DeepSeek prépare l’une des plus importantes infrastructures IA jamais bâties autour de puces chinoises. Le laboratoire de Hangzhou aurait commandé 160 000 accélérateurs Huawei Ascend 950 DT pour un immense data center en construction à Ulanqab, en Mongolie-Intérieure, pour un montant estimé à près de 17,76 milliards de yuans, soit environ 2,6 milliards de dollars.
Toutefois, la portée de cette commande dépasse la simple question du volume. DeepSeek prévoit d’utiliser ces puces principalement pour l’inférence, c’est-à-dire l’exécution de ses modèles une fois entraînés, tandis que l’entraînement de ses systèmes les plus avancés continuerait pour l’instant de dépendre de matériel Nvidia. Ce partage des rôles résume assez bien l’état actuel de l’écosystème chinois : Huawei devient crédible à grande échelle pour servir les modèles, mais le dernier verrou de l’entraînement de pointe n’est pas encore totalement levé.
160 000 Ascend 950 DT pour industrialiser l’inférence
La commande porterait précisément sur le Ascend 950 DT, une puce conçue par Huawei avec un accent particulier sur le débit mémoire et les charges d’inférence. À environ 111 000 yuans l’unité selon les estimations disponibles, la facture théorique atteint un niveau impressionnant. Si l’ensemble des 160 000 puces est effectivement livré, DeepSeek disposerait de l’un des plus grands clusters d’accélérateurs IA domestiques jamais assemblés en Chine.
Le choix de l’inférence est loin d’être anodin. C’est cette étape qui intervient chaque fois qu’un utilisateur envoie une requête à un modèle, qu’une entreprise appelle une API ou qu’un agent exécute une tâche. Contrairement à l’entraînement, qui concentre les coûts sur des phases de calcul particulièrement lourdes, l’inférence devient une dépense permanente dès qu’un modèle atteint des millions d’utilisateurs.
Pour DeepSeek, il s’agit donc moins de construire une vitrine technologique que d’industrialiser la couche qui transforme ses modèles en service commercial.
Pourquoi le Ascend 950 DT vise surtout le débit mémoire ?
Les besoins de l’inférence diffèrent fortement de ceux de l’entraînement. Lorsqu’un grand modèle génère une réponse, il doit régulièrement déplacer ses poids depuis la mémoire vers les unités de calcul. À grande échelle, la bande passante mémoire devient donc l’un des principaux facteurs déterminant le nombre de tokens qu’un système peut générer par seconde.
Huawei annonce pour le Ascend 950 DT 144 Go de mémoire HiZQ 2.0 avec une bande passante de 4 To/s. Cette configuration vise surtout la phase de décodage, celle pendant laquelle le modèle génère successivement chaque token de la réponse.
Son modèle frère, le Ascend 950PR, privilégierait davantage le traitement initial du prompt avec 128 Go de mémoire et une bande passante moins élevée. Le choix du 950 DT par DeepSeek suggère donc une priorité très claire : optimiser le débit de génération lorsque les modèles sont déjà chargés et servent de nombreux utilisateurs simultanément.
Cette spécialisation explique pourquoi Huawei peut devenir compétitif sur l’inférence sans forcément avoir encore rejoint Nvidia sur tous les scénarios de calcul.
Huawei compense une puissance individuelle inférieure par l’échelle
Le point important est justement que les performances d’une puce Ascend ne semblent pas encore équivalentes à celles des meilleurs accélérateurs Nvidia. Huawei a lui-même adopté une stratégie consistant à assembler un grand nombre de puces dans des systèmes massivement parallèles. Son futur Atlas 950 SuperPod doit ainsi réunir jusqu’à 8 192 accélérateurs reliés par l’interconnexion maison UnifiedBus 2.0.
L’objectif est de compenser une partie de l’écart de performance individuelle par l’échelle du cluster.
Les déclarations disponibles de dirigeants et responsables chinois vont d’ailleurs dans ce sens : la force de Huawei ne réside pas forcément dans une puce isolée plus rapide, mais dans la capacité à construire des supernœuds suffisamment vastes pour maintenir un débit élevé sur de très grandes charges.
Le datacenter de DeepSeek sera précisément l’un des premiers tests grandeur nature de cette stratégie.
L’entraînement reste encore le talon d’Achille
Cette commande ne signifie donc pas que DeepSeek a totalement remplacé Nvidia. Le laboratoire continuerait à utiliser du matériel Nvidia pour l’entraînement de ses modèles les plus avancés, notamment parce que l’écosystème logiciel et les performances soutenues restent plus matures sur cette plateforme. Des tentatives antérieures d’entraînement sur du matériel Huawei auraient rencontré des difficultés suffisamment importantes pour pousser DeepSeek à revenir vers Nvidia pour certaines charges.
C’est une distinction essentielle.
Servir un modèle déjà entraîné avec des puces Huawei montre que l’écosystème chinois peut prendre en charge une partie commercialement critique de la chaîne IA. En revanche, parvenir à entraîner de bout en bout un modèle frontier sur cette même infrastructure constituerait une étape beaucoup plus significative vers une indépendance complète.
Pour l’instant, cette bascule n’est pas encore acquise.
CANN reste loin de la maturité de CUDA
Le matériel n’est d’ailleurs qu’une partie du problème. DeepSeek a dû adapter ses modèles à CANN, l’environnement logiciel de Huawei destiné à jouer un rôle comparable à CUDA chez Nvidia. Cela implique des optimisations spécifiques, des outils différents et un travail de co-conception entre le modèle et le hardware. CUDA bénéficie de plus d’une décennie de maturité, d’un immense écosystème de bibliothèques et d’une intégration profonde avec PyTorch, TensorFlow et les principaux outils de recherche. CANN reste beaucoup plus jeune.
DeepSeek aurait donc travaillé plusieurs mois avec Huawei pour adapter sa génération V4 à l’architecture Ascend, avec l’objectif de mieux exploiter le hardware dès la conception plutôt que d’effectuer un simple portage tardif.
Cette approche est probablement indispensable pour réduire l’écart avec Nvidia : lorsque le silicium seul ne suffit pas, l’optimisation du modèle et du runtime devient une partie intégrante de la performance.
La livraison des 160 000 puces pourrait devenir le principal obstacle
Toutefois, la difficulté immédiate n’est pas logicielle, mais industrielle. Huawei ne dispose probablement pas aujourd’hui d’une capacité illimitée pour produire rapidement 160 000 Ascend 950 DT. La mémoire HBM reste un composant complexe, et Huawei doit en plus composer avec les restrictions américaines qui ont limité l’accès à certaines technologies avancées.
La mémoire HiZQ 2.0 a précisément été développée pour réduire cette dépendance, mais produire des piles HBM à haut rendement exige une chaîne de fabrication très maîtrisée. DeepSeek aurait même demandé un soutien politique afin d’obtenir une allocation prioritaire auprès de Huawei. Cela montre que la bataille des accélérateurs IA ne se joue plus uniquement sur les performances théoriques. La capacité à sécuriser les volumes de mémoire, les interconnexions, les substrats et l’électricité devient tout aussi stratégique.
Une commande peut être spectaculaire sur le papier ; le vrai défi consiste à la transformer en dizaines de milliers de puces effectivement installées et exploitées.
Ulanqab offre un environnement idéal pour un data center géant
Le choix d’Ulanqab, en Mongolie-Intérieure, répond lui aussi à une logique industrielle. La région bénéficie d’un climat particulièrement froid, avec une température moyenne annuelle proche de 4 °C, ce qui peut réduire les besoins énergétiques liés au refroidissement. Les coûts de l’électricité y sont également plus favorables que dans de nombreuses zones côtières chinoises.
Pour un datacenter pouvant atteindre des centaines de milliers d’accélérateurs, ces paramètres ont un impact immense. Le coût total de possession ne dépend pas seulement du prix des puces, mais aussi de l’énergie nécessaire pour les alimenter et évacuer leur chaleur.
La mise en service devrait cependant rester progressive. Une partie du site pourrait commencer à fonctionner vers la fin 2027 ou le début 2028, selon les informations actuellement disponibles.
Nvidia recule fortement en Chine, Huawei récupère l’espace
Cette commande s’inscrit dans une transformation beaucoup plus large du marché chinois des accélérateurs IA. Les restrictions américaines ont progressivement limité l’accès des entreprises chinoises aux GPU Nvidia les plus avancés. Parallèlement, Huawei a accéléré le développement de sa gamme Ascend et de toute l’infrastructure logicielle associée. Les estimations disponibles suggèrent que la part de Nvidia sur le marché chinois pourrait reculer très fortement tandis que Huawei gagne rapidement du terrain.
Cette évolution ne signifie pas que Huawei a techniquement dépassé Nvidia. Elle montre plutôt qu’un marché captif de très grande taille peut accélérer l’adoption d’une alternative domestique, même si celle-ci reste moins performante dans certains scénarios.
À mesure que les volumes augmentent, Huawei bénéficie également d’un cercle vertueux : davantage de clients apportent plus de retours, davantage de développeurs améliorent CANN, et davantage de modèles sont optimisés spécifiquement pour Ascend.
Les contrôles à l’exportation ont aussi accéléré la séparation des écosystèmes
C’est là que le débat autour des restrictions américaines devient plus complexe. Leur objectif est de limiter l’accès de la Chine aux technologies de calcul les plus avancées et donc de ralentir le développement de modèles frontier.
Sur ce point, elles ont probablement créé de vraies contraintes, notamment pour l’entraînement. Mais, elles ont aussi accéléré les investissements chinois dans une chaîne d’approvisionnement indépendante : accélérateurs, mémoire, interconnexions, logiciels et data centers.
La conséquence visible en 2026 est un marché de plus en plus fragmenté. Nvidia et CUDA continuent de dominer une grande partie des infrastructures occidentales, tandis que Huawei et CANN deviennent progressivement des références de fait dans une partie croissante des déploiements chinois.
Cette divergence pourrait rendre les deux écosystèmes de moins en moins interchangeables avec le temps.
Pour les clients de DeepSeek, l’infrastructure compte aussi
Le projet d’Ulanqab n’est pas seulement une histoire de semi-conducteurs. Puisqu’il s’agit d’un cluster destiné à l’inférence, il pourrait à terme traiter directement les requêtes envoyées aux services et API DeepSeek. Pour les développeurs individuels, cela signifie surtout qu’il faut rester attentif aux informations incluses dans les prompts. Pour les entreprises, la question devient plus structurante lorsque les requêtes contiennent des données clients, des documents internes ou des informations réglementées.
DeepSeek indique déjà dans sa politique de confidentialité que certaines données peuvent être stockées sur des serveurs situés en Chine.
Le choix d’une infrastructure locale chinoise doit donc être considéré au même titre que la localisation d’un cloud traditionnel : juridiction applicable, conditions contractuelles, exigences de conformité et politiques internes de traitement des données.
Cela ne change pas les performances techniques du modèle, mais peut avoir une importance décisive pour certains usages professionnels.
Le véritable test sera l’entraînement d’un futur modèle sur du silicium chinois
La commande de 160 000 Ascend 950 DT constitue une étape importante, mais elle ne marque pas encore l’indépendance complète de DeepSeek vis-à-vis de Nvidia. Le vrai point de bascule arrivera lorsqu’un laboratoire chinois pourra entraîner un modèle de frontière entièrement sur une infrastructure domestique, avec des performances, un coût et une stabilité suffisamment proches des solutions occidentales.
DeepSeek travaillerait parallèlement sur son propre accélérateur d’inférence, ce qui montre que le laboratoire cherche lui aussi à réduire ses dépendances sur le long terme. Mais, concevoir une puce avancée, la fabriquer en volume et construire autour d’elle un écosystème logiciel viable demande plusieurs années. Pour l’instant, le choix est donc pragmatique : Nvidia pour les charges où son avance reste décisive, Huawei pour industrialiser massivement l’inférence.
C’est peut-être précisément ce qui rend la commande d’Ulanqab si importante. Elle ne prouve pas que la Chine a déjà rattrapé Nvidia ; elle montre qu’un écosystème suffisamment performant pour servir des modèles à très grande échelle est désormais en train de devenir une réalité industrielle.
Et dans l’IA, celui qui contrôle l’inférence contrôle aussi la couche où les modèles rencontrent réellement leurs utilisateurs.
