La startup chinoise Dongfang Suanxin a présenté à Shanghai son processeur DF1000, gravé en 14 nm, avec une puissance annoncée de 520 téraflops BF16 et une bande passante mémoire de 6,4 TB/s. L’entreprise affirme pouvoir améliorer les performances sans dépendre des nuds de gravure les plus avancés, difficilement accessibles sous l’effet des contrôles américains à l’export. Elle prévoit des livraisons avant la fin de l’année et un calendrier de nouveaux modèles jusqu’en 2027.
Dans un secteur dominé par Nvidia sur l’accélération IA, une jeune pousse chinoise tente de déplacer le débat, moins sur la finesse de gravure que sur l’architecture et l’optimisation logicielle.
Dongfang Suanxin présente le DF1000 et annonce des livraisons en 2026
Lors d’un événement de lancement organisé lundi à Shanghai, Dongfang Suanxin a levé le voile sur son processeur phare DF1000. La société le positionne comme une brique de calcul destinée à des charges de travail intensives, avec un discours centré sur la performance système plutôt que sur la seule miniaturisation. Le choix d’une gravure en 14 nanomètres, un nud déjà largement industrialisé, est présenté comme un moyen de limiter l’exposition aux contraintes d’approvisionnement qui touchent les technologies de pointe.
Sur le papier, la fiche technique revendique 520 téraflops en BF16, un format devenu central pour l’entraînement et l’inférence de modèles d’intelligence artificielle, car il combine débit et compromis acceptable sur la précision pour de nombreux usages. La startup met aussi en avant une bande passante mémoire de 6,4 TB/s, donnée clé dans les workloads modernes où l’étranglement se situe souvent dans l’alimentation des unités de calcul en données, plus que dans la capacité brute à exécuter des opérations.
Autre chiffre mis en avant, la bande passante de communication inter-puces annoncée à 900 GB/s. Ce point vise les architectures distribuées, où plusieurs accélérateurs doivent échanger rapidement pour constituer un ensemble cohérent, notamment dans les serveurs d’entraînement IA. Les performances réelles dépendront du logiciel, des pilotes, des bibliothèques et de l’intégration système, domaines où l’écosystème Nvidia conserve une avance reconnue.
La société affirme que le DF1000 est prêt pour la production de masse et que les premières expéditions doivent commencer avant la fin de l’année. Le message est important dans un secteur où de nombreuses annonces restent au stade du prototype. Les volumes, les clients confirmés et les conditions commerciales n’ont pas été détaillés publiquement lors de la présentation, ce qui rend difficile l’évaluation de la traction industrielle à court terme.
Au-delà du DF1000, Dongfang Suanxin a tracé une feuille de route avec deux successeurs, DF2000 attendu fin 2026, puis DF3000 en 2027. L’objectif affiché est de dépasser, à ces horizons, des références haut de gamme de Nvidia, respectivement H200 et B300. Ce calendrier met la startup face à une course où l’écart ne se mesure pas seulement en téraflops, mais aussi en disponibilité, fiabilité, consommation, support logiciel et capacité à s’intégrer dans des centres de données.
Le 3D-stacked near-memory vise la latence et la consommation
La démonstration de Dongfang Suanxin repose sur l’idée qu’une partie des gains de performance peut venir de la manière dont les données circulent, plutôt que d’une augmentation continue de la densité de transistors. La société met en avant une architecture 3D-stacked dite near-memory, qui rapproche la mémoire des curs de calcul en empilant des couches verticalement. En réduisant la distance physique que doivent parcourir les données, l’entreprise vise une baisse de la latence et une amélioration du débit effectif.
Dans les workloads IA, l’accès mémoire est souvent déterminant. Même lorsque la puissance de calcul théorique est élevée, un accélérateur peut être sous-utilisé si la mémoire ne suit pas. En insistant sur une bande passante de 6,4 TB/s, Dongfang Suanxin tente de montrer qu’elle adresse ce goulet d’étranglement. La promesse, selon l’entreprise, est double, améliorer la vitesse d’accès et réduire l’énergie dépensée à déplacer des données sur de longues distances au sein du système.
Le recours à des techniques d’empilement et de packaging devient un axe stratégique dans l’industrie, car il permet d’augmenter les performances système sans exiger systématiquement la gravure la plus avancée. Pour une entreprise chinoise confrontée aux limites d’accès à certains équipements et procédés, ce choix a aussi une dimension industrielle, il s’appuie sur des technologies potentiellement plus accessibles, tout en cherchant à compenser les écarts de nud par une organisation différente des composants.
Cette approche n’élimine pas toutes les contraintes. Les solutions 3D posent des défis en dissipation thermique, en rendement de fabrication et en coûts de packaging. Les bénéfices annoncés sur la consommation devront être mis en regard des exigences de refroidissement dans des racks de centres de données. Les opérateurs, eux, arbitrent souvent entre performance par watt, densité par serveur, coût total de possession et disponibilité des pièces.
En toile de fond, le débat porte sur la dépendance aux nuds avancés, aujourd’hui dominés par quelques acteurs mondiaux. En misant sur des architectures où la mémoire est plus proche du calcul, Dongfang Suanxin tente de contourner une partie du handicap lié à une gravure en 14 nm. Le pari est que, pour certaines charges de travail, le gain sur le mouvement des données peut compenser une partie de l’écart de densité et de fréquence face à des puces plus récentes.
Le « software-defined computing » cherche à adapter le calcul aux workloads
Deuxième pilier mis en avant, une approche de software-defined computing. Selon la startup, les ressources de calcul et les flux de données peuvent être reconfigurés dynamiquement en fonction des workloads. L’idée s’inscrit dans une tendance plus large de co-conception matériel-logiciel, où les performances ne proviennent pas uniquement du silicium, mais aussi de la manière dont le compilateur, les bibliothèques et l’ordonnancement exploitent les unités disponibles.
Dans les infrastructures IA, la diversité des tâches est élevée, entraînement, inférence, recommandation, vision, traitement de langage, calcul scientifique. Un accélérateur optimisé pour une seule catégorie peut perdre en efficacité sur d’autres. Dongfang Suanxin affirme vouloir améliorer l’utilisation effective de la puce en ajustant l’allocation des ressources, ce qui vise à réduire les périodes d’inactivité de certaines unités et à mieux aligner le matériel sur la structure des modèles.
Pour attirer des développeurs, l’entreprise a annoncé une pile logicielle ouverte baptisée CAAP, présentée comme compatible avec des frameworks courants, tout en offrant des possibilités de programmation sur mesure pour des opérateurs, des supernodes et des clusters. Dans ce domaine, la comparaison avec Nvidia est inévitable, l’écosystème CUDA, ses bibliothèques et sa base installée constituent un avantage compétitif majeur, souvent cité comme un verrou plus fort que la performance brute.
La startup a aussi présenté des éléments matériels autour du DF1000, dont un module accélérateur Dianfeng, un supernode TY64 et un appareil intégré QY100. Ce choix d’offrir des solutions plus complètes peut faciliter l’adoption, car de nombreux clients préfèrent des plateformes validées plutôt qu’un composant isolé. La valeur se joue alors dans l’intégration, la stabilité, les outils de monitoring et la capacité à déployer à l’échelle.
Le fondateur Wei Shaojun a résumé l’ambition en appelant à forger une voie propre, avec une architecture indépendante, une technologie originale, un écosystème auto-suffisant et une chaîne d’approvisionnement sûre et contrôlable. Ce discours reflète une orientation industrielle plus large en Chine, où l’objectif n’est pas seulement de produire des puces, mais de bâtir des piles complètes, du matériel au logiciel, capables de fonctionner même en cas de restrictions renforcées.
La concurrence à Nvidia se joue sur l’écosystème et les volumes
Les annonces de Dongfang Suanxin s’inscrivent dans une compétition où Nvidia conserve une position dominante sur le calcul accéléré, portée par des générations successives de GPU et par une forte intégration logicielle. La startup chinoise revendique une trajectoire qui vise explicitement des produits comme Nvidia H200 et B300. Sur ce terrain, la comparaison ne se limite pas aux chiffres de calcul, elle inclut la disponibilité mondiale, la maturité des pilotes, la compatibilité avec les frameworks et la fiabilité en production.
Le contexte géopolitique pèse sur les choix technologiques. Les restrictions américaines sur l’export de technologies avancées incitent des acteurs chinois à explorer des voies alternatives, architecture, packaging, optimisation logicielle, mise en réseau d’accélérateurs. Le DF1000, avec sa gravure en 14 nm, illustre cette stratégie, utiliser un procédé moins avancé mais maîtrisé, puis chercher des gains par conception et empilement mémoire.
Pour les centres de données, la question centrale reste le coût global. Une puce peut être compétitive si elle offre un bon ratio performance-prix, si elle est livrée en volumes stables, et si le temps de portage logiciel est limité. Sans un environnement de développement robuste, les entreprises doivent investir pour adapter modèles et pipelines, ce qui peut annuler l’avantage matériel. L’ouverture annoncée de CAAP répond à ce besoin, mais la capacité à fédérer une communauté et des partenaires reste un facteur déterminant.
Les performances annoncées devront aussi être confrontées à des tests indépendants. Les métriques comme BF16 et la bande passante mémoire donnent une indication, mais les résultats en entraînement réel dépendent de la pile logicielle, de l’efficacité des kernels, de la communication inter-puces et de la qualité de l’interconnexion dans des clusters. Les opérateurs regardent aussi la stabilité sur des semaines de calcul, la gestion des erreurs et la disponibilité de support.
Pour clarifier les paramètres mis en avant lors du lancement, les principales caractéristiques communiquées se résument dans le tableau suivant, avec les jalons annoncés pour les générations futures.
| Produit | Gravure annoncée | Puissance BF16 annoncée | Bande passante mémoire | Calendrier |
|---|---|---|---|---|
| DF1000 | 14 nm | 520 TFLOPS | 6,4 TB/s | Expéditions avant fin d’année |
| DF2000 | Non précisée | Objectif: dépasser H200 | Non précisée | Fin 2026 |
| DF3000 | Non précisée | Objectif: dépasser B300 | Non précisée | 2027 |
Si Dongfang Suanxin parvient à livrer à temps, l’enjeu se déplacera rapidement vers l’adoption, quels intégrateurs, quels opérateurs de cloud, quels laboratoires et quelles entreprises accepteront de basculer une part de leurs charges de travail sur une nouvelle architecture, dans un marché où la standardisation logicielle et la confiance opérationnelle comptent autant que la performance affichée.
