• Mobile Cloud et ses partenaires ont combiné des GPU domestiques et des puces neuromorphiques dans un système d'inférence IA qui répartit les calculs du modèle entre les deux processeurs
  • Les développeurs rapportent une baisse de plus de 40 % des coûts d'exploitation par rapport à un cluster GPU domestique comparable lors de tests avec DeepSeek V4 Flash

Le fait

L'activité Mobile Cloud de China Mobile et ses partenaires ont lancé un système d'inférence IA qui combine des GPU domestiques avec des puces neuromorphiques. Le système a été présenté lors de la China Computing Conference de Langfang, dans le Hebei, qui s'est tenue du 11 au 13 septembre.

Le projet a été développé avec le CETC Nanhu Research Institute, Lynxi Technology, Iluvatar CoreX, l'Université Tsinghua et l'Université de Pékin. Les développeurs ont indiqué que des tests avec DeepSeek V4 Flash ont livré un rapport performance-prix plus que deux fois supérieur et réduit les coûts d'exploitation de plus de 40 % par rapport à un cluster GPU domestique similaire. Ces chiffres proviennent de l'équipe de développement et n'ont pas été vérifiés de manière indépendante.

Le système répartit le travail entre les deux types de puces. Les calculs d'attention s'exécutent sur des GPU domestiques, tandis que les calculs FFN sont confiés aux processeurs neuromorphiques. Un compilateur de modèle, un protocole d'interconnexion à haut débit et un moteur d'inférence commun gèrent la répartition des tâches, l'ordonnancement et les résultats. Iluvatar a par ailleurs rapporté 654 millions de yuans de revenus de produits d'inférence au premier semestre 2026, soit 69,2 % de son chiffre d'affaires total.

L'analyse

L'idée est simple: ne pas faire supporter à un seul type de processeur toutes les parties du modèle. Le GPU conserve le travail qui convient à un accélérateur à usage général, tandis que la puce neuromorphique prend les calculs que les développeurs estiment pouvoir exécuter plus efficacement. Si cette répartition tient en production, un opérateur cloud pourrait réduire le coût du service des requêtes IA sans remplacer l'intégralité de son parc GPU.

La partie difficile, c'est tout ce qui se trouve entre les deux puces. Les données doivent se déplacer au bon moment, le logiciel doit décider où s'exécute chaque calcul, et aucun des deux processeurs ne peut attendre trop longtemps l'autre. Une économie mesurée sur une configuration DeepSeek peut se réduire quand les requêtes sont plus longues, le trafic plus dense ou le modèle différent.

Pour les lecteurs de BTW, l'affirmation des 40 % exige donc une comparaison à l'échelle du système complet. Les clients devraient exécuter la même charge de travail avec le même temps de réponse et la même qualité de sortie, en comptant les deux processeurs, l'interconnexion et le logiciel. Si le système hybride coûte toujours moins dans ces conditions, l'architecture devient commercialement intéressante.

À surveiller

Les essais clients devraient montrer le coût du système complet, le temps de réponse et le débit, plutôt qu'un benchmark de pointe de plus. Des résultats sur plusieurs modèles et schémas de trafic révéleraient si l'économie rapportée survit en dehors du test DeepSeek V4 Flash. Des commandes commerciales ou des déploiements par des clients cloud et entreprises constitueraient une preuve plus solide que d'autres démonstrations.