L’industrie des puces pour l’intelligence artificielle ne se limite plus à la fabrication d’GPU plus rapides. Une nouvelle génération d’entreprises tente de repenser l’architecture complète des systèmes afin de réduire les déplacements de données, la consommation énergétique et la dépendance à la mémoire à large bande passante. Cerebras, Groq, Etched, d-Matrix, Tenstorrent et d’autres startups partagent des idées différentes, mais ont toutes un objectif commun : trouver une alternative viable au modèle qui a permis à Nvidia de devenir la référence du marché.

Les clés des nouvelles entreprises de chips d’IA en 30 secondes

• Cerebras, Groq, Etched et d’autres entreprises atteignent des valorisations de plusieurs milliards de dollars.
• Chaque architecture tente de réduire un goulet d’étranglement particulier, de la mémoire à la communication entre puces.
• Cerebras utilise un processeur de la taille d’une wafer ; Groq privilégie la SRAM et une exécution prévisible.
• Etched et Taalas misent sur des puces très spécialisées, tandis que d-Matrix rapproche le calcul de la mémoire.
• Les valorisations reflètent de fortes attentes, mais de nombreuses technologies doivent encore démontrer leur scalabilité, leurs coûts et leur adoption commerciale.

L’image que renvoie le marché en juillet 2026 est celle d’une industrie en pleine recherche d’innovation. Plusieurs entreprises sont déjà valorisées à plus de 1 milliard de dollars, avec certaines atteignant des chiffres bien supérieurs, mais il est important de distinguer entre capitalisation boursière, valorisation lors d’un financement privé, rumeurs du marché et opérations ne constituant pas nécessairement des acquisitions complètes.

Le cas de Groq en est un exemple. L’accord annoncé avec Nvidia en décembre 2025 a été présenté comme une acquisition valorisée à 20 milliards de dollars par certains analyses. Cependant, les deux entreprises l’ont décrit comme une licence non exclusive sur la technologie d’inférence, accompagnée de l’embauche d’une partie de l’équipe. Nvidia a confirmé par la suite ne pas avoir acquis les produits, contrats ou participations de Groq. La société continue à opérer de façon indépendante et a levé 650 millions de dollars en juin 2026.

Cerebras a quant à elle réalisé une entrée en bourse. La société a commencé à être cotée au Nasdaq en mai 2026, avec une action fixée à 185 dollars, au-dessus de la fourchette initialement envisagée. Sa capitalisation a depuis fluctué, une valeur précise de 48 milliards de dollars, telle que présentée dans certaines comparaisons, n’étant qu’une image du marché à un instant donné et non une évaluation permanente.

Le problème commun : déplacer les données coûte trop cher

La majorité du travail d’un accélérateur d’IA consiste à effectuer des opérations mathématiques sur d’immenses matrices. Toutefois, la capacité de calcul n’est pas le seul obstacle. Les données doivent constamment voyager entre la mémoire, le processeur et d’autres puces du système.

Ce mouvement consomme du temps et de l’énergie. Il requiert aussi l’utilisation de mémoires à bande passante élevée, de réseaux internes très rapides et de systèmes d’emballage avancés. Lorsqu’un modèle est réparti sur plusieurs GPU, une partie du rendement potentiel est perdue en attendant que les poids, activations et résultats arrivent aux bons endroits.

La majorité des startups tente d’aborder cette difficulté de façon ciblée. Toutes ne concurrencent pas directement Nvidia sur les mêmes marchés ou n’offrent pas des produits interchangeables, mais presque toutes remettent en question un aspect de l’architecture conventionnelle.

Cerebras cherche à réduire la communication entre puces en fabriquant un processeur occupant presque toute une wafer. Groq remplace une partie de la dépendance à la mémoire externe par de grandes quantités de SRAM intégrée et une planification statique. d-Matrix déplace certaines opérations vers l’intérieur ou à proximité de la mémoire. Etched limite la flexibilité du processeur pour se concentrer sur les modèles basés sur les transformateurs.

L’idée partagée est simple : si déplacer des données est devenu l’un des coûts principaux de l’IA, une architecture qui réduit ces mouvements peut gagner en latence, efficacité ou coût.

Cerebras supprime de nombreuses frontières entre puces

Cerebras a construit son offre autour du Wafer-Scale Engine, un processeur fabriqué sur une wafer de silicium entière. Son WSE-3 couvre 46 225 millimètres carrés, intègre quatre billions de transistors et rassemble 900 000 cœurs orientés vers les charges d’intelligence artificielle, selon les spécifications de la société.

Un processeur traditionnel est obtenu en découpant une wafer en plusieurs puces plus petites. Cerebras conserve la majorité de la surface unie et utilise des mécanismes propriétaires pour gérer les défauts, l’alimentation, la refroidissement et la communication interne.

Cette solution réduit la nécessité de répartir certaines charges entre des dizaines ou des centaines d’encapsulés. La société affirme également que cela facilite la formation de grands modèles et diminue le déplacement de données entre dispositifs.

Ce choix comporte néanmoins des défis : fabriquer, alimenter et refroidir un processeur d’une telle taille demande une ingénierie sophistiquée. Il crée aussi une plateforme très différente des clusters classiques basés sur GPU, ce qui oblige ses clients à adopter ses logiciels et systèmes.

Cerebras a réussi à transformer cette architecture en produits et services de calcul commerciaux, une étape que beaucoup de startups en semi-conducteurs ne parviennent pas à franchir. Sa cotation en bourse a également renforcé l’idée qu’il existe un marché pour des accélérateurs alternatifs, même si leur évolution dépendra des revenus, de l’utilisation et de la capacité à attirer des clients au-delà de mégas-contrats ponctuels.

Groq mise sur la SRAM et l’exécution prévisible

Groq a conçu sa unité de traitement du langage, appelée LPU, avec une approche différente. Son architecture utilise des centaines de mégabytes de SRAM intégrée pour stocker certains données, plutôt que de la considérer uniquement comme un cache.

La SRAM est rapide et offre une latence très faible, mais elle occupe plus d’espace et coûte davantage que d’autres mémoires. Cela limite la quantité pouvant être intégrée dans un seul processeur, d’où la stratégie de Groq de répartir les modèles entre plusieurs puces connectées.

L’autre différence réside dans l’exécution : son compilateur programme les opérations de façon statique pour assurer un comportement prévisible. Ce choix vise à éviter une partie de la complexité des GPU, conçues pour exécuter des charges très variées et prendre de nombreuses décisions durant le traitement.

Groq s’est particulièrement concentré sur l’inférence, c’est-à-dire l’exécution de modèles pré-entraînés pour générer des réponses. La faible latence peut s’avérer précieuse dans les assistants, agents ou applications interactives où l’utilisateur attend des tokens rapidement.

La licence accordée à Nvidia valide une partie de sa propriété intellectuelle, mais ne signifie pas que Groq a disparu. La pérennité de GroqCloud montre aussi que ces opérations peuvent permettre à un grand groupe d’accéder à la technologie et au talent sans intégrer toute l’entreprise.

Etched limite la flexibilité pour se concentrer sur les transformateurs

Etched représente une approche plus risquée : concevoir un circuit intégré spécifique à une application, ou ASIC, conçu presque uniquement pour exécuter des modèles de transformateurs.

Les GPU offrent de la flexibilité car ils peuvent gérer de nombreux types de calculs. Cette polyvalence nécessite du matériel, des instructions et un logiciel qui ne sont pas toujours exploités lors de l’exécution d’un modèle précis.

Etched soutient que l’élimination d’une grande partie de cette généralité permet de consacrer davantage de surface du chip aux opérations essentielles pour les transformateurs. L’avantage potentiel serait une performance accrue en coût et en puissance. Le risque est évident : si l’architecture dominante évolue, un processeur trop spécialisé risque de perdre en utilité.

En juillet 2026, la société a annoncé une levée de fonds Série C valorisant l’entreprise à 10,3 milliards de dollars, avec environ 800 millions levés lors de plusieurs opérations. Ce chiffre, fourni par l’entreprise, ne représente pas encore des revenus, commandes ou parts de marché réels.

Son ascension illustre jusqu’où les investisseurs sont prêts à financer des designs spécialisés. Elle rappelle aussi la différence entre une valorisation privée et la capacité à produire en volume, à développer un logiciel complet et à rivaliser avec une plateforme consolidée.

d-Matrix rapproche le calcul de la mémoire

d-Matrix part d’un autre constat : le processeur passe trop de temps à attendre que les données arrivent. Son architecture de calcul numérique en mémoire réalise des opérations mathématiques proches des cellules qui stockent l’information.

La plateforme Corsair utilise des chiplets avec SRAM pour effectuer l’inférence de modèles génératifs. La société affirme que cette approche peut améliorer la latence, l’efficacité énergétique et le rapport coût/performance, bien que ses comparaisons soient basées sur des configurations et modèles précis.

La computation en mémoire ne supprime pas totalement le transfert d’informations, mais réduit certains trajets entre processeur et mémoire. Sa difficulté réside dans la préservation de la précision, de la capacité, de la programmabilité et de la production à grande échelle.

En juin 2026, d-Matrix a annoncé que Corsair était en production complète. Cette étape est importante car elle sépare une architecture expérimentale d’un produit pouvant arriver chez des clients, mais son succès dépendra encore des déploiements réels et du support des modèles en production.

Tenstorrent veut aussi concurrencer via la propriété intellectuelle

Tenstorrent combine des accélérateurs d’IA, des processeurs RISC-V et un business de licences de propriété intellectuelle. Sa stratégie ne se limite pas à vendre des cartes ou des systèmes finis.

L’entreprise propose des cœurs de CPU, des chiplets et des blocs d’accélération que d’autres fabricants peuvent intégrer dans leurs propres designs. Ce modèle ouvre des marchés dans les centres de données, l’automobile, l’électronique grand public, et les systèmes spécialisés.

RISC-V est une architecture ouverte d’instructions, permettant de concevoir des processeurs sans dépendre des licences classiques d’Arm ou x86. Tenstorrent la combine avec ses cœurs Tensix pour construire des plateformes hétérogènes.

L’avantage réside dans la flexibilité commerciale : une entreprise peut utiliser la technologie de Tenstorrent sans forcément acheter un système complet. La difficulté tient à construire un environnement logiciel mature et à convaincre les fabricants d’adopter une nouvelle architecture.

Toutes les startups de la liste ne fabriquent pas le même type de produit

Les comparaisons entre startups de chips mélangent souvent des activités différentes. Cerebras, Groq, Etched et d-Matrix développent des accélérateurs pour exécuter l’intelligence artificielle, mais Substrate travaille dans la fabrication de semi-conducteurs.

Cette entreprise tente de créer une alternative aux outils de lithographie avancée avec une nouvelle méthode de lithographie par rayons X. Son objectif déclaré est de construire des usines américaines capables de produire des puces avancées avec des équipements potentiellement moins coûteux que les machines les plus sophistiquées actuelles.

Ce projet ne concurrence pas directement une GPU Nvidia. Il cherche à modifier une autre partie de la chaîne : la façon dont sont imprimés les transistors et les interconnexions sur les wafers.

Des démarches similaires concernent aussi des sociétés spécialisées en photonique, réseaux, refroidissement, supraconducteurs ou emballage. Toutes participent à la course pour l’infrastructure de l’IA, mais abordent des problématiques différentes.

Ainsi, il n’existe pas de liste définitive de toutes les startups de chips. Le marché inclut des accélérateurs, mémoires, interconnexions, propriété intellectuelle, fabrication, optique et systèmes complets.

Les valorisations croissent plus vite que les produits

Les chiffres du secteur témoignent d’un grand intérêt des investisseurs. Cerebras a atteint une valorisation de plusieurs dizaines de milliards de dollars en bourse, Etched se situe à 10,3 milliards lors d’un financement privé, et SambaNova aurait atteint 11 milliards après une nouvelle levée de fonds.

Ces montants ne permettent pas de comparer directement les sociétés. La capitalisation publique varie chaque jour ; une valorisation privée repose sur un prix négocié lors d’un tour de financement, pouvant inclure des conditions spécifiques. Une licence de propriété intellectuelle n’équivaut pas à l’achat d’une entreprise.

De plus, le développement de semi-conducteurs demande beaucoup de capitaux. Concevoir un puce avancée, fabriquer les premières wafers, construire des systèmes, développer des compilateurs et assurer un support peut requérir des centaines de millions d’euros avant de générer des ventes significatives.

Nvidia ne domine pas uniquement parce que ses GPU sont puissants. Elle dispose de CUDA, de bibliothèques, de réseaux, de systèmes, de relations avec les fabricants et d’une communauté de développeurs bâtie sur plusieurs années. Un accélérateur peut offrir de meilleurs résultats dans un test précis tout en ayant du mal à remplacer toute cette plateforme.

Une étude académique de 2026 a comparé plusieurs accélérateurs et a montré que la meilleure option dépendait de la taille du modèle, de la longueur du contexte et du volume de requêtes. L’étude a aussi révélé des différences en consommation en mode repos et en maturité logicielle. Elle remet en question l’idée d’une architecture gagnante universelle.

Il est peu probable qu’un seul produit puisse remplacer Nvidia. Le marché risque d’être plus fragmenté, avec des GPU pour des charges générales, et des accélérateurs spécialisés pour des inférences à faible latence, des modèles spécifiques, des dispositifs en périphérie ou des installations à limites énergétiques.

Questions fréquemment posées

Quelle startup de chips d’IA a la plus haute valorisation ?

Cerebras est une société cotée en bourse dont la capitalisation a dépassé largement 40 milliards de dollars. Les chiffres évoluent avec le marché et ne doivent pas être directement comparés à des valorisations privées comme celle d’Etched.

Nvidia a-t-elle acheté Groq pour 20 milliards de dollars ?

Non, Nvidia n’a pas acquis formellement l’ensemble de la société. Elle a signé une licence non exclusive sur sa technologie d’inférence et a recruté une partie de l’équipe. Groq continue à opérer en tant qu’entreprise indépendante.

Pourquoi tant d’entreprises cherchent à réduire les déplacements de données ?

Parce que transférer des données entre mémoire, processeurs et autres puces consomme énormément d’énergie et augmente la latence. Dans les grands modèles, cet aspect peut limiter davantage la performance que la capacité mathématique elle-même.

Une startup peut-elle concurrencer Nvidia ?

Elle peut rivaliser dans des charges spécifiques, mais la remplacer dans l’ensemble du marché est plus complexe. Au-delà du matériel, il faut aussi égaler leur logiciel, leurs outils, leurs réseaux, leur support et leur communauté de développeurs.