RéponsesPublié28 sources
DeepSeek, Z.ai et Moonshot AI redéfinissent le défi chinois dans l’IA
DeepSeek R1, GLM 5.2 et Kimi K3 élargissent la définition de la performance en IA : le coût d’inférence, l’ouverture des poids et l’accès des développeurs comptent désormais autant que les scores aux benchmarks. Liang Wenfeng mise sur l’efficacité et une recherche de long terme vers l’AGI ; Tang Jie relie la recherc...
Publié parModifié avec GPT-5.6 LunaImages générées avec GPT Image 1.5
Réponse de recherche
Points clés à retenir
- DeepSeek R1, GLM 5.2 et Kimi K3 élargissent la définition de la performance en IA : le coût d’inférence, l’ouverture des poids et l’accès des développeurs comptent désormais autant que les scores aux benchmarks.
- Liang Wenfeng mise sur l’efficacité et une recherche de long terme vers l’AGI ; Tang Jie relie la recherche de Tsinghua aux usages professionnels ; Yang Zhilin parie sur le très long contexte et les modèles à grande é...
- La Chine n’a pas démontré qu’elle avait dépassé la Silicon Valley, mais ces trois entreprises ont fragilisé l’idée que l’IA de pointe devait être fermée, hors de prix et exclusivement américaine.
- Le calcul disponible, la commercialisation, la fiabilité des évaluations, la confiance et l’accès aux marchés mondiaux restent les principaux obstacles.
Prompt IA
openai.comCreate a landscape editorial hero image for this Studio Global article: How have Liang Wenfeng of DeepSeek, Tang Jie of Z.ai (formerly Zhipu AI), and Yang Zhilin of Moonshot AI driven China’s challenge to Silicon. Article summary: Liang Wenfeng, Tang Jie, and Yang Zhilin have made China’s AI challenge credible by pairing frontier-capability claims with open-weight releases and aggressive cost/performance competition. Their strategy gives developer. Topic tags: general, general web, user generated, news, government. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, watermar
La portée de Liang Wenfeng, Tang Jie et Yang Zhilin ne tient pas seulement au fait que trois entrepreneurs chinois ont lancé des modèles d’IA très visibles. Avec DeepSeek, Z.ai et Moonshot AI, ils ont élargi la définition même de la compétition de pointe : une IA doit désormais être évaluée selon ses capacités, mais aussi selon son degré d’ouverture, son coût d’utilisation, son accessibilité pour les développeurs et la puissance de calcul nécessaire à son fonctionnement.
Cela ne prouve pas que la Chine a dépassé la Silicon Valley. En revanche, le marché de l’IA est clairement moins exclusivement américain qu’auparavant. Un modèle n’a pas besoin d’être fermé, extrêmement coûteux ou soutenu par un géant technologique américain coté en Bourse pour influencer les attentes mondiales.
Trois fondateurs, trois voies vers l’IA de pointe
Liang Wenfeng : le pari de l’efficacité avec DeepSeek
Liang Wenfeng a étudié l’ingénierie électronique et des communications à l’université du Zhejiang avant de cofonder High-Flyer, un fonds spéculatif quantitatif utilisant l’intelligence artificielle. Il a créé DeepSeek en 2023, en apportant à la recherche sur les modèles de fondation une culture issue de la finance : optimisation mathématique et recherche d’efficacité dans l’utilisation des ressources informatiques. 41
44
La sortie de DeepSeek-R1, en janvier 2025, a constitué le tournant décisif de l’entreprise. Distribué avec des poids téléchargeables, ce modèle de raisonnement s’est présenté comme une solution moins coûteuse que les principaux systèmes propriétaires. Les affirmations de DeepSeek sur ses coûts et ses performances ne peuvent pas remplacer à elles seules des évaluations indépendantes, mais elles ont suffi à remettre en question les hypothèses des investisseurs sur l’économie de l’entraînement et de l’inférence des modèles d’IA. 17
22
26
La réaction des marchés a été spectaculaire. Nvidia a perdu 593 milliards de dollars de capitalisation en une seule séance, les investisseurs se demandant si l’IA de pointe nécessitait réellement les budgets matériels gigantesques et toujours croissants que supposait une grande partie du secteur. Le recul s’est partiellement inversé peu après : il faut donc y voir surtout une révision brutale des anticipations, et non la preuve que la demande pour les puces avancées avait disparu. 17
18
La philosophie de Liang est tout aussi singulière. Reuters a rapporté qu’il avait décrit la priorité de DeepSeek comme la recherche d’une intelligence artificielle générale — l’AGI, c’est-à-dire une IA capable d’accomplir une large variété de tâches — plutôt que la maximisation des profits à court terme. Il aurait également indiqué que l’entreprise devrait probablement conserver ses modèles les plus avancés en accès ouvert. 33 Les informations disponibles ne permettent toutefois pas d’établir avec certitude le financement total de DeepSeek, sa valorisation, ses projets d’introduction en Bourse ou la fortune personnelle de Liang.
Tang Jie : de la recherche universitaire aux entreprises avec Z.ai
Tang Jie est professeur d’informatique à l’université Tsinghua et cofondateur ainsi que chef scientifique de Z.ai, anciennement connue sous le nom de Zhipu AI. L’entreprise est issue de travaux de recherche menés à Tsinghua, à Pékin, et a été créée en 2019. Elle a commencé à publier sa famille de modèles GLM en 2021. 49
50
La stratégie de Z.ai est plus institutionnelle que celle de DeepSeek : elle associe une base universitaire à des ambitions commerciales et professionnelles. Ses modèles GLM mettent de plus en plus l’accent sur le raisonnement, le code, l’utilisation d’outils et les flux de travail dits « agentiques », dans lesquels l’IA peut enchaîner plusieurs actions. Le Center for AI Standards and Innovation du gouvernement américain a indiqué que GLM-5.2 avait été publié comme modèle à poids ouverts le 16 juin 2026. 49
Tang a estimé que l’arrivée de DeepSeek-R1 avait marqué la fin d’une première phase centrée sur la conversation et que le code ainsi que le raisonnement deviendraient plus importants avec le développement des agents. 52 Cette analyse permet de comprendre le positionnement de Z.ai : l’entreprise ne cherche pas seulement à produire un chatbot agréable à utiliser, mais des modèles capables de traiter des tâches longues et d’interagir avec des logiciels.
Z.ai illustre aussi le passage d’un laboratoire de recherche privé à une entreprise présente sur les marchés financiers. Selon plusieurs informations, elle avait levé environ 1,25 milliard de dollars avant son introduction en Bourse, à la mi-2025. Le rapport public américain indique qu’elle a réalisé son IPO à Hong Kong le 8 janvier 2026. 49
50 Les estimations de sa valeur varient fortement et ne doivent donc pas être considérées comme définitives ou équivalentes. Les éléments fiables disponibles ne suffisent pas non plus à évaluer la fortune personnelle de Tang.
Yang Zhilin : le pari du très long contexte de Moonshot AI
Yang Zhilin a étudié à l’université Tsinghua avant d’obtenir un doctorat à l’université Carnegie Mellon, aux États-Unis. Des articles de presse font également état d’expériences de recherche chez Google et Meta avant la création de Moonshot AI à Pékin, en 2023. 2
7
12
Moonshot s’est d’abord fait connaître avec Kimi, dont l’identité était étroitement associée aux interactions dans de très longues fenêtres de contexte. Son modèle Kimi K3 a prolongé cette stratégie avec un système à poids ouverts de très grande taille : les sources le décrivent comme un modèle « mixture-of-experts » de 2,8 billions de paramètres, doté d’une fenêtre de contexte pouvant atteindre un million de tokens. 1
5
Les poids de K3 ont été publiés après la mise à disposition du modèle dans les produits et l’API de Moonshot. L’entreprise relie ainsi une activité de chatbot grand public à une stratégie plus large de plateforme pour les développeurs. 2 La taille du modèle est impressionnante, mais le nombre de paramètres ne permet pas, à lui seul, de mesurer l’intelligence, le coût d’exploitation ou l’utilité réelle d’un système. Les classements indépendants facilitent les comparaisons, mais ils fluctuent et ne remplacent pas des tests portant sur la fiabilité, le code, la sécurité et les performances dans des tâches d’agents concrètes.
Les chiffres de financement de Moonshot sont eux aussi mouvants. TechCrunch a rapporté une levée d’environ 2 milliards de dollars à une valorisation de 20 milliards en mai 2026. Des articles ultérieurs ont évoqué une valorisation potentielle supérieure à 30 milliards de dollars et la préparation d’une éventuelle cotation à Hong Kong. Il s’agit d’estimations du marché privé, et non de valorisations auditées d’une société cotée. 4
12
15 Les informations fiables disponibles ne permettent pas d’établir la fortune personnelle de Yang.
Pourquoi ce défi ne se résume pas à une course entre Washington et Pékin ?
1. La performance se mesure désormais à l’aune du coût
DeepSeek a fait du raisonnement efficace son principal argument. Z.ai met l’accent sur le code, les déploiements professionnels et les agents. Moonshot associe le très long contexte, des poids ouverts à très grande échelle et une distribution via ses produits. Leurs approches sont différentes, mais elles poussent toutes le secteur vers une question plus concrète : combien de capacités utiles un développeur peut-il obtenir pour chaque dollar consacré à l’entraînement ou à l’inférence ?
La comparaison n’est pas parfaitement homogène. Les coûts d’entraînement annoncés par les entreprises sont souvent des affirmations internes et peuvent exclure les données, l’ingénierie, l’accès au matériel, l’évaluation ou le déploiement. L’effet stratégique n’en est pas moins réel : DeepSeek a contraint les investisseurs et les laboratoires à revoir leurs hypothèses sur la courbe de coût des modèles de pointe. 17
22
2. Les poids ouverts multiplient les options pour les développeurs
Des poids téléchargeables peuvent permettre aux développeurs d’héberger eux-mêmes un modèle, de l’affiner ou de l’intégrer sans dépendre entièrement d’une API propriétaire. DeepSeek, GLM et Kimi disposent ainsi d’une porte d’entrée vers les écosystèmes logiciels mondiaux, même si leurs entreprises ont parfois un accès plus limité aux circuits de distribution étrangers.
« Poids ouverts » ne signifie toutefois pas nécessairement « open source » au sens strict. Les paramètres peuvent être disponibles tandis que les données d’entraînement, les méthodes de traitement, le code d’entraînement et l’ensemble de la chaîne de développement restent confidentiels. Cette distinction est importante pour la reproductibilité, les licences, la sécurité et la gouvernance.
3. Le choc a dépassé le cercle des laboratoires d’IA
La sortie de DeepSeek-R1 en janvier 2025 a affecté les valorisations technologiques américaines parce qu’elle a remis en cause l’idée selon laquelle une IA plus performante nécessiterait automatiquement une quantité proportionnellement plus importante de matériel haut de gamme. La perte enregistrée par Nvidia en une journée a montré à quelle vitesse une innovation au niveau d’un modèle pouvait se répercuter sur l’infrastructure qui le fait fonctionner. 17
18
Kimi K3 a suscité une attention comparable autour de la possibilité qu’une entreprise chinoise publie un modèle à poids ouverts d’une ampleur associée jusque-là aux plus grands laboratoires américains. Cette réaction doit être interprétée comme une pression sur les hypothèses dominantes, et non comme la preuve d’une victoire technologique déjà acquise. 1
4
Les contraintes qui pourraient décider de la prochaine étape
Ces trois entreprises restent confrontées à des difficultés structurelles importantes :
- Le calcul et le matériel : les contrôles à l’exportation et l’accès limité aux accélérateurs les plus avancés compliquent l’entraînement et l’exploitation des modèles de pointe. Les techniques d’efficacité peuvent réduire l’écart, mais elles ne suppriment pas le besoin de puces, d’électricité, de réseaux, d’ingénieurs et de capitaux.
45
- La commercialisation : des modèles ouverts ou peu coûteux peuvent se diffuser rapidement tout en rendant plus difficile la captation de revenus par leurs créateurs. La visibilité technique doit se transformer en activités durables auprès des entreprises, via des API ou auprès du grand public.
- L’incertitude des benchmarks : une victoire étroite ou autoévaluée ne permet pas de trancher la question de la fiabilité, de la qualité multilingue, du code, de la sécurité ou de la robustesse des agents. Les affirmations de supériorité doivent pouvoir être reproduites indépendamment.
- La confiance et la gouvernance : la confidentialité, la sécurité, les restrictions de contenu et l’examen géopolitique peuvent limiter l’adoption à l’étranger, même lorsqu’un modèle est techniquement séduisant.
- La pression des marchés : la cotation réalisée de Z.ai lui donne une position de financement différente de celle de DeepSeek, tandis que les préparatifs d’IPO évoqués pour Moonshot restent hypothétiques. La structure de propriété de DeepSeek et ses éventuels projets de cotation sont moins clairs dans les informations publiques fiables.
49
50
15
En résumé
Liang Wenfeng, Tang Jie et Yang Zhilin ne suivent pas une stratégie chinoise unique dans l’intelligence artificielle. Liang a placé l’efficacité et la recherche de long terme vers l’AGI au cœur de DeepSeek. Tang transforme une recherche issue de Tsinghua en modèles axés sur le code, les agents et une expansion soutenue par les marchés publics. Yang construit Moonshot autour du très long contexte, de systèmes « mixture-of-experts » gigantesques et d’une distribution ouverte auprès des développeurs.
Leur réussite commune est d’avoir rendu l’IA de pointe plus plurielle. Ils ont élargi les choix des développeurs, contesté l’économie des infrastructures fondées sur des modèles fermés et affaibli l’idée que la Chine resterait durablement derrière les États-Unis.
La conclusion la plus prudente est aussi la plus solide : ils ont changé le paysage concurrentiel, mais les contraintes de calcul, l’incertitude des évaluations, la commercialisation et la confiance détermineront la durée de cette transformation.
Studio Global AI
Continuez vos recherches
Cette page comprend une réponse basée sur la source que vous pouvez continuer dans Studio Global.
Les gens demandent aussi
Quelle est la réponse courte à « DeepSeek, Z.ai et Moonshot AI redéfinissent le défi chinois dans l’IA » ?
DeepSeek R1, GLM 5.2 et Kimi K3 élargissent la définition de la performance en IA : le coût d’inférence, l’ouverture des poids et l’accès des développeurs comptent désormais autant que les scores aux benchmarks.
Quels sont les points clés à valider en premier ?
DeepSeek R1, GLM 5.2 et Kimi K3 élargissent la définition de la performance en IA : le coût d’inférence, l’ouverture des poids et l’accès des développeurs comptent désormais autant que les scores aux benchmarks. Liang Wenfeng mise sur l’efficacité et une recherche de long terme vers l’AGI ; Tang Jie relie la recherche de Tsinghua aux usages professionnels ; Yang Zhilin parie sur le très long contexte et les modèles à grande é...
Que dois-je faire ensuite en pratique ?
La Chine n’a pas démontré qu’elle avait dépassé la Silicon Valley, mais ces trois entreprises ont fragilisé l’idée que l’IA de pointe devait être fermée, hors de prix et exclusivement américaine.