Top 25+ fabricants de puces d'IA: NVIDIA & ses concurrents
Sur la base de notre expérience de l'exécution du benchmark de cloud GPU d'AIMultiple avec 10 modèles de GPU différents dans 4 scénarios différents, voici les principales entreprises de matériel d'IA pour les charges de travail de centre de données. Suivez les liens pour voir notre raisonnement derrière chaque sélection :
25+ fabricants de puces d'IA par catégorie
*Les models sélectionnés sont basés sur les dernières annonces.
**ACCEL a été développé par des scientifiques chinois en collaboration avec Alibaba et China’s Semiconductor Manufacturing International Corporation (SMIC) 1
Tri par catégorie. Les fournisseurs sont classés par part de marché estimée au sein des 3 premières catégories (c'est-à-dire producteur leader, cloud public, cloud IA public) car les chiffres de vente ou l'utilisation du cloud peuvent être estimés. Les fournisseurs dans les trois dernières catégories (c'est-à-dire startup IA, producteur à venir, autres producteurs) sont triés par ordre alphabétique.
5 fournisseurs de puces d'IA mobiles
*Les puces les plus populaires et récentes sont sélectionnées.
5 puces d'IA en périphérie
La demande de traitement à faible latence a stimulé l'innovation dans les puces d'IA en périphérie. Les processeurs de ces puces sont conçus pour effectuer des calculs d'IA localement sur les appareils plutôt que de dépendre de solutions basées sur le cloud :
*Ce sont les valeurs maximales indiquées par les fournisseurs. TOPS signifie téra opérations par seconde.
Comprendre les architectures de puces d'IA : GPUs vs ASIC
Toutes les puces d'IA ne se valent pas. Alors que les fournisseurs ci-dessus se concurrencent sur le même marché, ils utilisent des architectures de puces fondamentalement différentes :
- GPUs (unités de traitement graphique) sont des processeurs polyvalents capables de gérer à la fois l'entraînement et l'inférence sur une large gamme de charges de travail d'IA. NVIDIA et AMD dominent cette catégorie.
- ASIC (circuits intégrés spécifiques à une application) sont conçus sur mesure pour des tâches spécifiques. Certains prennent en charge à la fois l'entraînement et l'inférence (Google TPU, AWS Trainium), tandis que d'autres sont uniquement pour l'inférence (Groq LPU, AWS Inferentia).
Aperçu clé :
Tous les ASIC ne sont pas uniquement destinés à l'inférence. Google TPU, AWS Trainium, Cerebras, et SambaNova prennent en charge à la fois l'entraînement et l'inférence, tandis que Groq LPU et AWS Inferentia se concentrent exclusivement sur l'inférence.
Cette distinction est importante pour les acheteurs : les GPU offrent une flexibilité sur différentes charges de travail d'IA, tandis que les ASIC offrent une meilleure performance par watt mais sont plus difficiles à reprogrammer à mesure que les architectures de model changent.
Selon TrendForce2 , sur la base des taux de croissance des expéditions de serveurs d'IA, les expéditions d'ASIC personnalisés des fournisseurs de cloud devraient augmenter de 44.6% en 2026, tandis que les expéditions de GPU devraient augmenter de 16.1%. Cela signale un changement dans le paysage du matériel d'IA, les hyperscalers investissant de plus en plus dans leur propre silicium.
Quels sont les principaux fabricants de puces d'IA ?
1. NVIDIA
NVIDIA conçoit des unités de traitement graphique (GPU) pour le secteur du jeu vidéo depuis les années 1990. NVIDIA est un fabricant de puces sans usine (fabless) qui externalise la majeure partie de sa fabrication de puces à TSMC. Ses principales activités incluent :
Solutions d'IA de bureau
DGX Spark (anciennement Project Digits) est un supercalculateur d'IA de bureau pour les ingénieurs en IA et les data scientists, doté d'une superpuce Grace Blackwell avec un GPU NVIDIA Blackwell RTX GPU avec 6,144 cœurs CUDA et des cœurs Tensor de cinquième génération avec précision FP4, connecté via l'interconnexion puce à puce NVIDIA NVLink-C2C à un processeur NVIDIA Grace haute performance à 20 cœurs CPU, offrant jusqu'à 1 pétaflops de calcul d'IA et 128GB de mémoire unifiée pour les agents sur l'appareil.3 4
NVIDIA et Microsoft s'associent pour proposer une plateforme Windows sécurisée pour les agents sur appareil, construite sur de nouvelles primitives de sécurité du système d'exploitation.5
Solutions pour centres de données
L'entreprise fabrique des puces d'IA suivant ses architectures Ampere, Hopper et, plus récemment, Blackwell. Grâce au boom de l'IA générative, NVIDIA a obtenu d'excellents résultats ces dernières années, a atteint une valorisation de mille milliards de dollars et a consolidé sa position de leader des marchés du GPU et du matériel d'IA. Le graphique suivant montre comment le chiffre d'affaires de NVIDIA dans ce segment a évolué au fil des ans et comment il est devenu la principale source de revenus de l'entreprise.
Source : NVIDIA Corporation rapports financiers.6
DGX™ A100 et H100 ont été des puces d'IA phares à succès de Nvidia, conçues pour l'entraînement et l'inférence d'IA dans les centres de données.7 NVIDIA a poursuivi avec
- les puces H200, B300 et GB300
- les serveurs HGX tels que HGX H200 et HGX B300 qui combinent 8 de ces puces
- les séries NVL et GB200 SuperPod qui combinent encore plus de puces en grands clusters.8
GPU cloud
Grâce à la force de son offre de centres de données, NVIDIA détient presque un monopole sur le marché de l'IA cloud, la plupart des acteurs du cloud proposant uniquement des NVIDIA GPU en tant que GPU cloud.
NVIDIA a également lancé son offre DGX Cloud, fournissant une infrastructure GPU cloud directement aux entreprises, en contournant les fournisseurs de cloud.
GPU pour graphismes
Xbox utilise un chipset co-développé par NVIDIA et Microsoft. Les NVIDIA GPU pour les utilisateurs grand public incluent la série GeForce.
Développements récents
DGX Cloud Lepton
Annoncé le 19 mai 2025 au Computex, DGX Cloud Lepton de NVIDIA est une marketplace qui connecte les développeurs d'IA aux fournisseurs de cloud GPU de NVIDIA, notamment CoreWeave, Lambda et Crusoe. Il permet un accès flexible aux ressources GPU pour l'entraînement et l'inférence de models d'IA, en contournant les dépendances traditionnelles envers les fournisseurs de cloud. Cela renforce la stratégie cloud orientée entreprise de NVIDIA.9
NVIDIA Dynamo
NVIDIA Dynamo, annoncé au GTC 2025, est un nouveau framework d'inférence open source conçu pour le déploiement à haut débit et faible latence de models d'IA générative dans des environnements distribués, augmentant la capacité de service des requêtes jusqu'à 30x sur NVIDIA Blackwell comme montré dans la figure ci-dessous. Ce framework, compatible avec des outils populaires comme PyTorch et TensorRT-LLM, utilise des innovations telles que les étapes d'inférence désagrégées et la planification dynamique de GPU pour optimiser les performances et réduire les coûts. Disponible sur GitHub pour les développeurs et inclus dans les microservices NVIDIA NIM pour les solutions d'entreprise, Dynamo facilite une diffusion évolutive et rentable de l'IA générative, des systèmes à un seul GPU aux systèmes multi-GPU.10
Serveurs NVIDIA RTX PRO et usine d'IA d'entreprise
Annoncés en mai 2025 au Computex, NVIDIA a présenté les serveurs RTX PRO alimentés par les GPU RTX PRO 6000 Blackwell Server Edition GPU, conçus pour les usines d'IA d'entreprise. Ces serveurs offrent une accélération universelle pour les applications d'IA, de conception, d'ingénierie et métier, prenant en charge des charges de travail telles que l'inférence d'IA multimodale, l'IA physique et les jumeaux numériques sur la plateforme NVIDIA Omniverse.
La conception validée NVIDIA Enterprise IA Factory, intégrant les serveurs RTX PRO, NVIDIA Spectrum-X Ethernet, les NVIDIA BlueField DPU et le logiciel NVIDIA IA Enterprise, permet à des partenaires comme Cadence, Foxconn et Lilly de construire une infrastructure d'IA sur site. Cette initiative accélère la transition de l'industrie informatique de mille milliards de dollars vers des usines d'IA accélérées par GPU. 12
Plateforme NVIDIA Vera Rubin
La plateforme de nouvelle génération de NVIDIA après Blackwell Ultra, annoncée au CES 2026 et confirmée en production au Computex 2026, offre un entraînement 3.5× plus rapide et une inférence 5× plus rapide par rapport à Blackwell et est construite sur le processus 3nm de TSMC avec HBM4.13 14 Le rack NVL72 offre une bande passante de 260 TB/s.
DeepSeek
La sortie du R1 de DeepSeek a montré que des modèles à la pointe pouvaient être entraînés avec un nombre relativement faible de GPU. Cela a entraîné une baisse du cours de l'action de NVIDIA. Bien qu'il ne s'agisse pas d'un conseil en investissement, cela peut être positif pour NVIDIA car plus la puissance de calcul est utile, plus elle devrait être utilisée (c'est-à-dire le paradoxe de Jevons15 ).
Cependant, étant donné que les performances des systèmes GPU s'améliorent plusieurs fois par an grâce aux progrès de la conception des puces et de l'interconnexion, les acheteurs feraient bien de ne pas acheter au-delà de leurs besoins annuels, car cela peut conduire à posséder des systèmes obsolètes.
Tarifs douaniers & restrictions à l'exportation
NVIDIA est désormais autorisé à exporter des processeurs d'IA avancés vers le marché chinois, marquant un changement par rapport aux exigences précédentes de ne vendre que des versions dégradées. Cependant, ces exportations se heurtent à de nouveaux obstacles logistiques et financiers : les puces fabriquées à Taiwan doivent désormais faire un détour par les États-Unis pour des tests par des tiers, déclenchant un tarif de sécurité nationale nouvellement imposé de 25%.
Malgré le rétablissement de l'accès au matériel haut de gamme, les coûts supplémentaires et les complexités de la chaîne d'approvisionnement continuent d'inciter le gouvernement chinois et l'industrie des puces à développer des alternatives locales compétitives. Bien que les puces chinoises soient actuellement moins performantes que la dernière technologie de NVIDIA, ces barrières commerciales garantissent que le développement national reste une priorité stratégique, ce qui pourrait remettre en cause la domination de NVIDIA sur le marché à l'avenir.16
Concurrence sur le marché de l'inférence
Alors que NVIDIA domine le marché de "l'entraînement" de l'IA, la concurrence s'intensifie dans "l'inférence", le déploiement de modèles d'IA pour des tâches réelles. Des entreprises comme AMD et de nombreuses startups, y compris Untether IA et Groq, développent des puces qui visent à fournir des solutions d'inférence plus rentables, en mettant particulièrement l'accent sur une consommation électrique plus faible.
Les nouvelles techniques de "raisonnement" de l'IA exigent plus de puissance de calcul. NVIDIA pense que le raisonnement favorisera son architecture à long terme et s'attend à ce que le marché de l'inférence finisse par dépasser en taille celui de l'entraînement, même si sa part de marché est plus petite. 17
2. AMD
AMD est un fabricant de puces sans usine (fabless) proposant des produits CPU, GPU et accélérateurs d'IA.
AMD a lancé le MI300 pour les charges de travail d'entraînement d'IA en juin 2023 et est en concurrence avec NVIDIA pour des parts de marché. Des startups, des instituts de recherche, des entreprises et des géants de la technologie ont adopté le matériel AMD en 2023, car le matériel d'IA de Nvidia est devenu difficile à obtenir en raison de la demande rapidement croissante, avec l'essor de l'IA générative déclenché par le lancement de ChatGPT.18 19 20
En 2025, AMD a annoncé l'acquisition d'une équipe talentueuse d'ingénieurs en matériel et logiciel d'IA de Untether IA, un développeur de puces d'inférence d'IA économes en énergie pour les fournisseurs de périphérie et les centres de données d'entreprise. Cette initiative améliore les capacités de compilateur d'IA, de développement de noyau et de conception de puces d'AMD, renforçant encore sa position sur le marché de l'inférence. De plus, AMD a acquis la startup de compilation Brium pour optimiser les performances d'IA sur ses GPU Instinct pour centres de données pour les applications d'entreprise.21
AMD lancera la série MI350 pour remplacer le MI300 et concurrencer le H200 de NVIDIA. AMD affirme que le MI325X, une autre puce récente, offre des performances d'inférence de pointe sur le marché. En février 2026, Meta a annoncé un accord d'infrastructure à long terme avec AMD pour déployer jusqu'à 6 GW de GPU AMD Instinct, l'un des plus grands accords d'approvisionnement en GPU non-NVIDIA de l'histoire et une approbation significative de la feuille de route du matériel d'IA d'AMD.22 23
AMD travaille également avec des entreprises de machine learning comme Hugging Face pour permettre aux data scientists d'utiliser leur matériel plus efficacement.24
L'écosystème logiciel est critique car les performances du matériel dépendent fortement de l'optimisation logicielle. Par exemple, AMD et NVIDIA ont eu un désaccord public sur le benchmark du H100 et du MI300. Le désaccord portait sur le package et le nombre à virgule flottante à utiliser dans le benchmark. Selon les derniers benchmarks, il semble que le MI300 soit meilleur ou à égalité avec le H100 pour l'inférence sur un 70B LLM.25
Logiciel
Bien que le matériel d'AMD rattrape celui de NVIDIA, son logiciel est à la traîne en termes d'utilisabilité. Alors que CUDA fonctionne immédiatement pour la plupart des tâches, le logiciel d'AMD nécessite une configuration importante. 26
Écosystème
Comme NVIDIA, AMD investit sélectivement dans les utilisateurs de ses solutions pour stimuler l'adoption de son matériel. 27
3. Intel
Intel est l'acteur le plus important du marché des CPU et possède une longue histoire dans le développement de semi-conducteurs. Contrairement à NVIDIA et AMD, Intel utilise sa propre fonderie pour fabriquer ses puces.
Gaudi3 est le dernier processeur accélérateur d'IA d'Intel. 28 Cependant, les prévisions de ventes d'Intel pour Gaudi3 étaient d'environ 500M$ pour 2024, ce qui est nettement inférieur aux milliards que AMD prévoit de gagner en 2024.
Sous la direction du nouveau PDG Lip-Bu Tan (nommé en mars 2025), la stratégie d'IA d'Intel s'est clarifiée autour de solutions à l'échelle du rack.29 Intel a annulé son GPU Falcon Shores pour se tourner vers Jaguar Shores, un accélérateur d'IA de nouvelle génération à l'échelle du rack construit sur le nœud de processus Intel 18A, et a fait de nouvelles annonces de matériel d'IA au Computex 2026, notamment son processeur Xeon 6+ sur le nœud 18A et le GPU pour centre de données Crescent Island.30 31
Quels fournisseurs de cloud public produisent des puces d'IA ?
4. AWS
AWS produit des puces Tranium pour l'entraînement de models et des puces Inferentia pour l'inférence. Bien qu'AWS soit le leader du marché du cloud public, il a commencé à développer ses propres puces après Google.
Des centaines de milliers de puces Tranium2 sont utilisées pour former le cluster Project Rainier, qui alimente les models du développeur LLM Anthropic.
5. Google Cloud Platform
Le TPU de Google Cloud est la puce accélératrice de machine learning conçue sur mesure qui alimente des produits Google comme Translate, Photos, Search, Assistant et Gmail. Google a annoncé les TPU en 2016.32 Le dernier Trillium TPU est la 6th génération.33
Google a présenté Ironwood. Cette dernière génération est spécifiquement conçue pour les "modèles de raisonnement" complexes comme les LLM et les MoE, offrant un traitement parallèle massif (4,614 TFLOPs par puce) et passant à l'échelle jusqu'à 42.5 Exaflops dans des pods de 9,216 puces.34
Ironwood apporte des avancées significatives par rapport à Trillium, notamment une efficacité énergétique 2x meilleure, 6x la capacité de mémoire à large bande passante (192 Go/puce), 4.5x la bande passante HBM (7.2 TBps/puce), et 1.5x la vitesse d'interconnexion inter-puce (1.2 Tbps). Il dispose également d'un SparseCore amélioré pour les grands embeddings. Google produit également le Edge TPU, beaucoup plus petit, pour des besoins différents, conçu pour le déploiement sur des appareils de périphérie comme les smartphones et le matériel IoT.
6. Alibaba
Alibaba produit des puces telles que le Hanguang 800 pour l'inférence. Cependant, certaines organisations nord-américaines, européennes et australiennes (par exemple, celles du secteur de la défense) peuvent ne pas préférer utiliser Alibaba Cloud pour des raisons géopolitiques.
7. IBM
IBM a annoncé sa dernière puce de deep learning, l'unité d'intelligence artificielle (AIU), en 2022.35 . IBM envisage d'utiliser ces puces pour alimenter sa plateforme d'IA générative Watsonx.36
L'AIU d'IBM s'appuie sur le processeur IBM Telum, qui alimente les capacités de traitement d'IA des serveurs mainframe IBM Z. Lors du lancement, les cas d'utilisation mis en avant pour les processeurs Telum incluaient la détection de fraude.37
IBM a également démontré que la fusion du calcul et de la mémoire peut conduire à des gains d'efficacité. Cela a été démontré dans le prototype de processeur North Pole.38
8. Huawei
Le HiSilicon Ascend 910C de Huawei fait partie de la famille de puces Ascend 910 introduite en 2019.
En raison des sanctions, les laboratoires d'IA en Chine ne peuvent pas acheter les puces les plus récentes et les plus performantes auprès d'entreprises américaines comme NVIDIA ou AMD. Par conséquent, ils expérimentent avec l'Ascend 910C.
Le cloud de Huawei héberge les models DeepSeek, et un chercheur de DeepSeek affirme qu'il peut atteindre 60% des performances d'inférence du NVIDIA H100. 39
Quels fournisseurs d'IA cloud produisent leurs propres puces ?
Ces fournisseurs ne disposent pas de clouds publics avec des capacités complètes comme les hyperscalers. Ils fournissent des services cloud limités, généralement axés sur l'inférence d'IA. Nous avons pu nous inscrire à ces services sans parler aux équipes commerciales :
9. Groq
Groq a été fondé par d'anciens employés de Google. L'entreprise représente les LPU, un nouveau modèle d'architecture de puce d'IA, qui vise à faciliter l'adoption de leurs systèmes par les entreprises. La startup a déjà levé environ 350 millions de dollars et produit ses premiers modèles, tels que le processeur GroqChip™, l'accélérateur GroqCard™, etc.
L'entreprise se concentre sur l'inférence de LLM et a publié des benchmarks pour le Llama-2 70B.40
Récemment, Groq a obtenu un engagement d'investissement significatif de 1.5 milliard de dollars de l'Arabie saoudite pour étendre la livraison de ses puces d'IA avancées dans le pays. Cet investissement servira à agrandir le centre de données existant de Groq à Dammam, en Arabie saoudite, construit en partenariat avec Aramco Digital.41
Au premier trimestre 2024, l'entreprise a annoncé que 70k développeurs s'étaient inscrits sur sa plateforme cloud et avaient construit 19k nouvelles applications.42
Le 1er mars 2022, Groq a acquis Maxeler, qui dispose de solutions de calcul haute performance (HPC) pour les services financiers.43
10. SambaNova Systems
SambaNova Systems a été fondée en 2017 pour développer des systèmes matériels et logiciels haute performance et haute précision pour les charges de travail d'IA générative à haut volume. L'entreprise a levé plus de 1.5 milliards de dollars de financement total, y compris un tour de table de série E de 350 millions de dollars en février 2026.44
En février 2026, SambaNova a dévoilé la puce SN50, sa dernière unité de données reconfigurable (RDU), revendiquant une vitesse maximale 5x plus rapide que les puces concurrentes et un coût total de possession 3x inférieur par rapport aux GPU pour les charges de travail d'IA agentique. Le SN50 offre 5x plus de calcul par accélérateur et 4x plus de bande passante réseau que la génération précédente SN40L, et prend en charge une architecture de mémoire à trois niveaux pour des modèles de plus de 10 trillions de paramètres et des longueurs de contexte de plus de 10 millions de tokens.45
SoftBank Corp. sera le premier client à déployer le SN50 dans ses centres de données d'IA de nouvelle génération au Japon.
SambaNova a également annoncé une collaboration stratégique pluriannuelle prévue avec Intel pour fournir des solutions d'inférence d'IA, combinant les systèmes de SambaNova avec les processeurs Intel Xeon, les Intel GPU et le réseau Intel pour alimenter une infrastructure d'inférence évolutive comme alternative aux solutions centrées sur les GPU.
SambaNova Systems loue sa plateforme aux entreprises via SambaCloud. Cette approche de plateforme d'IA en tant que service rend leurs systèmes plus faciles à adopter et encourage la réutilisation du matériel pour l'économie circulaire.46
Quelles sont les principales startups de puces d'IA ?
Nous aimerions également présenter quelques startups de l'industrie des puces d'IA dont nous pourrions entendre parler plus souvent dans un avenir proche.
11. Cerebras
Cerebras a été fondée en 2015 et est le seul fabricant de puces majeur à se concentrer sur les puces à l'échelle de la plaquette. 47 Les puces à l'échelle de la plaquette présentent des avantages en termes de parallélisme par rapport aux GPU, grâce à leur bande passante mémoire plus élevée. Cependant, la conception et la fabrication de telles puces sont une technologie émergente.
Les puces Cerebras incluent :
- WSE-1 avec 1.2 trillion de transistors et 400k cœurs de traitement.
- WSE-2, avec 2.6 trillions de transistors et 850k cœurs, annoncé en avril 2021. Il utilisait le procédé 7nm de TSMC.
- WSE-3, doté de 4 trillions de transistors et 900k cœurs d'IA, a été annoncé en mars 2024. Il utilise le procédé 5nm de TSMC.48
Le système de Cerebras fonctionne avec des sociétés pharmaceutiques telles qu'AstraZeneca et GlaxoSmithKline et des laboratoires de recherche qui s'y fient pour des simulations. Il cible également les créateurs de LLM car ses puces peuvent réduire les coûts d'inférence pour les modèles de pointe.
Cerebras propose également ses puces sur son cloud aux entreprises.
12. d-Matrix
d-Matrix suit une approche novatrice, abandonnant l'architecture traditionnelle de von Neumann au profit du calcul en mémoire. Bien que cette approche ait le potentiel de résoudre le goulot d'étranglement entre la mémoire et le calcul, elle est nouvelle et non éprouvée. En novembre 2025, d-Matrix a levé 275M$ lors d'une série C codirigée par Bullhound Capital, Triatomic Capital et Temasek, avec la participation de M12 de Microsoft en tant qu'investisseur de suivi, valorisant l'entreprise à 2 milliards de dollars.49 50
En juin 2026, d-Matrix est entré en production de puces à grande échelle avec sa plateforme d'inférence d'IA Corsair, basée sur une architecture de chiplet de calcul en mémoire SRAM, des tests indépendants démontrant une amélioration de vitesse de plus de 10x par rapport aux alternatives GPU uniquement pour les charges de travail d'inférence d'IA.51
13. Rebellions
Une startup basée en Corée a levé 124M$ en 2024 et se concentre sur l'inférence de LLM.52
Rebellions a fusionné avec une autre entreprise coréenne de conception de semi-conducteurs, SAPEON, et a atteint une valorisation de licorne en 2024.53
En juillet 2025, Rebellions a obtenu un investissement du géant technologique Samsung dans le cadre d'un tour de financement visant jusqu'à 200 millions de dollars, avant une introduction en bourse (IPO) prévue. L'entreprise a levé 220 millions de dollars depuis sa création en 2020 et collabore avec Samsung pour commercialiser sa puce de deuxième génération, Rebel-Quad (composée de quatre puces d'IA Rebel), plus tard en 2025, en tirant parti du procédé de fabrication 4 nanomètres de Samsung. 54
14. Tenstorrent
Le dernier processeur Blackhole Tensix de Tenstorrent offre 664 TFLOPS (BLOCKFP8) de performance, associé à 32GB de mémoire GDDR6 et une bande passante mémoire de 512 GB/s.
La carte P150a est proposée à 1,399$ et dispose de quatre ports QSFP-DD 800G pour une mise à l'échelle multi-cartes. Le modèle d'entrée de gamme P100a commence à 999$.55
Tenstorrent propose une pile logicielle entièrement open source. L'entreprise a levé 700M$ à une valorisation de plus de 2.6 milliards de dollars auprès d'investisseurs, dont Jeff Bezos, en décembre 2024. 56
15. Positron
Positron a été fondée en 2023 et se concentre exclusivement sur l'inférence de modèles de transformateur. L'entreprise adopte une approche ASIC, en construisant du matériel spécifiquement optimisé pour les architectures de transformateur plutôt que pour le calcul GPU à usage général.
Produits :
- Atlas (expédié actuellement) : Un serveur d'inférence de transformateur doté de 8x accélérateurs de transformateur Positron Archer avec 256 Go de HBM totale. L'entreprise revendique une performance par watt >4x et une performance par dollar >3x par rapport aux systèmes NVIDIA Hopper, établie sur le benchmark de Llama 3.1 8B avec un calcul BF16.57
- Titan (à venir en 2027) : Un système de nouvelle génération avec plus de 8 To de mémoire alimenté par 4x puces personnalisées Asimov, conçu pour prendre en charge des modèles allant jusqu'à 16 trillions de paramètres et des fenêtres de contexte de plus de 10 millions de tokens dans un format 4U refroidi par air.58
- Asimov (à venir en 2027) : Silicon d'accélérateur d'inférence personnalisé avec plus de 2 To de mémoire par puce.
Positron a levé un tour de série B de plus de 230M+ début 2026 avec des investisseurs incluant QIA, Arm Holdings, Arena et Jump Trading.59
Atlas est actuellement utilisé par des entreprises de réseaux, de jeux, de modération de contenu, de CDN et de Token-as-a-Service. Positron affirme que son système Atlas a démontré une latence de bout en bout 3x inférieure pour les charges de travail d'inférence de trading par rapport aux systèmes H100 comparables, tout en consommant un tiers de la puissance.
Les puces de Positron sont conçues, fabriquées et assemblées aux États-Unis.
16. _etched
Leur approche sacrifie la flexibilité au profit de l'efficacité en gravant l'architecture du transformateur dans leurs puces.
L'équipe affirme :
- Sohu a construit le premier ASIC de transformateur au monde.
- Ces 8 puces Sohu peuvent générer >500,000 tokens/seconde. C'est un ordre de grandeur supérieur à ce que 8 NVIDIA B200 peuvent atteindre.
Actuellement, ces éléments sont basés sur les mesures internes de l'équipe. Les équipes d'AIMultiple n'ont pas encore rencontré de benchmarks ou de références clients. Nous sommes curieux de savoir :
- Que se passe-t-il lorsque le modèle devient obsolète ? Les utilisateurs doivent-ils acheter une nouvelle puce, ou l'ancienne puce peut-elle être reconfigurée avec le modèle suivant ?
- Comment ont-ils exécuté leur benchmark ? Quelle quantification et quel modèle ont été utilisés ?
Nous mettrons à jour dès que l'équipe _etched publiera plus de détails. Il sera intéressant de voir si graver des modèles sur des puces sera durable, compte tenu de la sortie de nouveaux modèles tous les quelques mois.
17. Taalas
Taalas a été fondée début 2023 et adopte l'approche la plus extrême de la spécialisation des puces d'IA : câbler directement des modèles individuels dans du silicium personnalisé, produisant ce que l'entreprise appelle des "Hardcore Models".60 L'entreprise affirme pouvoir transformer n'importe quel modèle d'IA jamais vu en silicium personnalisé en deux mois.
L'architecture de Taalas unifie le stockage et le calcul sur une seule puce à une densité de niveau DRAM, éliminant le besoin de HBM, d'emballage avancé, d'empilement 3D, de refroidissement liquide ou d'E/S à haute vitesse. L'entreprise décrit cela comme une simplification radicale de la pile matérielle.
Produits :
- HC1 (disponible maintenant) : Un démonstrateur technologique câblé avec Llama 3.1 8B, construit sur le processus 6nm de TSMC avec 53 milliards de transistors. Taalas revendique 17,000 tokens par seconde par utilisateur, ce qui, selon elle, est près de 10x plus rapide que l'état de l'art actuel, tout en coûtant 20x moins cher à construire et en consommant 10x moins d'énergie dans un serveur refroidi par air de 2.5 kW. Cependant, le modèle utilise une quantification personnalisée agressive en 3 bits et 6 bits, ce qui introduit des dégradations de qualité par rapport aux bases GPU.61
- HC2 (prévu) : Une plateforme de deuxième génération avec une densité plus élevée, une exécution plus rapide et des formats en virgule flottante standard sur 4 bits pour répondre aux limitations de quantification du HC1.
Taalas a levé plus de 200 millions de dollars mais déclare n'avoir dépensé que 30 millions de dollars pour commercialiser son premier produit avec une équipe de 24 personnes.
18. Extropic
Extropic a levé un tour de 14M$ fin 2023 pour utiliser la thermodynamique dans le calcul. L'entreprise n'a pas encore sorti de puce.
19. Vaire
Vaire est une startup basée au Royaume-Uni qui est pionnière dans le calcul réversible, une approche innovante visant à créer des puces à énergie quasi nulle. Contrairement au calcul traditionnel, où l'énergie est perdue sous forme de chaleur, le calcul réversible recycle une partie importante de l'énergie pour les calculs ultérieurs.
Vaire a démontré une puce de test capable de récupérer 50% de son énergie, montrant le potentiel de la technologie à réduire la consommation d'énergie des charges de travail d'IA et à contourner les limitations physiques, ou mur thermique, qui défient la fabrication moderne de semi-conducteurs. 62
20. Fractile
Fractile est une startup britannique de puces d'inférence d'IA qui est sortie de l'ombre en juillet 2024 avec 15 millions de dollars de financement pour défier NVIDIA sur l'inférence de modèles de pointe.63
L'entreprise construit des processeurs qui entrelacent physiquement la mémoire et le calcul sur la même puce, ce qui, selon elle, résout l'exigence simultanée de faible latence et de haut débit que les GPU ne peuvent pas satisfaire pour l'inférence de modèles de pointe. Fractile affirme que sa conception peut exécuter des modèles de pointe jusqu'à 25x plus rapidement et à 1/10th du coût des solutions existantes, avec l'objectif de servir des milliers de tokens par seconde à des milliers d'utilisateurs simultanés.
Fractile a son siège à Londres avec une ingénierie matérielle à Bristol, et a été présentée par le Financial Times en mars 2025 comme faisant partie d'une vague de startups axées sur l'inférence défiant la domination de NVIDIA.64
Ajouter comme source préféréeQuels sont les producteurs de matériel d'IA à venir ?
Bien qu'il s'agisse de solutions matérielles d'IA convaincantes, il existe actuellement peu de benchmarks sur leur efficacité car ce sont de nouveaux arrivants sur le marché.
21. Apple
Le projet ACDC d'Apple serait axé sur la construction de puces pour l'inférence d'IA dans les centres de données, avec une production de masse prévue au deuxième semestre 2026.65 Apple est déjà un concepteur de puces majeur avec ses semi-conducteurs conçus en interne utilisés dans les iPhones, iPads et MacBooks. Apple renforce sa stratégie d'IA sur appareil avec le framework Core IA, qui exécute des modèles entièrement sur le silicium Apple sans dépendance de serveur, soutenu par un dépôt open source de modèles Core IA sur GitHub.66 67
22. Meta
Meta Training and Inference Accelerator (MTIA) est une famille de processeurs pour les charges de travail d'IA telles que l'entraînement des modèles LLaMa de Meta.
Le dernier modèle MTIA, Next Gen MTIA, est basé sur la technologie 5nm de TSMC et revendique 3x les performances du MTIA v1. Le MTIA sera hébergé dans des racks contenant jusqu'à 72 accélérateurs.68
MTIA est actuellement destiné à l'usage interne de Meta. Cependant, à l'avenir, si Meta lançait une offre d'IA générative d'entreprise basée sur LLaMa, ces puces pourraient alimenter une telle offre.
23. Microsoft Azure
À Hot Chips 2024, Microsoft a dévoilé Maia 100, son premier accélérateur d'IA personnalisé conçu pour optimiser les charges de travail d'IA à grande échelle dans Azure grâce à une co-optimisation matérielle et logicielle. Construit sur le procédé N5 de TSMC avec une technologie avancée de mémoire et d'interconnexion, Maia 100 cible un haut débit et des formats de données diversifiés, offrant aux développeurs une flexibilité via son SDK pour un déploiement rapide de modèles PyTorch et Triton. Microsoft a lancé Maia 200 (nom de code Braga) le 26 janvier 2026, en tant qu'accélérateur d'IA axé sur l'inférence pour Azure, conçu pour réduire les coûts de token d'IA et offrir des performances par dollar 30% meilleures par rapport aux systèmes existants.69
24. OpenAI
OpenAI finalise la conception de sa première puce d'IA avec Broadcom et TSMC en utilisant la technologie 3 nanomètres de TSMC. L'équipe de direction de l'équipe puce d'OpenAI a de l'expérience dans la conception de TPU chez Google, et elle vise à faire produire sa puce en masse en 2026. La puce Project Titan d'OpenAI, co-développée avec Broadcom et fabriquée sur le processus 3nm de TSMC, est en bonne voie pour une production de masse au deuxième semestre 2026.70 71
Samsung a conclu un accord pour fournir de la mémoire HBM4 pour la puce Titan, allouant prétendument plus de 50% de sa capacité de fonderie de Pyeongtaek aux dies de base HBM4 à cette fin.72 OpenAI et Broadcom ont annoncé la puce d'inférence Jalapeño, une collaboration stratégique d'environ 10 milliards de dollars visant 10 GW de calcul d'IA déployé d'ici 2029 pour réduire la dépendance d'OpenAI envers NVIDIA.73
Quels sont les autres producteurs de puces d'IA ?
25. Graphcore
Graphcore est une entreprise britannique fondée en 2016. L'entreprise a annoncé sa puce d'IA phare, l'IPU-POD256. Graphcore a déjà été financée à hauteur d'environ 700 millions de dollars.
L'entreprise a des partenariats stratégiques avec des sociétés de stockage de données comme DDN, Pure Storage et Vast Data. Les puces d'IA de Graphcore servent des instituts de recherche tels que l'Oxford-Man Institute of Quantitative Finance, l'Université de Bristol et l'Université de Californie à Berkeley.
La viabilité à long terme de l'entreprise était menacée car elle perdait environ 200M$ par an.74 Graphcore a été acquise par SoftBank pour plus de 600 millions de dollars en octobre 2024.75
26. Mythic
Mythic a été fondée en 2012 et se concentre sur l'IA en périphérie. Mythic suit une voie non conventionnelle, une architecture de calcul analogique, qui vise à fournir un calcul d'IA en périphérie économe en énergie.
Elle a développé des produits tels que le M1076 AMP et la carte clé MM1076, et a déjà levé environ 165 millions de dollars de financement.76
Mythic a licencié la plupart de son personnel et restructuré ses activités avec son tour de financement en mars 2023.77
27. Speedata
Fondée en 2019 à Tel Aviv, Speedata développe une unité de traitement analytique (APU) conçue pour accélérer les charges de travail d'analyse de données massives et d'IA. C'est un APU qui cible les charges de travail Apache Spark, avec des plans pour prendre en charge d'autres plateformes majeures d'analyse de données.
Speedata a levé 44M$ lors d'un tour de série B en juin 2025, mené par Walden Catalyst Ventures, 83North et d'autres, portant son financement total à 114M$. L'entreprise affirme que son APU surpasse les processeurs à usage général et les GPU en remplaçant des racks de serveurs par une seule puce, offrant des performances et une efficacité énergétique supérieures pour le traitement des données.78
28. Axelera IA
Fondée en juillet 2021 à Eindhoven, aux Pays-Bas, Axelera IA se spécialise dans la technologie d'accélération matérielle d'IA pour la vision par ordinateur et l'IA générative. L'entreprise développe Titania, un chiplet d'inférence d'IA basé sur son architecture de calcul en mémoire numérique (D-IMC), conçu pour accélérer les charges de travail d'IA de la périphérie au cloud.
Axelera IA a obtenu jusqu'à 61.6 millions d'euros de financement de l'entreprise commune EuroHPC (JU) et des États membres dans le cadre du projet DARE en mars 2025, après un précédent tour de financement de série B de 68 millions de dollars. Cela porte leur financement total à plus de 200 millions de dollars en trois ans. Axelera IA vise à déployer Titania d'ici 2028 pour répondre à la demande croissante de solutions d'IA performantes, rentables et durables, en mettant l'accent sur sa capacité à améliorer le débit et l'efficacité par rapport aux solutions cloud traditionnelles.79
Partenaires de fonderie et rôle de TSMC
En tant que première fonderie pure-play au monde, TSMC fabrique des semi-conducteurs basés sur les conceptions des clients plutôt que de créer ses propres puces, ce qui la distingue d'entreprises comme NVIDIA et AMD. Bien que Samsung Foundry et Intel Foundry Services soient en concurrence dans cet espace, TSMC conserve une avance technologique.
Ses technologies de procédés avancés, en particulier ses nœuds pionniers 5nm et 3nm, offrent la combinaison essentielle de performance et d'efficacité énergétique requise pour les applications d'IA de pointe, comme le montrent ses partenariats de fabrication avec les concepteurs de puces d'IA listés ci-dessous :
Plans d'expansion
TSMC cherche à ce que Nvidia, AMD, Broadcom et Qualcomm investissent dans une coentreprise pour gérer la division fonderie d'Intel, en conservant le contrôle opérationnel mais moins de 50% de propriété. Cette initiative, soutenue par l'administration Trump, intervient après que TSMC a annoncé des plans pour un investissement important aux États-Unis et vise à relancer Intel et à renforcer la fabrication de puces américaine. L'accord se heurte à des défis en raison de différences de procédés mais s'appuie sur les forces de TSMC en tant que fonderie de premier plan.80 81
Quels sont les fabricants de puces d'IA en Chine ?
En raison des sanctions américaines empêchant de nombreuses entreprises chinoises d'acquérir les puces d'IA les plus avancées d'AMD et de NVIDIA, les acheteurs chinois ont augmenté leurs achats auprès de producteurs locaux.
Outre Huawei et Alibaba couverts ci-dessus, voici les principaux producteurs de puces d'IA en Chine :
- Cambricon se concentre sur le matériel d'IA et prévoit environ 150M$ de ventes lors de son dernier exercice. 82
- Baidu utilise des puces Kunlun dans son cloud et conçoit la puce de 3rd génération. Kunlun 2 était comparable au NVIDIA A100.
- Biren, fondée par d'anciens de NVIDIA, produit les puces GPU BR106 & BR110.
- Moore Threads produit les GPU MTT S2000.
FAQ
Les puces et l'équipement qui les construit sont les machines les plus complexes jamais construites par l'homme. Bien qu'il existe de nombreuses entreprises dans l'écosystème des semi-conducteurs, nous nous sommes concentrés sur les concepteurs de puces comme NVIDIA dans cet article.
La plupart des concepteurs de puces externalisent la fabrication de puces à des fonderies comme TSMC. Les fonderies utilisent des équipements de lithographie produits par des entreprises comme ASML pour fabriquer ces puces. L'écosystème est soutenu par des fournisseurs comme Arm et Synopsys qui fournissent de la propriété intellectuelle et des outils de conception.
Comme on le voit ci-dessus, un nombre croissant de paramètres, la taille du dataset et la puissance de calcul ont conduit les modèles d'IA générative à devenir plus précis. Pour construire de meilleurs modèles de deep learning et alimenter les applications d'IA générative, les organisations ont besoin d'une puissance de calcul et d'une bande passante mémoire accrues.
Les puces à usage général puissantes (telles que les CPU) ne peuvent pas prendre en charge les modèles de deep learning hautement parallélisés. Par conséquent, les puces d'IA (par exemple, les GPU) qui permettent des capacités de calcul parallèle sont de plus en plus demandées.
Les hyperscalers répondent à cela en concevant leurs propres puces, un processus qui prend des années. Les autres doivent suivre l'une de ces voies pour construire leurs propres modèles d'IA : louer de la capacité auprès de fournisseurs de cloud GPU ou acheter du matériel auprès des principaux fournisseurs de puces d'IA listés dans cet article.
Le matériel d'IA est également appelé unités de traitement neuronal (NPU), accélérateurs d'IA ou processeurs de deep learning (DLP).
Lectures complémentaires
Pour des comparaisons pratiques de performances des puces couvertes dans cet article, consultez nos benchmarks :
- Benchmark multi-GPU : Comment les B200, H200, H100 de NVIDIA et le MI300X d'AMD évoluent sur des configurations de 1, 2, 4 et 8-GPU pour l'inférence de LLM, avec une analyse du débit, de la latence et du coût par token.
- Benchmark de concurrence GPU : Comment les B200, H200, H100 de NVIDIA et le MI300X d'AMD gèrent de 1 à 512 requêtes simultanées, y compris le débit du système, la vitesse par requête, la latence de bout en bout et les tokens par dollar à chaque niveau de concurrence.
Références
Citer cette recherche
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem},
title = {{Top 25+ fabricants de puces d'IA: NVIDIA & ses concurrents}},
year = {2026},
month = jun,
howpublished = {\url{https://aimultiple.com/ai-chip-makers}},
note = {AIMultiple. Consulté le 25 Juin 2026}
}Liens de référence
Commentaires 2
Partagez vos idées
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.
You forgot to include Tesla with their DOJO supercomputer. From the ground-up, the supercomputer was specifically designed for machine learning and image recognition - which means that every component was designed for it including, but not limited to, PCI board design, CPU, RAM, cooling, power, scalable hardware design and software. If I'm not mistaken, the AI is also the second most widely tested and used in the "wild", just below that of Google due to Google using it in their Search.
Thank you for your feedback, Dave! Here we are only covering companies that sell the chips that they produce. Therefore, companies like Tesla that build supercomputers for their own use or companies that embed chips in their products are out of our scope.
surprised that brainchip (akida) missing in this report. any reasons?
All included companies here raised $100+M. Last time we collected the data, that wasn't the case for akida. Why don't you reach out to us at info@aimultiple.com and let's discuss why it should be included. Thank you!