Coincée par Washington, DeepSeek conçoit ses propres puces d’IA : une riposte qui redessine la rivalité technologique entre les États-Unis et la Chine

DeepSeek, jeune pousse de Hangzhou, prépare une étape de plus dans sa stratégie d’indépendance, concevoir ses propres puces d’IA. En toile de fond, les contrôles américains à l’export ont réduit l’accès des acteurs chinois aux GPU les plus avancés, poussant l’entreprise à optimiser ses modèles et son infrastructure. Le projet vise à sécuriser l’approvisionnement, mieux contrôler les coûts et limiter la dépendance à des fournisseurs soumis à des décisions géopolitiques.

À lire aussi :

• Pourquoi le score de 478 obtenu par une puce chinoise inconnue face au NVIDIA A100 sur la cartographie du cerveau redéfinit la course aux puces spécialisées
• Micron mise 9,3 milliards de dollars sur Hiroshima pour défier la concurrence asiatique et redonner au Japon son statut de puissance des puces mémoire

DeepSeek transforme l’embargo américain en contrainte d’ingénierie

Depuis 2022, les restrictions américaines sur l’export de GPU vers la Chine ont bouleversé l’économie de l’entraînement. Les puces haut de gamme, centrales pour les grands modèles, sont devenues plus difficiles à obtenir, plus chères, et surtout plus incertaines dans le temps. Pour DeepSeek, ce risque d’approvisionnement n’est pas un détail, c’est une variable de survie.

L’entreprise a déjà montré qu’elle savait composer avec des composants moins puissants. Elle a notamment utilisé des H800, versions bridées autorisées jusqu’à fin 2023, et des stocks acquis avant durcissement. Cette contrainte a encouragé un travail d’optimisation, sur la planification des calculs, la réduction des gaspillages et l’efficacité des entraînements.

Le fondateur Liang Wenfeng a reconnu que l’ embargo sur les puces haut de gamme constituait un obstacle majeur. Dans ce cadre, concevoir une puce interne devient une réponse logique, non pas pour battre Nvidia sur tous les fronts, mais pour garantir un socle minimal de calcul et éviter les ruptures.

Des chercheurs comme Jeffrey Ding (Université George Washington) soulignent que ces contraintes peuvent paradoxalement accélérer l’innovation, en forçant des modèles plus efficaces et moins coûteux. Le message implicite est simple, si l’accès aux meilleurs GPU se ferme, la compétition se déplace vers l’architecture logicielle, l’ingénierie système, puis la conception de matériel ciblé.

Des puces maison pour sécuriser coûts, stocks et calendrier produit

Fabriquer sa puce ne signifie pas tout faire seul. Pour une entreprise comme DeepSeek, l’objectif le plus crédible est de concevoir un accélérateur IA adapté à ses besoins, puis de s’appuyer sur un fondeur et une chaîne d’assemblage. Cette approche, déjà vue chez plusieurs géants du cloud, vise d’abord la prévisibilité, savoir combien de cartes seront disponibles, à quel prix, et à quelle date.

Le point sensible, c’est le coût total. Les GPU Nvidia sont chers, et les restrictions ajoutent une prime de rareté. Une puce interne peut réduire certains postes, comme l’intermédiation, l’adaptation logicielle tardive, ou la dépendance à des roadmaps externes. Mais elle ouvre d’autres dépenses, validation, packaging, cartes, refroidissement, et surtout logiciels bas niveau.

DeepSeek a aussi un intérêt technique, optimiser l’ensemble modèle, compilateur, réseau. Une puce pensée pour ses charges réelles, par exemple l’inférence à grande échelle ou l’entraînement d’un type précis d’architecture, peut offrir de meilleurs ratios performance par watt, même si la performance brute reste inférieure aux meilleures puces occidentales.

Ce choix répond enfin à une logique de calendrier. Quand un modèle sort, la disponibilité matérielle conditionne la capacité à le servir, à l’industrialiser, à le proposer en API. Une chaîne d’approvisionnement soumise à des décisions politiques peut casser ce rythme. En internalisant une partie du matériel, DeepSeek tente de reprendre la main sur sa cadence produit.

Open source et optimisation, la recette DeepSeek pour rivaliser sans GPU premium

DeepSeek s’est distingué avec des modèles jugés compétitifs pour un coût annoncé bien inférieur à celui de certains rivaux. L’entreprise a mis en avant des budgets de l’ordre de 6 millions de dollars pour des phases clés, en s’appuyant sur des puces disponibles et une ingénierie serrée. Dans un secteur où les chiffres d’entraînement se comptent souvent en dizaines, voire centaines de millions, l’effet de contraste est devenu un argument.

Le choix open source joue aussi un rôle concret. Il facilite l’adoption, accélère les retours techniques, et encourage des intégrations par des tiers, y compris hors de Chine. Face à des modèles plus fermés, cette stratégie augmente la diffusion et peut créer un écosystème de développeurs, de forks et d’optimisations qui bénéficient indirectement au modèle d’origine.

Sur le plan industriel, l’optimisation devient une arme. Moins de paramètres inutiles, meilleure utilisation des lots, planification fine des communications entre nuds, compression, quantification, tout ce qui réduit le coût de calcul. Dans ce contexte, une puce interne peut être pensée dès le départ pour ces techniques, au lieu de s’adapter à un GPU généraliste.

Cette dynamique n’efface pas les limites. Les meilleurs GPU restent déterminants pour certains entraînements massifs. Mais DeepSeek montre une autre voie, gagner sur l’efficacité et la diffusion, puis consolider l’ensemble avec du matériel plus contrôlable, même s’il n’est pas le plus rapide du marché.

Huawei, Nvidia, H800, le nouveau paysage des accélérateurs en Chine

Le projet de DeepSeek s’inscrit dans un mouvement plus large. Huawei, visé depuis des années par des sanctions américaines, a réorienté une partie de sa stratégie vers des solutions domestiques, y compris des accélérateurs et des piles logicielles associées. Pour les acteurs chinois, l’enjeu dépasse la performance, il porte sur la continuité d’activité.

Dans les faits, le marché chinois se structure autour de plusieurs options, acheter des puces autorisées, exploiter des stocks, basculer vers des accélérateurs locaux, ou combiner plusieurs générations. DeepSeek a déjà montré qu’il savait faire tourner des entraînements sur des puces moins performantes, ce qui réduit la dépendance à un seul composant.

Les contraintes se voient aussi dans la conception des modèles. Quand l’accès aux GPU premium se raréfie, l’entreprise doit arbitrer, taille des lots, durée d’entraînement, itérations, et coûts énergétiques. Une puce interne pourrait permettre de mieux coller à ces arbitrages, par exemple en ciblant l’inférence à grande échelle, souvent plus rentable à court terme que l’entraînement géant.

Pour situer le paysage, voici une comparaison simplifiée des options matérielles évoquées dans le débat public autour de DeepSeek, centrée sur l’accès et l’usage, plutôt que sur des performances théoriques.

Washington, Silicon Valley, et l’effet boomerang des contrôles à l’export

Ce dossier dépasse DeepSeek. À Washington, les contrôles à l’export visent à ralentir l’accès de la Chine aux composants critiques. Dans la Silicon Valley, l’apparition de modèles chinois compétitifs, développés sous contraintes, a alimenté une inquiétude plus visible qu’auparavant. Le choc tient moins à une annonce isolée qu’à l’idée qu’un acteur jeune peut combiner efficacité, diffusion et vitesse d’exécution.

Le cas DeepSeek met en lumière un mécanisme connu, une restriction peut réduire l’accès à court terme, mais accélérer la substitution à moyen terme. Concevoir une puce interne est l’étape la plus lourde de cette substitution, car elle demande des talents rares, des outils, des partenaires, et une capacité à itérer malgré des cycles longs.

Pour DeepSeek, l’enjeu immédiat est pragmatique, continuer à entraîner et servir des modèles sans dépendre d’un flux de GPU qui peut se tarir. Pour les États-Unis, l’enjeu devient plus délicat, calibrer des contrôles qui limitent certaines capacités sans déclencher une course à l’autonomie technologique encore plus rapide.

À court terme, le pari de DeepSeek se jouera sur des choix concrets, quels workloads viser, quelle compatibilité logicielle garantir, et comment industrialiser sans perdre l’avantage coût. Si l’entreprise parvient à livrer un accélérateur utile, même imparfait, elle gagnera surtout une chose rare dans l’IA, la maîtrise de son propre goulot d’étranglement matériel.