DeepSeek bouscule Nvidia, l’IA frugale fait vaciller le marché des puces

Le choc boursier subi par Nvidia le 27 janvier 2025 ne vient pas de l’arrivée d’un nouveau fabricant de puces. Il est provoqué par une question bien plus dérangeante pour les investisseurs : et si les modèles d’intelligence artificielle les plus ambitieux pouvaient progresser sans exiger toujours plus de processeurs graphiques, de centres de données et de capitaux ? Les résultats revendiqués par la jeune entreprise chinoise DeepSeek ont placé cette hypothèse au centre du débat.

L’action Nvidia a reculé de plus de 16 % au cours de la séance. Une telle baisse reflète moins un jugement immédiat sur les produits de l’entreprise qu’une révision brutale des anticipations : la valorisation de Nvidia repose largement sur l’idée que la demande mondiale en puces pour l’IA continuera à croître à un rythme exceptionnel. DeepSeek a donné au marché une raison de se demander si cette trajectoire est aussi évidente qu’elle le paraissait.

DeepSeek met l’efficacité au cœur du débat

DeepSeek est une entreprise chinoise spécialisée dans l’intelligence artificielle. Sa démonstration récente a retenu l’attention car elle affirme avoir entraîné un système d’IA avancé avec un nombre réduit de puces Nvidia, comparé aux infrastructures gigantesques généralement associées aux modèles de pointe.

Depuis l’essor de l’IA générative, une conviction s’est imposée dans une grande partie de l’industrie : pour obtenir de meilleurs résultats, il faut entraîner des modèles sur davantage de données et mobiliser toujours plus de puissance de calcul. Cette approche, souvent appelée « mise à l’échelle », a soutenu des investissements considérables dans les GPU, les serveurs, les réseaux et les centres de données.

La proposition de DeepSeek est différente. Elle ne consiste pas à nier l’utilité du matériel de calcul, mais à montrer que l’architecture d’un modèle et les méthodes employées pour l’entraîner peuvent réduire les ressources nécessaires. Autrement dit, l’intelligence logicielle peut, dans certains cas, compenser une partie de l’escalade matérielle.

Le rapport technique de DeepSeek consacré à son modèle V3 décrit notamment une architecture dite de « mélange d’experts ». Au lieu de solliciter l’intégralité du modèle pour chaque requête, ce mécanisme n’active qu’une partie spécialisée de ses composants. DeepSeek indique que V3 compte 671 milliards de paramètres au total, mais que 37 milliards de paramètres sont activés pour chaque jeton traité. Un jeton correspond à une petite unité de texte, telle qu’un mot, un morceau de mot ou un signe de ponctuation.

Cette approche ne signifie pas qu’une IA avancée devient bon marché ou facile à créer. Elle illustre toutefois un principe essentiel : le nombre total de paramètres d’un modèle ne suffit pas à mesurer son coût réel d’utilisation.

Ce que les chiffres de DeepSeek permettent, et ne permettent pas, d’affirmer

DeepSeek a indiqué que le pré-entraînement de V3 avait mobilisé 2,788 millions d’heures de GPU H800. Les H800 sont des accélérateurs de Nvidia destinés au marché chinois. Ce chiffre a contribué à la perception d’un entraînement plus sobre que ceux associés aux plus grands projets occidentaux.

Mais les comparaisons directes doivent être maniées avec précaution. Les entreprises ne publient pas toutes les mêmes informations, ne travaillent pas sur les mêmes jeux de données, ne visent pas exactement les mêmes capacités et n’incluent pas forcément les mêmes étapes dans leurs calculs de coût. Les dépenses de recherche, de collecte de données, d’expérimentation et d’infrastructure ne se résument pas aux seules heures de GPU.

La leçon immédiate est donc moins spectaculaire, mais plus solide : la performance en IA ne dépend pas seulement de l’accumulation de matériel. Elle dépend aussi de la manière dont ce matériel est utilisé.

Pourquoi Nvidia était particulièrement exposé à cette annonce

Nvidia domine le marché des puces spécialisées pour l’intelligence artificielle, avec environ 90 % de part de marché selon les estimations communément citées dans le secteur. Ses GPU sont devenus l’équipement central de nombreux laboratoires, fournisseurs de services cloud et entreprises qui entraînent ou déploient des modèles génératifs.

Cette position s’explique certes par les performances de ses puces, mais aussi par tout un environnement logiciel. La plateforme CUDA, les bibliothèques de calcul et les outils développés autour des GPU Nvidia ont créé un écosystème dont les clients ont du mal à se passer. Changer de fournisseur ne se limite donc pas à remplacer un composant dans un serveur : cela peut impliquer de modifier des programmes, des méthodes de déploiement et des compétences internes.

Avant la séance du 27 janvier, cette domination se reflétait dans les chiffres financiers cités par le marché. Le chiffre d’affaires de Nvidia dépassait 126 milliards de dollars, soit une progression de plus de 200 % en deux ans. Sa capitalisation boursière avait atteint environ 3,62 trillions de dollars, un niveau qui témoignait des attentes très élevées placées dans les ventes de matériel pour l’IA.

Dans ce contexte, le moindre doute sur les besoins futurs en capacité de calcul a des conséquences disproportionnées. Lorsqu’une entreprise est valorisée pour une forte croissance à venir, les investisseurs réagissent rapidement aux éléments susceptibles de réduire cette croissance, même si leurs effets concrets restent incertains.

DeepSeek n’est pas un concurrent matériel de Nvidia

Le raccourci selon lequel DeepSeek menacerait Nvidia en tant que concurrent direct doit être corrigé. DeepSeek ne fabrique pas de GPU. Son avancée revendiquée repose au contraire sur l’usage de puces Nvidia, notamment les H800. L’entreprise chinoise ne remplace pas le matériel de Nvidia par ses propres composants.

Ce que DeepSeek remet en question, c’est l’idée qu’il faudrait nécessairement multiplier sans limite le nombre de GPU pour parvenir à des résultats avancés. Pour Nvidia, le risque théorique n’est donc pas de perdre DeepSeek comme client au profit d’un fabricant rival. Il est de voir ses clients, actuels ou futurs, acheter moins de puces par modèle grâce à des algorithmes plus efficaces.

Cette distinction est cruciale. Elle explique pourquoi l’événement peut à la fois être un avertissement pour Nvidia et une démonstration de l’utilité persistante de ses processeurs. L’IA de DeepSeek n’a pas été créée sans GPU : elle suggère qu’il est possible d’en tirer davantage de valeur.

L’IA plus efficiente réduira-t-elle vraiment les achats de GPU ?

C’est la question qui domine désormais les discussions autour de Nvidia. Dans un premier scénario, des modèles plus sobres réduisent le coût nécessaire pour atteindre un certain niveau de performance. Les entreprises peuvent alors retarder une partie de leurs investissements dans les centres de données, limiter leurs commandes de puces ou utiliser leurs infrastructures existantes plus longtemps. C’est ce risque qui a alimenté la chute de l’action.

Dans un second scénario, l’efficacité crée au contraire de nouveaux usages. Si l’IA devient moins coûteuse à entraîner ou à utiliser, davantage d’entreprises peuvent y accéder. Le nombre total de projets peut alors progresser plus vite que la baisse de calcul nécessaire par projet. Les besoins globaux en GPU continueraient dans ce cas à augmenter, mais seraient alimentés par une diffusion plus large de l’IA plutôt que par la seule course aux modèles les plus gigantesques.

À ce stade, aucune de ces deux trajectoires ne peut être considérée comme acquise. Une percée isolée ne suffit pas à établir une saturation du marché des puces pour l’IA. Elle oblige cependant les industriels à examiner avec davantage de rigueur ce qu’ils achètent, pourquoi ils l’achètent et quels gains d’efficacité leurs équipes peuvent obtenir par le logiciel.

La dépendance à un fournisseur unique redevient un enjeu stratégique

L’épisode DeepSeek ravive aussi une inquiétude plus générale : la dépendance de nombreuses entreprises à un fournisseur dominant de matériel et à son environnement logiciel. Lorsque les GPU les plus recherchés proviennent d’un même acteur, les prix, les délais d’approvisionnement et les contraintes techniques deviennent des sujets stratégiques pour les clients.

Les travaux de DeepSeek peuvent encourager plusieurs réponses. Certaines entreprises chercheront à optimiser leurs modèles afin de faire plus avec leur parc existant. D’autres étudieront des accélérateurs alternatifs, des puces conçues en interne ou des méthodes de calcul plus ciblées. Les fournisseurs de cloud, qui achètent des volumes considérables de matériel, ont un intérêt particulier à réduire le coût de chaque requête d’IA proposée à leurs clients.

Cela ne veut pas dire que l’écosystème Nvidia peut être remplacé rapidement. La compatibilité logicielle, l’expérience des développeurs et la maturité des outils restent des avantages majeurs. Mais une dépendance aussi forte incite naturellement les acteurs du marché à rechercher des options, surtout lorsqu’une démonstration technique donne du crédit à l’idée de faire mieux avec moins.

Ce qu’il faut surveiller après le choc DeepSeek

Les prochains mois permettront de distinguer une réaction boursière ponctuelle d’un changement durable dans les dépenses consacrées à l’IA. Plusieurs indicateurs seront déterminants.

D’abord, les résultats financiers et les prévisions de Nvidia montreront si ses grands clients maintiennent leurs achats de GPU et leurs projets de centres de données. Ensuite, il faudra observer si les méthodes d’optimisation mises en avant par DeepSeek sont reproduites, adaptées ou dépassées par d’autres équipes de recherche. Une innovation compte davantage lorsqu’elle devient une pratique largement adoptée.

Il faudra également suivre le coût réel de l’inférence. Pour les entreprises qui déploient des assistants, des moteurs de recherche ou des outils de création, le coût de chaque réponse produite est souvent aussi important que la dépense initiale d’entraînement. Des modèles qui fournissent de bonnes performances à moindre coût pourraient modifier les choix technologiques bien au-delà des seuls laboratoires de pointe.

Enfin, l’enjeu concerne toute l’industrie : les fabricants de puces, les opérateurs de cloud, les développeurs de modèles et les entreprises clientes doivent désormais composer avec une réalité plus nuancée. La puissance de calcul reste un avantage décisif en IA, mais elle n’est pas indépendante de l’ingéniosité des modèles. DeepSeek vient de rappeler au marché que le prochain saut de performance peut venir autant d’une meilleure utilisation des puces que d’un achat massif de puces supplémentaires.