Le 23 septembre 2026, plusieurs médias citant The Information ont rapporté que le fondateur de DeepSeek, Liang Wenfeng, a déclaré lors d'une réunion d'investisseurs à huis clos que l'entreprise déplaçait le centre de gravité de l'entraînement de ses modèles vers des puces domestiques et prévoyait d'adopter à grande échelle la série Ascend de Huawei pour l'entraînement. Dans le même temps, DeepSeek entraîne un modèle de 2 000 milliards de paramètres et a une version de 8 000 milliards de paramètres sur sa feuille de route. Liang a qualifié « l'entraînement de modèles d'IA sur des puces domestiques » de l'une des plus grandes mesures stratégiques de l'entreprise, affirmant qu'il « fallait réussir ».
Une précision d'emblée : ce n'est pas une annonce officielle de DeepSeek, mais du ouï-dire issu d'une réunion fermée. L'information centrale vient du reportage de The Information, repris par plusieurs médias tech, mais ni DeepSeek ni Huawei n'ont réagi publiquement. Il faut la lire avec le poids d'une « rumeur en attente de confirmation ».
Ce qui s'est dit dans la réunion fermée
À travers les reportages qui se recoupent, quatre points ressortent :
Premièrement, l'entraînement bascule vers les puces domestiques. DeepSeek s'entraînait jusqu'ici principalement sur les GPU haut de gamme de Nvidia, les puces domestiques servant surtout côté inférence. La nouveauté, c'est que les Ascend de Huawei entreraient dans l'étape la plus gourmande en calcul — l'entraînement — avec de premières livraisons dès le quatrième trimestre 2026.
Deuxièmement, la taille des modèles continue de grimper. Le modèle de 2 000 milliards de paramètres en entraînement est largement supposé être le prochain fleuron, V4.1 Pro ; la version de 8 000 milliards est un plan de plus long terme. Pour référence, le Qwen 3.8 Max d'Alibaba culmine à 2 400 milliards de paramètres et le Kimi K3 de Moonshot à 2 800 milliards — 8 000 milliards représenteraient environ le triple du plus grand modèle ouvert existant.
Troisièmement, l'argent afflue vers le calcul. DeepSeek prévoirait d'investir quelque 30 milliards de yuans dans le calcul IA domestique, et des rapports évoquent une commande de 160 000 puces Ascend 950DT auprès de Huawei pour son centre de données de 1 GW en Mongolie intérieure.
Quatrièmement, le pari de Liang : les puces Huawei rattraperont Nvidia en performance d'ici quelques années. C'est à la fois la source de confiance de toute l'opération et sa plus grande incertitude.
Le calcul du compute : un prix de 4 contre 1
La bascule n'est pas gratuite. La conversion rapportée : entraîner un modèle de la plus grande envergure à l'échelle d'OpenAI demande environ 50 000 puces Nvidia GB300 — ou au moins 200 000 Huawei Ascend 950, soit un rapport d'environ 4 pour 1. Autre chiffre : pour le modèle de 2 000 milliards de paramètres, environ 60 000 Ascend contre 30 000 Nvidia H100/H200.
Autrement dit : pour la même tâche d'entraînement, la voie domestique coûte plusieurs fois l'empreinte physique, l'énergie et la complexité opérationnelle. DeepSeek parie sur deux choses : que les contrôles à l'exportation rendront les cartes haut de gamme de Nvidia de plus en plus difficiles à obtenir — et que le rythme d'itération de Huawei comblera l'écart.
Pourquoi maintenant
Le timing n'est pas un hasard. D'un côté, les États-Unis resserrent continuellement leurs contrôles à l'exportation de puces, les ventes de Nvidia en Chine connaissent des ratés répétés, et la fenêtre pour stocker des cartes se rétrécit. De l'autre, Huawei a révélé en avril que ses puces avaient déjà été partiellement utilisées pour entraîner le modèle léger V4-Flash de DeepSeek — ce pas transforme « l'essai côté inférence » en stratégie.
Par coïncidence, la veille seulement, Alibaba dévoilait sa puce IA maison, la Zhenwu V900 (Alibaba lance la Zhenwu V900 : performances triplées, cap sur les modèles à 10 000 milliards de paramètres (/article/2050-alibaba-launches-zhenwu-v900-triple-the-performance-aiming-at-10-trillion-parame)), visant elle aussi l'entraînement et l'inférence de modèles à plusieurs billions de paramètres. Les puces IA domestiques passent de « solution de secours » à « voie principale » — le pari de DeepSeek est simplement le plus lourd.
Comment le lire
Le poids symbolique l'emporte sur les détails techniques : ce serait la première fois qu'un laboratoire de modèles chinois de premier plan mise publiquement l'entraînement sur des puces domestiques. Si DeepSeek parvient réellement à entraîner un modèle de 2 000 milliards de paramètres sur Ascend, cela valide toute la chaîne de calcul domestique — puces, interconnexion, frameworks d'entraînement, opérations : chaque maillon doit tenir.
Mais les risques sont réels : le coût de calcul de 4 pour 1 est tangible, les livraisons de Huawei restent contraintes par les pénuries de mémoire avancée et de composants, et le « il faut réussir » de Liang lui-même trahit qu'il s'agit d'un pari sans retour. Pour Nvidia, perdre un client phare comme DeepSeek est un nouveau signal de l'effritement de sa part des puces IA en Chine.
Pour les développeurs ordinaires, les prix des API ne changeront pas à court terme. À plus long terme, si le calcul domestique fait vraiment baisser les coûts d'entraînement, les modèles ouverts pourraient itérer plus vite et s'ouvrir davantage. Il faut d'abord attendre le quatrième trimestre 2026, date des premières livraisons de Huawei — le premier point de contrôle de ce pari.
