Alibaba et Baidu entraînent leurs modèles d’IA sur leurs propres puces alors que les restrictions américaines se durcissent

Pourquoi c’est important maintenant

Les deux plus grandes entreprises chinoises de l’internet grand public et du cloud prennent une décision déterminante pour sécuriser leurs chaînes d’approvisionnement en intelligence artificielle. Alibaba et Baidu ont commencé à entraîner certains modèles sur des processeurs qu’elles ont conçus elles-mêmes, réduisant ainsi leur dépendance aux puces Nvidia, qui constituent l’épine dorsale de l’IA moderne. Ce changement reflète deux forces puissantes à la fois : le durcissement des contrôles américains à l’exportation sur les semi-conducteurs avancés destinés à la Chine et la volonté du pays de privilégier les technologies nationales dans les infrastructures critiques.

Les deux entreprises avancent prudemment plutôt que de tout basculer d’un coup. Alibaba utilise ses propres accélérateurs pour des tâches d’entraînement de moindre ampleur, tout en conservant les équipements Nvidia pour les travaux les plus exigeants. Baidu teste sa dernière puce Kunlun P800 sur de nouvelles versions de son modèle Ernie, qui sous-tend ses services d’IA générative. Les entreprises continuent de compter sur Nvidia pour les entraînements les plus vastes et les plus complexes, pour lesquels les performances, la maturité logicielle et les interconnexions entre puces sont essentielles.

Les conséquences concrètes pour les centres de données chinois pourraient être considérables. Les entreprises qui faisaient autrefois la queue pour obtenir des GPU importés disposent désormais d’une autre voie pour accroître leurs capacités de calcul en IA. Des puces nationales suffisamment performantes pour une part croissante des charges de travail contribuent à atténuer les risques d’approvisionnement, à respecter les calendriers des projets et à aligner les dépenses sur les objectifs technologiques nationaux. Si ces déploiements se déroulent bien, ils valideront des années d’investissements dans les puces d’IA locales et accéléreront la tendance des fournisseurs chinois de cloud à combiner matériel étranger et national dans leurs parcs informatiques.

Que développent Alibaba et Baidu ?

Alibaba possède une expérience dans la conception de puces sur mesure grâce à son unité T-Head, qui avait déjà dévoilé l’accélérateur d’IA Hanguang 800 pour l’inférence ainsi qu’un processeur pour serveurs reposant sur les jeux d’instructions Arm. Son dernier processeur d’entraînement de l’IA, désigné en interne par les employés sous le nom de Zhenwu, sert désormais à entraîner de petits modèles au sein d’Alibaba Cloud. Selon des personnes ayant travaillé avec cette puce, ses performances pratiques rivalisent avec celles de la H20 de Nvidia pour les tâches qui ne nécessitent ni les interconnexions les plus avancées ni les plus grandes capacités mémoire. Pour entraîner les modèles de pointe, Alibaba continue de s’appuyer sur les systèmes Nvidia, tout en validant sa nouvelle puce à grande échelle.

Le projet Kunlun de Baidu est l’une des gammes d’accélérateurs d’IA conçus en Chine les plus anciennes. Les premières puces Kunlun étaient axées sur l’inférence, c’est-à-dire l’exécution de modèles entraînés. Avec la Kunlun P800, Baidu mène des essais d’entraînement sur de nouvelles versions d’Ernie afin d’en valider la stabilité, le débit et la maturité de la pile logicielle. Le principal atout de Baidu réside dans son intégration verticale : l’entreprise développe les modèles Ernie, exploite de grands clusters cloud et contrôle le framework PaddlePaddle, ce qui lui donne davantage de latitude pour concevoir conjointement matériel et logiciel afin d’améliorer l’efficacité.

Comment les règles américaines à l’exportation ont remodelé le marché

Depuis 2022, Washington a progressivement durci ses contrôles. Cette année-là, des seuils de performance ont commencé à limiter les accélérateurs d’IA que les fournisseurs américains pouvaient expédier en Chine. Des solutions de contournement, comme des GPU spécialement conçus pour le marché chinois avec une bande passante d’interconnexion réduite, ont permis de maintenir une partie de l’approvisionnement pendant un temps. Les nouvelles mesures annoncées au cours des années suivantes ont restreint ces possibilités. Les principales plateformes Nvidia, comme la H100 et les composants Blackwell plus récents, restent inaccessibles en Chine. Nvidia a créé la H20, une option moins performante conçue pour respecter les règles américaines, mais des analyses du secteur indiquent que même l’expédition de ces composants nécessite désormais une licence d’exportation depuis avril 2025, ce qui complique les achats et accroît l’incertitude pour les acquéreurs chinois de puces américaines.

Les grandes plateformes chinoises du cloud et de l’internet ont répondu par une stratégie à deux volets : acquérir à l’étranger ce qu’elles peuvent tout en investissant massivement dans des accélérateurs nationaux. Le contexte politique favorise également les solutions locales. Les administrations et les clients des infrastructures critiques privilégient de plus en plus le matériel conçu et pris en charge en Chine, ce qui incite les fournisseurs cloud à démontrer que les accélérateurs chinois peuvent gérer des charges de production à un coût acceptable et avec des performances prévisibles.

Nvidia reconnaît que le paysage concurrentiel évolue et que les clients ont intérêt à diversifier leurs fournisseurs. Un porte-parole de l’entreprise l’a admis, tout en soulignant que Nvidia entend continuer à servir les développeurs du monde entier.

La concurrence est bel et bien là. Nous continuerons à tout faire pour gagner la confiance et le soutien des développeurs grand public, partout dans le monde.

À quel point les puces nationales se rapprochent-elles de celles de Nvidia ?

Tout dépend de la tâche. Selon des témoignages d’ingénieurs ayant utilisé le dernier accélérateur d’Alibaba, celui-ci égale la H20 de Nvidia pour certaines tâches d’entraînement et des modèles de petite taille. C’est un progrès notable pour une plateforme récente. Pour les modèles les plus vastes et les calendriers d’entraînement les plus ambitieux, Nvidia conserve l’avantage grâce à une puissance de calcul maximale supérieure, à des interconnexions plus rapides entre GPU, à des compilateurs matures et à un vaste écosystème de bibliothèques optimisées. Les puces comme la H100 et les dernières conceptions Blackwell restent la référence pour l’entraînement de modèles de pointe hors de Chine.

L’entraînement et l’inférence sont deux tâches différentes

L’entraînement de l’IA consiste à apprendre à un modèle en ajustant des milliards de paramètres au fil de nombreux passages sur les données. Il sollicite au maximum la puissance de calcul et la bande passante mémoire du matériel, et nécessite des liaisons très rapides entre les accélérateurs pour synchroniser efficacement des milliers de puces. L’inférence intervient après l’entraînement. Le modèle a déjà appris et le système génère des réponses en temps réel pour les utilisateurs. L’inférence privilégie une faible latence, l’efficacité des coûts et les économies d’énergie. Une puce excellente pour l’inférence ou l’entraînement de petits modèles peut néanmoins être à la traîne lors d’entraînements de plusieurs mois sur de très grands modèles, car les interconnexions entre puces et l’orchestration logicielle deviennent alors le goulot d’étranglement.

La pile logicielle compte autant que la puce

La domination de Nvidia ne tient pas uniquement à ses puces. Sa plateforme CUDA, ses bibliothèques comme cuDNN et TensorRT et son vaste éventail d’outils partenaires simplifient le développement et rendent les performances prévisibles. Les plateformes chinoises élaborent leurs propres piles logicielles pour les accélérateurs locaux. PaddlePaddle chez Baidu et les outils cloud d’Alibaba prennent déjà en charge leurs puces, et les deux entreprises peuvent adapter les noyaux et les compilateurs de graphes à leurs propres modèles. Cette maîtrise peut améliorer l’efficacité, mais elle signifie aussi que les développeurs tiers risquent de devoir s’adapter lorsqu’ils porteront leur code sur du matériel national. Si Alibaba et Baidu rendent ces transitions transparentes au sein de leurs clouds, les clients pourraient accorder davantage d’importance au prix, à la disponibilité et au niveau de service qu’à la marque inscrite sur la puce.

Stratégie commerciale et réaction des marchés

Les investisseurs ont salué les signes montrant que les leaders chinois de l’internet peuvent sécuriser leurs capacités de calcul en IA sans dépendre entièrement des importations. Les actions d’Alibaba et de Baidu ont progressé après la publication d’informations sur ces nouveaux déploiements, les marchés estimant qu’une base d’approvisionnement plus résiliente soutiendra les feuilles de route des produits et réduira le risque de retards. Une puce conçue en Chine, suffisamment performante pour une large part des tâches d’entraînement, peut aussi réduire les coûts d’exploitation à long terme si elle est plus facile à se procurer et à déployer dans les centres de données nationaux.

La logique stratégique va au-delà des coûts et de l’approvisionnement. Alibaba Cloud et Baidu Cloud fournissent des entreprises et des clients du secteur public qui préfèrent souvent du matériel conçu localement. Proposer des capacités de calcul sur des accélérateurs nationaux peut aider à remporter des contrats portant sur des charges de travail sensibles, tout en répondant aux préférences réglementaires en matière de sécurité et de localisation des données. Cela dit, les deux entreprises semblent privilégier une approche pragmatique : conserver les systèmes Nvidia pour les problèmes les plus difficiles et s’appuyer sur les puces nationales pour les nombreuses tâches où les performances sont comparables et les coûts intéressants.

Contraintes liées à la chaîne d’approvisionnement et à la fabrication

Concevoir un accélérateur d’IA compétitif ne représente qu’une partie du défi. La fabrication, le conditionnement et l’approvisionnement en mémoire comptent également. Les puces les plus performantes sont aujourd’hui fabriquées selon les procédés de gravure les plus avancés et s’appuient sur des empilements de mémoire à large bande passante placés à proximité du processeur. Les fonderies chinoises ont progressé, mais elles n’égalent pas encore les procédés les plus avancés disponibles à l’étranger. Des choix de conception judicieux, un conditionnement de qualité et des logiciels efficaces peuvent en partie compenser cet écart, mais celui-ci affecte toujours les performances maximales et l’efficacité énergétique.

La disponibilité de mémoire à large bande passante constitue une autre contrainte, car l’entraînement de grands modèles consomme énormément de bande passante et de capacité mémoire. Les fournisseurs cloud gèrent ces limites en répartissant les charges de travail sur davantage de puces, en optimisant les formats de précision et en planifiant les tâches selon les points forts de chaque plateforme. Dans ce contexte, un accélérateur national bien intégré à la pile logicielle du cloud et facile à se procurer peut prendre en charge une part importante du travail, même si ses performances maximales théoriques restent inférieures à celles des meilleurs composants étrangers.

Ce que cela signifie pour les développeurs et les clients

Les clients d’Alibaba et de Baidu se soucieront de trois choses : le délai d’accès aux capacités de calcul, la fiabilité et le coût total d’un entraînement ou d’une charge de travail d’inférence donnée. Si les accélérateurs nationaux réduisent les listes d’attente et offrent des performances constantes avec des frameworks familiers, de nombreuses équipes les adopteront sans grande difficulté. Les développeurs de modèles devront peut-être réajuster les noyaux ou adopter des outils propres à chaque fournisseur pour obtenir le meilleur débit, mais c’est une pratique courante dans le calcul haute performance. À court terme, on devrait voir des clusters mixtes et des politiques d’ordonnancement qui dirigent les tâches vers le meilleur matériel disponible : les plus grands entraînements de modèles de pointe continueront d’utiliser les systèmes Nvidia, tandis qu’un nombre croissant de tâches courantes tourneront sur les puces d’Alibaba et de Baidu.

À surveiller

Deux échéances se distinguent pour l’année à venir. La première concerne le régime de licences pour les expéditions d’accélérateurs américains vers la Chine, qui, selon des chercheurs du secteur, s’appliquera à des composants comme les Nvidia H20 et AMD MI308 à partir d’avril 2025. La seconde est la preuve, dans des conditions réelles, que les puces d’Alibaba et de Baidu peuvent gérer des entraînements de production à grande échelle, et pas seulement des essais en laboratoire. Les résultats sur des modèles connus, les études de cas de clients et la vitesse à laquelle les instances cloud fondées sur des accélérateurs nationaux sont prises d’assaut permettront de juger la situation. Il faudra suivre la rapidité avec laquelle les écosystèmes logiciels autour de ces puces gagneront en maturité, notamment leur prise en charge par les frameworks populaires et les outils tiers. Il faudra aussi observer comment les autres plateformes chinoises, y compris celles qui conçoivent leurs propres accélérateurs ou achètent auprès de fournisseurs nationaux, répartissent leurs investissements entre GPU importés et solutions locales au lancement de nouveaux projets.

Points clés

• Alibaba et Baidu ont commencé à entraîner des modèles d’IA sur des puces qu’elles ont conçues, tout en conservant les systèmes Nvidia pour les tâches les plus exigeantes.
• Le dernier accélérateur d’Alibaba est utilisé pour des tâches d’entraînement de moindre ampleur et, selon des employés, rivalise avec la Nvidia H20 pour certaines tâches.
• Baidu teste sa Kunlun P800 sur de nouvelles versions du modèle Ernie et tire parti de sa maîtrise du framework PaddlePaddle.
• Les contrôles américains à l’exportation limitent l’accès aux composants Nvidia les plus performants, et des analyses du secteur signalent de nouvelles exigences de licence pour les expéditions de H20 vers la Chine en 2025.
• Nvidia affirme qu’elle continuera à s’efforcer de gagner la confiance des développeurs, alors que la concurrence s’intensifie.
• Les accélérateurs nationaux sont suffisamment performants pour une part croissante des charges de travail, même si Nvidia garde l’avantage pour l’entraînement des modèles de pointe à grande échelle.
• Les écosystèmes logiciels jouent un rôle clé, Alibaba et Baidu adaptant leurs chaînes d’outils à leur propre matériel.
• Les investisseurs ont réagi favorablement, estimant que ces développements réduiront les risques d’approvisionnement et donneront davantage de maîtrise sur les feuilles de route de l’IA.
• La fabrication et l’approvisionnement en mémoire restent des contraintes, mais une conception judicieuse et l’intégration au cloud peuvent en compenser une partie.
• Les clouds chinois devraient s’appuyer sur des clusters mixtes, leurs ordonnanceurs répartissant les tâches entre les puces nationales et les GPU importés.