DeepSeek bouscule le coût de l’IA, sans prouver un déclin américain

DeepSeek a fait surgir une question qui touche autant les ingénieurs que les investisseurs : l’intelligence artificielle de pointe doit-elle nécessairement reposer sur des budgets toujours plus élevés et des grappes géantes de puces graphiques ? En janvier 2025, les modèles de la jeune entreprise chinoise ne renversent pas à eux seuls l’ordre technologique mondial. Ils apportent en revanche une démonstration très remarquée : l’efficacité de l’architecture et de l’entraînement peut compter autant que la quantité brute de calcul.

Le débat est d’autant plus sensible que les États-Unis concentrent une grande partie des modèles les plus utilisés, des fournisseurs de cloud et des puces nécessaires à leur fonctionnement. OpenAI, Google, Microsoft, Meta et Amazon investissent massivement dans des centres de données et dans la recherche. Face à eux, DeepSeek affirme avoir atteint un niveau compétitif avec une méthode nettement moins coûteuse sur une étape précisément identifiée de son entraînement. Cette affirmation mérite d’être examinée avec attention, sans la transformer trop vite en diagnostic de déclin américain.

DeepSeek, de quoi parle-t-on exactement ?

DeepSeek est une entreprise chinoise spécialisée dans les grands modèles de langage, ces IA capables de produire, résumer, traduire ou analyser du texte et du code. Deux publications récentes expliquent la visibilité soudaine de son nom.

DeepSeek-V3, dévoilé en décembre 2024, est un modèle généraliste. Il peut dialoguer, rédiger, programmer et répondre à des questions dans plusieurs langues. DeepSeek-R1, publié le 20 janvier 2025, est davantage orienté vers le raisonnement : il vise notamment les problèmes de mathématiques, de code et les tâches qui demandent de décomposer une question en plusieurs étapes.

Ces systèmes appartiennent à la famille des grands modèles de langage. Comme la plupart de leurs concurrents, ils reposent sur l’architecture dite des transformers. Il serait toutefois trompeur de présenter cette technologie comme simplement « ancienne » ou dépassée. Les transformers restent la base de nombreux systèmes modernes, parce qu’ils traitent efficacement les relations entre les mots, les morceaux de code ou les images. L’innovation se situe aussi dans la manière de les entraîner, de les organiser et de limiter les calculs inutiles.

Comment DeepSeek cherche-t-il à réduire les besoins en calcul ?

Le point le plus commenté concerne DeepSeek-V3. Son architecture utilise un principe appelé « mélange d’experts ». Au lieu de mobiliser l’intégralité du modèle à chaque mot généré, le système sélectionne un nombre limité de sous-réseaux spécialisés, les « experts », en fonction de la tâche. L’objectif est simple : conserver une grande capacité globale tout en n’activant qu’une fraction des paramètres à chaque opération.

DeepSeek-V3 affiche 671 milliards de paramètres au total, mais l’entreprise indique que 37 milliards de paramètres sont activés pour chaque jeton traité. Un jeton est une unité de texte manipulée par le modèle, qui correspond souvent à une partie de mot ou à un mot court. Cette différence entre paramètres totaux et paramètres activés explique pourquoi comparer uniquement la taille affichée de deux modèles peut être trompeur.

L’entreprise met également en avant des techniques destinées à limiter la mémoire nécessaire pendant les longues conversations. Dans un assistant conversationnel, le modèle doit conserver une représentation de ce qui a déjà été écrit pour répondre de façon cohérente. Réduire ce coût de mémoire peut améliorer la vitesse ou permettre de traiter davantage de requêtes avec les mêmes serveurs.

DeepSeek-R1 s’inscrit dans une autre logique. Il cherche à améliorer certaines capacités de raisonnement grâce à l’apprentissage par renforcement. Dans cette méthode, le modèle est encouragé à produire des réponses qui satisfont des critères de réussite, par exemple une solution correcte à un problème vérifiable. Il ne s’agit pas d’une recette entièrement nouvelle, mais d’une piste devenue centrale dans la course aux IA capables de résoudre des tâches plus complexes.

Le chiffre de 5,576 millions de dollars doit être interprété avec prudence

DeepSeek indique que l’entraînement de DeepSeek-V3 a mobilisé 2,788 millions d’heures de GPU Nvidia H800. En appliquant un tarif de 2 dollars par heure de GPU, l’entreprise chiffre cette phase d’entraînement à 5,576 millions de dollars. À première vue, l’écart paraît considérable avec les dizaines de milliards de dollars de dépenses annoncées ou envisagées par les grands groupes américains pour leurs infrastructures d’IA.

Mais cette comparaison demande une précaution essentielle. Les 5,576 millions de dollars ne représentent pas le coût complet d’une entreprise d’IA, ni le coût cumulé de toute la recherche ayant conduit au modèle. Ce calcul porte sur une phase d’entraînement finale, avec un prix horaire hypothétique. Il ne couvre pas nécessairement l’acquisition ou l’amortissement des puces, la construction des centres de données, les salaires des équipes, les essais antérieurs, les données, la sécurité, ni le déploiement du service auprès de millions d’utilisateurs.

De même, l’expression « investissements en IA » recouvre des réalités très différentes. Les 180 milliards de dollars évoqués pour les États-Unis dans le débat public ne peuvent pas être lus comme une seule facture consacrée à entraîner des chatbots. Ces sommes peuvent englober des centres de données, des réseaux, de l’électricité, des serveurs, des acquisitions, de la recherche et des produits destinés à d’autres usages que les modèles de langage.

La leçon la plus solide n’est donc pas que les dépenses des acteurs américains seraient devenues inutiles. DeepSeek montre plutôt qu’un laboratoire peut chercher des gains importants en optimisant son modèle et ses méthodes d’entraînement. Dans une industrie où le calcul est une ressource coûteuse, cette efficacité devient un avantage stratégique.

Les géants américains sont-ils réellement en stagnation ?

La réponse courte est non : les éléments disponibles ne permettent pas de conclure à une stagnation technologique des États-Unis. Les groupes américains continuent de publier de nouveaux modèles, de financer des infrastructures considérables et de développer des outils de raisonnement, de génération d’images, de recherche et de programmation. Leur avance ne se mesure pas seulement à un coût d’entraînement : elle dépend aussi de la qualité des produits, de la disponibilité mondiale de leurs services, des données, du matériel et de leur capacité à attirer développeurs et entreprises.

En revanche, DeepSeek remet en cause une idée souvent admise : plus un modèle exige de puces, plus il est forcément difficile à concurrencer. Une amélioration d’architecture peut modifier l’économie d’un service d’IA. Si un modèle obtient des résultats comparables sur certaines tâches avec moins de calcul, les fournisseurs de services peuvent théoriquement réduire leurs coûts ou servir davantage d’utilisateurs à infrastructure égale.

Il faut aussi distinguer deux moments très coûteux. L’entraînement consiste à créer le modèle à partir de vastes volumes de données et de calcul. L’inférence consiste à l’utiliser ensuite pour répondre aux requêtes. Un modèle efficace à l’entraînement n’est pas automatiquement le moins cher en usage quotidien. Inversement, un coût d’entraînement élevé peut être rentable si le modèle devient très largement utilisé.

Pourquoi les marchés ont-ils réagi si vivement ?

Le 27 janvier 2025, l’arrivée de DeepSeek dans la conversation mondiale a provoqué une forte nervosité boursière. L’action Nvidia a perdu 17 % sur la séance. La baisse a effacé environ 593 milliards de dollars de capitalisation boursière, un recul quotidien sans précédent pour une entreprise cotée à cette date. D’autres valeurs technologiques, aux États-Unis comme au Japon, ont également été affectées.

Cette réaction ne signifie pas que les investisseurs anticipent l’arrêt des achats de puces. Elle traduit une interrogation : si des modèles performants peuvent être entraînés ou exploités avec moins de ressources, la croissance future de la demande en accélérateurs de calcul restera-t-elle aussi spectaculaire que prévu ? Nvidia occupe une place centrale dans cette économie, car ses GPU sont largement utilisés pour entraîner et faire fonctionner les modèles d’IA.

L’effet pourrait toutefois aller dans les deux sens. Une baisse du coût par requête peut rendre l’IA accessible à davantage d’entreprises et d’usages. Si le nombre d’applications augmente fortement, la demande totale de calcul peut continuer à croître malgré une meilleure efficacité. C’est pourquoi une journée de Bourse, même spectaculaire, ne permet pas de trancher l’avenir du marché des puces.

Des modèles plus ouverts, un enjeu de souveraineté technologique

DeepSeek a aussi attiré l’attention par la publication de poids de modèles et de documentation technique, notamment pour DeepSeek-R1. Dans le langage courant, cette démarche est souvent qualifiée d’« open source ». Le terme le plus précis est parfois « open weight » : rendre les poids disponibles permet d’exécuter ou d’adapter le modèle, mais ne signifie pas nécessairement que toutes les données d’entraînement, tous les outils et chaque étape de fabrication sont publiés.

Cette ouverture relative représente néanmoins une opportunité pour des chercheurs, des PME et des administrations. Ils peuvent tester un modèle sur leurs propres serveurs, l’adapter à des tâches spécialisées ou éviter de transmettre certains documents à un service externe. Pour des pays qui souhaitent réduire leur dépendance à un petit nombre de fournisseurs étrangers, cette possibilité alimente une réflexion sur la souveraineté numérique.

Elle ne fait pas disparaître les contraintes. Exécuter un grand modèle nécessite encore des cartes graphiques, de l’électricité, des équipes capables de sécuriser l’infrastructure et des données de qualité. Adapter un système à une langue, à une réglementation ou à un secteur professionnel demande aussi un travail considérable. Un modèle téléchargeable n’équivaut donc pas automatiquement à une indépendance technologique.

Ce qu’il faut surveiller après le choc DeepSeek

Les prochains mois permettront de distinguer l’effet d’annonce d’une évolution durable. Trois questions seront particulièrement importantes.

• La reproductibilité des performances : des évaluations indépendantes devront vérifier les résultats annoncés, sur des tâches variées et dans plusieurs langues.
• Le coût réel sur l’ensemble du cycle de vie : l’industrie observera l’entraînement, l’inférence, la maintenance, la sécurité et le déploiement à grande échelle, pas seulement un chiffre d’entraînement.
• La diffusion des méthodes d’efficacité : les concurrents américains, chinois et européens peuvent eux aussi adopter des architectures à experts, des techniques de compression et de nouveaux procédés de raisonnement.
• L’accès au matériel : les puces avancées, les restrictions commerciales et la capacité à construire des centres de données restent déterminants pour l’autonomie des acteurs.

DeepSeek ne signe donc ni l’éclatement établi d’une bulle de l’IA ni la fin de l’hégémonie technologique américaine. Son apport est plus concret et, à ce titre, plus important : il oblige l’ensemble du secteur à justifier le coût de ses modèles et à considérer l’efficacité comme un terrain de compétition à part entière.