Puces américaines : comment Tencent et Baidu préservent leurs ambitions dans l’IA

L’intelligence artificielle ne se joue pas seulement dans les laboratoires qui conçoivent les modèles. Elle se joue aussi dans les centres de données, où des milliers de puces effectuent les calculs nécessaires à leur entraînement et à leur fonctionnement. Pour les grands groupes technologiques chinois, les restrictions américaines sur certains semi-conducteurs avancés ont donc transformé l’accès au matériel en priorité stratégique. Tencent et Baidu cherchent désormais à démontrer qu’il est possible de poursuivre leur développement en IA avec une combinaison de stocks, d’optimisation logicielle et d’infrastructures locales.

Au 26 mai 2025, leur réponse ne consiste pas à nier l’importance des processeurs graphiques les plus performants. Ces GPU restent essentiels, notamment pour entraîner les grands modèles de langage et traiter d’immenses volumes de données. Mais elle repose sur une idée plus pragmatique : tirer davantage de valeur de chaque puce disponible, réduire les dépenses de calcul là où c’est possible et renforcer les capacités technologiques développées en Chine.

Pourquoi les puces sont-elles devenues un enjeu central de l’IA ?

Les modèles d’intelligence artificielle modernes demandent une puissance de calcul considérable. Lors de l’entraînement, ils analysent de très grandes quantités de textes, d’images, de sons ou de données structurées afin d’ajuster leurs paramètres. Lorsqu’ils sont ensuite utilisés par le public ou par des entreprises, ils doivent répondre rapidement à un grand nombre de requêtes. Dans les deux cas, les GPU jouent un rôle décisif.

Initialement conçus pour accélérer le rendu graphique, ces processeurs sont particulièrement adaptés aux calculs effectués en parallèle, au cœur de l’apprentissage automatique. C’est pourquoi ils équipent les grands centres de données dédiés à l’IA. Leur disponibilité, leur coût, leur consommation électrique et la manière dont ils sont reliés en grappes influencent directement la capacité d’une entreprise à entraîner et déployer des modèles.

Les États-Unis ont progressivement renforcé leurs contrôles à l’exportation sur des semi-conducteurs et équipements de fabrication avancés destinés à la Chine. Ces mesures compliquent l’approvisionnement des entreprises chinoises en puces de pointe américaines. Elles ne signifient pas que toute activité d’IA devient impossible, mais elles rendent la planification matérielle plus complexe et plus coûteuse.

Cette contrainte favorise deux réflexes : constituer des réserves lorsqu’un approvisionnement est encore possible et améliorer l’efficacité de l’infrastructure existante. C’est précisément sur ces deux terrains que Tencent et Baidu présentent leurs stratégies.

Tencent veut faire plus avec les GPU déjà disponibles

Tencent, connu notamment pour ses activités dans les services internet, le jeu vidéo et le cloud, met en avant une approche fondée sur l’optimisation. Son président, Martin Lau, a déclaré que le groupe détenait un « stock important » de puces, y compris des GPU. L’entreprise ne précise pas publiquement le volume exact de cet inventaire ni sa composition. L’affirmation est néanmoins significative : posséder des composants déjà acquis apporte une marge de manœuvre dans un contexte d’incertitude sur les exportations.

La stratégie de Tencent ne se limite toutefois pas au stockage. Martin Lau soutient que l’entreprise n’a pas nécessairement besoin d’agrandir massivement ses grappes de GPU pour obtenir des résultats importants en intelligence artificielle. Cette position tranche avec une vision selon laquelle la performance dépendrait uniquement de l’accumulation de toujours plus de processeurs.

L’enjeu est d’abord logiciel. Une même infrastructure peut être mieux exploitée en répartissant plus efficacement les tâches, en limitant les temps d’attente entre machines, en ajustant les calculs réalisés avec une précision adaptée ou en évitant de mobiliser inutilement de la mémoire. Ces techniques ne remplacent pas une capacité matérielle manquante, mais elles peuvent diminuer le coût d’un entraînement ou augmenter le nombre de services exécutés sur un parc identique.

Tencent travaille également sur des modèles plus compacts, donc moins exigeants en puissance de calcul. Cette recherche répond à une réalité économique autant que technique. Un modèle gigantesque peut être performant, mais son entraînement et son exploitation sont coûteux. Un modèle plus petit, spécialisé ou bien optimisé peut suffire à certaines tâches, par exemple l’assistance client, la recherche d’information, la recommandation de contenus ou des fonctions intégrées à des produits numériques.

Cette orientation ne signifie pas que les puces les plus avancées ont perdu leur importance. Pour les modèles de très grande taille et les usages à vaste échelle, le matériel demeure un avantage compétitif majeur. Elle souligne plutôt que l’efficacité est devenue une mesure de performance à part entière dans un environnement où les ressources ne sont pas illimitées.

Baidu mise sur une chaîne technologique intégrée

Baidu avance une réponse complémentaire. L’entreprise, historiquement connue pour son moteur de recherche, insiste sur ses capacités dites « full-stack », selon les termes de Dou Shen, président de Baidu AI Cloud. Cette expression désigne la maîtrise de plusieurs couches de la technologie, depuis l’infrastructure cloud jusqu’aux modèles d’IA et aux applications utilisées par les clients.

Dans une approche intégrée, l’entreprise ne se contente pas de créer un modèle. Elle contrôle aussi, dans une certaine mesure, l’environnement informatique dans lequel il est entraîné et déployé, ainsi que les outils qui permettent de l’intégrer à un service concret. Cette proximité entre le matériel disponible, les logiciels de calcul, les modèles et les applications peut faciliter les arbitrages : un système peut être conçu dès le départ pour fonctionner efficacement sur l’infrastructure dont dispose le groupe.

Pour Baidu, l’optimisation logicielle a également une finalité claire : contenir les coûts opérationnels. L’IA générative peut exiger d’importantes ressources à chaque utilisation, surtout lorsqu’elle produit des textes, analyse des documents ou traite des demandes simultanées. Réduire la quantité de calcul nécessaire par requête devient donc indispensable si l’on veut proposer ces outils à grande échelle.

La gestion de grandes grappes de GPU constitue un autre atout revendiqué par Baidu. Administrer un grand nombre de serveurs ne consiste pas seulement à les installer dans un centre de données. Il faut répartir les tâches, maintenir les machines, organiser les communications entre elles et garantir une disponibilité suffisante pour les utilisateurs. L’expérience acquise dans le cloud peut ainsi renforcer la capacité à mettre des modèles d’IA en production.

Tencent et Baidu : deux réponses à une même contrainte

Les deux groupes poursuivent le même objectif, rester compétitifs dans l’IA malgré les limites d’accès à certains composants américains. Mais leurs arguments publics mettent l’accent sur des forces distinctes.

Tencent insiste davantage sur la sobriété en ressources et sur la capacité à obtenir beaucoup avec un parc limité. Baidu valorise son intégration verticale, c’est-à-dire la coordination entre le cloud, les modèles et les applications. Dans les deux cas, le logiciel devient un moyen de compenser partiellement une contrainte matérielle.

La Chine accélère la construction d’un écosystème de semi-conducteurs

Au-delà des décisions de Tencent et de Baidu, la question est celle de l’autonomie de l’écosystème chinois des semi-conducteurs. L’objectif est de développer des capacités locales sur l’ensemble de la chaîne, des matériaux à la fabrication des puces. Cet effort est particulièrement difficile, car la production de semi-conducteurs avancés repose sur des équipements, des savoir-faire industriels et des chaînes d’approvisionnement extrêmement spécialisés.

Des progrès existent, mais les niveaux technologiques ne sont pas uniformes et la Chine reste en retard sur les leaders américains dans plusieurs segments de pointe. Il serait donc excessif de présenter le pays comme totalement indépendant à court terme. En revanche, la pression créée par les restrictions donne aux entreprises et aux acteurs industriels une raison supplémentaire d’investir dans des solutions domestiques.

Gaurav Gupta, analyste chez Gartner, souligne que la constitution de réserves de puces peut être une tactique efficace pour faire face aux contrôles à l’exportation. Ces stocks donnent du temps aux entreprises pour ajuster leurs produits, améliorer leur efficacité ou diversifier leurs fournisseurs. Ils ne constituent cependant pas une solution permanente : les besoins évoluent rapidement, et les modèles d’IA les plus ambitieux demandent un renouvellement continu des infrastructures.

La recherche d’une plus grande autonomie ne porte donc pas uniquement sur la fabrication d’un GPU. Elle concerne aussi les logiciels permettant d’exploiter les puces, les outils cloud, les réseaux qui relient les serveurs, les compétences d’ingénierie et les applications qui créent une demande durable.

Des restrictions qui pèsent aussi sur les entreprises américaines

Le débat ne se limite pas à la Chine. Aux États-Unis, plusieurs responsables d’entreprises surveillent les effets de ces restrictions sur leurs propres activités. Jensen Huang, dirigeant de Nvidia, a notamment exhorté le gouvernement américain à réexaminer sa politique, au regard des avancées technologiques de la Chine.

L’argument économique est direct : le marché chinois représente un débouché majeur pour les entreprises américaines de semi-conducteurs. Restreindre les ventes de certains produits peut protéger des technologies sensibles, mais cela peut également réduire les revenus, accélérer la recherche d’alternatives locales et modifier durablement les équilibres du marché mondial.

Cette situation révèle une tension centrale. D’un côté, les contrôles à l’exportation s’inscrivent dans une logique de sécurité et de rivalité technologique. De l’autre, les entreprises opèrent dans une industrie mondialisée où les revenus, la recherche et les chaînes de fabrication sont étroitement liés. Les décisions politiques sur les puces produisent donc des conséquences industrielles bien au-delà des frontières américaines.

Ce qu’il faut surveiller dans la course à l’IA

Les prochains mois permettront d’évaluer la portée réelle des stratégies affichées par Tencent, Baidu et les autres groupes chinois. Plusieurs indicateurs compteront davantage que les annonces générales : la capacité à déployer des modèles utiles à grande échelle, le coût de fonctionnement de ces services, la disponibilité effective des GPU et la maturité des alternatives locales.

Il faudra aussi distinguer deux niveaux de compétition. Le premier concerne les modèles les plus vastes, pour lesquels l’accès à une puissance de calcul exceptionnelle reste déterminant. Le second concerne les usages concrets de l’IA, où des modèles plus compacts, bien intégrés et moins coûteux peuvent se révéler très compétitifs. Les restrictions américaines rendent le premier terrain plus difficile pour les entreprises chinoises, mais elles renforcent leur intérêt pour le second.

Enfin, la course ne se résumera pas au nombre de puces installées. La qualité des logiciels, l’organisation des infrastructures cloud et la capacité à transformer un modèle en application utile pèseront tout autant. Tencent et Baidu cherchent précisément à faire de cette contrainte matérielle un moteur d’optimisation. Reste à savoir si cette efficacité suffira, sur la durée, à combler l’écart avec les acteurs ayant accès aux composants les plus avancés.