à l'écosystème logiciel patiemment bâti autour d'elles.

On peut lire dans cette rivalité entre puces maison et puces du marché une dynamique saine de diversification. Elle stimule l'innovation, elle répartit mieux les risques, elle offre aux acteurs des points d'appui supplémentaires. Elle ne signe pas la fin d'un modèle au profit d'un autre, mais l'installation durable d'une pluralité de choix. Pour qui observe l'intelligence artificielle sous l'angle des chiffres et des positions, ce carrefour du silicium mérite une attention soutenue : c'est là, en amont des modèles et des applications, que se jouent une part des équilibres à venir.

Sources

• Tom's Hardware — The custom AI ASIC state of play (Broadcom, Google TPUs, Meta MTIA)
• CNBC — Comparing top AI chips: Nvidia Blackwell, Google TPUs, AWS Trainium
• Spheron Blog — Hyperscaler Custom AI Chips: Trainium 3, TPU, Maia 200, MTIA vs NVIDIA
• Silicon Analysts — NVIDIA AI Accelerator Market Share (2024-2026)
• Introl — NVIDIA dominance, CUDA moat, competition analysis (2025)
• Tom's Hardware — Broadcom to supply Anthropic with Google TPU capacity from 2027
• Next Waves Insight — TSMC advanced packaging (CoWoS) and the AI supply chain
• Anthropic — Expanded partnership with Google and Broadcom for compute