Fabricants de puces IA : entreprises, produits et rôles industriels

Les fabricants de puces d'intelligence artificielle comprennent des concepteurs d'accélérateurs comme NVIDIA, AMD et Intel ; des entreprises cloud qui développent leurs propres processeurs, dont Google, AWS et Microsoft ; et des spécialistes comme Cerebras, Groq, SambaNova et Tenstorrent. Apple et Qualcomm conçoivent des puces pour l'IA sur appareil. Les fondeurs comme TSMC fabriquent les circuits de leurs clients, un rôle différent de la vente d'une plateforme de calcul IA complète.

Ces entreprises ne répondent pas toutes au même besoin d'achat. Une équipe qui loue des serveurs GPU, un développeur qui utilise une API d'inférence et un industriel qui choisit le processeur d'un appareil ont besoin de fournisseurs différents. Comprendre cette distinction rend une liste d'entreprises utile.

Les exemples ci-dessous ont été vérifiés à partir des pages produits et annonces officielles le 14 octobre 2026. Ils présentent des familles de produits et des modes d'accès, sans classement par parts de marché ni affirmation que tous les systèmes sont disponibles dans chaque région.

Que produit réellement une entreprise de puces IA ?

L'expression « fabricant de puces » rassemble souvent plusieurs métiers. Une entreprise peut concevoir un processeur sans posséder l'usine qui le fabrique. Une autre peut produire le silicium, fournir la mémoire, assembler plusieurs composants dans un boîtier ou construire le serveur utilisé par les clients.

Rôle	Ce qu'il fournit	Exemple
Concepteur d'accélérateurs	Architecture du processeur, puces et logiciels associés	GPU NVIDIA ; AMD Instinct ; Intel Gaudi
Développeur de puces cloud sur mesure	Processeurs intégrés à son infrastructure cloud	Google TPU ; AWS Trainium ; Microsoft Maia
Spécialiste des processeurs	Architecture alternative et logiciels de déploiement	Cerebras ; Groq ; SambaNova ; Tenstorrent
Concepteur de processeurs pour appareils	Accélération de l'IA dans un téléphone, un ordinateur ou une plateforme embarquée	Apple silicon ; Qualcomm Snapdragon
Fondeur et fournisseur industriel	Fabrication ou autres services de production pour les circuits conçus	Fabrication pour les clients de TSMC

GPU, TPU, NPU et ASIC désignent aussi des notions différentes. GPU décrit une architecture de processeur, NPU un rôle de traitement neuronal et ASIC un circuit conçu pour une application particulière. Un TPU est un ASIC, mais cela ne signifie pas qu'il exécute un seul modèle fixe. Notre guide des accélérateurs IA détaille ces catégories matérielles.

Ce que les architectures de puces IA optimisent

De nombreux calculs d'apprentissage automatique portent sur des tenseurs, c'est-à-dire des tableaux de valeurs. Les processeurs IA intègrent souvent des unités d'exécution parallèles et des fonctions arithmétiques matricielles spécialisées pour ces opérations. Les CPU restent utiles, notamment pour le contrôle de l'application et la préparation des données ; les CPU modernes peuvent aussi exécuter des calculs parallèles.

La précision numérique influence la vitesse et la demande en mémoire. Les formats de moindre précision peuvent réduire le volume de données traité et stocké, mais le modèle doit toujours atteindre la qualité visée. Une valeur maximale obtenue avec des opérations parcimonieuses de faible précision n'est pas directement comparable à un résultat dense de précision supérieure.

L'entraînement et l'inférence sollicitent aussi le matériel différemment. L'entraînement doit prendre en charge le processus d'apprentissage et son état associé. L'inférence utilise un modèle entraîné ; sa mémoire et ses temps de réponse dépendent notamment de la taille des lots, de la longueur du contexte et des requêtes simultanées. La capacité mémoire, la bande passante et les communications entre puces peuvent limiter le travail avant que le débit arithmétique maximal soit atteint.

La conception des puces et le développement logiciel sont donc liés. Une opération prise en charge en principe par le matériel exige encore un compilateur, un noyau de calcul et un chemin d'exécution fonctionnels dans l'application déployée.

Les grands concepteurs d'accélérateurs

NVIDIA

NVIDIA conçoit des GPU ainsi que les logiciels et interconnexions qui les accompagnent. Sa plateforme Blackwell illustre cette approche à l'échelle du système : le processeur, la mémoire, les connexions entre accélérateurs et la configuration du déploiement influencent tous le résultat. Les clients accèdent au matériel NVIDIA par des fournisseurs de serveurs, des services cloud ou des systèmes complets.

Pour une équipe de développement, la question concrète est de savoir si ses frameworks, bibliothèques et implémentations de modèles prennent en charge le GPU choisi. L'annonce d'un nouveau produit ne rend pas inutilisable un système existant encore pris en charge. Comparez la configuration matérielle et logicielle que vous pouvez obtenir.

AMD

Les accélérateurs Instinct d'AMD visent l'IA en centre de données et le calcul haute performance. Le catalogue comprend la famille MI400 et des générations antérieures. AMD développe aussi la plateforme logicielle ROCm pour programmer et déployer les accélérateurs compatibles.

Évaluez le modèle précis, le système d'exploitation, la version du framework et les noyaux de calcul nécessaires à votre application. La disponibilité d'un framework chez deux fournisseurs ne garantit pas une prise en charge identique des extensions, des étapes d'installation ou des performances. Incluez le portage et la validation dans votre comparaison.

Intel

La famille d'accélérateurs Gaudi d'Intel comprend Gaudi 3 pour les tâches d'IA, avec des logiciels et des configurations système associés. Considérez ces systèmes comme des options de déploiement précises, sans supposer que toute machine équipée d'un processeur Intel contient un accélérateur Gaudi.

Distinguez le rôle du CPU de celui de l'accélérateur dans les caractéristiques techniques. Le processeur hôte, l'accélérateur IA, le réseau et la mémoire peuvent chacun limiter une tâche. Affirmer qu'une puce est plusieurs fois plus rapide ne suffit pas sans connaître le modèle, la précision, la taille du système et les conditions du test.

Les fournisseurs cloud qui développent leurs puces IA

Google

Google conçoit des Tensor Processing Units et donne accès à des configurations prises en charge dans Google Cloud. Son catalogue TPU actuel indique qu'Ironwood est généralement disponible et le distingue des futurs TPU 8t et TPU 8i. Cette différence de statut compte pour planifier un déploiement.

Choisir un TPU implique de considérer la configuration cloud proposée, les logiciels compatibles, la capacité et la localisation des données. Comparez le service complet à une option GPU, plutôt que le débit arithmétique théorique d'une puce au résultat applicatif d'un serveur loué.

Amazon Web Services

AWS développe les processeurs Trainium et Inferentia. Trainium ne se limite pas à l'entraînement : les UltraServers EC2 Trn3, équipés de Trainium3, prennent en charge l'entraînement et l'inférence avec les logiciels AWS Neuron. Il s'agit d'une famille de services disponible, et non d'une simple sortie prévue pour fin 2025.

Vérifiez la compatibilité des modèles, le comportement du compilateur, la capacité des instances et les services AWS utilisés par l'application. Passer d'une implémentation GPU à cette plateforme peut exiger des changements, même avec un framework familier. Tout gain de performance annoncé doit être lu avec la configuration du test.

Microsoft

Microsoft développe les accélérateurs Maia pour son infrastructure IA. Dans sa mise à jour d'octobre 2026, Microsoft indique que Maia 200 traite des tâches en production et que Maia 300 est prévu pour 2027.

Cette annonce ne signifie pas qu'un lecteur peut commander un serveur Maia 300 ou louer dès maintenant une instance librement accessible. Distinguez un accélérateur utilisé au sein des services d'un fournisseur d'un produit d'infrastructure public dont l'accès client est documenté. Évaluez le service que vous pouvez utiliser.

Les spécialistes des processeurs IA

Cerebras

Cerebras développe des processeurs à l'échelle d'une plaquette de silicium, bien plus grands qu'une puce individuelle classique. Sa page produit actuelle présente le WSE-3 Turbo et les systèmes CS-4. Cette architecture diffère de l'ajout de plusieurs cartes GPU ordinaires à un serveur.

Comparez les tâches prises en charge et les modes d'accès à l'échelle du système ou du service. Les nombres de cœurs de calcul et la bande passante de mémoire intégrée de Cerebras ne sont pas directement comparables aux nombres de cœurs GPU et à la bande passante de mémoire externe.

Groq

Groq développe des technologies d'inférence et propose un accès par GroqCloud. Sa relation avec NVIDIA a changé avec un accord de licence non exclusive annoncé en décembre 2025. L'annonce précisait que Groq resterait une entreprise indépendante et que GroqCloud continuerait de fonctionner.

Pour une équipe applicative, il faut tester les modèles, les limites de contexte et de requêtes ainsi que le comportement des réponses du service. Une vitesse de génération élevée pour un modèle ne prouve pas un résultat identique avec un autre modèle ou un autre niveau de concurrence.

SambaNova

SambaNova développe des Reconfigurable Dataflow Units, ou RDU, et des systèmes qui les utilisent. Sa documentation produit RDU décrit la génération SN50 et son utilisation de plusieurs niveaux de mémoire pour l'inférence.

Évaluez les modèles pris en charge et le déploiement complet, y compris les autres accélérateurs éventuellement utilisés. Ne transformez pas une valeur maximale théorique du processeur en gain universel pour les applications. L'inférence peut comporter des étapes distinctes avec des besoins différents en calcul et en mémoire.

Tenstorrent

Tenstorrent développe des processeurs IA et des logiciels, dont la famille Blackhole. Son annonce des produits Blackhole pour développeurs décrit des cartes PCIe, des cœurs RISC-V intégrés et des composants logiciels open source.

L'open source facilite l'inspection et le développement, mais ne rend pas automatiquement tous les modèles portables ni toutes les conceptions matérielles ouvertes. Vérifiez la licence et la compatibilité de chaque composant, ainsi que la maturité de la prise en charge de votre tâche.

Les concepteurs de puces IA pour téléphones et ordinateurs

Apple

Apple intègre des composants capables d'accélérer l'IA dans ses propres appareils. L'annonce du M5, par exemple, décrit un Neural Engine et des accélérateurs neuronaux GPU au sein d'un système sur puce. Une « puce IA » n'est donc pas nécessairement une carte d'accélération distincte.

Pour une application locale, vérifiez l'appareil compatible, la capacité mémoire, le système d'exploitation et le framework d'exécution. Acheter un appareil doté d'une accélération IA est une décision différente de la location d'un système de centre de données équipé de plusieurs accélérateurs.

Qualcomm

Le NPU Hexagon de Qualcomm fait partie de son approche de l'IA sur appareil pour les plateformes compatibles. Les ressources CPU, GPU et NPU peuvent travailler ensemble au lieu de confier toutes les opérations à un seul processeur.

La mesure utile est la capacité de l'application à respecter les contraintes de mémoire, d'énergie et de temps de réponse de l'appareil. Le traitement local peut réduire le recours à un service distant pour les tâches compatibles, mais le nom de la puce ne prouve pas que l'application conserve toutes les données sur l'appareil.

Les entreprises derrière la fabrication des puces

L'activité de fonderie de TSMC consiste à fabriquer les produits de ses clients. Elle diffère de celle d'une entreprise proposant un accélérateur sous sa propre marque et une plateforme logicielle. Acheter un GPU à son concepteur ou à un fournisseur de serveurs ne revient pas à acheter directement des services de fabrication à TSMC.

Les partenaires de conception sur mesure comptent aussi. La plateforme d'accélérateurs personnalisés de Broadcom décrit un travail couvrant l'implémentation des circuits de calcul, l'intégration mémoire, le réseau et le packaging. C'est une autre raison de ne pas traiter chaque entreprise d'une liste de semi-conducteurs IA comme un substitut direct à NVIDIA ou AMD.

La mémoire constitue une partie distincte de la chaîne d'approvisionnement. Des fournisseurs comme Micron proposent de la mémoire à haute bande passante utilisée dans les systèmes d'accélération. La fabrication, la mémoire, le packaging, l'assemblage des serveurs, l'alimentation et le refroidissement contribuent tous à un déploiement exploitable. L'annonce d'un processeur ne prouve pas la capacité à livrer le système complet.

Comparer les entreprises de puces IA sans chiffres trompeurs

Partez du travail à accomplir. L'entraînement, l'ajustement fin, l'inférence interactive et l'inférence par lots ont des exigences différentes. Un petit modèle peut aussi fonctionner correctement sur un CPU : l'accélérateur doit donc répondre à un besoin démontré.

Question	Éléments à demander	Erreur courante
Le modèle fonctionnera-t-il correctement ?	Opérateurs compatibles, précision, versions des frameworks et contrôles de qualité	Supposer que la compatibilité du framework couvre toutes ses extensions
La mémoire suffira-t-elle ?	Mémoire nécessaire aux poids, au cache, aux activations et à l'environnement d'exécution	Comparer uniquement la taille du fichier du modèle à la mémoire annoncée
Les réponses seront-elles satisfaisantes ?	Délai jusqu'au premier token, débit de génération, concurrence et latence des requêtes les plus lentes	Utiliser le maximum de tokens par seconde comme seul indicateur
La tâche peut-elle passer à l'échelle ?	Tests sur plusieurs accélérateurs et configuration du réseau	Multiplier le débit d'un accélérateur par leur nombre
Combien coûtera le travail terminé ?	Durée complète, utilisation, effort de configuration et totalité des frais	Choisir le tarif horaire le plus bas sans mesurer le temps d'exécution

Ne comparez pas les nombres de cœurs des fournisseurs comme si chaque cœur réalisait le même travail. Les TOPS et FLOPS dépendent aussi de la précision numérique et de l'utilisation éventuelle de la parcimonie des calculs. Distinguez un accélérateur d'un nœud, d'un rack ou d'un cluster complet.

Les résultats MLPerf Inference fournissent un point de départ structuré pour les tâches couvertes. Examinez la version du benchmark, le scénario, l'exigence de qualité et la configuration du système soumis. Un test reproductible constitue une preuve utile, mais votre propre modèle et votre trafic doivent encore être testés.

Notre comparaison des accélérateurs IA et des GPU pour l'inférence approfondit ces questions. Ne considérez pas la capitalisation boursière, les levées de fonds ou une ancienne prévision de taille de marché comme une preuve qu'une puce conviendra à votre application.

Choisir un mode d'accès avant d'acheter du matériel

Trois voies sont courantes : acheter un système, louer des ressources de calcul ou utiliser un service d'inférence géré. La possession du matériel apporte du contrôle, mais ajoute l'approvisionnement et l'exploitation. La location donne accès à une configuration définie, tandis que vous restez responsable des logiciels de votre environnement. Une API gérée prend en charge davantage d'infrastructure, mais vous limite aux fonctions et modèles proposés.

Consultez notre guide de location de ressources de calcul IA pour tester une tâche sans acheter de serveurs. Compute with Hivenet est un service de calcul CPU et GPU, pas un fabricant de puces IA. Comparez ses configurations actuelles à vos exigences logicielles et de capacité.

Quel que soit le fournisseur, vérifiez la disponibilité, les droits d'accès, la localisation des données, le stockage, les frais de transfert et la procédure d'arrêt des ressources facturables. La location peut éviter l'achat initial du matériel ; elle ne garantit pas le coût total le plus bas.

Une liste de vérification pour l'évaluation

1. Définissez le modèle, la qualité visée, le volume de données et le trafic attendu.
2. Retenez les produits compatibles avec les logiciels nécessaires et les besoins en mémoire.
3. Confirmez le mode d'accès, la région, la capacité et les modalités de support.
4. Réalisez un essai représentatif avec les mêmes données d'entrée et contrôles de qualité.
5. Mesurez le coût du travail terminé, le comportement des réponses, l'énergie lorsqu'elle est mesurable et l'effort d'exploitation.
6. Documentez l'exportation des données, la reconstruction de l'environnement et la migration vers un autre système adapté.

Enregistrez les versions exactes du matériel et des logiciels avec les résultats. Un changement de quantification, de noyau de calcul, de traitement par lots ou de version du modèle peut modifier la comparaison sans changer de puce.

Questions fréquentes

Quelles entreprises fabriquent des puces IA ?

Les exemples comprennent NVIDIA, AMD, Intel, Google, AWS, Microsoft, Cerebras, Groq, SambaNova, Tenstorrent, Apple et Qualcomm. Ils couvrent des architectures et des marchés différents. Les fondeurs et fournisseurs de mémoire participent à la production sans nécessairement proposer un service de calcul concurrent.

Qu'est-ce qu'une entreprise de puces « fabless » ?

Une entreprise fabless conçoit des puces et confie leur fabrication à des partenaires industriels. Un fondeur fournit ce service de fabrication. Évaluez le produit fini et les engagements du fournisseur sans supposer que l'entreprise dont le nom figure sur une puce possède son usine.

Les puces IA sur mesure sont-elles toujours meilleures que les GPU ?

Non. Leur intérêt dépend de la tâche prise en charge, des logiciels, de la mémoire, de l'utilisation et du coût du système complet. Un processeur spécialisé peut convenir à un déploiement, tandis qu'un GPU apporte la flexibilité nécessaire à un autre.

Comment lire l'annonce d'une nouvelle génération de puces ?

Distinguez la date de l'annonce, la production, l'accès client et la disponibilité dans votre région. Considérez les performances annoncées comme dépendantes de la configuration du test, et ne planifiez pas une livraison autour de matériel que vous ne pouvez pas encore obtenir.