Partie 6 · Domaines d'application

Le GPU ailleurs que dans l'intelligence artificielle. Cette partie est plus courte et plus large : elle donne pour chaque domaine la structure du problème, les bibliothèques de référence, et ce qui marche ou non.

---

Pourquoi cette partie existe

Ce document consacre son cœur à l'IA parce que c'est là que se fait l'innovation en programmation GPU en 2026. Mais le GPU a vingt ans d'histoire dans d'autres domaines, et trois raisons rendent cette partie utile :

1. Les motifs se transfèrent. Le pavage en tuiles vient du rendu, les réductions du calcul scientifique, les scans du tri parallèle.
2. Vous travaillerez peut-être dans ces domaines. L'IA n'est pas le seul employeur.
3. Les limites du GPU s'y voient mieux. Le chapitre 6 est probablement le plus utile de la partie : savoir ce qui ne va pas sur GPU évite des mois perdus.

---

Ordre de lecture

Cette partie se lit à la carte. Le chapitre 6 est recommandé à tous.

1 · Graphique temps réel

D'où vient le GPU. Pipeline de rasterisation, ray tracing et RT cores, compute shaders, et le Gaussian splatting comme exemple moderne de convergence graphique/calcul.

2 · Calcul scientifique

Dynamique moléculaire, mécanique des fluides, climat, méthodes de Monte-Carlo. Ce qui s'accélère bien, ce qui résiste, et la question du FP64.

3 · Données et bases de données

RAPIDS, jointures et agrégations sur GPU, tri, recherche vectorielle. Et la contrainte qui domine tout : la capacité mémoire.

4 · Signal et image

FFT, convolutions, filtres, encodage vidéo, vision par ordinateur. Le domaine où les unités à fonction fixe comptent autant que les unités programmables.

5 · Finance et cryptographie

Monte-Carlo pour la valorisation d'options, calcul de risque, et le cas particulier des primitives cryptographiques.

6 · Ce qui ne va pas sur GPU

Le chapitre le plus utile. Sept classes de problèmes qui résistent, pourquoi, et ce qu'on peut en faire malgré tout.

---

Le tableau de synthèse

Domaine	Accélération typique	Facteur limitant
Rendu 3D temps réel	conçu pour	—
Dynamique moléculaire	10× à 100×	interactions à longue portée
Mécanique des fluides	5× à 50×	solveurs implicites, communication
Algèbre dense	20× à 100×	rien, c'est le cas idéal
Algèbre creuse	2× à 10×	accès irréguliers
FFT	10× à 50×	bande passante
Tri, scan	10× à 30×	bande passante
Jointures de bases de données	10× à 50×	capacité mémoire
Traitement d'image	20× à 200×	transferts
Monte-Carlo financier	20× à 100×	génération de nombres aléatoires
Compilation, parsing	~1× ou moins	contrôle irrégulier
Recherche en graphe	1× à 10×	irrégularité, dépendances

Comment lire ces chiffres

Ces accélérations comparent une implémentation GPU raisonnable à une implémentation CPU raisonnable, sur du matériel de gamme comparable. Elles varient énormément selon :

• la qualité de la ligne de base CPU (un CPU bien vectorisé et multithreadé est très rapide) ;
• la taille du problème ;
• le coût des transferts.

Les « 100× » annoncés dans les publications comparent souvent du GPU optimisé à du CPU mono-thread non vectorisé. Le facteur honnête est généralement 5 à 20× sur les problèmes réguliers, et proche de 1 sur les problèmes irréguliers.