Ant Group entraîne ses IA sur des puces chinoises pour réduire la facture

L’intelligence artificielle n’est pas seulement une course aux modèles les plus vastes. C’est aussi une bataille industrielle autour des puces capables de les entraîner, un matériel coûteux et difficile d’accès. En Chine, où les restrictions américaines compliquent l’approvisionnement en processeurs de pointe, Ant Group cherche une autre voie : tirer davantage de résultats de puces chinoises aux spécifications moins élevées.

Le groupe de technologie financière, connu pour ses services numériques dans la finance, a intégré des puces de fournisseurs domestiques dans ses travaux d’entraînement. Des solutions liées à Alibaba et à Huawei Technologies figurent parmi les options évoquées. L’objectif est double : réduire la facture informatique des modèles d’IA et diminuer la dépendance du groupe à des composants étrangers dont l’accès est devenu plus contraint.

Cette démarche ne signifie pas qu’Ant Group abandonne les puces de Nvidia. L’entreprise continuerait d’y recourir pour une partie de ses développements en intelligence artificielle. Mais elle élargit ses possibilités, en étudiant aussi des alternatives d’AMD et des fabricants chinois. Cette diversification est au cœur de sa stratégie.

Pourquoi les puces sont devenues un enjeu stratégique pour l’IA

Entraîner un grand modèle de langage exige de faire circuler des volumes immenses de données dans des centres de données, sur des milliers de processeurs spécialisés. Les GPU, initialement conçus pour les calculs graphiques, se sont imposés dans cette tâche parce qu’ils effectuent en parallèle un très grand nombre d’opérations mathématiques.

Nvidia domine ce marché avec ses accélérateurs de calcul destinés aux centres de données. Or, les États-Unis ont progressivement restreint les exportations vers la Chine de certaines puces d’IA avancées. Ces règles ne rendent pas tout matériel étranger inaccessible, mais elles compliquent l’accès aux composants les plus puissants et aux écosystèmes logiciels qui les accompagnent.

Pour une entreprise chinoise, disposer d’alternatives ne relève donc pas seulement de l’optimisation budgétaire. C’est un moyen de sécuriser ses capacités de recherche et de déploiement. Le défi est important : remplacer une puce très performante par un matériel moins puissant ne suffit pas. Il faut aussi revoir la manière dont le modèle répartit ses calculs, communique entre les machines et utilise la mémoire.

La méthode Mixture of Experts pour calculer plus efficacement

Ant Group mise notamment sur une architecture appelée Mixture of Experts, ou MoE, en français « mélange d’experts ». Son principe est de répartir le travail entre plusieurs sous-modèles spécialisés, appelés experts. Pour une requête donnée, le système n’active pas nécessairement tous ces experts : un mécanisme de sélection dirige le calcul vers ceux qui semblent les plus adaptés.

Cette approche permet d’augmenter la capacité théorique d’un modèle sans mobiliser la totalité de ses paramètres à chaque opération. En pratique, l’idée est particulièrement séduisante lorsque les ressources de calcul sont rares ou coûteuses : au lieu de réclamer systématiquement plus de GPU, l’architecture cherche à effectuer les calculs utiles avec davantage de discernement.

Ant Group présente cette orientation dans un document de recherche intitulé « Scaling Models without Premium GPUs », soit « faire évoluer les modèles sans GPU haut de gamme ». Le groupe y décrit une tentative pour entraîner des modèles importants avec du matériel de moindre spécification, sans renoncer à des résultats compétitifs.

Le MoE n’est pas une solution magique. Il rend l’architecture plus complexe à orchestrer, notamment parce que les experts doivent être correctement répartis entre les machines et sollicités sans créer de goulots d’étranglement. Son intérêt dépend donc autant de l’algorithme que de la qualité de l’infrastructure qui l’exécute.

Une baisse de coût revendiquée de près de 20 %

Le chiffre le plus concret avancé par Ant Group concerne l’entraînement d’un trillion de tokens, soit mille milliards de tokens. Selon son travail de recherche, cette opération coûtait environ 6,35 millions de yuans avec une configuration de référence. L’approche optimisée, reposant sur des puces aux spécifications inférieures, ramènerait ce coût à environ 5,1 millions de yuans.

L’écart atteint 1,25 million de yuans, soit une baisse proche de 20 %. À l’échelle d’un modèle entraîné sur des volumes considérables, ce type de gain peut changer la faisabilité économique d’un projet. Il peut aussi permettre de tester davantage d’architectures et d’itérations sans réserver les équipements les plus coûteux.

Les modèles concernés portent les noms de Ling-Lite et Ling-Plus. Le premier compte 16,8 milliards de paramètres, le second 290 milliards. Ant Group a choisi de les proposer en open source, ce qui peut permettre à des développeurs et à des organisations d’étudier leur fonctionnement, de les adapter ou de les évaluer sur leurs propres cas d’usage.

Un chiffre de paramètres ne doit toutefois pas être interprété comme un classement automatique. Les données utilisées, la qualité de l’entraînement, l’architecture et la capacité à répondre à des tâches précises pèsent tout autant. Un modèle plus petit peut se montrer plus utile qu’un modèle géant dans un contexte professionnel bien défini.

Des performances annoncées face aux puces Nvidia H800

Ant Group affirme que les résultats issus de sa méthode MoE peuvent rivaliser avec ceux obtenus avec des Nvidia H800. Le H800 est une version destinée au marché chinois de processeurs conçus pour les centres de données, dans un contexte où les règles américaines limitaient l’exportation de puces plus avancées.

Le groupe indique également que ses modèles ont, dans certains tests, dépassé des créations de Meta. Cette revendication est significative, mais elle appelle à la prudence. Les performances d’un modèle d’IA changent selon les jeux de tests retenus, la langue utilisée, la nature des questions, les réglages d’inférence et les critères choisis : exactitude, vitesse, coût ou qualité rédactionnelle.

La comparaison souvent évoquée avec des modèles propriétaires doit elle aussi être maniée avec précaution. Un ordre de grandeur de 1,8 trillion de paramètres est parfois cité pour GPT-4.5, un modèle fermé d’OpenAI, mais le nombre de paramètres ne suffit pas à établir une comparaison directe avec Ling-Plus ou Ling-Lite. Les performances réelles ne se résument pas à la taille annoncée.

L’enjeu d’Ant Group n’est donc pas de démontrer qu’une puce chinoise remplace dans tous les cas un GPU Nvidia de pointe. Il est plutôt de montrer qu’une combinaison entre matériel disponible localement et architecture efficace peut atteindre un niveau utile pour des applications concrètes, à un coût inférieur.

La santé et la finance, deux terrains d’application visés

Ant Group ne présente pas ses modèles comme de simples démonstrateurs techniques. Le groupe prévoit de les employer dans des secteurs industriels, au premier rang desquels la santé et la finance. Ces domaines correspondent à ses activités et à ses investissements : Ant Group a notamment pris le contrôle de la plateforme médicale Haodf.com.

Dans la santé, l’IA peut par exemple aider à organiser l’information, assister des professionnels dans certaines tâches administratives ou améliorer l’accès à des services numériques. Dans la finance, elle peut servir des assistants conversationnels, la recherche d’informations et des outils d’orientation. Ant Group propose déjà divers services fondés sur l’IA, dont une application d’assistant virtuel et une plateforme de conseils financiers.

Ces usages soulèvent cependant des exigences spécifiques. En santé, un modèle ne peut remplacer le jugement médical et doit être encadré par des procédures de validation. En finance, la qualité des réponses, la protection des données et la clarté des recommandations sont essentielles. Réduire le coût de calcul est utile, mais cela ne dispense pas d’évaluer rigoureusement les systèmes avant leur déploiement.

Des difficultés techniques qui restent réelles

Le document d’Ant Group ne masque pas entièrement les limites de l’exercice. L’entraînement de grands modèles sur une infrastructure moins conventionnelle peut se révéler instable. De petits changements apportés au matériel ou à l’architecture du modèle peuvent provoquer des fluctuations de performance et des pics dans les taux d’erreur.

Cette fragilité rappelle une réalité souvent occultée par les annonces de performances : entraîner un modèle est un processus délicat. Il faut régler la vitesse d’apprentissage, synchroniser les calculs entre les puces, gérer la mémoire et surveiller les erreurs numériques. Plus le système est distribué sur de nombreuses machines, plus les interactions deviennent difficiles à maîtriser.

L’accès à des puces locales est donc une condition nécessaire, mais pas suffisante. Les entreprises doivent aussi disposer de compilateurs, de bibliothèques logicielles, d’outils de suivi et d’ingénieurs capables d’optimiser les modèles pour ces composants. C’est sur cet ensemble, souvent qualifié d’écosystème, que se joue une part importante de l’autonomie technologique.

Ce qu’il faut surveiller

La stratégie d’Ant Group illustre deux visions qui ne s’excluent pas totalement. D’un côté, Nvidia et son dirigeant Jensen Huang défendent l’idée que les modèles d’IA nécessiteront toujours plus de puissance de calcul. De l’autre, Ant cherche à démontrer que des gains d’architecture peuvent réduire le besoin de matériel premium.

Dans les faits, la demande pour les puces les plus performantes peut continuer de progresser, tandis que les techniques d’optimisation deviennent indispensables pour rendre l’IA abordable dans davantage d’entreprises. La question déterminante sera celle de la reproductibilité : Ant Group devra confirmer que ses résultats restent stables sur différents modèles, différentes charges de travail et des déploiements industriels réels.

Pour l’écosystème chinois, l’expérience est suivie de près. Si des groupes parviennent à former et exploiter des modèles compétitifs avec des puces domestiques, les restrictions sur le matériel étranger perdraient une partie de leur effet économique. Pour les utilisateurs, le bénéfice potentiel est plus concret : des services d’IA moins coûteux à faire fonctionner, à condition que les gains de calcul ne se fassent pas au détriment de la fiabilité et de la sécurité.