DeepSeek-V3 et R1 : cette percée chinoise menace-t-elle vraiment Nvidia ?

DeepSeek s’est imposé en quelques semaines comme l’un des noms les plus commentés de l’intelligence artificielle. En publiant des modèles de langage très ambitieux et en rendant leurs poids accessibles, la jeune entreprise chinoise questionne une idée devenue centrale dans la Silicon Valley : faut-il nécessairement disposer de budgets gigantesques et de capacités de calcul toujours plus vastes pour rivaliser avec les meilleurs modèles ? Cette interrogation intéresse les développeurs, les entreprises et, plus largement, les investisseurs exposés à l’IA.

À la date du 26 janvier 2025, il faut toutefois éviter un raccourci. DeepSeek ne fabrique pas de processeurs graphiques et ne concurrence donc pas Nvidia produit contre produit. L’enjeu est plus subtil : si des modèles puissants peuvent être entraînés et exploités avec davantage d’efficacité, le marché pourrait modifier ses attentes sur le volume de calcul nécessaire, les coûts de l’IA et la valeur des entreprises qui en dépendent.

DeepSeek-V3, un modèle qui a changé les termes du débat

DeepSeek-V3 est publié le 26 décembre 2024. La publication d’origine évoquait un modèle de l’ordre de 600 milliards de paramètres, ce qui donne la mesure de son ambition. La documentation technique de DeepSeek précise un total de 671 milliards de paramètres, avec 37 milliards de paramètres activés par token. Cette nuance est essentielle pour comprendre sa promesse d’efficacité.

Le modèle a été entraîné sur 14 800 milliards de tokens. Un token est une unité de texte traitée par un modèle de langage, qui peut correspondre à un mot, une partie de mot ou un signe de ponctuation. Plus un modèle voit de tokens variés et de qualité pendant son entraînement, plus il est susceptible d’acquérir des compétences générales en langue, en programmation ou en raisonnement. La quantité ne suffit toutefois pas : la sélection et le nettoyage des données comptent tout autant.

DeepSeek-V3 repose sur une architecture dite Mixture-of-Experts, ou mélange d’experts. Au lieu de mobiliser l’intégralité du réseau de neurones à chaque mot généré, le système choisit des sous-parties spécialisées du modèle. L’ambition est simple : conserver une grande capacité globale tout en réduisant la puissance de calcul effectivement utilisée pour chaque token.

DeepSeek-R1 ajoute le raisonnement à l’équation

La dynamique ne se limite pas à V3. Le 20 janvier 2025, DeepSeek a publié DeepSeek-R1, une famille de modèles conçue pour des problèmes demandant plusieurs étapes de raisonnement, par exemple les mathématiques, la programmation ou l’analyse logique. Cette publication a renforcé l’attention portée à l’entreprise, car la course aux modèles ne porte plus seulement sur la capacité à produire un texte fluide.

Les modèles dits de raisonnement cherchent à consacrer davantage d’étapes internes aux problèmes complexes avant de formuler une réponse. Cela peut améliorer les résultats sur certains tests, mais cela ne rend pas le système infaillible. Un modèle peut toujours commettre une erreur de calcul, inventer une source ou suivre un raisonnement plausible mais faux. Dans un usage professionnel, la vérification humaine reste indispensable, surtout lorsqu’une décision a des conséquences financières, juridiques ou médicales.

L’intérêt de DeepSeek tient aussi à la diffusion de ses travaux et de ses modèles. Une entreprise peut les tester, les adapter à ses données et les exécuter dans son propre environnement, plutôt que de dépendre uniquement d’une interface ou d’une API contrôlée par un grand fournisseur. Cette liberté attire les équipes techniques, mais elle ne signifie pas que l’IA devient gratuite : il faut toujours des serveurs, des GPU, des compétences d’intégration, des données et des procédures de sécurité.

DeepSeek est-il un concurrent direct de Nvidia ?

La réponse courte est non, pas directement. DeepSeek est un concepteur de modèles d’IA. Nvidia vend des processeurs graphiques, des systèmes informatiques, des équipements réseau et des logiciels qui permettent notamment d’entraîner et de faire fonctionner ces modèles à grande échelle. Les deux entreprises se situent à des étages différents de la chaîne de valeur.

Le rapport technique de DeepSeek-V3 souligne d’ailleurs que son entraînement a mobilisé des GPU Nvidia H800. Les H800 sont des puces conçues par Nvidia pour le marché chinois dans le contexte des restrictions américaines à l’exportation de processeurs d’IA de pointe. Ce détail rappelle une réalité matérielle : même une avancée spectaculaire dans l’efficacité logicielle s’appuie, au moment de l’entraînement, sur une infrastructure de calcul très concrète.

La question pertinente n’est donc pas de savoir si DeepSeek va vendre des GPU à la place de Nvidia. Elle est de déterminer si l’efficacité de modèles tels que V3 peut modifier la quantité et le type de matériel que les entreprises achètent. Si les clients ont besoin de moins de calcul pour obtenir un niveau de performance donné, la pression peut augmenter sur les fournisseurs qui bénéficient d’une course permanente à la puissance. Mais l’effet inverse est tout aussi envisageable : si l’IA devient moins chère, davantage d’entreprises peuvent l’adopter, ce qui accroît à terme le nombre total de requêtes et les besoins en infrastructures.

Une réduction des coûts qui doit être interprétée avec prudence

DeepSeek a indiqué que la phase d’entraînement complète de V3 avait nécessité 2,788 millions d’heures GPU H800, pour un coût estimé à 5,576 millions de dollars en puissance de calcul. Ce chiffre a fortement marqué les observateurs, car il paraît faible au regard des dépenses souvent associées aux grands modèles occidentaux.

Il ne faut pourtant pas le transformer en coût total d’un programme d’IA. Une telle estimation de calcul ne recouvre pas nécessairement la recherche préalable, les salaires des équipes, les essais abandonnés, la préparation des données, l’infrastructure de stockage, la sécurité, l’évaluation ou le déploiement auprès d’utilisateurs réels. Elle ne permet pas non plus de comparer mécaniquement deux modèles dont l’architecture, les données, les objectifs et les méthodes d’évaluation diffèrent.

Le signal demeure important. DeepSeek démontre qu’une combinaison d’architecture à experts, d’optimisations d’entraînement et de méthodes d’ingénierie peut modifier le rapport entre puissance affichée et ressources mobilisées. Pour le marché, cette perspective compte autant que les performances brutes : l’IA générative pourrait devenir plus accessible à des entreprises qui ne disposent pas des moyens des grandes plateformes américaines.

Personnalisation et fraude : des usages possibles, pas un avantage exclusif

La publication d’origine mettait en avant la personnalisation des offres commerciales et la détection de comportements suspects dans la finance. Ces deux domaines font effectivement partie des usages possibles de l’IA, mais ils ne constituent pas des capacités exclusives de DeepSeek-V3 ou de DeepSeek-R1.

Pour personnaliser une relation client, une entreprise peut utiliser un modèle de langage afin de résumer des retours, classer des demandes, assister un conseiller ou produire des contenus adaptés à un contexte. L’analyse des préférences d’achat nécessite toutefois des données clients bien structurées et une gouvernance claire. En France comme en Europe, l’utilisation de données personnelles doit respecter les règles de protection de la vie privée, notamment en matière d’information, de finalité et de sécurité.

Dans une banque ou une plateforme de paiement, la lutte contre la fraude repose traditionnellement sur des modèles statistiques et d’apprentissage automatique entraînés sur des transactions étiquetées, complétés par des règles de sécurité. Un grand modèle de langage peut aider à analyser des dossiers, expliquer une alerte ou assister les équipes de conformité. Il ne doit pas, à lui seul, décider du blocage d’une transaction sur la base d’un texte ou d’une intuition générée. Les faux positifs, les erreurs et la traçabilité des décisions restent des sujets majeurs.

Pour ces usages, DeepSeek peut offrir une option technique supplémentaire, particulièrement attractive pour les organisations souhaitant expérimenter un modèle déployé dans leur propre infrastructure. Son intérêt dépendra alors moins de sa seule taille que de critères opérationnels : qualité en français, coût d’inférence, confidentialité des données, outils de supervision et facilité d’intégration avec les logiciels existants.

Quelles conséquences possibles pour Nvidia et les actions de l’IA ?

L’arrivée de DeepSeek ne permet pas de prédire à elle seule l’évolution du cours de Nvidia ou de toute autre action liée à l’IA. Les marchés financiers réagissent à de nombreux facteurs : résultats des entreprises, commandes de centres de données, concurrence, restrictions commerciales, dépenses des hyperscalers et perspectives de croissance. Présenter un nouveau modèle comme la cause automatique d’une baisse ou d’une hausse boursière serait trompeur.

En revanche, DeepSeek oblige à examiner de plus près les hypothèses qui soutiennent les valorisations du secteur. Une partie de l’enthousiasme autour des fabricants de puces repose sur l’idée que les modèles futurs demanderont toujours plus de calcul. Si des gains d’efficacité significatifs se généralisent, les investisseurs devront évaluer avec plus de précision la demande de matériel par modèle et par utilisateur.

À l’inverse, l’adoption massive de modèles plus efficients pourrait élargir le marché de l’IA générative. Des applications jusqu’ici jugées trop coûteuses pourraient devenir viables, faisant progresser la demande de calcul à l’inférence, c’est-à-dire au moment où les utilisateurs emploient les modèles. Nvidia dispose aussi d’un vaste écosystème logiciel et matériel, notamment autour de CUDA, qui reste un facteur important pour les entreprises équipant leurs centres de données.

La leçon pour les particuliers n’est pas de choisir un titre boursier sur la foi d’une annonce technique. Elle consiste à distinguer trois questions : la performance des modèles, le coût réel de leur exploitation et la manière dont ces deux éléments se traduisent, ou non, en revenus pour les entreprises concernées.

Ce qu’il faut surveiller dans les prochains mois

DeepSeek a introduit une variable nouvelle dans une compétition déjà intense entre laboratoires, fournisseurs de cloud et fabricants de puces. Les prochains mois permettront de mesurer si V3 et R1 résistent à l’épreuve des usages réels, au-delà des démonstrations et des tests publiés par leurs concepteurs.

Plusieurs indicateurs mériteront une attention particulière :

• l’adoption effective des modèles par les développeurs et les entreprises, notamment hors de Chine ;
• la qualité des adaptations réalisées par la communauté et la fiabilité des déploiements ;
• les coûts réels d’inférence à grande échelle, et pas seulement les coûts d’entraînement annoncés ;
• la réponse des acteurs établis, par de nouveaux modèles, des baisses de prix ou des optimisations techniques ;
• l’évolution des restrictions sur les puces avancées et leurs effets sur les capacités de calcul disponibles.

DeepSeek ne renverse pas à lui seul la position de Nvidia au 26 janvier 2025. Son importance est ailleurs : il montre que l’avenir de l’IA ne se jouera pas uniquement sur la taille des modèles ou la quantité de GPU achetés, mais aussi sur l’intelligence des architectures, l’efficacité des méthodes d’entraînement et la capacité à rendre ces outils réellement utiles aux entreprises.