Le piège des dépenses d'investissement occidentales : DeepSeek et l'écart d'efficacité

Points clés à retenir

• L’illusion de 100 millions de dollars : alors que les géants occidentaux comme OpenAI et Google dépensent plus de 100 millions de dollars par cycle de formation de modèle, DeepSeek-V3 a été formé pour seulement 5,6 millions de dollars, prouvant que le calcul par force brute est un choix et non une exigence.
• Sparse Activation Moat : DeepSeek utilise une architecture Mixture-of-Experts (MoE) qui n’active que 37,3 milliards de paramètres sur son total de 671 milliards par requête, atteignant un ratio d’efficacité de 1/18 qui réduit considérablement les coûts d’inférence.
• RL-First Intelligence : en lançant une formation pionnière par apprentissage par renforcement (DeepSeek-R1-Zero), l’équipe a démontré que les capacités de raisonnement peuvent émerger sans ajustements supervisés coûteux et étiquetés par l’humain.
• L’écart d’efficacité : le « fossé informatique » est rapidement remplacé par un « fossé d’efficacité », alors que des entreprises comme DeepSeek atteignent des performances de pointe en utilisant du matériel H800 vieillissant au lieu des derniers clusters H100/H200.

Le fossé informatique se fissure

Le récit est familier : pour construire une IA de classe mondiale, il faut un centre de données à l’échelle souveraine, des dizaines de milliards de capitaux et un pipeline direct vers le matériel NVIDIA. Au quatrième trimestre 2025, ce récit s’est heurté à un mur en or massif. Alors que Microsoft et Google confirmaient un engagement combiné en dépenses d’investissement en IA dépassant $400 milliards pour l’année à venir, une équipe chinoise relativement restreinte a publié DeepSeek-R1, un modèle qui correspond au o1 d’OpenAI en termes de performances de raisonnement à une fraction du coût.

Il ne s’agit pas seulement d’une optimisation mineure ; il s’agit d’une perturbation structurelle de l’économie de l’industrie de l’IA. Pendant deux ans, le « Compute Moat » a été la théorie dominante : l’idée que l’entité possédant le plus de GPU et le plus d’électricité gagne par défaut. DeepSeek a brisé cette théorie en prouvant que l’efficacité algorithmique peut surmonter un désavantage 10x en termes d’échelle matérielle. Si un modèle de classe GPT-4 peut être formé pour le prix d’un appartement de taille moyenne à Manhattan, la barrière à l’entrée pour les opérateurs historiques de la Silicon Valley vient de disparaître.

Approfondissement technique : la maîtrise de l’activation clairsemée

Comment 671 milliards de paramètres sont-ils gérés avec un budget de formation de 5,6 millions de dollars ? La réponse réside dans le Mélange d’experts (MoE) et dans une activation extrêmement clairsemée. Les modèles « denses » traditionnels, comme le GPT-3 ou le GPT-4o d’origine, activent chaque paramètre pour chaque jeton qu’ils génèrent. C’est l’équivalent informatique de réveiller l’équivalent d’une ville entière juste pour demander son chemin à une seule personne.

DeepSeek-V3 et R1 utilisent une architecture MoE spécialisée. Bien que le modèle contienne 671 milliards de paramètres au total, il n’active qu’un sous-ensemble spécifique (environ 37,3 milliards) pour un jeton donné.

Le répartiteur expert

Considérez-le comme une immense bibliothèque où, au lieu d’un seul bibliothécaire essayant de tout savoir, des centaines de chercheurs hautement spécialisés sont disponibles. Lorsqu’une question sur la physique quantique est posée, le “Dispatcher” (le réseau de contrôle) envoie la demande uniquement aux experts en physique. Le calcul ressemble à ceci :

$\text{Active Ratio} = \frac{\text{Active Parameters}}{\text{Total Parameters}} = \frac{37.3 \text{B}}{671 \text{B}} \approx \frac{1}{18}$

Ce ratio de 1/18 signifie que DeepSeek n’effectue que 5,5 % du travail qu’effectuerait un modèle dense de taille totale équivalente. En gardant la grande majorité du modèle « sombre » à tout moment, le système peut intégrer 10 fois plus de connaissances dans le système tout en gardant la vitesse d’inférence et les coûts de formation gérables.

Optimisation matérielle : faire chanter le H800

L’exploit technique le plus impressionnant est peut-être que DeepSeek a obtenu ces résultats sur les GPU NVIDIA H800 : les versions modifiées du H100 limitées par les contrôles internationaux à l’exportation. Ces puces ont une bande passante d’interconnexion 50 % inférieure (400 Go/s contre 900 Go/s) que leurs homologues occidentales. Pour surmonter ce problème, l’équipe DeepSeek a développé un noyau de communication propriétaire qui minimise le transfert de données entre les GPU, « cachant » efficacement le goulot d’étranglement matériel grâce à une ingénierie brillante.

RL-First : Raisonner sans la facture humaine

Le deuxième pilier de l’écart d’efficacité est l’apprentissage par renforcement (RL). Traditionnellement, les modèles d’IA passent par un processus appelé Supervised Fine-Tuning (SFT), dans lequel des milliers d’humains sont payés pour écrire des réponses « parfaites » aux invites. C’est lent, coûteux et limité par l’intelligence humaine.

DeepSeek-R1-Zero a emprunté un chemin différent : du pur RL. Le modèle a reçu un ensemble de règles, un objectif (résoudre un problème mathématique) et un système de « récompense vérifiable ». Si le modèle donnait la bonne réponse, il était récompensé. S’il échouait, il était pénalisé.

Au fil de milliers d’itérations, le modèle a développé sa propre « chaîne de pensée » (CoT) sans qu’un seul humain ne lui montre comment penser. Il a découvert la logique, la correction des erreurs et même le doute de soi entièrement par essais et erreurs. Cette méthodologie, combinée à une phase SFT de « démarrage à froid » dans la version finale R1 pour améliorer la lisibilité, élimine la facture d’étiquetage humain de plusieurs millions de dollars que les entreprises occidentales considèrent comme un coût commercial obligatoire.

Histoire contextuelle : la fin de l’ère de la force brute

Pour comprendre pourquoi cela est important, revenez sur les « lois d’échelle » identifiées par les chercheurs en 2020. L’hypothèse était que si les données et les calculs étaient doublés, l’intelligence augmenterait de manière linéaire. Pendant cinq ans, l’industrie a suivi cette feuille de route avec une ferveur religieuse.

• 2021 : GPT-3 prouve que les paramètres 175B sont le nouveau plancher.
• 2023 : GPT-4 pousse le budget à plusieurs centaines de millions.
• 2024 : Meta Llama 3.1 s’entraîne sur 16 000 H100, pour un coût estimé à 120 millions de dollars.

La sortie de DeepSeek fin 2025 marque la fin de cette ère de la force brute. L’histoire montre que chaque fois qu’une ressource devient prohibitive (calcul/GPU), le marché finit par trouver un moyen de la remplacer par une ressource moins chère : l’intelligence mathématique. L’industrie voit le “Software-Defined GPU” se déployer en temps réel.

Analyse prospective : le piège des dépenses d’investissement

L’industrie entre désormais dans le « piège des investissements occidentaux ». Des sociétés comme Microsoft, Amazon et Google ont déjà engagé des centaines de milliards de dollars dans d’immenses centres de données physiques, en partant du principe que le calcul est un fossé durable.

Mais qu’arrive-t-il au retour sur investissement (ROI) d’un cluster de 100 milliards de dollars si un concurrent peut obtenir le même résultat en utilisant un cluster de 10 milliards de dollars et de meilleurs calculs ?

La compression des marges

Alors que DeepSeek fournit un accès API à 1/30 du prix d’OpenAI o1, une pression déflationniste massive frappe le marché de l’IA. Les entreprises commencent à réaliser qu’elles n’ont pas besoin de payer une « taxe OpenAI » pour les tâches de raisonnement. Cela oblige les fournisseurs occidentaux à choisir :

1. Réduire les prix et détruire leurs propres marges pour être compétitifs.
2. Acceptez la perte de parts de marché à mesure que les développeurs migrent vers des alternatives open source plus efficaces ou moins chères.

Le changement géopolitique

Il ne s’agit pas seulement d’un problème commercial ; c’est une réinitialisation géopolitique. Les contrôles à l’exportation ont été conçus pour priver l’IA chinoise de calcul. En obligeant les équipes chinoises à travailler avec du matériel de qualité inférieure, la communauté internationale les a involontairement incitées à devenir les ingénieurs algorithmiques les plus efficaces au monde. La « mentalité de rareté » a produit une génération de modèles fondamentalement mieux conçus pour le monde réel que les « modèles d’abondance » construits dans la Silicon Valley.

Ce que cela signifie pour vous

Pour un développeur ou un chef d’entreprise, le « Compute Moat » n’est plus une raison valable pour ignorer la concurrence de l’IA. La barrière à l’entrée de l’IA hautement raisonnée est passée du niveau « État souverain » au niveau « Entreprise de taille moyenne ».

Si vous êtes un développeur :

• Arrêtez d’optimiser pour le modèle “le plus grand” et commencez à expérimenter avec des versions distillées de R1.
• Concentrez-vous sur les Agentic Workflows dans lesquels plusieurs petits experts efficaces résolvent les problèmes ensemble plutôt que sur un modèle géant et coûteux.

Si vous êtes un investisseur :

• Examinez attentivement le ratio investissements/intelligence de vos avoirs en IA.
• Demandez : « Construisent-ils un fossé de silicium ou un fossé de mathématiques ? » Les douves de silicium peuvent être contournées aussi facilement que le coffre-fort du centre de données dans l’image du héros.

Le verdict : l’efficacité plutôt que la force brute

La sortie de DeepSeek-R1 au quatrième trimestre 2025 restera dans les mémoires comme le moment où l’industrie de l’IA a cessé de mesurer la puissance en téraflops et a commencé à la mesurer en ratios d’efficacité. Le piège Western Capex est un avertissement pour toutes les entreprises qui construisent actuellement une forteresse informatique de plusieurs milliards de dollars : le calcul de l’écart d’efficacité ne se soucie pas du bilan. En fin de compte, le système le plus intelligent n’est pas celui qui possède le plus de GPU, c’est celui qui en fait le plus avec le moins.

---

Nos sources (4)

• github.com DeepSeek-V3 Technical Report
• io-fund.com NVIDIA Q4 2025 Earnings Analysis
• msdynamicsworld.com Microsoft AI Infrastructure Capex Report
• interconnects.ai The Year in Open Models 2025