Du "disponible" à "pratique", la puissance de calcul nationale a-t-elle fait un saut ? Les joies et les inquiétudes derrière les résultats financiers des Quatre Petits Dragons

null

De décembre 2025 à début 2026, en un peu plus d’un mois, Mooresoft, MuXi Co. ont successivement été cotés sur le marché STAR, tandis que Biran Technology et TianShu Intelligence ont concentré leurs inscriptions à Hong Kong. Quatre entreprises, toutes portant l’aura des « Quatre petits dragons des GPU nationaux », ont collectivement franchi une étape de capitalisation, avec un total de levées de fonds dépassant 10 milliards de HKD. Sur la voie des puces de calcul domestiques, la longue phase de « fabrication de puces PPT » a enfin laissé place à l’« heure de la remise des copies » pour la vérification par les résultats financiers.

L’année 2025 pour le calcul domestique a été une année de « preuve » — prouver que les GPU nationaux peuvent être produits à grande échelle, prouver que le cluster de milliers de cartes peut fonctionner de manière stable, prouver que le marché financier est prêt à parier sur l’avenir du calcul domestique, prouver que le calcul national peut soutenir un marché de plusieurs billions voire plus.

Récemment, plusieurs fabricants de puces domestiques ont publié leur premier rapport annuel après leur introduction en bourse. Selon les données globales, toutes les entreprises ont connu une croissance significative de leur chiffre d’affaires, mais la tendance collective de pertes indique la situation réelle de cette industrie. Dans le contexte où la demande en puissance de calcul pour l’IA passe progressivement de l’entraînement à l’inférence, où en est le calcul domestique ?

Le calcul domestique présente un « bilan parfait »

En 2025, MuXi Co. a enregistré un chiffre d’affaires de 1,644 milliard de RMB, en tête des Quatre petits dragons, avec une croissance de 121,26 % ; le bénéfice net attribuable aux actionnaires a été une perte de 789 millions de RMB, mais cette perte a été réduite de 43,97 % par rapport à l’année précédente. Le chiffre d’affaires de l’entreprise a bondi de 0,053 milliard en 2023 à 1,644 milliard en 2025, soit une croissance de plus de 30 fois en trois ans. La principale force motrice de cette croissance est la forte augmentation des ventes de produits GPU — en 2025, les cartes GPU intégrées pour entraînement et inférence, principalement de la série Xiyun C, ont atteint 33 649 unités, en hausse de 147,31 %, et à la fin de la période, les ventes cumulées de GPU ont dépassé 55 000 unités. Par ailleurs, MuXi maintient un investissement élevé en R&D, avec 1,027 milliard de RMB en 2025, en hausse de 14,04 % par rapport à l’année précédente, représentant 62,49 % du chiffre d’affaires.

MooreThread (688795) a réalisé en 2025 un chiffre d’affaires de 1,505 milliard de RMB, en hausse de 243,37 % ; la marge brute a atteint 987 millions de RMB, en croissance de 218,43 % ; le bénéfice net attribuable aux actionnaires et le bénéfice net après déduction des éléments non récurrents ont respectivement réduit leurs pertes de 38,16 % et 33,38 % par rapport à l’année précédente. Après déduction des effets liés à la rémunération en actions, la perte nette en 2025 s’élève à 648 millions de RMB, soit une réduction de 847 millions par rapport à l’année précédente, soit une réduction de 56,65 %. Par ailleurs, MooreThread a maintenu un investissement élevé en R&D, avec 1,305 milliard de RMB dépensés, représentant 86,68 %.

TianShu Intelligence a réalisé en 2025 un chiffre d’affaires de 1,034 milliard de RMB, en hausse de 91,6 % ; la marge brute s’élève à 558 millions de RMB, en croissance de 110,5 %, avec un taux de croissance supérieur à celui du chiffre d’affaires. Le déficit net ajusté est d’environ 438 millions de RMB, en réduction de 32,1 % par rapport à l’année précédente. La division GPU généraliste a généré un revenu annuel de 923 millions de RMB, en hausse de 149,6 %, représentant 89,3 % du chiffre d’affaires total. En détail, la série d’entraînement TianGai a rapporté 584 millions de RMB, en hausse de 116,7 %, et la série de raisonnement ZhiKai a atteint 339 millions de RMB, en augmentation de 238,2 %, illustrant la croissance explosive du secteur du raisonnement, l’un des points forts du rapport financier 2025 de TianShu.

Biran Technology a réalisé en 2025 un chiffre d’affaires de 1,035 milliard de RMB, en hausse de 207,2 % ; la marge brute s’élève à 557 millions de RMB, en croissance de 210,8 %, avec un taux de marge brute de 53,8 %. Cependant, la perte annuelle s’est élevée à 16,493 milliards de RMB, en augmentation de 972,3 % par rapport à l’année précédente — ce chiffre peut sembler impressionnant, mais l’entreprise explique que cela est principalement lié aux variations de la valeur comptable des dettes rachetées, aux coûts de rémunération en actions et aux frais d’introduction en bourse ; en excluant ces facteurs, la perte ajustée pour l’année est de 874 millions de RMB. L’investissement en R&D s’élève à 1,476 milliard de RMB, en hausse de 78,5 %, principalement pour la nouvelle architecture GPU et la mise à niveau de la plateforme logicielle d’IA. En 2025, Biran a achevé la production en série et la livraison à grande échelle de ses GPU grand public phares BR106 et BR166, dont la série BR166 a commencé la production en août 2025, rapidement déployée en moins de six mois, devenant le moteur principal de la croissance du chiffre d’affaires.

Globalement, en 2025, les quatre fabricants de GPU domestiques ont tous connu une forte croissance de leur chiffre d’affaires, mais restent collectivement en perte. MooreThread, MuXi Co. et TianShu Intelligence ont vu leurs pertes se réduire, tandis que Biran a vu ses pertes s’accroître en raison de l’augmentation des dépenses en R&D. Selon Pool Yu, consultant chez Sullivan China, le secteur en est encore à une phase de développement rapide, même pour les entreprises relativement avancées, il existe encore un écart évident avec des acteurs étrangers matures comme Nvidia.

Du « utilisable » au « pratique », le calcul domestique doit encore relever des défis

Les chiffres financiers enflammés ne peuvent masquer les défis profonds auxquels font face les fabricants de calcul domestique.

Le plus urgent est d’améliorer la stabilité des clusters et la capacité d’ingénierie. La formation de grands modèles exige une stabilité extrême des clusters de puissance de calcul. Un responsable technique de MooreThread a déclaré que, lors du choix d’un calcul domestique, la « stabilité à long terme du cluster » est la préoccupation numéro un pour les utilisateurs, suivie par la « compatibilité des frameworks et les coûts de migration » ainsi que la performance en entraînement et inférence. Ce classement montre que, pour les entreprises qui entraînent de grands modèles, une performance légèrement inférieure peut être acceptable, mais des interruptions fréquentes ou des rollback répétés de checkpoints constituent un véritable cauchemar.

« Le cluster de milliers de cartes basé sur MTT S5000 de MooreThread, avec une capacité de calcul en virgule flottante de 10 Exa-Flops, atteint un MFU de 60 % pour l’entraînement Dense, et environ 40 % pour le modèle MoE, avec un temps d’entraînement effectif supérieur à 90 %, et une efficacité d’expansion linéaire de 95 %. » a indiqué un responsable.

Cependant, dans la pratique, la gestion de la stabilité des clusters AI de plusieurs milliers de cartes reste un défi de taille. Selon des médias spécialisés, en moyenne, un cluster AI de cette taille connaît une ou plusieurs défaillances par jour, dues à des erreurs de mémoire HBM GPU, des fluctuations de la liaison à haute vitesse, une dissipation thermique inégale, voire des fluctuations du module d’alimentation. Ce problème n’est pas seulement une difficulté pour le calcul domestique, mais aussi une problématique commune à l’infrastructure AI mondiale — même le DGX SuperPOD de Nvidia n’est pas exempt de interruptions.

Les faiblesses des fabricants domestiques en matière de stabilité résident surtout dans leur expérience d’ingénierie. Nvidia a déployé des centaines de grands clusters au cours des dix dernières années, accumulant une vaste connaissance des modes de défaillance et des optimisations — un savoir-faire difficile à rattraper rapidement par le seul recrutement. Les fabricants locaux ont souvent réussi à faire fonctionner en laboratoire des clusters interconnectés de milliers de cartes, mais une fois en environnement réel chez le client, face à des topologies réseau complexes, à la gestion de charges hybrides, et à des conditions non idéales, divers problèmes inattendus surgissent.

Ensuite, la construction d’un écosystème est un sujet récurrent pour le calcul domestique. Actuellement, la majorité des fabricants de GPU domestiques privilégient une approche pragmatique de « compatibilité écologique ». Le responsable technique de MooreThread indique que leur architecture autonome MUSA est très compatible avec CUDA, grâce à l’outil d’automigration MUSIFY, permettant aux développeurs de porter facilement des applications de plateformes GPU internationales vers MUSA, réduisant ainsi le coût et le temps de migration. TianShu et Biran investissent également massivement dans la couche logicielle, pour assurer que des frameworks comme PyTorch, TensorFlow, Megatron-LM fonctionnent efficacement sur leur matériel.

Cependant, cette compatibilité pose un dilemme structurel : elle enferme les développeurs dans l’écosystème CUDA, laissant la plateforme domestique en position de « dépendance écologique ». Plus profondément, cette stratégie de compatibilité, si elle peut raccourcir le délai d’entrée sur le marché, comporte le risque de faire du fabricant domestique un simple « suiveur » de l’écosystème CUDA. La véritable barrière à la domination est la richesse de l’écosystème CUDA, avec ses millions de développeurs, ses milliers de bibliothèques accélérées, et ses innombrables cas d’usage. Pour passer de « compatibilité » à « domination », les fabricants nationaux doivent inciter les développeurs à écrire nativement pour leurs plateformes et à contribuer à l’open source, plutôt que de considérer leur plateforme comme un simple « plan B » pour CUDA.

MooreThread et MuXi ont déjà pris conscience de cela. MooreThread, en plus de fournir l’outil MUSIFY, a open-sourcé plusieurs bibliothèques comme Torch-MUSA et vLLM-MUSA, pour progressivement bâtir un écosystème natif MUSA. MuXi, quant à elle, construit un écosystème industriel avec la stratégie « 1+6+X », centrée sur la base de calcul numérique, en promouvant la pénétration profonde des GPU domestiques dans six secteurs clés. Mais la construction d’un écosystème ne se fait pas en un jour : cela nécessite des investissements continus sur plusieurs années, voire une décennie, et une taille d’utilisateur suffisante pour générer un cercle vertueux.

« Toutes les voies mènent à Rome »

Face aux défis, les fabricants de calcul domestique cherchent leur voie par des stratégies variées. Selon leurs plans stratégiques dévoilés, la différenciation devient la tendance principale de cette nouvelle phase de compétition, même si leurs chemins diffèrent, leur objectif reste le même — comment améliorer le calcul domestique.

Biran Technology privilégie une stratégie « système en premier, positionnement en inférence ». En 2025, l’entreprise a livré un supercluster de GPU interconnectés par fibre optique de 2048 cartes. Mais l’efficacité opérationnelle et la concrétisation commerciale de ce cluster restent à prouver à plus grande échelle.

En termes d’itération produit, Biran prévoit de lancer en 2026 la nouvelle génération de puces BR20X et toute sa gamme, en optimisant pour l’inférence tout en conservant ses avantages en entraînement — augmentation de la densité de calcul, capacité mémoire, bande passante, interconnexion, support des calculs en faible précision FP8/FP4. À la fin 2025, Biran disposait de 2,896 milliards de RMB en liquidités et actifs financiers, et avec la levée de fonds de 5,631 milliards en début 2026, ses fonds sont relativement confortables. Cependant, pour une entreprise encore en phase d’investissements massifs en R&D, la question reste : combien de temps ces fonds suffiront-ils pour soutenir ses innovations technologiques et son expansion commerciale ?

TianShu Intelligence a choisi une voie plus offensive. En janvier, la société a publié la feuille de route de sa quatrième génération d’architecture de puces : en 2025, l’architecture TianShu surpassera Hopper de Nvidia, en 2026, TianXuan visera Blackwell, TianJi dépassera Blackwell, et en 2027, TianQuan surpassera Rubin, avant de se tourner vers la conception de puces de calcul révolutionnaires.

Ce plan technologique doit encore être concrétisé par des produits réels, et aucune donnée de benchmark tierce n’a encore été publiée pour confirmer ses performances. Sur le plan commercial, TianShu a déjà servi plus de 340 clients, avec plus de 1 000 déploiements dans les domaines de l’Internet, des grands modèles IA, de la recherche scientifique, de la finance, de la médecine et de l’éducation. La société a également lancé la série TongYang pour les applications robotiques et terminaux intelligents. La publication de la quatrième génération et le lancement de produits en périphérie montrent l’ambition de TianShu de jouer sur plusieurs fronts — entraînement, inférence et edge computing — mais cette stratégie multi-fronts pourrait aussi disperser ses ressources R&D. La question est de savoir si elle pourra établir une barrière suffisante dans chaque domaine.

MuXi Co. adopte une stratégie « produit full-stack, écosystème open source ». La société a déjà formé une gamme de quatre principales familles de GPU : la série Xiyun C (entraînement et inférence intégrés), la série Xisi N (inférence IA), la série Cihui G (rendu graphique), la série Xisuo X (intelligence scientifique).

En juillet 2025, la première série Xiyun C600, fabriquée avec un procédé entièrement domestique, a été dévoilée lors du WAIC, et a atteint la production de masse fin 2025, avec des ventes prévues pour le premier semestre 2026. Cependant, le terme « procédé entièrement domestique » désigne généralement un nœud technologique spécifique, et la différence de performance avec les procédés de pointe de l’industrie reste un facteur clé pour l’évaluation de la compétitivité. La première génération de la série Xisuo X, X206, dotée d’une mémoire de 128 Go, a été lancée en janvier 2026. MuXi prévoit de poursuivre le développement et la commercialisation de la X206, C700 et autres produits de nouvelle génération en 2026. Avec environ 3,899 milliards de RMB levés, ces fonds seront investis sur trois à quatre ans dans la R&D et la production de GPU haute performance. La durée de cet investissement indique que les résultats complets ne seront pas visibles à court terme, et la cadence d’innovation technologique devra s’aligner sur la fenêtre de marché.

Contrairement à ses homologues axés sur l’IA, MooreThread persiste dans une voie de GPU à fonctionnalités complètes, couvrant des scénarios allant du jeu vidéo au calcul IA. Cette approche offre une large couverture, mais implique aussi de faire face à des concurrents plus spécialisés dans chaque segment.

Les GPU de MooreThread supportent l’accélération IA, le rendu graphique, la simulation physique, le calcul scientifique, la compression vidéo ultra-haute définition, et prétendent être parmi les rares fabricants nationaux à supporter nativement toute la gamme de précision du FP8 au FP64. En termes d’ingénierie de cluster, MooreThread a lancé la nouvelle architecture GPU « Huagang », capable d’étendre des clusters de plus de 100 000 cartes. Ses performances dans la recherche scientifique et la biopharmaceutique sont remarquables — par exemple, dans le moteur de dynamique moléculaire SPONGE, le MTT S5000 atteint 1,7 fois la performance des produits de référence internationaux ; dans l’outil de docking moléculaire DSDP, il atteint 8,1 fois. Ces chiffres proviennent de données internes, sans validation indépendante en environnement de test standardisé. La capacité à transformer ces avantages verticaux en modèles commerciaux durables reste à confirmer.

Outre les Quatre petits dragons, Huawei Ascend et Cambrian sont aussi des acteurs clés du calcul domestique. Selon des analystes, la part de marché des cartes d’accélération AI de Nvidia en Chine est passée d’environ 95 % avant sanctions à environ 55 % en 2025, avec une livraison totale domestique de 1,65 million d’unités, représentant environ 41 %, Huawei en tête avec 810 000 unités. Cambrian a réalisé en 2025 un chiffre d’affaires de 6,497 milliards de RMB, en hausse de 453 %, avec un bénéfice net de 2,059 milliards. Ces chiffres montrent que la substitution du calcul domestique accélère, et la compétition entre ces acteurs est plus complexe que prévu — ils doivent non seulement rattraper Nvidia, mais aussi rivaliser avec Huawei, Cambrian et d’autres acteurs locaux.

En 2026, la phase de « preuve » pourrait évoluer vers celle de « dépassement » — dépasser non seulement les indicateurs techniques des concurrents internationaux, mais aussi la confiance des utilisateurs dans le calcul domestique. Selon les prévisions de Sullivan, la part de marché des GPU généraux domestiques pourrait passer de 17,4 % en 2024 à plus de 50 % en 2029. La montée en puissance du marché repose sur une compétition systémique en termes de technologie, d’écosystème, d’ingénierie et de modèle commercial.

Pour les entreprises cotées en bourse dans le domaine du calcul domestique, les défis ne font que commencer : comment équilibrer investissements massifs en R&D et rentabilité durable ? Comment tracer une voie propre entre compatibilité écologique et innovation autonome ? Comment saisir la fenêtre de croissance entre la demande d’entraînement et l’explosion de l’inférence ?

(Article par Leo Zhang, discussions ToB, auteur : Zhang Shenyu, éditeur : Yang Lin)