Huawei CloudMatrix 384 : la riposte chinoise qui bouscule Nvidia dans l’IA

L’intelligence artificielle ne se joue pas uniquement dans les laboratoires qui conçoivent les modèles. Elle dépend aussi de machines capables d’effectuer des quantités considérables de calculs, de stocker des données et de faire circuler très vite les informations entre des milliers de composants. C’est sur ce terrain stratégique que Huawei entend marquer un point avec le CloudMatrix 384 Supernode, présenté comme une alternative chinoise de très grande puissance aux infrastructures dominées par Nvidia.

Le groupe chinois annonce une capacité de 300 petaflops pour cette configuration. À titre de comparaison, le système NVL72 de Nvidia est donné pour 180 petaflops. L’écart affiché est spectaculaire, mais il doit être lu avec méthode : comparer deux infrastructures d’IA ne consiste pas à aligner un seul chiffre. La précision des calculs, la mémoire disponible, les logiciels, la consommation électrique, la facilité de programmation et les performances réelles sur un modèle donné comptent tout autant.

L’annonce reste néanmoins importante. Elle montre que les restrictions technologiques imposées à Huawei n’ont pas mis fin à ses ambitions dans le calcul pour l’IA. Elles l’ont aussi poussé à bâtir des solutions reposant sur une chaîne d’approvisionnement locale, au moment où la Chine accélère ses investissements pour réduire sa dépendance aux composants américains.

CloudMatrix 384, qu’est-ce que Huawei a présenté ?

Le CloudMatrix 384 est un supernœud, c’est-à-dire un ensemble étroitement intégré de ressources de calcul conçu pour fonctionner comme une très grande machine dédiée à l’intelligence artificielle. Plutôt que de s’appuyer sur un seul processeur extrêmement puissant, ce type de système rassemble un grand nombre d’unités de traitement et organise leur coopération.

Huawei le présente comme une réponse aux goulots d’étranglement qui freinent les usages d’IA les plus exigeants. Lorsqu’un modèle de langage, un modèle de raisonnement ou un système de génération d’images grandit, il ne suffit pas d’ajouter des puces : elles doivent échanger leurs résultats en permanence. Si cette communication est trop lente, une partie de la puissance disponible reste inutilisée.

Le CloudMatrix 384 met donc l’accent sur plusieurs briques qui doivent fonctionner de concert :

• des unités de traitement destinées aux calculs d’IA ;
• des ressources de calcul central et neuronal ;
• une bande passante réseau élevée pour relier les composants ;
• une architecture pensée pour les charges de travail distribuées, où plusieurs unités traitent une même tâche.

Huawei affirme que son système peut atteindre 1 920 tokens par seconde tout en conservant un haut niveau de précision. Les tokens sont les petites unités de texte manipulées par les modèles de langage. Ce débit est donc un indicateur utile pour évaluer la vitesse à laquelle une infrastructure peut produire ou traiter du texte, mais il ne résume pas à lui seul l’ensemble des performances : le résultat varie notamment selon le modèle utilisé, la longueur des requêtes et le nombre d’utilisateurs servis simultanément.

Pourquoi la comparaison avec Nvidia est-elle si sensible ?

Nvidia occupe une place centrale dans l’essor récent de l’IA générative. Ses processeurs graphiques, ou GPU, sont massivement employés dans les centres de données pour entraîner les grands modèles et les faire fonctionner à grande échelle. Mais l’avantage de Nvidia ne vient pas uniquement de ses puces. Il repose aussi sur un écosystème complet : équipements de réseau, serveurs, outils logiciels et savoir-faire accumulé par les développeurs.

Le chiffre avancé par Huawei place le CloudMatrix 384 devant les 180 petaflops du système NVL72 de Nvidia, contre 300 petaflops annoncés pour son propre supernœud. Pour Pékin et les entreprises chinoises, disposer d’une capacité de calcul comparable à celle des acteurs américains représente un enjeu industriel autant que technique.

Cette confrontation ne signifie pas automatiquement que Huawei a dépassé Nvidia sur tous les fronts. Une infrastructure d’IA se juge également à sa disponibilité, à sa fiabilité, à son efficacité énergétique, à la qualité de ses outils et à la possibilité pour les entreprises de porter facilement leurs logiciels d’une plateforme à l’autre. En revanche, l’annonce remet en cause l’idée selon laquelle aucune offre chinoise ne pourrait atteindre un niveau de calcul très élevé.

L’interconnexion, le nerf de la guerre des supernœuds

Pour comprendre l’importance du CloudMatrix 384, il faut regarder au-delà des puces elles-mêmes. Les modèles d’IA les plus avancés sont généralement répartis sur un grand nombre d’unités de calcul. À chaque étape, ces unités doivent partager des paramètres, des données ou des résultats intermédiaires. C’est là que les interconnexions deviennent décisives.

Nvidia dispose de sa technologie NVLink, conçue pour accélérer la communication entre plusieurs unités de traitement. Huawei cherche à fournir une réponse locale à cette fonction essentielle. Le but est d’éviter que le réseau interne du système ne devienne le point faible de la machine, un problème fréquent lorsque l’on assemble de nombreux accélérateurs sans les relier assez rapidement.

Cette approche distingue les supernœuds des assemblages plus classiques de serveurs. Dans un système traditionnel, des machines peuvent être ajoutées progressivement, mais les échanges entre elles deviennent plus complexes à mesure que l’échelle augmente. Un supernœud est conçu dès le départ pour rapprocher au maximum les ressources de calcul, de mémoire et de réseau.

Le résultat recherché est double : réduire le temps nécessaire à l’entraînement des modèles fondamentaux, ceux qui servent de base à de multiples applications, et accélérer leur inférence, c’est-à-dire la phase où le modèle répond effectivement à une question ou exécute une tâche.

Une avancée façonnée par les restrictions américaines

La portée politique de CloudMatrix 384 est indissociable des sanctions et contrôles à l’exportation qui limitent l’accès de Huawei à certaines technologies avancées américaines. Ces restrictions visent notamment les composants les plus performants nécessaires au calcul intensif et compliquent l’approvisionnement d’entreprises chinoises en matériel de pointe.

Pour Huawei, développer des solutions reposant sur des composants locaux est donc une nécessité stratégique. L’entreprise cherche à réduire sa vulnérabilité face aux décisions commerciales étrangères, tout en offrant aux acteurs chinois de l’IA une infrastructure compatible avec leurs besoins croissants.

Cette dynamique ne garantit pas que toutes les difficultés sont levées. Construire un écosystème complet exige des puces, des systèmes de refroidissement, des réseaux, des logiciels, des services cloud et des équipes capables d’optimiser les modèles. C’est un travail de longue haleine, particulièrement dans un secteur où les plateformes existantes bénéficient déjà de communautés importantes de développeurs.

DeepSeek-R1, SiliconFlow et les usages concrets visés

Huawei ne présente pas CloudMatrix 384 comme une démonstration isolée. Le groupe collabore avec la start-up SiliconFlow pour intégrer le supernœud au soutien de DeepSeek-R1, un modèle de raisonnement développé à Hangzhou. Cette association illustre le lien étroit entre les fabricants d’infrastructures et les créateurs de modèles : une machine puissante n’a de valeur que si des logiciels savent l’utiliser efficacement.

Les modèles de raisonnement sont particulièrement exigeants, car ils peuvent générer davantage de tokens pour traiter une demande complexe. Ils réclament donc des capacités de calcul considérables, aussi bien lors de leur entraînement que durant leur utilisation par le public ou les entreprises.

Pour les développeurs, disposer d’alternatives matérielles peut avoir plusieurs effets. Une offre plus abondante peut améliorer l’accès à la puissance de calcul, réduire les risques liés à la dépendance à un fournisseur unique et encourager l’optimisation des logiciels sur des architectures différentes. Dans le cas chinois, elle peut aussi faciliter le déploiement de modèles locaux sur des infrastructures nationales.

Il reste toutefois à observer la capacité du CloudMatrix 384 à convaincre au-delà des démonstrations et des collaborations initiales. Les entreprises qui choisissent une plateforme évaluent aussi la maturité du support technique, la stabilité des bibliothèques logicielles et le coût global d’exploitation sur plusieurs années.

La Chine investit massivement dans son infrastructure d’IA

L’offensive ne repose pas sur Huawei seul. Le secteur technologique chinois investit dans les centres de données, les composants, le cloud et les logiciels afin de disposer des ressources nécessaires à l’essor de l’IA. Cette tendance est renforcée par les tensions géopolitiques et par la forte demande intérieure en capacités de calcul.

Alibaba a ainsi annoncé un investissement de 380 milliards de yuan, soit 52,4 milliards de dollars, dans les ressources de calcul et l’infrastructure d’IA sur une période de trois ans. Ce montant donne une idée de l’ampleur de la bataille qui se prépare : le calcul est désormais une infrastructure aussi stratégique que les réseaux de télécommunications ou le cloud.

Pour les groupes chinois, l’objectif est de pouvoir entraîner et déployer des modèles avancés sans dépendre exclusivement de technologies étrangères. Pour les entreprises clientes, l’enjeu est de trouver des capacités de calcul disponibles et adaptées à leurs contraintes, notamment en matière de souveraineté technologique et de continuité d’approvisionnement.

La concurrence pourrait aussi encourager une spécialisation accrue. Certaines infrastructures seront optimisées pour l’entraînement de très grands modèles, d’autres pour l’inférence à faible latence, c’est-à-dire des réponses rapides, ou encore pour des usages industriels précis. Dans tous les cas, la performance brute devra s’accompagner d’un environnement logiciel utilisable.

Ce qu’il faut surveiller après l’annonce de Huawei

Le CloudMatrix 384 place Huawei au centre du débat sur l’autonomie technologique chinoise. Mais la question déterminante sera celle de la reproductibilité des performances annoncées. Des mesures comparables, réalisées sur des tâches précises et dans des conditions transparentes, permettront de mieux apprécier l’écart réel avec les plateformes de Nvidia.

Plusieurs critères seront particulièrement suivis :

• la disponibilité effective des systèmes pour les entreprises et les fournisseurs de cloud ;
• leur capacité à faire fonctionner des modèles avancés à grande échelle ;
• l’efficacité de l’interconnexion entre les unités de calcul ;
• la maturité des outils logiciels destinés aux développeurs ;
• la capacité de Huawei à répondre durablement à la demande malgré les restrictions technologiques.

L’enjeu dépasse donc un duel de chiffres entre deux entreprises. Si des alternatives crédibles à l’écosystème Nvidia émergent, les développeurs et les entreprises disposeront de davantage d’options pour entraîner et exploiter leurs modèles. La compétition mondiale dans l’IA pourrait devenir moins concentrée, tout en restant structurée par une réalité fondamentale : les pays qui maîtrisent les infrastructures de calcul disposent d’un levier majeur sur l’avenir de cette technologie.