Le pari de Shenzhen sur une infrastructure IA entièrement chinoise

Un « supercalculateur IA » de 10 000 cartes

Shenzhen, grand centre technologique du sud de la Chine, a mis en service un cluster de calcul consacré à l’intelligence artificielle et équipé de 10 000 accélérateurs Huawei Ascend 910C. Le système délivre une puissance annoncée de 11 000 pétaflops, soit 11 000 millions de milliards d’opérations par seconde selon cette unité de mesure. 711

Une première tranche de 3 000 pétaflops avait été activée auparavant. En la combinant à la nouvelle installation, le site atteint désormais 14 000 pétaflops de capacité de calcul IA. Les autorités et les médias chinois le présentent comme le premier cluster de ce niveau construit avec une pile entièrement nationale — des puces aux logiciels, en passant par les systèmes et le réseau. 71112

Le rôle des puces Ascend et de CANN

Le cœur matériel repose sur l’Ascend 910C, l’accélérateur IA haut de gamme de Huawei. Il est associé à CANN, l’environnement logiciel de l’entreprise, dans une architecture décrite comme « Ascend + CANN ». L’objectif est de proposer une alternative domestique non seulement aux GPU étrangers, mais aussi à l’ensemble de l’écosystème technique qui permet de les exploiter dans les centres de données.

Cette approche est importante car les performances d’une puce ne dépendent pas uniquement de sa puissance théorique. Les bibliothèques logicielles, les outils de programmation, la mémoire et les communications entre accélérateurs déterminent aussi la vitesse réelle d’un entraînement ou d’une réponse générée par un modèle.

Ascend 910C contre Nvidia H100 : un écart à interpréter avec prudence

Des tests attribués aux chercheurs de DeepSeek ont estimé que l’Ascend 910C atteignait environ 60 % des performances d’un Nvidia H100 en inférence — la phase où un modèle déjà entraîné produit des réponses. 111314

Ce chiffre ne constitue pas un classement universel. Il concerne un type de charge et des modèles précis ; il ne prouve pas une équivalence avec le H100 en entraînement de très grands modèles, en efficacité énergétique, en fiabilité ou en maturité logicielle. Les évaluations disponibles décrivent plutôt un accélérateur capable d’être déployé à grande échelle malgré un écart persistant avec Nvidia sur plusieurs dimensions.

Huawei a toutefois montré que son matériel pouvait être utilisé pour des tâches d’une ampleur croissante. Une équipe comprenant l’entreprise affirme avoir réalisé le post-entraînement à paramètres complets d’un modèle DeepSeek V4-Pro de 1 600 milliards de paramètres avec un cluster d’au moins 1 000 puces Ascend 910C. Cette annonce, rapportée par la presse spécialisée, reste une affirmation de l’équipe concernée, mais elle illustre les progrès revendiqués sur des charges d’entraînement auparavant difficiles à transférer vers des puces chinoises. 3

Pourquoi regrouper des milliers d’accélérateurs ?

Un cluster ne se contente pas d’additionner des cartes. Il permet de répartir une même tâche entre de nombreux accélérateurs :

• les données d’entraînement peuvent être divisées entre plusieurs groupes de puces ;
• différentes couches ou parties d’un modèle peuvent être traitées en parallèle ;
• les demandes d’inférence peuvent être distribuées afin de répondre à davantage d’utilisateurs simultanément.

En théorie, cette parallélisation augmente fortement la capacité totale. Mais elle crée aussi un défi : les puces doivent échanger en permanence des données et des résultats intermédiaires. Un réseau rapide, une mémoire adaptée et des logiciels capables de synchroniser les calculs sont donc essentiels. Sans eux, le temps passé à communiquer peut annuler une partie du gain fourni par l’ajout d’accélérateurs.

C’est pourquoi l’expression « full stack » est centrale dans le projet de Shenzhen : l’enjeu porte sur une chaîne complète, et pas uniquement sur la fabrication d’un composant concurrent du H100.

Une adoption déjà importante, mais encore difficile à mesurer

La phase antérieure de 3 000 pétaflops aurait été entièrement réservée avant l’arrivée de l’extension de 10 000 cartes. Une autre estimation évoque près de 50 organisations signataires d’accords-cadres et un taux de réservation cumulé de 92 %. 111

Ces données indiquent que des entreprises et des organismes chinois cherchent activement à accéder à des capacités de calcul nationales. Elles ne permettent toutefois pas de conclure que la plateforme Huawei a remplacé Nvidia dans l’ensemble du pays. Certaines entreprises chinoises continuent d’accéder à des capacités Nvidia depuis l’étranger, tandis que la compatibilité logicielle, les volumes disponibles et les performances selon les tâches restent des facteurs déterminants.

D’autres pistes pour contourner les limites de fabrication

Huawei a également présenté une voie de conception qui viserait, d’ici 2031, une densité de transistors comparable à celle de puces fabriquées avec un procédé de 1,4 nm. L’entreprise n’a pas fourni de données indépendantes démontrant les performances d’une puce produite selon cette méthode : il s’agit donc d’un objectif annoncé, pas d’un résultat industriel établi. 2

Par ailleurs, Reuters a rapporté que les essais clients du futur Ascend 950PR étaient favorables et que ByteDance et Alibaba envisageaient de passer commande. La meilleure compatibilité annoncée avec certains logiciels de Nvidia pourrait faciliter son adoption, mais ces intentions ne constituent pas encore la preuve d’un déploiement massif. 3

Une réponse directe aux restrictions américaines

Les États-Unis ont commencé à restreindre l’exportation de GPU avancés, notamment les Nvidia A100 et H100, vers la Chine en 2022. Les règles ont été renforcées en 2023 afin de couvrir davantage de puces de calcul avancé et d’équipements nécessaires à leur fabrication. 23

Le cluster de Shenzhen s’inscrit dans cette confrontation technologique. Pour la Chine, développer une infrastructure nationale signifie réduire le risque de dépendre d’un fournisseur étranger soumis à des contrôles à l’exportation. Pour Huawei, les puces Ascend constituent un point d’entrée stratégique : elles peuvent servir de base à des cartes accélératrices, à des serveurs, à des racks complets et à une plateforme logicielle destinée aux centres de données.

Le projet marque donc une étape importante vers l’autonomie chinoise en matière de calcul IA. Mais l’autonomie ne se résume pas au nombre de cartes installées. L’écart de performances selon les usages, la disponibilité des composants, l’efficacité énergétique et la profondeur de l’écosystème logiciel montrent que la dépendance à Nvidia n’a pas entièrement disparu. 712