DeepSeek et Huawei veulent rendre les puces Ascend plus simples à programmer. Leur cible n’est donc pas seulement le matériel de Nvidia, mais l’écosystème logiciel qui rend CUDA si difficile à quitter.
Trois repères pour entrer dans l’analyse sans perdre le fil.
01
Une puce très puissante peut rester difficile à utiliser
Tu peux acheter un four professionnel capable de cuire cent pains par heure.
02
Pourquoi CUDA compte autant
Un développeur qui travaille sur l’IA ne repart pas de zéro chaque matin.
03
L’effet ressemble à WhatsApp
Supposons qu’une nouvelle application de messagerie soit objectivement meilleure que WhatsApp.
Imagine une usine qui utilise depuis quinze ans les machines d’un même fabricant.
Les machines sont puissantes, mais ce n’est pas tout.
Les techniciens ont été formés dessus. Les pièces détachées sont disponibles. Les manuels existent. Les procédures internes ont été écrites autour. Les logiciels de maintenance les connaissent. Les nouveaux employés apprennent à les utiliser dès leur arrivée.
Un concurrent arrive alors avec une machine moins chère et peut-être même plus rapide.
Sur le papier, le choix semble facile.
Dans la vraie vie, changer de machine signifie aussi reformer les équipes, réécrire les procédures, remplacer certains outils et accepter plusieurs mois d’incertitude.
C’est une bonne manière de comprendre la position de Nvidia dans l’intelligence artificielle.
Ses GPU comptent énormément.
Mais une partie de sa force se trouve dans tout ce qui s’est construit autour.
Le 30 septembre 2026, DeepSeek a annoncé travailler avec Huawei sur des outils de programmation destinés aux puces Ascend. L’entreprise chinoise ouvre notamment des briques logicielles et pousse TileLang, un langage de haut niveau conçu pour rendre la programmation des accélérateurs plus simple.
La cible est claire : réduire la dépendance à l’écosystème Nvidia.
Et c’est précisément ce mot, « écosystème », qui rend l’histoire plus intéressante qu’une simple bataille de puces.
Une puce très puissante peut rester difficile à utiliser
Prenons un exemple loin de l’informatique.
Tu peux acheter un four professionnel capable de cuire cent pains par heure.
Si personne dans ta boulangerie ne sait le régler, si les recettes sont adaptées à un autre four et si les pièces de rechange sont introuvables, sa puissance théorique ne te sert pas beaucoup.
Une puce d’IA fonctionne de façon comparable.
Elle peut effectuer énormément de calculs.
Mais les développeurs ont besoin d’outils pour lui dire quoi calculer, organiser les données, répartir les tâches, corriger les erreurs et exploiter toute sa puissance sans écrire chaque opération à la main.
CUDA sert précisément à cela.
CUDA est la plateforme logicielle que Nvidia développe depuis 2006 pour permettre aux programmeurs d’utiliser ses GPU pour des calculs autres que l’affichage graphique.
Dit plus simplement : Nvidia ne vend pas seulement le moteur. Elle fournit aussi le volant, les pédales, les outils du garage, les manuels et une grande partie des habitudes de conduite.
Pourquoi CUDA compte autant
Un développeur qui travaille sur l’IA ne repart pas de zéro chaque matin.
Il utilise des bibliothèques, des frameworks, des exemples, des outils de débogage, des pilotes et du code écrit par d’autres.
Pendant des années, beaucoup de ces outils ont été optimisés pour les GPU Nvidia.
Nvidia affirme aujourd’hui que plus de quatre millions de développeurs utilisent ses technologies de calcul accéléré et que plus de 40 000 entreprises utilisent ses technologies d’IA.
Ces chiffres viennent de Nvidia elle-même, donc ils décrivent son écosystème selon sa propre mesure.
Mais ils montrent l’échelle du phénomène.
Plus une technologie est utilisée, plus des formations, des logiciels, des tutoriels et des compétences apparaissent autour.
Puis ces ressources rendent la technologie encore plus facile à adopter.
C’est un cercle qui peut devenir très puissant.
L’effet ressemble à WhatsApp
Supposons qu’une nouvelle application de messagerie soit objectivement meilleure que WhatsApp.
Elle est plus rapide, plus sûre et consomme moins de données.
Tu l’installes.
Mais aucun de tes amis, aucun collègue et aucun membre de ta famille ne l’utilise.
Son avantage technique ne suffit plus.
La valeur de WhatsApp vient aussi du fait que tout le monde y est déjà.
On appelle cela un effet de réseau.
CUDA n’est pas un réseau social, mais l’idée permet de comprendre une partie de sa force.
Un développeur choisit aussi un environnement parce qu’il y trouve des bibliothèques, des collègues qui connaissent le système, des réponses à ses problèmes et des outils déjà compatibles.
Chaque nouvel utilisateur enrichit indirectement l’écosystème.
Le coût de changement peut être plus important que le prix de la puce
Imagine une entreprise qui trouve une banque avec des frais moins élevés.
Changer semble rationnel.
Mais tous les salaires arrivent sur l’ancien compte. Les prélèvements automatiques y sont configurés. Les fournisseurs connaissent les coordonnées bancaires. Les crédits sont liés à cette banque. La comptabilité a ses habitudes.
Le coût réel du changement n’est donc pas seulement le nouveau tarif.
Il faut compter le temps, le risque et le travail nécessaires pour migrer.
Dans l’IA, une entreprise peut avoir des milliers de lignes de code optimisées pour CUDA.
Ses ingénieurs connaissent les outils Nvidia.
Ses modèles ont été testés sur cette infrastructure.
Ses procédures de déploiement et de supervision ont été construites autour.
Une puce concurrente peut être intéressante, mais elle doit compenser ce coût de migration.
C’est pour cela que la bataille ne se gagne pas uniquement avec un benchmark.
DeepSeek et Huawei attaquent justement ce problème
Selon Reuters, DeepSeek et Huawei travaillent sur des outils destinés à faciliter la programmation des processeurs Ascend.
DeepSeek a notamment annoncé l’ouverture de briques d’infrastructure et met en avant TileLang comme langage de haut niveau.
TileLang cherche à permettre aux développeurs d’écrire des opérations performantes avec une syntaxe plus simple, tandis qu’une variante dédiée à Ascend existe déjà publiquement.
Le message est important.
Huawei ne peut pas seulement dire : « notre puce est rapide ».
Il faut aussi pouvoir dire : « votre équipe peut réellement l’utiliser sans réécrire son monde ».
C’est un défi beaucoup plus large.
Huawei ne part pas de zéro : il construit déjà sa propre boîte à outils
Il serait trompeur de présenter Ascend comme une puce isolée en attente d’un logiciel.
Huawei développe CANN, pour Compute Architecture for Neural Networks. C’est la couche logicielle destinée à faire fonctionner les charges d’IA sur les processeurs Ascend. La documentation officielle indique qu’elle prend en charge des frameworks comme MindSpore, PyTorch et TensorFlow, avec des outils pour développer et optimiser des opérations sur le matériel.
Huawei essaie donc déjà de construire l’équivalent de l’atelier autour de la machine.
Un détail est particulièrement révélateur. Dans sa propre documentation destinée aux fabricants de nouveaux accélérateurs, PyTorch utilise Ascend NPU comme exemple pour montrer comment un matériel externe peut être intégré au framework. PyTorch a d’ailleurs renforcé depuis 2025 ses mécanismes permettant d’ajouter des accélérateurs sans modifier tout le cœur du projet.
C’est important parce que la bataille peut se déplacer. Si un développeur continue à écrire son modèle dans PyTorch, tandis que la couche située dessous devient plus facilement remplaçable, changer de fournisseur matériel devient moins douloureux.
DeepSeek, TileLang, CANN et les mécanismes d’intégration de PyTorch ne font donc pas disparaître CUDA demain matin. Ils attaquent progressivement la partie la plus difficile du verrouillage : les habitudes et la compatibilité.
Une route peut être excellente et pourtant rester vide
Une nouvelle autoroute peut être plus rapide que l’ancienne.
Mais si les stations-service, les garages, les entrepôts et les zones industrielles se trouvent encore sur l’ancienne route, les transporteurs ne changent pas tous immédiatement d’itinéraire.
L’écosystème logiciel produit le même type d’inertie.
Cette inertie est parfois appelée dépendance au sentier, ou path dependence.
Les décisions prises hier changent le coût des décisions de demain.
Ce n’est pas forcément mauvais.
La standardisation évite de réinventer les mêmes choses et permet aux équipes de travailler plus vite.
Mais elle peut aussi donner énormément de pouvoir à celui qui possède le standard dominant.
Windows a déjà montré que le logiciel peut protéger le matériel
Pendant des décennies, le choix d’un ordinateur professionnel ne dépendait pas uniquement de la qualité du processeur ou du boîtier.
Les entreprises demandaient surtout : est-ce que nos logiciels fonctionnent dessus ?
Cette question a longtemps renforcé l’écosystème Windows.
Ce mécanisme n’est pas seulement une métaphore rétrospective. Dans les constatations de fait du procès antitrust américain contre Microsoft, la justice décrivait explicitement un effet de réseau : une grande base d’utilisateurs attirait davantage de développeurs d’applications, puis ce catalogue d’applications rendait Windows encore plus attractif pour les utilisateurs. Le coût de porter des logiciels vers un autre système renforçait cette barrière.
Un système alternatif pouvait être très performant, mais si l’application comptable, le logiciel métier ou le pilote d’une imprimante ne fonctionnait pas, le changement devenait compliqué.
Ce précédent aide à comprendre Nvidia.
Le matériel attire l’attention parce qu’il est facile à mesurer.
On peut comparer le nombre de puces, la mémoire, la consommation électrique ou les performances.
L’écosystème est moins spectaculaire.
Pourtant, c’est souvent lui qui transforme un achat technique en dépendance durable.
Cela ne veut pas dire que CUDA est impossible à remplacer
Les écosystèmes dominants ne sont pas éternels.
Les développeurs utilisent de plus en plus des couches d’abstraction qui peuvent cacher une partie du matériel sous-jacent.
Les frameworks peuvent ajouter de nouveaux backends.
Les compilateurs peuvent traduire du code vers plusieurs architectures.
Les grandes entreprises peuvent aussi accepter de payer le coût d’une migration lorsqu’un avantage stratégique devient suffisamment important.
La Chine a en plus une motivation particulière : les restrictions américaines sur l’accès aux puces avancées renforcent l’intérêt de construire une chaîne technologique moins dépendante des fournisseurs américains.
Cela crée un marché suffisamment grand pour financer des alternatives.
Mais construire un écosystème prend du temps.
Il faut convaincre les développeurs, stabiliser les outils, documenter les erreurs, optimiser les bibliothèques et prouver que le système fonctionne sur des milliers de cas réels.
CUDA pourrait être affaibli sans être remplacé
C’est un point important.
Pour battre un standard dominant, il n’est pas toujours nécessaire de construire exactement la même chose.
Parfois, il suffit de rendre le standard moins visible.
Imagine les cartes bancaires.
Le client n’a pas besoin de comprendre les réseaux, les banques acquéreuses et les protocoles derrière un paiement sans contact.
L’interface cache la complexité.
Dans l’IA, des frameworks, compilateurs ou langages de plus haut niveau peuvent progressivement permettre au développeur d’écrire son code sans penser constamment à la marque du GPU.
Si cette abstraction devient réellement efficace, le pouvoir peut se déplacer.
La question ne serait plus : « Est-ce que mon code est écrit pour CUDA ? »
Elle deviendrait : « Sur quelle puce mon outil peut-il exécuter ce code au meilleur coût ? »
C’est ce futur que Huawei et d’autres concurrents ont intérêt à construire.
Pour l’Afrique, cette bataille est aussi une leçon de stratégie industrielle
L’histoire Nvidia contre Huawei peut sembler lointaine.
Elle ne l’est pas complètement.
Les pays africains parlent souvent de créer leurs propres plateformes, clouds, modèles ou services numériques.
Mais l’exemple de CUDA rappelle une chose simple : posséder un produit ne suffit pas.
Il faut construire l’environnement qui rend ce produit utile.
Une plateforme locale sans documentation, sans communauté, sans intégrateurs et sans outils faciles à utiliser peut rester vide.
À l’inverse, une technologie étrangère peut devenir presque impossible à remplacer parce que des milliers d’acteurs locaux ont construit leur travail autour.
La dépendance technologique ne commence donc pas seulement lorsque nous importons une machine.
Elle commence parfois lorsque nous accumulons assez d’habitudes autour d’elle pour que partir devienne coûteux.
La force de Nvidia tient donc à deux choses
Il y a les puces.
Elles restent au centre de l’histoire et leur avance technologique compte énormément.
Mais il y a aussi le terrain construit autour : CUDA, les bibliothèques, les outils, les développeurs, les formations, les logiciels compatibles et des années de code déjà écrit.
DeepSeek et Huawei semblent avoir compris que la deuxième bataille est aussi importante que la première.
S’ils veulent réduire la dépendance à Nvidia, ils doivent rendre les alternatives non seulement performantes, mais confortables.
Le test ne sera donc pas simplement : « Ascend peut-elle aller aussi vite ? »
Il sera : « Une équipe qui travaille aujourd’hui avec Nvidia peut-elle changer sans avoir l’impression de reconstruire son usine ? »
Une grande partie du pouvoir de CUDA se joue là.
Sources et méthode
Les faits susceptibles d'évoluer ont été revérifiés dans les sources ci-dessous. Les observations et interprétations sont présentées comme telles dans l'article.
Et si le meilleur moyen d’apprendre l’IA était de commencer par une corvée réelle ? Une réflexion sur l’usage, l’apprentissage, le jugement et le vrai “wow” de l’intelligence artificielle.
Cloudflare a corrigé une faille cross-tenant dans Containers et Sandboxes. Voici ce qui s’est passé, pourquoi le stockage était en cause et ce que les équipes cloud doivent en retenir.
Nvidia : sa vraie force n’est pas seulement ses puces | Trigenys Insights
