Huawei a consacré les neuf derniers mois à transformer ses projets de puces IA en un calendrier précis. Lors de Huawei Connect, en septembre dernier, l’entreprise a publié une feuille de route couvrant quatre puces Ascend ; lors de la conférence Huawei Cloud INSPIRE Creators, en juin de cette année, elle a fixé une date précise pour la partie la plus critique de ce plan. L’Ascend 950DT, membre de la famille 950 dédié à l’entraînement et au décodage, sera disponible sur Huawei Cloud en août 2026, avec un lancement commercial complet au quatrième trimestre. Le vice-président de la société, Chen Lin, a résumé ce rythme comme suit : « Une génération par an, avec un doublement de la puissance de calcul. »
Tel est le discours officiel. Cet article examine dans quelle mesure il repose sur des faits avérés. Nous passerons en revue la feuille de route des puces et leurs caractéristiques réelles, les modèles openPangu entraînés sur les Ascend, l’initiative open source prévue pour la fin d’année autour de CANN et de la chaîne d’outils Mind, ainsi que les contraintes auxquelles personne n’a fait allusion lors de la présentation : un plafond technologique à 7 nm chez SMIC, une offre nationale de HBM incapable de suivre la demande, et un écart par puce avec NVIDIA que la feuille de route reconnaît implicitement.
Points clés
- Une puce par an, chacune offrant environ deux fois plus de performances que la précédente. Ascend 950PR (premier trimestre 2026), Ascend 950DT (disponible sur le cloud en août 2026, lancement commercial au quatrième trimestre 2026), Ascend 960 (quatrième trimestre 2027), Ascend 970 (quatrième trimestre 2028), dans la perspective d’atteindre, d’ici 2028, une puissance de calcul système de 4 zettaflops en FP4.
- L’Ascend 950 est une puce conçue pour égaler la série Hopper, pas pour supplanter Blackwell. À l’échelle d’une seule puce, elle atteint environ 1 PFLOPS en FP8 / 2 PFLOPS en FP4, avec 128 à 144 Go de HBM développée en interne par Huawei — une performance solide, mais seulement une fraction de celle d’une seule GPU NVIDIA Rubin .
- L’arme véritable de Huawei réside dans l’échelle. Le SuperPoD Atlas 950 relie 8 192 puces entre elles et affirme surpasser, en puissance de calcul globale, en capacité mémoire et en bande passante, le NVL144 de NVIDIA grâce à une approche fondée sur la masse.
- openPangu 2.0 a été rendu open source lors de la conférence HDC 2026. Un modèle Pro de 505 milliards de paramètres (18 milliards actifs) et un modèle Flash de 92 milliards de paramètres (6 milliards actifs), tous deux dotés d’un contexte de 512 Ko, avec sept composants ouverts à compter du 30 juin.
- La contrainte réelle et honnête réside dans la fabrication. SMIC reste bloqué à la finesse de gravure de 7 nm, tandis que la HBM produite localement constitue le goulot d’étranglement ; même dans le scénario le plus favorable aux analyses indépendantes, la puissance de calcul IA globale de Huawei n’atteindrait encore en 2026 que 5 % environ de celle de NVIDIA, et l’estimation médiane est nettement inférieure.
- Même la feuille de route officielle de Huawei révèle un recul en 2026. Les Ascend 950PR et 950DT présentent une puissance de traitement totale inférieure à celle de l’Ascend 910C de 2025 ; selon le calendrier même de Huawei, la première puce à dépasser la H200 de NVIDIA sera l’Ascend 960, prévu pour le quatrième trimestre 2027.
La feuille de route : une génération par an
La présentation de Huawei suit un rythme régulier, comme un métronome : quatre étapes, une par an, chacune doublant approximativement les performances de la précédente :
- Ascend 950PR — premier trimestre 2026, préremplissage et systèmes de recommandation
- Ascend 950DT — disponible sur le cloud en août 2026, lancement commercial au quatrième trimestre 2026, décodage et entraînement
- Ascend 960 — quatrième trimestre 2027
- Ascend 970 — quatrième trimestre 2028
Les suffixes « PR » et « DT » constituent la partie la plus intéressante. Plutôt que de proposer un accélérateur polyvalent unique, Huawei a divisé le traitement d’inférence en deux parties. L’Ascend 950PR est optimisé pour la phase de préremplissage — la passe gourmande en calcul sur votre prompt — ainsi que pour les systèmes de recommandation. L’Ascend 950DT, quant à lui, prend en charge le décodage (génération token par token) et l’entraînement continu, raison pour laquelle il dispose d’une mémoire plus importante. Si vous avez lu notre article explicatif sur les différences entre NPU et GPU, vous reconnaissez ici une idée familière poussée plus loin : spécialiser la puce selon la phase spécifique de la charge de travail.
Le chiffre phare — environ 4 zettaflops en FP4 d’ici 2028 — est un objectif défini au niveau système pour le SuperCluster Atlas 960, et non une caractéristique d’une seule puce. Gardez bien cette distinction à l’esprit chaque fois que vous voyez un chiffre exprimé en zettaflops associé à Huawei : ces valeurs impressionnantes décrivent toujours un bâtiment entier rempli d’accélérateurs, jamais l’accélérateur lui-même.
Ce qu’est réellement l’Ascend 950
Voici les caractéristiques par puce divulguées par Huawei. Il s’agit de données fournies par le constructeur pour des puces qui, à la mi-juin 2026, ne sont livrées que partiellement ; considérez-les donc comme des objectifs plutôt que des résultats issus de benchmarks.
| Spécifications | Ascend 950PR | Ascend 950DT |
|---|---|---|
| Disponibilité | Premier trimestre 2026 | Cloud en août 2026, lancement commercial au quatrième trimestre 2026 |
| Rôle | Préremplissage / systèmes de recommandation | Décodage / entraînement |
| Calcul en FP8 | ~1 PFLOPS | ~1 PFLOPS |
| Calcul en FP4 | ~2 PFLOPS | ~2 PFLOPS |
| Mémoire | 128 Go de HiBL 1.0 | 144 Go de HiZQ 2.0 |
| Bande passante mémoire | ~1,6 To/s | ~4,0 To/s |
| Interconnexion | 2 To/s | 2 To/s |
Le point véritablement remarquable ici est la mémoire. HiBL et HiZQ sont des mémoires à très grande bande passante développées en interne par Huawei — une HBM maison, conçue parce que les restrictions à l’exportation ont coupé l’accès facile aux dernières générations de puces fournies par SK Hynix, Micron et Samsung. Le fait qu’un fabricant chinois puisse livrer une HBM compétitive intégrée au boîtier constitue un véritable exploit d’ingénierie, et les 144 Go à 4,0 To/s du 950DT se situent dans la fourchette attendue pour une puce moderne dédiée à l’entraînement. Huawei affirme également que l’interconnexion à 2 To/s du 950DT est environ 2,5 fois plus rapide que celle de son prédécesseur, le 910C — là encore, une valeur communiquée par le fabricant.
Passons maintenant à la réalité. La puce Rubin VR200 de NVIDIA, également prévue pour le second semestre 2026, vise environ 35 PFLOPS en FP4 pour l’entraînement et environ 50 PFLOPS en FP4 pour l’inférence, avec 288 Go de HBM4 à environ 22 To/s. (Ce sont des désignations propres à NVIDIA — « entraînement » versus « inférence » — et non une distinction entre calcul dense et calcul creux.) En termes de puissance brute en FP4 par puce, cela représente un écart d’environ 17 à 25 fois par rapport aux ~2 PFLOPS d’un seul Ascend 950, selon la référence Rubin retenue. La carte Atlas 350 d’Huawei, basée sur le 950PR, revendique quant à elle 1,56 PFLOPS en FP4 et « 2,8 fois les performances de l’H20 » — or cette comparaison concerne l’H20, une version réduite et conforme aux restrictions à l’exportation, et non une puce Blackwell ou Rubin complète ; il s’agit par ailleurs d’une affirmation du fabricant, encore en attente de vérification indépendante. Le résumé objectif, partagé par les analystes spécialisés dans les semi-conducteurs, est que l’Ascend 950 atteint une performance globale comparable à celle de la génération Hopper de NVIDIA, mais pas à celle des puces que NVIDIA commercialise en 2026. Pour mieux cerner le positionnement de NVIDIA, consultez notre analyse détaillée de la Rubin Vera.
L’échelle comme stratégie
Huawei sait qu’elle ne peut pas remporter la bataille puce contre puce, et n’essaie donc pas de le faire. Son pari repose sur l’architecture système. Le SuperPoD Atlas 950 regroupe 8 192 accélérateurs Ascend 950DT en une seule machine logique : environ 8 EFLOPS en FP8 et 16 EFLOPS en FP4, 1 152 To de mémoire et environ 16 Po/s de bande passante d’interconnexion via un tissu optique. En assemblant 64 de ces SuperPoD dans un Atlas 950 SuperCluster, on obtient plus de 520 000 unités de traitement neuronales (NPU), délivrant environ 524 EFLOPS en FP8 et près de 1 zettaflops en FP4. Le SuperCluster Atlas 960, prévu pour 2027, vise le million de cartes et les chiffres de 2 / 4 zettaflops (FP8 / FP4).
Face à la NVL144 de NVIDIA, Huawei affirme que le SuperPoD 950 intègre environ dix fois plus d’accélérateurs et offre environ 6,7 fois plus de puissance de calcul agrégée, avec bien davantage de mémoire (environ 15 fois plus) et de bande passante d’interconnexion. Ces affirmations peuvent être simultanément vraies et trompeuses : vous comparez ici un bloc de 8 192 puces à un rack de 144 GPU. L’interprétation honnête est que, si vous disposez d’un espace au sol illimité, d’une énergie peu coûteuse et d’un stock suffisant de puces, vous pouvez surpasser un système NVIDIA plus petit mais plus efficace. Or ces trois conditions — « espace illimité », « énergie peu coûteuse » et « stock suffisant » — constituent autant de gros « si », et ce dernier point — « un stock suffisant » — est précisément là où la situation devient critique.
openPangu : la dimension modèles
Une plateforme de puces n’est utile que dans la mesure où les logiciels qui y tournent le sont aussi, et Huawei s’est activement investie dans ce domaine. Lors de sa conférence pour développeurs (HDC) en juin 2026, Huawei a publié openPangu 2.0: un modèle Pro comptant 505 milliards de paramètres au total et 18 milliards actifs, ainsi qu’un modèle Flash de 92 milliards de paramètres au total et 6 milliards actifs, tous deux prenant en charge un contexte de 512 K jetons. Huawei affirme que le modèle Pro double approximativement le débit par carte unique par rapport aux autres modèles open source de pointe exécutés sur du matériel Ascend — là encore, une valeur communiquée par le fabricant sur sa propre puce, et non le résultat d’un benchmark indépendant.
Cela s’inscrit dans la continuité du Pangu Pro MoE 72B lancé en 2025, qui introduisait une architecture « Mélange d’Experts groupés » (MoGE) spécifiquement conçue pour équilibrer la charge entre les puces Ascend. Ce schéma est délibéré : concevoir conjointement l’architecture du modèle et le matériel afin d’atténuer l’impact des faiblesses inhérentes à l’accélérateur. Il s’agit d’une philosophie différente de l’approche « dense puis creux » adoptée par des modèles comme DeepSeekcelui-ci
Ce qui fonctionne
- Une HBM produite localement à grande échelle — une véritable étape clé pour la chaîne d’approvisionnement
- Une feuille de route crédible et datée, et non un projet virtuel
- L’ouverture des codes sources de CANN, Mind et Pangu afin d’attirer les développeurs loin de CUDA
- Des conceptions systèmes à grande échelle contournant l’écart de performance par puce
Ce qui freine le développement
- SMIC limitée à la technologie 7 nm ; les puces volumineuses présentent de faibles taux de rendement
- L’approvisionnement en HBM constitue le véritable plafond du nombre de puces livrables
- Les performances par puce restent environ 5 fois inférieures à celles de NVIDIA en TPP (Total Processing Performance)
- Les puces 2026 régressent par rapport au 910C de 2025 en TPP
L’initiative open source
L’initiative logicielle est celle qui aura probablement le plus d’impact à long terme. Lors de Huawei Connect, l’entreprise s’est engagée à ouvrir l’intégralité de sa pile logicielle d’ici le 31 décembre 2025 : CANN la boîte à outils hétérogène (sa réponse à CUDA), les chaînes d’outils et l’environnement de développement de la série Mind et les modèles fondamentaux openPangu . Eric Xu l’a présenté comme un projet à long terme, Huawei s’étant engagée à consacrer environ 15 milliards de yuans (soit environ 2,1 milliards de dollars américains) par an pendant cinq ans au développement de son écosystème et de l’informatique ouverte.
La logique est solide. La véritable barrière défensive de NVIDIA ne réside pas dans son silicium, mais dans CUDA et les dizaines de bibliothèques construites dessus depuis une décennie. Si Huawei souhaite que la plateforme Ascend dépasse le statut de simple solution captive réservée aux hyperscaleurs chinois, elle doit rendre le portage sans douleur et offrir aux développeurs un accès au code source. Que cet objectif soit atteint ou non reste une question empirique, dont la réponse émergera dans les prochains mois à travers les signaux GitHub — pull requests actives, publications régulières, noyaux maintenus par la communauté. Les interfaces de compilation et le jeu d’instructions virtuelles de CANN doivent être ouverts (le reste de CANN devant être entièrement open-source) ; la preuve viendra de leur adoption par des tiers, en dehors des seuls clients d’Huawei.
Les contraintes sur lesquelles Huawei n’a pas insisté
Voici le cœur inconfortable de la question. Chacun des chiffres impressionnants cités ci-dessus bute sur le même obstacle : Huawei ne peut pas produire suffisamment de ces puces à un nœud de processus compétitif.
SMIC reste bloquée sur un procédé de type 7 nm, car les contrôles à l’exportation empêchent l’accès à la lithographie EUV en Chine, et les taux de rendement sur les grosses puces d’IA à ce nœud sont médiocres. Pire encore, l’HBM constitue le goulot d’étranglement — plus contraignant encore que la production des puces elles-mêmes. Selon SemiAnalysis, le fabricant chinois de mémoires CXMT ne sera capable de produire que quelque 2 millions de piles HBM l’année prochaine, soit suffisamment pour environ 250 000 à 300 000 puces de type Ascend, alors que SMIC pourrait fabriquer des puces pour plus d’un million d’unités. Sans ces piles, aucun accélérateur fini ne peut être livré, quelle que soit la quantité de puces que SMIC produit.
Les calculs de performance en découlent naturellement. Selon les analystes du Council on Foreign Relations (CFR), les meilleures puces d’IA américaines sont actuellement environ cinq fois plus puissantes que les meilleures puces d’Huawei en termes de performance totale de traitement (TPP), cet écart devant s’élargir à environ dix-sept fois d’ici le second semestre 2027. En termes de puissance de calcul globale, le scénario le plus favorable au CFR pour Huawei prévoit tout de même que celle-ci ne produira qu’environ 5 % de la puissance de calcul d’IA totale de NVIDIA en 2026, ce chiffre tombant à environ 2 % en 2027 — et son estimation médiane est bien plus basse, autour de 1 %. Le plus révélateur : les Ascend 950PR et 950DT de 2026 affichent effectivement un TPP inférieur à celui de l’Ascend 910C de 2025 — signe de la difficulté de la production nationale — et, selon la feuille de route d’Huawei, la première puce à dépasser l’H200 tant en performances qu’en bande passante mémoire sera l’Ascend 960, prévu pour le quatrième trimestre 2027. Si vous choisissez aujourd’hui du matériel pour exécuter localement des modèles, notre meilleur GPUs for local LLMs guide est un point de départ plus pratique que tout ce qui figure dans cette feuille de route.
Rien de tout cela ne signifie que cet effort relève du théâtre. Jensen Huang de NVIDIA a qualifié à plusieurs reprises Huawei de « redoutable » — en mai 2026, il déclarait que NVIDIA avait « largement abandonné » le marché chinois des puces d’IA avancées à Huawei. La concurrence est réelle ; ce que les contraintes de fabrication révèlent, c’est que le calendrier est l’élément clé à surveiller, et que les délais glissent inévitablement sur des nœuds technologiques contraints.
FAQ
L’Ascend 950 d’Huawei est-il meilleur que les puces Blackwell ou Rubin de NVIDIA ?
Non, pas par puce. Un seul Ascend 950 atteint des performances comparables à la génération Hopper — environ 1 PFLOPS en FP8 et 2 PFLOPS en FP4 — tandis que la Rubin VR200 de NVIDIA vise environ 35 PFLOPS en FP4 pour l’entraînement et 50 PFLOPS pour l’inférence. L’argument d’Huawei repose au niveau système : connecter des milliers de puces permet de surpasser un rack NVIDIA plus petit en puissance de calcul agrégée.
Quand le 950DT sera-t-il effectivement livré ?
Il sera disponible sur Huawei Cloud dès août 2026 sous forme de service accessible dans le cloud, tandis que son lancement commercial complet (cartes et serveurs SuperPoD) est prévu pour le quatrième trimestre 2026. Le 950PR a commencé à être livré plus tôt, au premier trimestre 2026.
Qu’est-ce qu’openPangu et en quoi diffère-t-il du Pangu Pro MoE 72B ?
openPangu 2.0, publié lors de la conférence HDC 2026, est la dernière famille open source : un modèle Pro de 505 milliards de paramètres (18 milliards actifs) et un modèle Flash de 92 milliards de paramètres (6 milliards actifs), tous deux dotés d’un contexte de 512 K jetons. Le Pangu Pro MoE 72B de 2025 était le modèle précédent, qui avait introduit l’architecture « Mélange d’Experts groupés » (MoGE) spécifiquement optimisée pour les puces Ascend.
Huawei peut-elle produire suffisamment de puces Ascend pour avoir un impact ?
C’est précisément la limite réelle. Selon l’estimation de SemiAnalysis, l’approvisionnement en HBM limite la production à environ 250 000 à 300 000 puces Ascend par an, et les taux de rendement de SMIC en 7 nm sont faibles. Même le scénario le plus favorable du CFR prévoit qu’Huawei ne fournira qu’environ 5 % de la puissance de calcul d’IA globale de NVIDIA en 2026, l’estimation médiane se situant plutôt autour de 1 %.
Quelles sont les mémoires HiBL et HiZQ ?
Il s’agit de mémoires à très grande bande passante développées en interne par Huawei, créées parce que les restrictions à l’exportation limitent l’accès aux dernières générations d’HBM provenant de tiers. Le 950PR utilise 128 Go de HiBL 1.0 (~1,6 To/s) ; le 950DT utilise 144 Go de HiZQ 2.0 (~4,0 To/s).
Pourquoi Huawei ouvre-t-elle les codes sources de CANN et des modèles Pangu ?
Pour briser la dépendance logicielle vis-à-vis de NVIDIA. CUDA constitue la véritable barrière défensive de NVIDIA, c’est pourquoi Huawei ouvre CANN (son équivalent de CUDA), la chaîne d’outils Mind et les modèles Pangu afin de réduire le coût du portage et de construire un écosystème de développeurs autour de la plateforme Ascend.
Que signifie concrètement l’objectif de « 4 zettaflops d’ici 2028 » ?
Il s’agit d’un objectif défini au niveau système pour le supercluster Atlas 960 — un cluster d’un million de cartes — en précision FP4, et non pas une performance attribuée à une seule puce. Les accélérateurs Ascend individuels sont quant à eux mesurés en pétaflops, soit trois ordres de grandeur inférieurs.
Conclusion
Les annonces faites par Huawei en 2026 sont à la fois sérieuses et fortement contraintes. La feuille de route est réelle, la mémoire HBM entièrement développée en interne constitue une véritable étape clé, les modèles openPangu et l’ouverture du code source de CANN représentent des initiatives intelligentes visant à éroder progressivement la barrière logicielle de NVIDIA, tandis que l’approche de mise à l’échelle SuperPoD permet astucieusement de contourner les limites inhérentes aux puces actuelles. Prenez tous ces éléments au pied de la lettre.
Ensuite, lisez les petites lignes. Par puce, l’Ascend 950 est une puce de génération Hopper dévoilée en 2026, une année correspondant à l’ère Rubin, et même la feuille de route officielle de Huawei montre que les puces prévues pour 2026 affichent une régression de leurs performances globales par rapport à l’Ascend 910C de 2025. La contrainte fondamentale ne réside ni dans l’ambition ni dans les compétences en conception, mais bien dans un plafond technologique fixé à 7 nm et dans une capacité d’approvisionnement en HBM limitée à quelques centaines de milliers de puces par an. Pour les acheteurs chinois privés d’accès aux produits NVIDIA, les puces Ascend constituent actuellement la meilleure option disponible sur le marché, et leur qualité s’améliore continuellement ; le PDG de NVIDIA lui-même qualifie Huawei de « redoutable » et reconnaît ouvertement que son entreprise a, pour l’essentiel, abandonné ce segment du marché. Pour tous ceux qui suivent la course mondiale, le verdict honnête est le suivant : Huawei est désormais un concurrent crédible, mais les puces elles-mêmes, les taux de rendement (yields) et le calendrier restent encore largement favorables à NVIDIA — et le resteront jusqu’en 2027, sauf changement majeur dans la situation de la fabrication.
