Selon QbitAI, une IA écrit un code de puce 9,8 % plus rapide que DeepSeek

Une IA qui écrit seule, depuis une page blanche, le code le plus fin d’une puce, et qui fait mieux que les ingénieurs de DeepSeek : c’est ce que rapporte le média chinois QbitAI. Le système s’appelle ForgeKernel. Il aurait battu de 9,8 % un code de référence de DeepSeek, et dominerait trois classements sur les puces Ascend de Huawei. Ces chiffres viennent de l’équipe et de la presse spécialisée, pas d’une vérification indépendante.

Un « opérateur », la recette que la puce exécute

Ce qui est en jeu : la vitesse et le coût de chaque réponse d’une IA. Un modèle d’IA est une très longue suite de calculs. Un « opérateur » est le petit programme qui dit à la puce comment réaliser l’un de ces calculs, en organisant au mieux la mémoire et les opérations. Avec le même modèle et la même puce, un meilleur opérateur donne un résultat plus rapide.

Ces programmes sont aujourd’hui écrits à la main par des ingénieurs rares et chers. Selon QbitAI, CUDA, l’outil logiciel de Nvidia, est devenu dominant grâce à des années d’expertise accumulée. Les puces chinoises, elles, doivent être adaptées à nouveau à chaque génération de matériel et à chaque nouveau modèle.

En clair : un opérateur est une recette de cuisine. CUDA est le gros livre de recettes que Nvidia a mis des années à remplir, et les fabricants chinois doivent écrire le leur.

9,8 % de mieux que DeepSeek, mais sur une puce Nvidia

Le résultat le plus spectaculaire s’est joué lors d’une diffusion en direct. D’après QbitAI, un agent (une IA qui agit seule, sans humain dans la boucle) de ForgeKernel a affronté FlashMLA, la bibliothèque ouverte de DeepSeek pour le calcul d’« attention ». L’attention est le mécanisme par lequel un modèle relie entre eux les mots d’un texte. L’épreuve portait sur la version « Prefill », la phase où le modèle lit la question avant de répondre.

L’IA ne recevait que la définition mathématique du calcul et les contraintes de la puce, une Nvidia B200. Elle n’avait pas accès au code de DeepSeek. Selon le média, voici ce qui s’est passé :

• en moins de 4 heures, le temps de calcul est tombé à 593 microsecondes ;
• vers la 7e heure, l’IA a dépassé FlashMLA pour la première fois ;
• au bout de 22,5 heures, 42 itérations et 32 versions, elle atteint 472 microsecondes, contre 518 pour FlashMLA ;
• le tout avec une seule puce et zéro ligne de code écrite par un humain.

Un détail de lecture : 46 microsecondes gagnées représentent environ 9 % de temps en moins. Le « 9,8 % plus rapide » correspond au rapport des vitesses (518 divisé par 472). Les deux formulations décrivent le même résultat.

Pour donner un repère, QbitAI cite une estimation du cabinet Gartner : environ 1 480 milliards de dollars de dépenses mondiales en infrastructures d’IA en 2026. Un point d’efficacité en plus représenterait donc 14,8 milliards de dollars. C’est un ordre de grandeur calculé par le média. Un seul opérateur plus rapide ne rend pas tout un centre de données 10 % plus efficace, car il ne représente qu’une partie du travail total.

Ascend de Huawei : trois classements, une promesse

Le volet chinois est ailleurs. Selon QbitAI, le 27 octobre, la communauté CANN, l’outil logiciel officiel des puces Ascend de Huawei, a cité ForgeKernel comme premier sur trois classements nommés CANNBench (950DT, 950PR et A3), chacun lié à un type de puce Ascend. Le média ne précise pas ici de page de Huawei consultable.

Sur le classement 950DT, ForgeKernel affiche 4 010,75 points, soit 27,8 % de plus que le deuxième. QbitAI en déduit qu’à matériel égal, la puissance de calcul utile augmenterait de près de 50 %, et le coût d’achat serait réduit d’environ moitié. C’est une extrapolation du média à partir d’un score de test, pas une mesure sur des charges réelles de production.

L’enjeu est connu : le point fort de Nvidia n’est pas seulement ses puces, mais son logiciel. Si une IA peut écrire vite les opérateurs d’une nouvelle puce, le délai entre la sortie du matériel et son bon fonctionnement se réduit. L’équipe affirme que, sur l’optimisation d’un cadre d’entraînement, le gain atteint 20 à 30 % sur puces chinoises, contre 5 à 10 % sur Nvidia. La raison avancée : les opérateurs de CUDA sont déjà très travaillés, ceux des puces chinoises beaucoup moins.

Il faut pourtant garder la nuance. Le record face à DeepSeek a été établi sur du matériel Nvidia, avec CUDA. Que le même système ait réussi des deux côtés est un argument en faveur de sa généralité, mais il ne prouve pas que la dépendance de la Chine à Nvidia diminue. La conclusion de QbitAI, qui parle d’une « boucle » entre modèles, code et puces chinoises, est un point de vue éditorial.

Ce qu’il faudrait pour confirmer

Plusieurs éléments rendent la prudence nécessaire :

• le résultat vient de l’équipe de ForgeKernel, développé par la société chinoise 面壁智能 (ModelBest), et de sa communauté partenaire OpenBMB ;
• l’article de recherche cité, publié le 27 octobre sur arXiv avec l’université Tsinghua, annonce que l’IA bat les bibliothèques humaines sur 8 opérateurs sur 10 sur la B200, et que ForgeKernel égale ou dépasse les experts dans 24 comparaisons sur 29. Ces résultats n’ont pas encore, à notre connaissance, été reproduits par d’autres ;
• un seul opérateur, sur une seule configuration, ne suffit pas à conclure qu’une IA « surpasse DeepSeek ».

Pour valider, il faudrait que des équipes indépendantes rejouent l’expérience sur leur propre B200, avec le code ouvert annoncé par l’équipe. Elles devraient vérifier que le résultat de l’IA est numériquement identique à celui de FlashMLA, tester d’autres tailles de données, et comparer avec la même version de la bibliothèque de DeepSeek. Les opérateurs ont déjà été intégrés à un cadre d’entraînement, qui a servi à entraîner le petit modèle MiniCPM5-1B selon QbitAI. Reste à savoir si le gain se retrouve à grande échelle.

Quand l’IA fait le travail de l’expert

Pour un salarié ou un développeur, la question dépasse les puces. Selon le chercheur Li Yuxuan, cité par QbitAI, une itération sur un opérateur de pointe comme FlashAttention demandait des mois aux experts humains. En interne, une IA ferait mieux que le meilleur code humain en deux jours au plus.

Si cette vitesse se confirme, ce qui devient rare n’est plus l’écriture de chaque ligne. Le média décrit un glissement du « code artisan » vers l’architecte : celui qui prépare l’environnement, fixe les objectifs, définit les critères de vérification. Le code est facile à tester automatiquement, ce qui explique qu’il soit un bon terrain pour ces systèmes. Dans d’autres métiers où le résultat est plus difficile à contrôler, la bascule serait plus lente.

Le point à observer : le code de ForgeKernel est annoncé en libre accès. Si des équipes extérieures publient leurs propres mesures, on saura si les 9,8 % tiennent hors de la mise en scène.

Sources

• AI零帧起手写算子，反超DeepSeek人类手写巅峰：快了9.8%！ – 量子位