16 960 tokens par seconde : le pari d’AMD sur des puces qui sont le modèle

Décryptage

Ce que ça change pour vous tient en une phrase : la puce qui traitera peut-être vos requêtes dans deux ans ne saura faire tourner qu’un seul modèle, celui qu’on aura gravé dedans à l’usine. AMD a annoncé le 6 août 2026 le rachat de Taalas, jeune société canadienne fondée en 2023. Son pari : cesser de faire tourner un modèle sur une puce, et fabriquer une puce qui est le modèle.

Ce que veut dire graver un modèle dans le silicium

Un modèle de langage, concrètement, c’est un très gros tableau de nombres appelés poids. Sur un accélérateur classique, ces poids vivent dans une mémoire rapide voisine du calculateur, la HBM, et la puce va les y chercher des milliards de fois par seconde. Ce va-et-vient est le goulot d’étranglement de l’inférence, la phase où le modèle répond à une question déjà apprise.

Taalas fabrique ce qu’elle appelle des MSIC, des circuits intégrés spécifiques à un modèle. Selon le compte rendu technique, la puce comporte deux zones : un tissu de rappel en mask-ROM, où les poids sont gravés une fois pour toutes, et un tissu de rappel en SRAM, qui accueille le cache d’attention et les adaptateurs de réglage fin. Les poids ne sont plus des données à charger, ils sont du circuit. Il n’y a plus rien à aller chercher.

L’image juste n’est pas celle d’un ordinateur qui lit une partition, mais celle d’une boîte à musique : le morceau est dans le cylindre.

16 960 tokens par seconde, mais mesurés contre quoi

Les chiffres de performance viennent de l’entreprise, et deux relais spécialisés les ont repris le même jour sans raconter tout à fait la même histoire.

La première puce, la HC1, gravée en 6 nanomètres chez TSMC, aurait servi Llama 3.1 8B à 16 960 tokens par seconde. The Register retient une avance revendiquée de 48 fois sur les GPU Nvidia et de 8,5 fois sur les accélérateurs Cerebras. Un second relais parle, lui, de 73 fois un H200 et d’un dixième de la puissance électrique.

Mis en rapport, ces deux multiplicateurs ne disent pas la même chose : nous avons calculé que l’avance revendiquée pour la même puce fond de plus de huit fois, de 73 fois un H200 à 8,5 fois un accélérateur Cerebras.

La lecture tient en une ligne : plus la puce de référence est elle-même spécialisée, plus l’écart annoncé fond. Le tableau ci-dessous remet les deux générations de Taalas en face des architectures qu’elles prétendent dépasser.

Aucun de ces débits n’a fait l’objet d’une mesure indépendante publiée, et tous portent sur un seul modèle de 8 milliards de paramètres. C’est peu pour trancher, assez pour comprendre la direction prise.

Annoncé, prototype, commercialisé : le calendrier réel

Rien de tout cela n’est en rayon. La HC1 est une puce de test, présentée en février 2026. La HC2, deuxième génération, visait un chargement d’environ 20 milliards de paramètres par puce et était annoncée pour l’été 2026, sans confirmation publique de livraison à ce jour.

Le rachat lui-même n’est pas bouclé. Le communiqué d’AMD précise que l’opération reste soumise aux conditions de clôture habituelles et aux autorisations réglementaires, et The Register situe cette clôture au quatrième trimestre 2026. Le montant n’a pas été divulgué. AMD indique vouloir intégrer la technologie à sa feuille de route d’accélérateurs et bâtir des solutions au niveau système avec ses GPU Instinct, sans avancer la moindre date produit.

Autrement dit : une intention industrielle datée du 6 août 2026, une clôture espérée fin 2026, et un produit dont personne n’annonce le calendrier. C’est la troisième acquisition d’AMD dans l’IA en neuf mois, après MK1 et Mext.

Le compromis central : figée donc sobre, figée donc datée

Voilà le noeud, et il vaut d’être posé sans emballage. Une puce généraliste est lente parce qu’elle doit pouvoir tout faire. Une puce qui contient un seul modèle n’a plus de choix à faire, donc plus de mémoire à interroger, donc moins d’énergie à dépenser. Le prix de cette sobriété, c’est l’immobilité.

Le Register le formule crûment : une fois les puces déployées, vous êtes coincé avec ce modèle, et tout changement plus important qu’un adaptateur de type LoRA impose de refaire tourner la fabrication. La nuance existe : la refonte ne repart pas de zéro, seules deux couches de métal changent, sur plus de cent, et le passage en fabrication demande environ deux mois avec les outils maison. Graver les poids resterait cent fois moins cher qu’entraîner un modèle de pointe.

Le précédent qui vient en tête est celui des circuits dédiés au minage de bitcoin : spécialisation extrême, gain réel, obsolescence rapide dès que la cible bouge. Si vous avez suivi nos articles sur l’empilement du silicium, c’est le même arbitrage, déplacé d’un cran.

Pourquoi la facture électrique rend le pari crédible

Ce genre de pari ne se joue pas sur la vitesse seule. Il se joue sur la prise de courant.

L’Agence internationale de l’énergie estime la consommation électrique des centres de données à environ 415 TWh en 2024, soit près de 1,5 % de l’électricité mondiale, et la projette autour de 945 TWh en 2030, un peu moins de 3 % du total. Les serveurs accélérés, tirés par l’IA, y progresseraient de 30 % par an et pèseraient près de la moitié de la hausse nette.

Côté français, l’ordre de grandeur est plus modeste et mieux documenté : les centres de données consommant plus de 1 GWh par an ont utilisé 4,3 TWh en 2024, soit 1 à 1,5 % de l’électricité consommée en France, en hausse de 31 % depuis 2018, avec 63 % du total concentré en Île-de-France. C’est ce chiffre que le débat sur l’implantation des centres de données fait bouger, et c’est là qu’un gain d’efficacité d’un facteur dix, s’il se confirme, changerait la conversation.

Ce qu’il faut surveiller dans les prochains mois

Trois signaux valent mieux qu’une opinion. Le premier : une date produit. Tant qu’AMD parle de feuille de route sans calendrier, la technologie reste une promesse d’intégration.

Le deuxième : le type de modèles visés. Un modèle figé a du sens pour des tâches stables (reconnaissance vocale, plongements lexicaux, petits modèles de service) et beaucoup moins pour un modèle de pointe remplacé tous les six mois. C’est là que se joue l’utilité réelle du procédé.

Le troisième : qui peut se le payer. Taalas avait levé environ 219 millions de dollars au total, dont 169 millions en février 2026 auprès de Quiet Capital, Fidelity et Pierre Lamond, et son cofondateur et directeur général Ljubisa Bajic dirigeait auparavant Tenstorrent. Fabriquer une puce par modèle suppose un accès continu à la fonderie et une trésorerie que peu d’acteurs alignent. Comme pour les puces photoniques, la question n’est pas seulement de savoir si ça marche, mais qui aura les moyens de s’en servir.

Article créé en collaboration avec l’IA.