Dongfang Suanxin, une entreprise chinoise de semiconducteurs jusqu’alors peu connue en dehors de la Chine, a dévoilé le DF1000, son premier accélérateur dédié à l’intelligence artificielle. La société affirme que ses performances en inférence peuvent rivaliser avec celles de puces occidentales fabriquées avec des processus bien plus avancés, malgré l’utilisation d’une technologie de 14 nanomètres.

Plutôt que de tenter de réduire la taille des transistors pour gagner en performance, Dongfang Suanxin mise sur une architecture définie par logiciel et sur une mémoire placée très près des unités de calcul grâce à un empilement tridimensionnel. Son objectif est de minimiser les mouvements de données, d’éviter la dépendance à la mémoire HBM la plus avancée (souvent limitée à la Chine) et de développer une plateforme pouvant être produite avec une chaîne d’approvisionnement locale. Ce sont des affirmations de l’entreprise, qui n’ont pas encore été vérifiées par des tests indépendants détaillés.

Les points clés de Dongfang Suanxin en 20 secondes

• La société présente son premier accélérateur IA, baptisé DF1000.
• Le chip est fabriqué avec un processus de 14 nanomètres.
• Il adopte une architecture mémoire proche du processeur avec empilement 3D.
• Elle cherche à réduire la dépendance à la mémoire HBM, limitée à la Chine.
• Sa conception permet d’adapter certains circuits internes via logiciel.
• Dongfang Suanxin affirme que le DF1000 rivalise avec certains chips occidentaux de 4 nanomètres en inférence.
• Aucune comparaison indépendante n’a encore été publiée pour confirmer cette affirmation.
• Le DF2000 est prévu pour la fin 2026.
• Une troisième génération est envisagée pour 2027.
• Pour rivaliser avec Nvidia, il faudra également disposer de pilotes, compilateurs, bibliothèques et outils pour développeurs.

Fondée en 2024 à Shanghai et dirigée par Wei Shaojun, professeur à l’Université Tsinghua et conseiller du gouvernement chinois en matière de semiconducteurs, l’entreprise est valorisée à environ 1,8 milliard de dollars selon des données citées par The Wall Street Journal. Parmi ses investisseurs figurent des entités liées à l’État chinois et des fonds industriels nationaux.

Une solution architecturale face aux restrictions américaines

Les restrictions américaines compliquent l’accès des entreprises chinoises aux accélérateurs les plus avancés, ainsi qu’à la mémoire à large bande passante et à une partie de l’équipement nécessaire pour produire des semi-conducteurs de pointe. La supervision renforcée par Washington des filiales et des acheteurs de sociétés chinoises à l’étranger vise à empêcher ces entités d’agir comme intermédiaires.

Pour contourner ces limitations, Dongfang Suanxin modifie la conception de ses systèmes. Au lieu de dépendre d’un nœud de fabrication avancé et d’importer une grande quantité de mémoire HBM, elle rapproche la mémoire du noyau de calcul et réduit les déplacements de données.

Ce problème est particulièrement critique en IA. Les accélérateurs peuvent effectuer d’énormes quantités d’opérations mathématiques, mais restent sous-utilisés si les données n’arrivent pas rapidement. La force de Nvidia réside notamment dans sa capacité à combiner puissance de calcul, HBM, interconnexions rapides et plateforme complète pour distribuer des modèles sur plusieurs puces.

Le DF1000 emploie une architecture de mémoire empilée directement sur la couche de traitement, qualifiée de solution de compute close to memory. L’objectif est d’offrir un vaste débit sans recourir aux mêmes modules HBM que ceux des accélérateurs occidentaux les plus avancés.

Un autre point clé est la computation définie par logiciel. Selon la société, certaines connexions internes peuvent être reconfigurées en fonction de l’application, permettant au chip d’adopter une configuration « spécialisée » pour chaque usage, plutôt qu’une structure fixe pour tout type de charge.

Ce concept montre que la performance d’un accélérateur ne dépend pas uniquement de la finesse du processus de fabrication. L’architecture, le mouvement des données, la capacité mémoire, le logiciel et l’utilisation efficace des unités de calcul sont également déterminants.

Un chip construit avec un processus plus ancien peut rivaliser dans une tâche spécifique s’il intègre des unités spécialisées et évite les attentes. Toutefois, il nécessitera généralement plus de surface et consommera davantage d’énergie qu’un modèle équivalent fabriqué avec une technologie plus avancée.

Une des incertitudes majeures concernant le DF1000 porte sur ses chiffres de consommation, sa surface, sa capacité mémoire, son débit, son coût de fabrication et son rendement énergétique. Rien n’a encore été publié pour confirmer qu’il égalerait réellement les accélérateurs occidentaux en conditions identiques.

L’égalité avec un benchmark n’affirme pas que le DF1000 rivalise avec Nvidia

La déclaration selon laquelle le DF1000 égalerait des puces conçues en 4 nanomètres nécessite plusieurs précisions. Le rendement peut varier considérablement selon le modèle, la précision numérique, la taille du lot, la longueur du contexte, et le niveau d’optimisation du logiciel.

Ce n’est pas la même chose d’effectuer une inférence avec un petit modèle quantifié ou d’entraîner un très grand modèle avec des milliers d’accélérateurs. Dongfang Suanxin admet elle-même que sa première génération présente encore un écart notable dans l’entraînement, et que le DF2000 vise à réduire cette distance.

De plus, la société n’a pas indiqué publiquement quels produits occidentaux ont servi de référence. Comparer le DF1000 à des « puces de 4 nanomètres » est trop général : aucun standard uniforme, car ces puces peuvent fortement différer en prestations, mémoire, consommation.

Pour une évaluation précise, il faudrait disposer d’au moins :

• Rendement sur des modèles connus et dans des configurations reproductibles ;
• Consommation totale de la plateforme ou du serveur ;
• Capacité et débit mémoire ;
• Latence et performance en inférence utilisateur ;
• Scalabilité entre plusieurs puces ;
• Coût total du système ;
• Rendement par watt ;
• Disponibilité et volume de fabrication.

L’absence de ces données ne prouve pas que la conception soit dépourvue d’intérêt. Cela indique simplement qu’il n’est pas encore possible d’affirmer qu’un rival commercial de Nvidia est en marche.

Les Américains ne se limitent pas à leurs GPU. CUDA, leurs bibliothèques mathématiques, compilateurs, systèmes de communication inter-accélérateurs et outils de diagnostic sont désormais intégrés dans les universités, entreprises et centres de données depuis plusieurs années.

Un nouveau constructeur doit faire que PyTorch, les moteurs d’inférence et les applications scientifiques fonctionnent sans modifications majeures. Il doit aussi fournir des outils pour détecter les erreurs, distribuer les charges, assurer une maintenance sur la durée.

Dongfang Suanxin affirme construire une plateforme complète, mais n’a pas encore précisé quels frameworks seront supportés ni comment ses accélérateurs seront programmés ni leur compatibilité avec des modèles GPU existants.

Le empilement 3D, une solution aux problèmes mais aussi à ses défis

Empiler la mémoire près du processeur limite la distance que les données doivent parcourir et peut augmenter le débit. Cependant, cela complique la gestion thermique et la fabrication.

Une couche de calcul génère beaucoup de chaleur. Empiler la mémoire dessus ou à proximité oblige à évacuer cette énergie sans dépasser les températures supportables par chaque composant. Plus le paquet est compact, plus la refroidissement, les connexions verticales et les tests deviennent exigeants.

La fabrication devient également un défi. Même si le processeur fonctionne parfaitement, un défaut dans une couche de mémoire peut rendre tout le module inutilisable. Il faut des procédés de contrôle qualité rigoureux et des méthodes d’assembly très précises pour des volumes importants.

La mémoire propriétaire doit aussi offrir une capacité suffisante. Aujourd’hui, les modèles en IA nécessitent souvent des dizaines ou centaines de gigaoctets par accélérateur. Un design à haute bande passante mais faible capacité impose de répartir certains modèles entre plusieurs puces.

Ces limites expliquent pourquoi la mémoire HBM reste si valorisée. Elle n’est pas simplement une mémoire rapide, mais fait partie d’une chaîne industrielle complexe, développée au fil des années par des fabricants comme SK Hynix, Samsung ou Micron, et complétée par des acteurs spécialisés en encapsulation et en fonderie avancée.

Dongfang Suanxin souhaite remplacer une partie de cette chaîne par une solution entièrement contrôlée en Chine. Obtenir un prototype fonctionnel serait une étape, mais une production stable, à prix compétitifs et en gros volumes sera une réelle réussite.

Une compétition chinoise en pleine expansion

La société rejoint un groupe croissant d’entreprises chinoises cherchant à réduire leur dépendance à Nvidia. Huawei développe ses accélérateurs Ascend, tandis qu’Alibaba, Baidu et d’autres acteurs technologiques conçoivent leurs propres puces pour leurs data centers.

DeepSeek prépare également un accélérateur dédié à l’inférence, selon des informations de juillet 2026. Le projet est encore en phase initiale, avec comme objectif la réduction de dépendance matérielle et un meilleur contrôle de l’infrastructure.

Ce qui distingue Dongfang Suanxin, c’est la stratégie de ne pas uniquement compter sur de vastes grappes pour pallier ses limites. Elle cherche à maximiser la performance de chaque puce via la proximité mémoire et la spécialisation.

Ce modèle pourrait favoriser l’émergence d’un marché chinois doté d’architectures distinctes de celles occidentales. Si les restrictions persistent, les développeurs locaux seront incités à adapter modèles et outils à leur matériel, même si cela réduit la compatibilité avec le logiciel international.

Le principal risque est la fragmentation. Chaque accélérateur pourrait avoir ses propres compilateurs, bibliothèques et environnements d’exécution. Pour une entreprise chinoise, faire confiance à un fournisseur encore jeune implique de compter sur sa capacité à continuer de mettre à jour software et générations de puces.

Le calendrier annoncé est ambitieux. Dongfang Suanxin souhaite lancer le DF2000 avant la fin 2026, puis une troisième génération en 2027. Mais le développement, la fabrication et la validation d’un nouveau chip prennent plusieurs années, il sera donc crucial de voir combien le projet est déjà avancé et ce que l’entreprise considère comme un lancement commercial.

Le DF1000 ne menace pas encore le leadership mondial de Nvidia. Il manque des comparatifs indépendants, des clients connus, ou une expérience concrète de production de masse.

Son importance réside ailleurs. Il illustre comment la pression des restrictions pousse l’industrie chinoise à innover hors des sentiers battus.

Dongfang Suanxin ne cherche pas à dupliquer directement la dernière architecture GPU. Elle veut reconfigurer le design pour qu’un processus de 14 nanomètres et une mémoire locale puissent exécuter des charges habituellement réservées à des composants limités par leur provenance.

Si le concept fonctionne, il ne supplantera pas Nvidia, mais prouvera que des limites de fabrication peuvent être partiellement compensées par une conception intelligente, un encapsullement adapté et un logiciel performant. En cas d’échec, ce sera un rappel que développer une architecture n’est qu’une étape, et que construire un produit stable, programmable et économiquement viable est une autre affaire.

Questions fréquemment posées

Qu’est-ce que Dongfang Suanxin ?
Une entreprise chinoise fondée en 2024, spécialisée dans les accélérateurs pour l’intelligence artificielle.

Qu’est-ce que le DF1000 ?
Son premier processeur IA, fabriqué en 14 nm, basé sur une architecture mémoire proche du calcul avec empilement 3D.

Le DF1000 est-il plus performant que les GPU de Nvidia ?
Aucune preuve indépendante n’a encore été publiée. La société affirme se rapprocher de certains chips occidentaux pour l’inférence, mais sans benchmarks complets.

Quand seront lancés ses prochains produits ?
Dongfang Suanxin prévoit de dévoiler le DF2000 avant fin 2026, puis une troisième génération en 2027.

Source : GMAsia