Mémoire unifiée
La mémoire unifiée (unified memory) est une conception dans laquelle le CPU et le GPU partagent un seul espace mémoire au lieu d'avoir chacun le leur. Sur les Mac Apple Silicon et les puces similaires, elle permet à un modèle d'IA local d'utiliser l'essentiel de la RAM du système comme mémoire GPU.
Aussi appelé : Apple Silicon memory, unified memory architecture, UMA
Par Divya Sharma · Vérifié le 15 nov. 2026 · Notre méthode
Sur un PC classique, le GPU a sa propre VRAM, distincte de la RAM système qu'utilise le CPU. Un modèle doit tenir dans la VRAM pour tourner vite, et les cartes graphiques grand public embarquent bien moins de VRAM qu'un ordinateur n'a de RAM. La mémoire unifiée supprime cette séparation : le CPU, le GPU et les autres processeurs de la puce lisent la même mémoire, sans copie d'un espace à l'autre.
Pourquoi c'est important pour l'IA locale
Apple a introduit la mémoire unifiée sur le Mac avec la puce M1 en 2020. Un Mac doté d'une grande quantité de mémoire unifiée peut charger un modèle qui demanderait sinon plusieurs GPU, ce qui a fait des Mac un choix populaire pour faire tourner de grands LLM locaux. Le framework MLX d'Apple est écrit pour cette conception, et llama.cpp, Ollama et LM Studio y tournent tous.
Limites
La capacité n'est pas la vitesse. La mémoire unifiée a généralement moins de bande passante que la VRAM d'un GPU dédié haut de gamme, et la vitesse de génération des grands modèles est surtout limitée par la bande passante : les tokens par seconde peuvent donc être plus faibles même quand le modèle tient en mémoire. Les cœurs GPU sont aussi plus lents que ceux d'une carte de centre de données, ce qui se voit sur les longs prompts. Le système d'exploitation garde une partie de la mémoire pour lui, si bien que tout n'est pas disponible pour le modèle. La mémoire est fixée à l'achat et ne peut pas être étendue.
Par rapport au CPU offloading
Le CPU offloading est un contournement sur les machines à mémoire séparée : les couches qui ne tiennent pas dans la VRAM sont gardées en RAM et tournent plus lentement. La mémoire unifiée évite cette séparation par conception.
Termes liés
- VRAM
- La VRAM est la mémoire d'une carte graphique. Pour l'IA, elle contient les poids du modèle, le KV cache et les données de travail, et le fait qu'un modèle tienne ou non dans la VRAM détermine généralement le GPU dont vous avez besoin pour le faire tourner.
- LLM local
- Un LLM local est un modèle de langage qui tourne sur votre propre ordinateur, téléphone ou serveur plutôt que via l'API cloud d'un fournisseur, de sorte que les prompts et les données restent sur votre matériel et qu'il fonctionne sans connexion internet.
- Déchargement sur le CPU
- Le déchargement sur le CPU (CPU offloading) permet de faire tourner un modèle qui ne tient pas dans la mémoire du GPU en gardant une partie de ses couches dans la RAM système, ou sur disque, et en utilisant le GPU pour le reste. Le modèle tourne, mais plus lentement.
- GPU
- Un GPU (graphics processing unit, processeur graphique) est un processeur doté de nombreux petits cœurs conçus pour exécuter beaucoup de calculs en parallèle. Sa rapidité en calcul matriciel en fait le matériel standard pour entraîner et faire tourner les modèles d'IA.
- Tokens par seconde
- Les tokens par seconde (tokens per second, tok/s) mesurent la vitesse à laquelle un modèle de langage produit sa sortie. Le chiffre est donné soit par utilisateur, la vitesse à laquelle une réponse s'affiche en streaming, soit pour l'ensemble du système, la sortie totale de toutes les requêtes simultanées.