L'emprise du logiciel Nvidia sur l'IA chinoise, plus forte que les restrictions américaines

Les principaux développeurs chinois d'intelligence artificielle — notamment les équipes derrière DeepSeek, Kimi K3 et les modèles Qwen d'Alibaba — restent lourdement dépendants des puces Nvidia pour entraîner leurs plus grands modèles de langage, en dépit d'une pression gouvernementale intense et des restrictions à l'exportation américaines . La barrière principale n'est pas la performance matérielle, mais le verrouillage de l'écosystème logiciel : la plateforme CUDA de Nvidia est devenue le standard de facto pour le développement de l'IA, et migrer vers les puces Ascend de Huawei avec la boîte à outils CANN impose des coûts d'ingénierie prohibitifs .

Le fossé CUDA : 15 ans de dépendance des développeurs

Le CUDA (Compute Unified Device Architecture) de Nvidia bénéficie d'une avance de plus de 15 ans avec des bibliothèques matures (cuDNN, TensorRT), des outils de débogage et une communauté mondiale de développeurs . Presque tous les grands frameworks d'IA — PyTorch, TensorFlow, JAX — sont optimisés pour CUDA dès leur sortie .

En revanche, la boîte à outils CANN (Compute Architecture for Neural Networks) de Huawei, même après avoir été rendue open source en août 2025, reste beaucoup moins mature en termes de couverture des opérateurs, d'optimisation et d'outils communautaires . Les développeurs rapportent que de nombreux kernels optimisés pour CUDA n'ont pas d'équivalent direct dans CANN, ce qui nécessite une réécriture manuelle .

Ce cycle auto-renforçant est difficile à briser : plus la communauté de développeurs de Nvidia est grande et plus sa bibliothèque de code pré-optimisé est riche, plus il devient difficile pour les alternatives de gagner du terrain .

Le coût du changement : au moins 50 % de temps et d'argent en plus

Un chercheur en IA d'un institut affilié à Shanghai estime que le passage de l'entraînement sur CUDA de Nvidia à l'Ascend de Huawei ajouterait au moins 50 % de temps et de coûts . Les sources de l'industrie confirment ce chiffre comme un minimum réaliste .

Cela inclut :

• L'effort de portage initial : le code d'entraînement écrit pour CUDA utilise des appels de kernel spécifiques à l'architecture, des modèles de gestion de la mémoire et des stratégies de parallélisation qui ne se traduisent pas directement sur l'architecture NPU différente d'Ascend .
• Le débogage et le réglage continus : une fois portés, les modèles doivent être ré-optimisés pour atteindre une performance comparable sur la plus petite bibliothèque d'opérateurs de CANN .
• La perte de productivité : les développeurs doivent apprendre une nouvelle chaîne d'outils, et la communauté plus restreinte de CANN offre moins de solutions partagées aux problèmes courants.

Le plan abandonné de DeepSeek R2 : un cas d'école concret

L'exemple le plus parlant de ce fossé logiciel vient de DeepSeek, l'un des laboratoires d'IA les plus éminents de Chine. DeepSeek aurait abandonné ses projets d'entraîner son modèle R2 sur les NPU Ascend de Huawei, invoquant des problèmes de performance et de chaîne d'outils non résolus . C'est un cas concret d'un laboratoire de premier plan concluant que l'alternative nationale n'était pas prête pour ses charges de travail les plus exigeantes.

Les écarts de performance persistent

Bien que le NPU Ascend 910C de Huawei se soit nettement amélioré, les développeurs signalent qu'il reste moins performant que les GPU de la génération Hopper de Nvidia pour les tâches d'entraînement distribué à grande échelle . L'Ascend 910C, construit sur le procédé 7 nm amélioré de SMIC, délivre environ un tiers du débit BF16 du B200 de Nvidia . Le prochain Ascend 950 de Huawei devrait réduire encore cet écart, les données de Morgan Stanley montrant que l'écart de performance entre les puces chinoises et le matériel conforme à l'exportation de Nvidia s'est considérablement réduit .

Le paradoxe de l'offre : les stocks de puces Nvidia créent de l'inertie

Paradoxalement, les restrictions américaines à l'exportation n'ont pas complètement coupé l'approvisionnement en Nvidia de la Chine. Les États-Unis ont approuvé la vente du H200 à la Chine, et Pékin a ensuite bloqué son acceptation — mais les laboratoires chinois détiennent déjà d'énormes stocks de puces Nvidia . ByteDance, Alibaba et Tencent ont collectivement dépensé environ 16 milliards de dollars pour stocker environ 1,3 à 1,6 million d'unités H20 en prévision d'une interdiction .

Cette base installée crée une puissante inertie : tant que le matériel Nvidia existant continue de fonctionner, le coût élevé du changement retarde le passage aux alternatives nationales .

La réponse à 295 milliards de dollars : la poussée chinoise en faveur des puces nationales

La Chine ne reste pas les bras croisés. Face à ces barrières :

• Les fabricants de puces chinois visent à tripler la production nationale de puces IA en 2026
• Pékin préparerait un plan d'environ ~295 milliards de dollars (2 000 milliards de yuans) pour relier tous les grands centres de données chinois en un seul réseau de calcul IA d'ici 2028, avec au moins 80 % des puces sous-jacentes devant être nationales
• Huawei a rendu CANN open source en août 2025, publiant des composants essentiels, notamment les opérateurs, les bibliothèques de domaine et la technologie du moteur de graphe
• ByteDance a signé un contrat de 5,6 milliards de dollars avec Huawei pour des puces IA Ascend en décembre 2025, avec des livraisons commençant au premier trimestre 2026

Les progrès sont réels : la part de l'entraînement sur puces nationales serait passée de 8 % au début de 2025 à 42 % en avril 2026 . Mais une grande partie de cette adoption semble se concentrer sur des charges de travail moins critiques et des tâches d'inférence plutôt que sur l'entraînement de modèles de pointe .

Perspectives : une transition pluriannuelle

L'ouverture de CANN par Huawei est une étape significative vers la construction de l'écosystème de développeurs dont CUDA bénéficie . Mais la plupart des analystes s'accordent à dire que le fossé de l'écosystème logiciel — et non les spécifications matérielles brutes — mettra des années à se combler . À court terme, les meilleurs laboratoires d'IA chinois continueront à s'entraîner sur des puces Nvidia tout en expérimentant des déploiements hybrides nationaux pour des charges de travail moins critiques, et pendant que le plan de réseau à 295 milliards de dollars de Pékin vise à accélérer la transition .