CUDA vs ROCm sur un ordinateur portable d'occasion : pourquoi nous recommandons NVIDIA pour l'IA

Quand vous cherchez un ordinateur portable d’occasion pour l’IA, vous croiserez trois camps de GPU : NVIDIA (CUDA), AMD (ROCm) et Intel (Arc / oneAPI / NPU). Le marketing laisse entendre qu’ils sont interchangeables. Pour le travail d’IA sur un portable d’occasion, ils ne le sont pas. Ce guide explique pourquoi nous recommandons NVIDIA presque sans exception — et les rares cas où AMD ou Intel convient.

En bref : les logiciels d’IA sont conçus pour CUDA d’abord, tout le reste ensuite. Sur du matériel que vous achetez neuf et contrôlez précisément, les alternatives peuvent fonctionner. Sur le marché de l’occasion, où vous prenez la puce disponible et tournez sous Windows, le support universel de CUDA élimine toute une catégorie de risque du type « est-ce que ça va seulement tourner ? ».

Ce que sont CUDA, ROCm et oneAPI

• CUDA est la plateforme de calcul GPU de NVIDIA. Lancée en 2007, elle est depuis la cible par défaut des frameworks d’apprentissage profond. PyTorch, TensorFlow, llama.cpp, Ollama, ComfyUI et tout l’écosystème Stable Diffusion supposent que CUDA fonctionne.
• ROCm est la pile de calcul ouverte d’AMD — son équivalent de CUDA. Elle est performante sur les cartes prises en charge de centres de données et de haut de gamme bureautique, mais son support des GPU portables est limité et inégal, surtout sous Windows.
• oneAPI / IPEX / OpenVINO sont les piles de calcul et d’inférence d’Intel pour les GPU Arc et les NPU. Elles progressent vite mais restent plus jeunes et plus étroites que CUDA.

Pourquoi CUDA l’emporte sur le marché de l’occasion

1. Les logiciels supposent CUDA

Ouvrez presque n’importe quel tutoriel d’IA, image Docker ou fichier requirements.txt et il vise CUDA. Installez Ollama sur un portable NVIDIA et il trouve le GPU automatiquement. PyTorch livre des wheels CUDA officiels. ComfyUI, Automatic1111 et Forge attendent tous CUDA. Avec NVIDIA, la voie facile est la voie par défaut — vous passez votre temps sur le travail, pas à rendre le GPU visible pour le framework.

2. La couverture ROCm des portables est mince

Le ROCm d’AMD prend officiellement en charge une liste précise de GPU, fortement orientée vers les pièces de centres de données et de bureautique haut de gamme. La plupart des puces Radeon mobiles n’y figurent pas. Vous pouvez parfois faire tourner des modèles via DirectML, ZLUDA ou des forks communautaires, mais ils sont plus lents, cassent à chaque mise à jour et transforment une installation de cinq minutes en un après-midi de dépannage. Sur un portable d’occasion, vous ne choisissez pas toujours la révision exacte du GPU, donc vous pariez sur une compatibilité que vous ne pouvez pas garantir.

3. Intel Arc et les NPU sont prometteurs mais partiels

Intel Arc fonctionne avec PyTorch via IPEX et exécute bien l’inférence via OpenVINO, et les NPU des puces Core Ultra récentes accélèrent certaines fonctions d’IA de Windows. Mais la couverture des outils est incomplète, l’optimisation des performances est en cours, et la plupart des guides communautaires supposent encore CUDA. Pour une machine sur laquelle vous comptez aujourd’hui, c’est une friction inutile.

4. Revente et communauté

Parce que le monde fait tourner l’IA sur NVIDIA, l’aide que vous trouverez — réponses Stack Overflow, tickets GitHub, fils Discord — suppose CUDA. Quand quelque chose casse, la solution existe généralement déjà.

L’argument honnête pour AMD et Intel

Ce n’est pas une fidélité aveugle à une marque. Il existe de vrais cas où choisir autre chose que NVIDIA est le bon choix :

• Inférence CPU seule. Si votre plan se résume à de petits LLM sur le CPU et à des outils basés sur API (Copilot, Cursor), la marque du GPU est sans importance. Un portable AMD Ryzen avec un iGPU solide comme le ThinkPad T14 Gen 3 est un choix excellent, efficient et abordable — son Radeon 660M ne fera pas tourner CUDA, mais il n’était de toute façon jamais censé faire de l’IA sur GPU.
• Fonctions Windows AI PC. Les NPU Intel accélèrent les Studio Effects, les fonctions de type Recall et certaines tâches sur l’appareil. Si c’est votre cas d’usage plutôt qu’Ollama ou Stable Diffusion, Intel convient.
• Vous le possédez déjà. Si vous avez un portable à GPU AMD ou Intel, essayez DirectML ou IPEX avant d’acheter quoi que ce soit — pour des charges légères, cela peut suffire.

La règle est simple : pas d’IA sur GPU dédié → la marque importe peu ; toute IA sur GPU dédié → NVIDIA.

Ce que cela signifie à l’achat

Nos tests penchent vers NVIDIA pour les machines à dGPU exactement pour ces raisons. Si vous voulez Stable Diffusion accéléré par GPU, ComfyUI ou des LLM sur GPU, cherchez une NVIDIA RTX avec assez de VRAM pour vos modèles — et rappelez-vous que la VRAM est la spécification qui décide de ce qui tourne, quelle que soit la plateforme de calcul. De bons points de départ CUDA sur toute la gamme :

• IA sur GPU d’entrée : ThinkPad X1 Extreme Gen 4 (4 Go) pour SD 1.5 et les petits modèles.
• SDXL / 13B confortable : ASUS ROG Zephyrus G14 (8 Go).
• Fine-tuning / FLUX pleine précision : ThinkPad P15 Gen 2 (16 Go).

Et si votre charge de travail consiste en inférence CPU et appels API, n’achetez surtout pas trop de GPU — un portable AMD ou Intel intégré est l’option maligne et économique. Consultez notre guide d’achat d’un portable d’occasion pour l’IA pour adapter le matériel à la charge de travail.

FAQ

Puis-je exécuter Stable Diffusion sur un portable AMD Radeon ?

Parfois, mais rarement bien. Le support AMD ROCm sur les GPU Radeon mobiles est limité et inconstant sous Windows ; la plupart des puces Radeon grand public ne sont pas officiellement prises en charge. Vous pouvez recourir à DirectML ou ZLUDA, mais ces solutions sont plus lentes et tombent souvent en panne. Pour un Stable Diffusion fiable sur portable, une NVIDIA RTX d’occasion avec CUDA est le choix pragmatique.

ROCm fonctionne-t-il sous Windows ?

Le support de ROCm sous Windows s’est amélioré mais reste bien plus étroit que CUDA, tant pour les GPU pris en charge que pour la couverture logicielle. Beaucoup d’outils d’IA supposent CUDA et nécessitent des correctifs ou des forks non officiels pour tourner sur AMD. Sur le marché de l’occasion, où vous ne choisissez pas la puce exacte, cette incertitude est la raison pour laquelle nous recommandons NVIDIA.

Qu’en est-il d’Intel Arc et du NPU des portables récents ?

Les GPU Intel Arc fonctionnent avec PyTorch via Intel IPEX et OpenVINO, et les NPU Intel récents accélèrent certaines fonctions d’IA de Windows. Mais la couverture est partielle et l’écosystème est jeune. Pour les LLM locaux et Stable Diffusion sur une machine d’occasion aujourd’hui, CUDA bénéficie de loin du support le plus large et le mieux documenté.

Est-ce que je perds quelque chose en choisissant NVIDIA ?

Pour l’IA, presque rien — CUDA est la cible par défaut d’Ollama, llama.cpp, PyTorch, ComfyUI et Stable Diffusion, donc tout fonctionne simplement. Le principal compromis : les portables NVIDIA à dGPU chauffent davantage et coûtent un peu plus cher d’occasion que les machines AMD ou Intel intégrées. Pour l’inférence CPU seule, un portable iGPU AMD suffit ; pour tout travail d’IA sur GPU, NVIDIA.