La Chine explore un autre type de matériel pour l’IA
En août 2025, l’université du Zhejiang a présenté Darwin Monkey, un ordinateur composé de 960 puces spécialisées capable de simuler plus de deux milliards de neurones artificiels.
Cette annonce a retenu l’attention à un moment où une grande partie du secteur de l’IA se concentrait sur des GPU toujours plus puissants et sur l’infrastructure de calcul qu’exigent les grands modèles de langage.
Mais Darwin Monkey n’a pas été conçu simplement pour concurrencer les serveurs d’IA classiques.
Il est issu de la recherche sur le calcul neuromorphique, une approche qui emprunte certains principes choisis aux systèmes neuronaux biologiques.
Dans le calcul d’IA classique, les processeurs effectuent un grand nombre de calculs numériques. Certains systèmes inspirés du cerveau utilisent plutôt des neurones artificiels qui communiquent par de brefs signaux appelés impulsions.
Les chercheurs cherchent à savoir si ces approches différentes peuvent améliorer certains types de calcul, en particulier lorsque la consommation d’énergie, la réactivité ou les ressources matérielles comptent.
L’université du Zhejiang n’est pas seule sur ce terrain. L’université Tsinghua et d’autres institutions chinoises ont elles aussi mis au point des processeurs expérimentaux et des puces de détection qui abordent le calcul de l’IA autrement.
Ensemble, leurs travaux révèlent une autre orientation du développement de l’IA en Chine, centrée sur le matériel qui sous-tend les systèmes intelligents plutôt que sur les seuls modèles qui s’y exécutent.
Université du Zhejiang : de Darwin3 à Darwin Monkey
Darwin Monkey s’inscrit dans le programme de recherche Darwin, mené de plus longue date par l’université du Zhejiang.
En 2024, des chercheurs de l’université du Zhejiang et du Zhejiang Lab ont publié Darwin3, une puce conçue pour simuler des réseaux de neurones artificiels.
La puce prend en charge un grand nombre de neurones simulés et intègre des mécanismes de communication et d’apprentissage au sein de ces réseaux.
Un an plus tard, l’université a présenté Darwin Monkey, qui relie 960 puces Darwin3 réparties sur 15 serveurs.
Selon l’institution, le système obtenu peut simuler environ 2,25 milliards de neurones et plus de 200 milliards de connexions, pour une consommation électrique typique d’environ 2000 watts.
Ces chiffres décrivent l’échelle de la plateforme de recherche. Ils ne signifient pas que Darwin Monkey possède l’intelligence d’un cerveau humain, et la consommation électrique annoncée ne suffit pas, à elle seule, à établir un avantage sur les GPU.
Comment les chercheurs l’utilisent
L’université du Zhejiang indique utiliser Darwin Monkey pour simuler des réseaux de neurones représentant certains aspects des systèmes nerveux de plusieurs animaux, dont des vers, des poissons-zèbres, des souris et des macaques.
Ce type de travaux peut aider les scientifiques à étudier le comportement de grands réseaux de neurones.
L’université indique aussi avoir exécuté une implémentation inspirée du cerveau d’un modèle de langage lié à DeepSeek.
Ce point est particulièrement intéressant, car il montre que les chercheurs examinent si leur architecture peut prendre en charge des charges de travail d’IA au-delà des simulations en neurosciences.
Les performances de ces démonstrations n’ont pas été établies de manière indépendante par comparaison avec des systèmes classiques équivalents.
Darwin Monkey n’en représente pas moins une réalisation technique considérable : relier des centaines de puces spécialisées en une plateforme opérationnelle pour étudier d’autres formes de calcul.
Sources : université du Zhejiang, 2025 | Série Darwin de l’université du Zhejiang, 2026 | Recherche sur Darwin3, 2024
Alternative textuelle accessible pour cette figure
Un schéma en trois étapes. À gauche, une puce Darwin3. Au centre, 960 puces reliées sur 15 serveurs. À droite, les chiffres annoncés par l’institution : 2,25 milliards de neurones simulés et environ 2000 watts de puissance typique du système. Il s’agit d’un schéma de principe, pas d’un plan de câblage.
Université Tsinghua : d’un vélo autonome à la vision intelligente
Alors que l’université du Zhejiang s’est concentrée sur de grands systèmes de calcul inspirés du cerveau, des chercheurs de l’université Tsinghua ont étudié comment d’autres conceptions de puces peuvent aider des machines à interagir avec leur environnement.
Tianjic : un vélo piloté par l’IA
En 2019, des chercheurs de Tsinghua ont présenté Tianjic, une puce conçue pour prendre en charge différents types de calcul par réseaux de neurones.
Pour en faire la démonstration, ils ont construit un vélo autonome capable de garder l’équilibre, de reconnaître des objets, de suivre des cibles, de répondre à des commandes vocales et d’éviter des obstacles.
Ces activités font appel à des fonctions d’IA différentes.
L’expérience a montré que Tianjic pouvait en prendre en charge plusieurs au sein d’un même système physique.
Il s’agissait d’une démonstration de recherche, et non d’une preuve d’intelligence artificielle générale ni d’un remplaçant des processeurs classiques disponible dans le commerce.
Son apport tenait à l’intégration de différentes méthodes d’IA sur une seule architecture expérimentale.
Alternative textuelle accessible pour cette figure
Un dessin de vélo avec une puce d’IA en son centre, reliée à cinq fonctions présentées dans les travaux de 2019 : équilibre, reconnaissance d’objets, suivi de cible, commandes vocales et évitement d’obstacles.
Tianmouc : une autre approche de la perception visuelle
En 2024, une autre équipe de recherche de Tsinghua a présenté Tianmouc, une puce inspirée de certains aspects de la vision biologique.
Les chercheurs s’attaquaient à un problème concret.
Un véhicule en mouvement a besoin d’informations détaillées sur son environnement, mais il doit aussi réagir rapidement lorsque quelque chose change.
Traiter en continu de grandes quantités d’informations visuelles sollicite les ressources de calcul et la transmission des données.
Tianmouc utilise deux voies complémentaires. L’une capte des informations visuelles détaillées, tandis que l’autre réagit rapidement aux changements dans une scène.
Lors de leurs expériences, les chercheurs ont fait état de vitesses de détection élevées, d’une meilleure gestion des conditions d’éclairage difficiles et d’une réduction de la transmission de données.
Ils ont également testé la puce dans un système expérimental de perception pour véhicule.
Les avantages annoncés ont toutefois suscité des critiques scientifiques.
En juin 2025, des chercheurs indépendants ont publié un commentaire technique dans Nature, qui remettait en question certains aspects de la nouveauté de Tianmouc et de ses comparaisons de performances avec les capteurs de vision existants.
Ces critiques n’établissent pas que la puce n’a pas fonctionné. Elles signifient que les affirmations de supériorité exigent des preuves supplémentaires.
Tianmouc reste un exemple utile de la recherche chinoise sur le matériel d’IA spécialisé, en particulier pour les machines qui doivent interpréter des environnements qui changent rapidement.
Recherche originale : Nature, 2024 | Commentaire technique indépendant, 2025
Alternative textuelle accessible pour cette figure
Deux panneaux montrant la même rue. Le panneau de gauche présente la scène détaillée. Celui de droite ne met en évidence que ce qui change et bouge. Il s’agit d’une explication conceptuelle, pas d’une sortie réelle du capteur Tianmouc.
De nouvelles recherches pour un apprentissage plus efficace
Les chercheurs chinois étudient aussi comment le matériel inspiré du cerveau peut apprendre et s’adapter.
En mars 2026, des chercheurs associés au laboratoire Pengcheng, à l’université de Pékin et à des institutions partenaires ont publié une architecture de calcul conçue pour entraîner des réseaux de neurones à impulsions.
L’équipe a testé sa conception sur du matériel configurable plutôt que sur un processeur commercial finalisé.
Leurs expériences ont démontré un entraînement réparti sur 20 cœurs de traitement, ainsi qu’un dispositif d’apprentissage collaboratif réunissant cinq participants.
Les chercheurs ont fait état d’avantages en matière de performances et d’utilisation de la mémoire dans certaines comparaisons expérimentales choisies.
Ces résultats n’établissent pas que l’architecture est globalement supérieure aux GPU, mais ils témoignent de la poursuite des recherches visant à rendre les systèmes inspirés du cerveau plus pratiques.
Une application possible est l’IA fonctionnant sur des appareils qui disposent de ressources de calcul limitées et ne peuvent pas toujours s’appuyer sur un centre de données distant.
Ces recherches restent expérimentales, et leurs avantages plus larges doivent encore être évalués.
Source : Nature Communications, 2026
Ce que ces puces pourraient changer dans la conception des systèmes d’IA
Les projets chinois examinés ici répondent à des problèmes différents.
Darwin Monkey porte sur les simulations neuronales à grande échelle et sur certaines charges de travail d’IA. Tianjic explore la combinaison de différentes méthodes de calcul. Tianmouc se concentre sur la perception visuelle, tandis que les recherches plus récentes de Pengcheng portent sur l’apprentissage efficace.
Leurs réalisations ne peuvent donc pas être comparées au moyen d’une seule caractéristique technique.
Un système comptant des milliards de neurones simulés n’est pas nécessairement plus performant qu’un système conçu pour traiter rapidement l’information visuelle.
De même, un processeur qui consomme moins d’énergie lors d’une expérience n’apportera pas forcément d’avantage pour un autre type de calcul.
L’initiative internationale NeuroBench, publiée dans Nature Communications en 2025, souligne la nécessité de comparer les systèmes neuromorphiques à partir de tâches, d’exigences de précision et de mesures d’énergie équivalentes.
Cela reste un défi important pour ce domaine.
Les éléments examinés ici établissent l’existence de prototypes de recherche et de systèmes expérimentaux chinois fonctionnels, mais pas un déploiement commercial à grande échelle ni une supériorité générale sur les processeurs d’IA classiques.
Les GPU resteront pertinents pour cet article parce qu’ils offrent un point de référence familier, et non parce que les projets chinois auraient démontré qu’ils pouvaient les remplacer.
Source : NeuroBench, Nature Communications, 2025
La contribution de la Chine au calcul alternatif pour l’IA
Les institutions de recherche chinoises explorent plusieurs approches du calcul qui vont au-delà des architectures couramment associées à l’IA moderne.
L’université du Zhejiang a mis au point des puces spécialisées et les a reliées pour former une grande plateforme expérimentale.
L’université Tsinghua a présenté des processeurs qui combinent des fonctions d’IA et des capteurs qui traitent l’information visuelle différemment.
Des recherches plus récentes étudient les moyens de faire apprendre efficacement les systèmes inspirés du cerveau.
Les résultats restent en grande partie expérimentaux, et leur valeur commerciale reste à établir.
Mais cette orientation mérite d’être comprise.
Une grande partie du développement actuel de l’IA vise à améliorer les modèles en y consacrant davantage de données et de ressources de calcul. La recherche sur le matériel inspiré du cerveau pose une autre question : certaines tâches pourraient-elles être accomplies plus efficacement en changeant, dès le départ, la manière dont l’information est traitée ?
Pour les applications qui font appel à des capteurs, à la robotique et à des appareils fonctionnant avec une alimentation limitée, cette approche pourrait à terme se révéler précieuse.
La Chine n’a pas démontré l’existence d’un successeur universel au GPU. Ses chercheurs mettent au point et testent d’autres approches du calcul qui pourraient se révéler utiles pour certaines applications d’IA.
Leur importance pratique dépendra des performances de ces systèmes en dehors du laboratoire de recherche.
Sources et lectures complémentaires
- Université du Zhejiang, annonce de Darwin Monkey, 2025
- Université du Zhejiang, série Darwin et caractéristiques de Darwin Monkey, 2026
- Darwin3: A Large-Scale Neuromorphic Chip with a Novel ISA and On-Chip Learning, 2024
- Towards Artificial General Intelligence with Hybrid Tianjic Chip Architecture, Nature, 2019
- A Vision Chip with Complementary Pathways for Open-World Sensing, Nature, 2024
- Dynamic Range and Precision of Hybrid Vision Sensors, Nature, 2025
- A Highly Energy-Efficient Multi-Core Neuromorphic Architecture for Training Deep Spiking Neural Networks, Nature Communications, 2026
- The NeuroBench framework for benchmarking neuromorphic computing algorithms and systems, Nature Communications, 2025