Huawei prépare les livraisons massives de l’Ascend 910C en Chine

Huawei s’apprête à franchir une étape industrielle importante dans les infrastructures d’intelligence artificielle chinoises. Le groupe prévoit de lancer, à partir de mai 2025, des livraisons massives de son accélérateur Ascend 910C. Dans un marché où l’accès aux puces américaines les plus puissantes est devenu plus incertain, ce composant pourrait offrir aux entreprises du pays une solution matérielle locale pour entraîner et exploiter de grands modèles d’IA.

L’enjeu dépasse la sortie d’une puce. Avec l’Ascend 910C et le système de calcul CloudMatrix 384, Huawei cherche à proposer une plateforme complète : des accélérateurs de calcul, des connexions à très haut débit et une architecture de centre de données conçue pour faire fonctionner des charges de travail d’IA à grande échelle. Cette stratégie répond directement à la pression exercée par les contrôles américains sur les exportations de semi-conducteurs avancés vers la Chine.

Des livraisons massives attendues à partir de mai 2025

Huawei avait déjà distribué des échantillons précoces de l’Ascend 910C à certaines entreprises technologiques chinoises au cours de 2023, tout en ouvrant ses carnets de commandes. La prochaine phase doit être celle d’une fourniture à plus grande échelle, prévue pour le mois suivant les informations publiées en avril 2025, soit mai 2025.

Pour les acheteurs chinois, la disponibilité compte autant que les caractéristiques techniques. Les développeurs de modèles d’IA ont besoin de grandes quantités d’accélérateurs pour deux usages distincts : l’entraînement, qui consiste à ajuster les paramètres d’un modèle sur des volumes considérables de données, et l’inférence, c’est-à-dire la production de réponses, d’images ou d’autres résultats une fois le modèle déployé.

Dans les deux cas, les puces spécialisées sont centrales. Elles effectuent massivement des calculs en parallèle et doivent échanger des données très rapidement avec leur mémoire et avec les autres puces du serveur. Une entreprise qui ne peut pas sécuriser cet approvisionnement risque de ralentir ses projets, même si ses équipes disposent de logiciels et de données performants.

Pourquoi les restrictions américaines changent la donne

Le calendrier de Huawei intervient dans un contexte de contrôles américains renforcés. Le gouvernement des États-Unis a récemment informé Nvidia qu’une licence d’exportation était nécessaire pour vendre à la Chine sa puce d’IA H20. Cette dernière avait été conçue pour le marché chinois dans le cadre des limites d’exportation alors en vigueur.

Une licence n’est pas une interdiction automatique, mais elle introduit une incertitude pour les vendeurs comme pour les acheteurs. Les entreprises chinoises qui dépendent de matériel étranger peuvent être confrontées à des délais, à des volumes limités ou à une évolution rapide des règles. Dans ces conditions, disposer d’un fournisseur domestique devient un avantage stratégique.

L’Ascend 910C s’inscrit dans cette recherche d’autonomie technologique. Selon l’analyse de conseil évoquée dans les informations disponibles, la puce pourrait devenir un choix majeur pour les entreprises chinoises construisant des modèles d’IA de grande taille ou déployant des capacités d’inférence. Ce potentiel repose moins sur la promesse d’être supérieur à toutes les puces concurrentes que sur la possibilité de bâtir une chaîne d’approvisionnement moins exposée aux restrictions géopolitiques.

Ce que propose l’Ascend 910C

L’Ascend 910C est une évolution du Ascend 910B. Son principe est celui d’un « double package » : Huawei associe deux composants issus de la génération précédente afin de porter à un niveau supérieur la puissance de calcul et la capacité de mémoire disponibles. Les informations publiées indiquent ainsi des performances et une capacité mémoire doublées par rapport au 910B.

Cette approche ne repose pas sur les procédés de fabrication les plus avancés. Elle consiste plutôt à combiner des puces et à soigner leurs interconnexions pour former un ensemble plus puissant. C’est une voie pragmatique dans une industrie où la miniaturisation des transistors, mesurée notamment en nanomètres, est difficile à maîtriser et fortement concentrée chez quelques fabricants mondiaux.

Des experts cités estiment que le 910C peut atteindre un niveau de performances comparable à celui du H100 de Nvidia. Cette comparaison doit cependant être interprétée avec prudence. Une puce d’IA ne se juge pas uniquement à sa puissance théorique : l’efficacité énergétique, la quantité de mémoire, les communications entre processeurs, les logiciels et les outils de développement comptent aussi dans les conditions réelles d’utilisation.

CloudMatrix 384, la stratégie du système complet

Huawei ne mise pas seulement sur un accélérateur isolé. Le groupe l’intègre dans le CloudMatrix 384, une infrastructure d’IA à l’échelle d’un rack pensée pour l’entraînement de modèles complexes. Le système rassemble 384 puces Ascend 910C dans un ensemble de 16 racks : 12 racks de calcul et quatre racks dédiés au réseau.

Le point distinctif de cette architecture est l’usage d’interconnexions optiques à haute vitesse. Dans de nombreuses infrastructures, les échanges entre composants reposent largement sur des liaisons électriques en cuivre. Huawei s’appuie ici sur des connexions optiques afin de permettre une communication à grande bande passante entre les accélérateurs et les équipements réseau.

L’architecture annoncée comprend 6 912 transceivers optiques LPO de 800G. Un transceiver est un module qui émet et reçoit des signaux. Dans un cluster d’IA, ces éléments sont essentiels : si les processeurs ne peuvent pas échanger assez vite les données nécessaires, une partie de leur puissance reste inutilisée. Le réseau devient alors un goulot d’étranglement.

Cette orientation montre que la compétition ne se joue plus seulement sur la puce elle-même. Pour entraîner de très grands modèles, il faut faire coopérer des centaines, voire davantage, d’accélérateurs. La qualité des échanges entre ces unités détermine donc directement la capacité à faire évoluer les calculs.

Puissance, mémoire et consommation : une comparaison à nuancer

Les estimations disponibles attribuent au CloudMatrix 384 environ 300 petaFLOPs en BF16. À titre de comparaison, le système GB200 NVL72 de Nvidia est donné pour environ 180 petaFLOPs BF16. Le petaFLOP correspond à un million de milliards d’opérations à virgule flottante par seconde : il s’agit d’un indicateur de puissance de calcul brute, utile mais insuffisant à lui seul pour mesurer l’intérêt concret d’une infrastructure.

Le CloudMatrix 384 disposerait donc d’une bande passante mémoire de plus du double et d’une capacité de mémoire HBM, ou mémoire à haute bande passante, plus de 3,6 fois supérieure à celles du GB200 NVL72. La HBM est particulièrement importante pour l’IA : elle alimente très rapidement les accélérateurs en données et limite les temps d’attente lors de calculs intensifs.

Mais le bilan n’est pas univoque. L’infrastructure de Huawei est estimée comme 2,3 fois moins efficace par opération à virgule flottante que celle de Nvidia. Son efficacité énergétique par unité de bande passante mémoire serait également inférieure. Autrement dit, Huawei peut viser une puissance totale et de vastes ressources mémoire en assemblant davantage de composants, mais au prix d’une consommation énergétique moins favorable.

Ce compromis est déterminant pour les opérateurs de centres de données. La facture électrique, le refroidissement, l’espace occupé et la disponibilité des équipements réseau pèsent lourd dans le coût d’un cluster d’IA. Néanmoins, pour une organisation privée d’accès stable aux composants les plus avancés, une solution locale moins efficiente peut rester préférable à l’absence d’alternative.

Production : le rôle de SMIC et les questions autour de TSMC

La fabrication de certains composants essentiels au 910C est attribuée à SMIC, la principale fonderie chinoise de semi-conducteurs. Elle utiliserait son procédé 7 nm N+2. Toutefois, des interrogations persistent sur les rendements de production, c’est-à-dire la proportion de puces fonctionnelles obtenues sur une même plaque de silicium. Un rendement faible peut rendre une puce plus coûteuse et limiter les volumes disponibles.

Les informations disponibles soulèvent aussi la possibilité que certaines unités du 910C intègrent des puces produites par TSMC pour l’entreprise chinoise Sophgo. Huawei a démenti utiliser des composants fabriqués par TSMC. De son côté, TSMC a déclaré ne pas avoir fourni Huawei depuis 2020 et continuer de respecter les réglementations sur les exportations.

Le département américain du Commerce mène une enquête sur les liens entre TSMC et Sophgo, après qu’une puce conçue par Sophgo a été retrouvée dans le précédent processeur Ascend 910B de Huawei. Cette affaire rappelle que la traçabilité des composants est devenue un sujet aussi important que leurs performances. Dans une chaîne de production mondiale, la conception, la fabrication, l’assemblage et les logiciels peuvent impliquer des entreprises de plusieurs pays.

Ce qu’il faut surveiller

La première inconnue sera la capacité de Huawei à tenir le rythme des livraisons massives annoncées à partir de mai 2025. Concevoir une puce et la produire en volumes suffisants sont deux défis différents, particulièrement lorsqu’il faut garantir des rendements acceptables et fournir tout l’écosystème nécessaire, des serveurs aux interconnexions optiques.

La deuxième question est celle de l’adoption logicielle. Nvidia ne vend pas uniquement des processeurs : son implantation dans l’IA repose aussi sur un environnement de développement largement utilisé. Pour s’imposer durablement, Huawei devra permettre aux entreprises de porter, d’optimiser et d’exploiter leurs charges de travail sur Ascend avec un niveau de simplicité et de fiabilité adapté aux déploiements industriels.

Enfin, l’évolution des règles américaines restera décisive. Plus les restrictions d’exportation s’intensifient, plus l’intérêt d’alternatives nationales augmente pour les acteurs chinois. L’Ascend 910C et le CloudMatrix 384 ne résolvent pas toutes les contraintes technologiques, notamment sur l’efficacité énergétique, mais ils illustrent une tendance durable : face aux limites d’accès aux composants étrangers, la Chine accélère la construction de ses propres capacités de calcul pour l’IA.