Les informations sur Huawei montrent pourquoi Nvidia domine toujours l’entraînement de l’IA en Chine

Des informations provenant de grands laboratoires chinois d’IA révèlent un constat tenace : les puces Nvidia resteraient leur choix habituel pour entraîner les grands modèles de langage.

Cette préférence persiste malgré des années de restrictions à l’exportation, de pression en faveur d’approvisionnements domestiques et d’améliorations rapides des processeurs Ascend de Huawei. L’obstacle immédiat ne réside pas uniquement dans les performances de calcul. Il tient aussi au travail nécessaire pour migrer du code d’entraînement en production de la plateforme CUDA de Nvidia vers le logiciel CANN de Huawei.

Cette distinction change la signification de la course chinoise aux puces d’IA. Huawei peut remporter des commandes matérielles et prendre en charge davantage de charges d’inférence, tandis que Nvidia reste profondément ancrée dans le développement des modèles. La concurrence oppose donc l’entraînement fondé sur CUDA à une alternative domestique reposant sur CANN, et non simplement deux fiches techniques de processeurs.

Les laboratoires chinois d’IA construisent toujours leurs plus grands modèles autour de Nvidia

Les dernières informations suggèrent que Nvidia demeure la plateforme d’entraînement par défaut, même si Huawei progresse ailleurs dans l’infrastructure chinoise d’IA.

Selon le récit initial, des sources au sein de grands développeurs chinois de modèles de langage ont indiqué que les puces Nvidia restent la norme pour l’entraînement avancé. Migrer des projets établis vers le matériel Huawei exigerait une réécriture importante pour CANN.

CUDA, acronyme de Compute Unified Device Architecture, est la plateforme de programmation de Nvidia permettant d’exécuter des charges parallèles sur ses processeurs. CANN, ou Compute Architecture for Neural Networks, est la pile logicielle équivalente de Huawei pour les processeurs Ascend.

Les deux plateformes relient les frameworks d’IA au matériel d’accélération. Elles n’offrent toutefois pas des environnements d’exécution interchangeables pour chaque kernel, bibliothèque, opération de communication ou flux de débogage.

C’est important, car l’entraînement d’un modèle de pointe n’est pas une application unique simplement copiée sur un autre serveur. Il combine des milliers de composants logiciels développés, testés et optimisés pendant plusieurs années.

Une équipe d’entraînement peut utiliser PyTorch au sommet de sa pile. Sous ce framework familier se trouvent des kernels CUDA personnalisés, des bibliothèques de communication collective, des routines de gestion de la mémoire, des outils de profilage et des optimisations propres au matériel.

Migrer cette charge vers CANN implique de vérifier chaque couche. Les opérations non prises en charge doivent être remplacées, réécrites ou acheminées par des outils de compatibilité. Les ingénieurs doivent ensuite valider le comportement numérique, les performances, la consommation mémoire et la stabilité à grande échelle.

La préférence rapportée ne signifie pas que les laboratoires chinois rejettent Huawei. Elle indique qu’ils distinguent les décisions relatives à l’entraînement des autres choix matériels.

L’entraînement crée un modèle en traitant d’énormes jeux de données sur de grands clusters d’accélérateurs. L’inférence utilise le modèle finalisé pour répondre aux requêtes une fois l’entraînement terminé.

Les charges d’inférence sont souvent plus faciles à porter, car elles sont plus circonscrites et plus prévisibles. Les équipes peuvent optimiser un modèle fixe sans en modifier continuellement l’architecture au cours de la recherche.

L’entraînement laisse moins de place à l’erreur. Une défaillance lors d’une longue exécution distribuée peut gaspiller un temps de calcul considérable, tandis qu’une erreur numérique subtile peut dégrader le modèle obtenu.

Les laboratoires chinois ont donc une raison pratique de conserver une plateforme éprouvée pour leurs expériences les plus coûteuses. Les ingénieurs connaissent déjà les modes de défaillance, les outils de performance et les schémas d’optimisation de CUDA.

Cette décision relève davantage de la gestion du risque opérationnel que de la fidélité à une marque. Un laboratoire confronté à une échéance de modèle privilégiera généralement l’environnement le plus susceptible de mener l’exécution à son terme.

Cette préférence explique aussi pourquoi les ventes de matériel à elles seules offrent une mesure incomplète de la concurrence. Huawei peut capter la demande en accélérateurs sans évincer immédiatement Nvidia des flux de développement les plus difficiles.

Le marché chinois des puces illustre déjà cette division. Bernstein estimait que Nvidia et Huawei détenaient chacune environ 40 % du marché chinois des puces d’IA en 2025.

Bernstein prévoyait que la part de Huawei approcherait 50 % en 2026, tandis que celle de Nvidia pourrait tomber près de 8 %. Ces estimations décrivent l’évolution globale du marché, pas nécessairement l’adoption pour l’entraînement de pointe.

Cette apparente contradiction est au cœur du sujet. Nvidia peut perdre des parts de marché globales tout en conservant un rôle démesuré dans les charges qui produisent les modèles les plus avancés.

Pourquoi les informations sur Huawei ramènent toujours à CUDA

Les informations sur Huawei concernant les frictions de migration révèlent que la meilleure défense de Nvidia est le logiciel accumulé, et non une génération de silicium plus rapide.

CUDA existe depuis 2006. Durant cette période, Nvidia a développé des bibliothèques pour l’algèbre linéaire, les réseaux neuronaux, la communication distribuée, le traitement des données et l’analyse des performances.

Les développeurs ont également créé leurs propres extensions CUDA. Les dépôts de recherche, les implémentations de modèles et les guides d’optimisation supposent couramment l’accès à du matériel Nvidia.

Ce code accumulé produit un effet de réseau. Davantage d’utilisateurs de CUDA génèrent davantage de logiciels éprouvés, ce qui rend CUDA plus utile à l’équipe suivante qui l’adopte.

Huawei part d’une situation différente. CANN doit prendre en charge le matériel Ascend tout en répondant aux attentes créées par des années de développement de CUDA.

Le défi ne consiste pas seulement à traduire des noms de fonctions. Un kernel conçu autour de la hiérarchie mémoire d’un processeur Nvidia peut se comporter différemment sur une unité de traitement neuronal Ascend.

La communication collective présente un autre obstacle. Les grands modèles répartissent paramètres et données sur des centaines ou des milliers d’accélérateurs, qui échangent continuellement des informations durant l’entraînement.

De petits retards de communication s’accumulent à l’échelle d’un cluster. Un portage qui fonctionne correctement sur un processeur peut devenir inefficace ou instable lorsqu’il est étendu à de nombreuses machines.

Les ingénieurs doivent aussi remplacer les pratiques de supervision et de débogage. Un profiler conçu autour de CUDA ne peut pas automatiquement révéler chaque goulot d’étranglement de CANN avec le même niveau de détail ou la même interface familière.

Une évaluation de la pile d’IA réalisée en 2025 par MERICS a décrit la portabilité de CUDA comme un avantage majeur pour Nvidia. Elle a conclu que le passage de modèles établis à du matériel non-Nvidia restait coûteux.

Le rapport citait également des inquiétudes quant à la maturité de CANN, aux plantages, à la récupération et à la compatibilité entre les générations successives de systèmes Ascend. Ces conclusions précédaient les dernières versions logicielles et matérielles de Huawei ; elles ne constituent donc pas un point de référence actuel.

Elles restent utiles, car elles identifient le type de dette d’ingénierie que Huawei doit surmonter. De nouveaux processeurs n’éliminent pas automatiquement les problèmes de migration du code, de documentation ou de fiabilité.

Huawei a réagi directement. En août 2025, l’entreprise a annoncé que des composants clés de CANN deviendraient open source et a invité universités, entreprises et développeurs à contribuer.

L’initiative CANN cible l’un des avantages de CUDA : une vaste communauté qui identifie les bugs et étend la prise en charge matérielle.

L’ouverture du code peut accélérer le développement et améliorer la transparence. Elle ne peut pas reproduire instantanément la couverture des bibliothèques, l’expérience développeur et les connaissances institutionnelles qui entourent CUDA.

Le retard est particulièrement important pour les kernels personnalisés. Les laboratoires de pointe écrivent de plus en plus d’opérations spécialisées afin de réduire l’utilisation mémoire ou d’améliorer l’efficacité de l’entraînement.

Ces opérations intègrent souvent des hypothèses propres à CUDA et à l’architecture de Nvidia. La conversion automatisée peut fournir un point de départ, mais une compilation réussie ne garantit ni une vitesse ni une stabilité équivalentes.

Les ingénieurs doivent toujours profiler le résultat, examiner la précision numérique et l’optimiser pour un matériel différent. Ce processus concurrence directement la recherche sur les modèles pour un temps de spécialistes déjà rare.

Un laboratoire doit donc comparer deux coûts. Le premier est la dépendance continue à du matériel étranger soumis à des restrictions. Le second est le délai et l’effort d’ingénierie nécessaires pour établir une pile domestique native.

CUDA l’emporte chaque fois que le second coût semble supérieur au premier. CANN devient plus attrayant à mesure que le risque d’accès augmente ou que les outils de migration réduisent ce coût.

Huawei Ascend progresse plus vite dans l’inférence que dans l’entraînement

La voie la plus crédible de Huawei pour contourner Nvidia commence par l’inférence, où des modèles fixes offrent une cible plus maniable que des exécutions expérimentales d’entraînement.

Huawei a amélioré à la fois ses processeurs et les systèmes qui les relient. Sa stratégie consiste à connecter un grand nombre d’accélérateurs Ascend afin de compenser les limites affectant les puces individuelles.

Cette approche au niveau du système est importante. Les performances modernes en IA dépendent du fonctionnement conjoint de la mémoire, du réseau, de l’ordonnancement et des logiciels, et non simplement du débit annoncé d’un processeur.

Huawei peut également optimiser l’inférence pour des modèles largement déployés. Une fois l’architecture d’un modèle figée, les ingénieurs peuvent étudier ses opérations répétées et les ajuster pour Ascend.

DeepSeek offre un exemple visible de cette distinction. Sa version V4 prend en charge les processeurs Huawei pour au moins une partie de son déploiement, réduisant sa dépendance exclusive aux fournisseurs américains.

Toutefois, la prise en charge de l’inférence ne prouve pas que le modèle a été entraîné entièrement sur du matériel Huawei. Les descriptions publiques de l’utilisation du matériel brouillent souvent ces deux étapes.

Cette séparation est importante pour les acheteurs. Un fournisseur peut entraîner un modèle une fois sur du matériel Nvidia, puis traiter des millions de requêtes via des accélérateurs domestiques.

Cette organisation réduit la dépendance opérationnelle sans placer l’exécution de recherche la plus incertaine sur une plateforme plus récente. Elle fournit également à Huawei des charges de production continues susceptibles d’améliorer CANN.

Chaque déploiement fournit aux ingénieurs des rapports de bugs, des traces de performance et des exigences de compatibilité. Ces enseignements peuvent progressivement renforcer le logiciel nécessaire à des entraînements plus exigeants.

Des recherches récentes montrent à la fois les progrès réalisés et les complications persistantes. Une étude de terrain sur Ascend, publiée en juillet 2026, a examiné de grandes charges d’inférence de modèles mixture-of-experts et multimodaux sur un système Ascend 910 à 16 appareils.

Un modèle mixture-of-experts active des groupes sélectionnés de paramètres pour chaque entrée, réduisant le calcul tout en augmentant la complexité du routage. Les modèles multimodaux traitent des combinaisons telles que le texte et les images.

Les chercheurs se sont concentrés sur le coût d’ingénierie lié au service de ces charges exigeantes hors de CUDA. Leur travail considère la migration comme un problème opérationnel, plutôt que de supposer une compatibilité matérielle à partir de performances théoriques.

Les progrès de Huawei dans l’inférence continuent néanmoins d’exercer une pression sur Nvidia. L’inférence génère une demande récurrente après l’entrée en production d’un modèle, tandis que les achats destinés à l’entraînement peuvent survenir par cycles concentrés.

Un fournisseur qui gère l’inférence sur Ascend acquiert de l’expérience avec les outils et la conception de clusters de Huawei. Cette expérience réduit l’obstacle à de futurs projets de post-entraînement ou d’entraînement complet.

Le post-entraînement ajuste un modèle existant au moyen du fine-tuning, de l’apprentissage de préférences ou de l’apprentissage par renforcement. Il demande souvent moins de calcul que la création du modèle de base depuis le début.

Cela fait du post-entraînement une passerelle plausible. Les équipes peuvent transférer une charge circonscrite vers Ascend avant de risquer une campagne complète de préentraînement.

Les informations faisant état de grands clusters Ascend pour le post-entraînement doivent donc être prises au sérieux. Elles ne doivent toutefois pas être présentées comme la preuve que CANN a atteint la parité pour chaque tâche d’entraînement de pointe.

Un test de charge contrôlé réussi ne porte que sur un modèle, un cluster et une version logicielle précis. Les laboratoires de recherche modifient continuellement les architectures, les formats de précision, les stratégies de parallélisme et les opérations personnalisées.

L’avantage de Nvidia tient en partie à sa capacité à absorber ces changements sans obliger les équipes à reconstruire leur environnement. Huawei doit démontrer une flexibilité comparable dans plusieurs laboratoires indépendants.

Pour l’instant, le marché se segmente en plusieurs couches. Huawei devient plus compétitif dans les marchés publics domestiques, l’inférence et certains projets de post-entraînement.

Nvidia conserve un avantage dans les travaux d’entraînement ouverts qui créent la prochaine génération de modèles. C’est une position plus étroite qu’une domination totale du marché, mais elle reste stratégiquement précieuse.

Le véritable coût du changement est le temps de recherche perdu

Réécrire du code coûte cher, mais le risque principal est de ralentir le cycle d’expérimentation qui détermine si un laboratoire d’IA reste compétitif.

Une équipe travaillant sur un modèle de pointe n’exécute pas un unique entraînement final. Elle mène des expériences plus modestes, teste des changements d’architecture, ajuste les mélanges de données et mesure le comportement à l’échelle.

Chaque expérience influence la suivante. La vitesse de cette boucle peut compter autant que l’accès à un volume théorique de puissance de calcul plus important.

Une migration interrompt cette boucle. Les ingénieurs qui améliorent habituellement les modèles doivent plutôt examiner les opérateurs, reconstruire les noyaux et diagnostiquer des défaillances de cluster inhabituelles.

Les équipes peuvent recruter des spécialistes dédiés à l’infrastructure, mais ces experts restent rares. Ils doivent aussi travailler étroitement avec les chercheurs en modèles, car les problèmes de performance dépassent souvent les frontières organisationnelles.

Le coût d’opportunité est difficile à mesurer. Une migration peut sembler réussie tout en réduisant discrètement le nombre d’expériences menées avant une échéance de publication.

Ce risque aide à expliquer la résistance signalée à l’abandon de CUDA. Un laboratoire d’IA n’évalue pas les processeurs comme des équipements de bureau interchangeables.

Le matériel détermine quels logiciels fonctionnent, à quelle vitesse les défaillances sont diagnostiquées et avec quelle facilité le code de recherche devient une charge de travail distribuée fiable.

La pression des achats peut pousser les laboratoires vers des systèmes domestiques. Elle ne peut pas effacer le coût des expériences manquées ou des exécutions échouées.

La pression est particulièrement forte pour les laboratoires chinois qui cherchent à rivaliser avec les modèles d’OpenAI, Anthropic, Google, Meta et d’autres développeurs bien financés.

Leurs concurrents exploitent déjà de grands clusters Nvidia et peuvent utiliser le même écosystème de recherche centré sur CUDA. Un cycle de migration plus lent creuserait l’écart de développement, même s’il améliorait l’indépendance d’approvisionnement.

Cela crée un choix inconfortable pour les entreprises chinoises d’IA. Le matériel Nvidia comporte des risques réglementaires, d’importation et de continuité. Le matériel Huawei comporte des risques liés à la migration logicielle et à l’exécution.

Aucune des deux options n’offre de certitude. Les licences d’exportation peuvent changer, les autorisations douanières peuvent prendre du retard et les politiques d’achats domestiques peuvent se durcir.

Dans le même temps, les versions de CANN peuvent introduire de nouvelles capacités ou des changements de compatibilité. Un laboratoire doit décider s’il absorbe maintenant le travail de migration ou s’il reste exposé à de futures restrictions d’accès.

Les équipes peuvent répondre en prenant en charge deux piles technologiques. Elles peuvent conserver CUDA pour l’entraînement critique tout en transférant l’inférence et certaines charges de travail vers Ascend.

Une stratégie à double pile apporte de la flexibilité, mais elle n’est pas gratuite. Les ingénieurs doivent maintenir des noyaux, des processus de test, des images de conteneur et des références de performance distincts.

Les changements de modèle exigent alors une validation sur les deux systèmes. La documentation et la réponse aux incidents deviennent également plus complexes.

Alibaba a exploré des approches mixtes et alternatives en matière de matériel, tandis que d’autres fabricants chinois de puces promeuvent des couches de compatibilité. Ces initiatives s’attaquent au problème du changement sous des angles différents.

Une couche de compatibilité permet à du code orienté CUDA de fonctionner sur un autre processeur avec moins de modifications du code source. Toutefois, elle doit suivre les mises à jour de Nvidia et traduire efficacement les comportements.

La stratégie CANN native de Huawei offre un meilleur contrôle de l’optimisation pour Ascend. Elle exige davantage d’adaptation de la part des équipes dont les systèmes ont été construits autour de CUDA.

Aucune des deux voies ne garantit un remplacement immédiat. La compatibilité peut réduire les réécritures au prix de performances ou d’une couverture moindres, tandis qu’une migration native peut améliorer l’optimisation en augmentant le travail d’ingénierie.

Les organisations qui gèrent des migrations techniques complexes ont besoin de registres consultables de leurs expériences, échecs et décisions. Une base de connaissances d’ingénierie structurée peut préserver ce contexte entre les équipes d’infrastructure et de recherche.

La documentation n’élimine pas les différences entre plateformes. Elle réduit toutefois les investigations répétées lorsque les équipes reviennent sur les mêmes noyaux, configurations ou écarts numériques.

La mesure décisive n’est donc pas simplement le nombre de puces livrées. C’est le temps nécessaire pour reproduire une chaîne d’entraînement fonctionnelle et retrouver sa précédente vitesse de développement.

Ce que le récit Huawei Intel ne peut toujours pas prouver

La préférence signalée pour CUDA est crédible, mais les sources anonymes et la divulgation limitée empêchent de tirer des conclusions fermes sur chaque laboratoire chinois ou chaque charge de travail.

Les grandes entreprises d’IA publient rarement des inventaires complets de leur matériel d’entraînement. Elles évitent également d’exposer des configurations détaillées de clusters, des accords d’approvisionnement et des faiblesses d’infrastructure.

Ce secret répond à des raisons commerciales et politiques. L’accès au matériel peut révéler la capacité des modèles, les contraintes opérationnelles ou une exposition potentielle au contrôle des exportations.

Les dernières informations sur Huawei doivent donc être interprétées comme la preuve d’une préférence générale, et non comme un recensement exhaustif. Différents laboratoires peuvent utiliser différentes combinaisons de puces détenues en propre, de ressources cloud et d’infrastructures à l’étranger.

Les définitions comptent également. Une entreprise peut dire qu’un modèle prend en charge Ascend sans préciser où le préentraînement a eu lieu.

Elle peut utiliser des puces Huawei pour l’inférence, le post-entraînement, l’évaluation ou une partie d’un flux de travail mixte. Aucun de ces usages ne prouve que l’ensemble du modèle de base a été entraîné via CANN.

Inversement, s’entraîner sur Nvidia ne signifie pas que Huawei a échoué. Cela peut refléter du matériel acheté plus tôt, une échéance temporaire ou un plan de transition délibéré.

Les estimations publiques de parts de marché créent une autre source de confusion. Elles regroupent différentes catégories de puces, de clients et d’applications.

Un processeur acheté pour une infrastructure publique d’inférence ne remplace pas un accélérateur Nvidia dans un cluster privé d’entraînement de modèles de pointe. Les deux comptent néanmoins comme de la demande en puces d’IA.

Les chiffres de livraisons signalés disent également peu de chose sur l’utilisation réelle. Un cluster mature doté de meilleurs logiciels peut fournir davantage de travail utile qu’une installation plus vaste souffrant de pannes ou d’une faible montée en charge.

Les progrès de Huawei doivent donc être évalués à partir de preuves reproductibles sur les charges de travail. Des éléments utiles comprendraient les taux d’achèvement des entraînements, la disponibilité des clusters, l’efficacité de la montée en charge et le temps de migration des développeurs.

Les benchmarks matériels seuls restent insuffisants. Un processeur peut bien fonctionner sur des opérations isolées tout en peinant avec un modèle évolutif réparti sur un grand cluster.

Il existe aussi un risque de figer la comparaison dans le passé. CANN a continué à évoluer, et la participation open source peut améliorer ses outils plus rapidement que ne le suggèrent les évaluations historiques.

La recherche sur la génération automatisée de noyaux pourrait également réduire les coûts de migration. Le projet CANN Bench évalue du code d’opérateurs généré par IA face au matériel Ascend réel et aux limites algorithmiques.

Si les systèmes d’IA peuvent traduire et optimiser de manière fiable le code des accélérateurs, le fossé logiciel de Nvidia devient moins absolu. Le mot clé est « fiable ».

Les noyaux générés doivent toujours passer des tests de correction, gérer des formes inhabituelles et rester stables d’une version logicielle à l’autre. Ils doivent également offrir des performances proches d’implémentations natives soigneusement optimisées.

Les outils automatisés pourraient réduire la première étape de la réécriture sans éliminer la validation. Cela seul modifierait déjà l’économie de la migration.

Une autre incertitude concerne le futur accès de Nvidia à la Chine. La politique de Pékin peut favoriser le matériel domestique tout en tolérant certaines importations pour les goulets d’étranglement de l’entraînement.

Les États-Unis peuvent aussi modifier les produits que Nvidia est autorisée à exporter. Ces décisions modifient l’urgence de l’adoption de CANN indépendamment des progrès techniques de Huawei.

Nvidia fait face à sa propre tension stratégique. La poursuite des ventes peut préserver l’adoption de CUDA, tandis que les restrictions encouragent les clients et les gouvernements à financer des alternatives.

Jensen Huang a affirmé à plusieurs reprises qu’exclure la technologie américaine accélère les concurrents étrangers. Sa préoccupation reflète les mêmes dynamiques logicielles visibles dans les laboratoires chinois.

Chaque installation CUDA peut renforcer la base de développeurs de Nvidia. Chaque accélérateur indisponible donne à Huawei une nouvelle occasion de déployer du matériel Ascend et d’améliorer CANN grâce à l’usage en production.

Les éléments disponibles appuient une conclusion prudente. Nvidia semble toujours difficile à remplacer pour les principales charges de travail d’entraînement, mais sa position dépend d’un accès continu et d’une supériorité logicielle durable.

Trois signaux montreront si CANN peut briser l’emprise de CUDA sur l’entraînement

La prochaine phase sera déterminée par des déploiements d’entraînement vérifiables, un temps de migration mesuré et un accès durable au matériel Nvidia.

Le premier signal est une exécution de préentraînement à l’échelle d’un modèle de pointe, divulguée et réalisée principalement sur des processeurs Ascend. La divulgation devrait distinguer l’entraînement du modèle de base de l’inférence et du post-entraînement.

Un exemple crédible inclurait la génération du processeur, la taille du cluster, la version logicielle, la durée d’entraînement et le comportement de montée en charge. Les détails techniques indépendants compteraient davantage qu’une annonce de lancement.

Un tel résultat renforcerait l’argument selon lequel CANN peut soutenir des charges de travail de recherche qui évoluent rapidement. Des résultats répétés provenant de laboratoires non liés entre eux auraient encore plus de poids.

Une seule exécution réussie n’établirait pas une parité universelle. Elle montrerait que Huawei a franchi un seuil opérationnel important pour au moins une configuration exigeante.

Le deuxième signal est une réduction mesurable du temps de migration de CUDA vers CANN. Huawei et ses partenaires ont besoin de preuves que des projets établis peuvent migrer sans des mois de travail spécialisé.

Des indicateurs utiles comprennent une couverture plus large des opérateurs PyTorch, une conversion fiable des noyaux, des outils de profilage plus solides et des mises à niveau stables entre les versions de CANN.

Les développeurs surveilleront également la reprise après des défaillances distribuées. Un cluster qui reprend en toute sécurité un long entraînement peut protéger bien plus de valeur qu’un autre affichant un benchmark isolé plus élevé.

L’activité open source peut fournir des indices précoces. Davantage de contributeurs externes, une résolution plus rapide des problèmes et une prise en charge plus large des frameworks montreraient que CANN évolue au-delà d’une chaîne d’outils contrôlée par un fournisseur.

Le troisième signal est la disponibilité réelle des accélérateurs Nvidia en Chine. Les autorisations d’exportation annoncées ne se traduisent pas nécessairement par des clusters livrés et utilisables.

L’Associated Press a rapporté que Nvidia n’avait généré aucun revenu H200 en Chine à la fin juin 2026, malgré des discussions antérieures sur un accès potentiel. La position de Pékin en matière d’achats restait incertaine.

Si les livraisons de Nvidia restent bloquées, les laboratoires chinois auront davantage intérêt à absorber les coûts de migration. Huawei pourrait obtenir les charges de travail nécessaires pour améliorer CANN par la pratique.

Si les livraisons reprennent à une échelle significative, les laboratoires pourront préserver l’entraînement fondé sur CUDA tout en adoptant Ascend de manière sélective. Ce résultat affaiblirait l’argument en faveur d’une transition immédiate de l’ensemble de la pile technologique.

Les deux fournisseurs font donc face à des épreuves différentes. Nvidia doit maintenir son matériel suffisamment accessible pour que l’avantage logiciel de CUDA conserve son importance.

Huawei doit transformer le soutien politique et les achats en un environnement de développement auquel les chercheurs confient leurs entraînements les plus coûteux.

Pour les développeurs, la leçon pratique consiste à examiner les dépendances logicielles avant d’évaluer des alternatives aux accélérateurs. La couverture des kernels, les bibliothèques de communication, l’observabilité et la reprise après incident peuvent compter davantage que les performances affichées.

Les acheteurs en entreprise devraient également se demander quelle étape d’une charge de travail d’IA s’exécutera sur chaque plateforme. L’entraînement, le post-entraînement et l’inférence créent des risques de migration différents.

Pour les utilisateurs d’IA, l’issue finale influera sur la disponibilité des modèles, la capacité de service et le rythme des nouvelles versions. Elle pourrait aussi faire émerger des piles régionales optimisées pour différents matériels.

Les informations actuelles concernant Huawei ne montrent pas que la stratégie chinoise en matière de matériel d’IA domestique soit au point mort. Elles montrent que le remplacement du matériel et celui des logiciels progressent à des vitesses différentes.

Huawei gagne des déploiements, de l’expérience en inférence et un rôle domestique plus important. Nvidia conserve un avantage lorsque les équipes de recherche choisissent la plateforme qui protège leur cycle de développement.

La question décisive n’est plus de savoir si les processeurs Ascend peuvent exécuter de grands modèles. Elle est de savoir si CANN peut permettre aux laboratoires de modifier ces modèles rapidement, à plusieurs reprises et de manière fiable.

Surveillez la prochaine session d’entraînement divulguée, la prochaine version majeure de CANN et la prochaine livraison confirmée de Nvidia. Ensemble, ces signaux montreront si CUDA reste la solution par défaut en Chine ou devient un pont temporaire.