La perturbation DeepSeek : impact sur Nvidia et l’industrie des semi-conducteurs

Veuillez noter que VanEck peut avoir des positions dans les entreprises mentionnées dans le présent document.

Le fait que DeepSeek ait récemment annoncé des résultats de grande qualité pour une fraction des coûts habituels a semé le trouble chez les investisseurs et soulevé des questions sur la position dominante de Nvidia. Cependant, il est important de prendre en compte le contexte : les hyperscalers et les grandes entreprises pourraient maintenant se concentrer sur l’exploitation de l’infrastructure d’IA existante pour l’inférence, où Nvidia pourrait encore détenir des avantages significatifs avec son écosystème logiciel et ses produits de nouvelle génération. Par ailleurs, le marché plus large des semi-conducteurs offre des possibilités de diversification, avec des ASIC spécialisés et d’autres fabricants de puces susceptibles de capter la demande. Toutefois, les investisseurs doivent rester conscients des principaux risques, notamment la volatilité du marché, les avancées technologiques disruptives et les incertitudes liées à la réglementation qui pourraient affecter la dynamique du secteur.

L'avancée décisive : Modèle R1 de DeepSeek

• DeepSeek affirme que son modèle R1 offre des performances d’IA compétitives tout en réduisant les coûts d'entraînement de manière significative (source : Reuters, janvier 2024).
• Contrairement aux grands laboratoires d’IA qui s’appuient sur des GPU avancés, DeepSeek affirme avoir utilisé du matériel moins coûteux tout en obtenant d’excellents résultats (source : Bloomberg, janvier 2024).
• Si ces gains d’efficacité sont extensibles, ils pourraient avoir un impact sur les dépenses d’investissement futures des hyperscalers (grands fournisseurs de cloud) dans l’infrastructure d’IA.
• Une question clé se pose pour l’industrie : si de nouveaux modèles peuvent être entraînés à moindre coût, les hyperscalers ont-ils encore besoin d’investissements massifs en GPU pour produire les meilleures performances ?

Les investissements massifs des hyperscalers dans l'entraînement de l'IA

• Au cours des deux dernières années, les principaux fournisseurs de cloud (AWS, Azure, Google Cloud, etc.) ont investi massivement dans des centres de données équipés de GPU Nvidia pour gérer l’entraînement à l’IA à grande échelle.
• La question qui reste en suspens est de savoir comment ces hyperscalers prévoient de rentabiliser cette infrastructure.
• Les commentaires des chercheurs en IA suggèrent aujourd’hui que les gains de performance obtenus grâce à des modèles toujours plus grands pourraient atteindre des rendements décroissants, ce qui inciterait le marché à ne plus investir dans des clusters plus grands, mais à monétiser les modèles existants.
• La dynamique de la puissance des GPU a dès lors le potentiel de basculer de la domination de Nvidia sur le marché vers une augmentation du pouvoir des hyperscalers.
• Cependant, le marché du matériel d’IA est sujet à la volatilité, et l’évolution de la dynamique du secteur pourrait introduire des risques réglementaires et concurrentiels.

Remarque : chaque hyperscaler suit ses propres modèles de monétisation (abonnements Cloud, applications grand public, services d’entreprise, etc.), ce qui réduit la probabilité que l'open source seul les supplante.

Entraînement et inférence dans l’industrie des semi-conducteurs

• L'industrie passe d’une approche axée sur l'entraînement à la phase d’inférence, où des applications concrètes sont possibles, de même que la monétisation.
• Tesla en est une parfaite illustration :
  • Elle entraîne ses modèles de conduite entièrement autonome (ou Full Self-Driving, FSD) dans de grands centres de données.
  • L’inférence se fait dans chaque voiture (edge computing), la voiture exécutant le modèle localement sans faire d’allers-retours constants vers le nuage.
  • Cette inférence basée sur l'edge est monétisée par le biais de frais d’abonnement (par exemple, 99 $/mois pour la FSD) (source : rapport de résultats du T4 2023 de Tesla).

La perturbation de DeepSeek : inquiétudes pour Nvidia et d’autres fabricants de puces

• L’annonce de DeepSeek - l’entraînement d’un modèle très performant sur du matériel moins cher - a fait trembler le marché quant à la future demande de GPU.
• Ce modèle a permis d'infirmer les hypothèses antérieures concernant les principes d'extensibilité. Le R1 a fait mieux avec moins de calcul.
• La préoccupation : si les hyperscalers peuvent obtenir des résultats de haute qualité avec du matériel moins coûteux ou provenant d'autres fabricants, la croissance de Nvidia dans les GPU pour centres de données pourrait ralentir. Ce sentiment a contribué à la chute récente des cours des actions des fabricants de puces d’IA.
• Toutefois, les changements technologiques peuvent être imprévisibles et les politiques réglementaires ou les innovations concurrentielles peuvent modifier ces dynamiques.

Deux façons d’interpréter l’histoire de DeepSeek (et les arguments en faveur de la diversification)

Malgré les titres alarmistes, deux grandes perspectives soulignent la sagesse de diversifier les investissements dans les semi-conducteurs, par exemple, par le biais d’ETF tels que VanEck Semiconductor ETF (SMH). Le secteur des semi-conducteurs peut être confronté à des risques liés à la volatilité du marché, à des avancées technologiques perturbatrices et à des incertitudes réglementaires affectant la dynamique de l’industrie. La décision d’investir dans l’ETF doit être prise en tenant compte de toutes les caractéristiques ou de tous les objectifs de l’ETF tels qu’ils sont décrits dans le DICI, le prospectus et les informations relatives au développement durable, ou dans des documents connexes, comme toute décision d’investissement disponible sur www.vaneck.com.

Si les affirmations de DeepSeek sont entièrement vraies…

• DeepSeek R1 montre qu’il est possible d’entraîner des modèles de haut niveau avec du matériel moins cher.
• Cela n’élimine pas Nvidia, mais accélère potentiellement la fin de la domination quasi-totale de Nvidia dans l'entraînement de l'IA.
• À mesure que la demande en matériel informatique d'entraînement s’élargit, d’autres concepteurs de puces (par exemple, les fabricants d’ASIC, Broadcom, Intel, AMD, les start-ups spécialisées) peuvent gagner du terrain, en particulier dans le domaine de l’inférence, où les puces conçues à cet effet sont efficaces en termes de coûts et d’énergie.
• À retenir : même si la demande en GPU d'entraînement se stabilise, l’écosystème des semi-conducteurs reste un domaine d'opportunités notable.

Si les affirmations de DeepSeek sont exagérées…

• Peut-être que la réalisation de DeepSeek n’est pas aussi révolutionnaire qu’il n’y paraît, ou qu’il existe des contraintes non divulguées.
• Néanmoins, le cycle de l’IA à long terme s’oriente naturellement vers la monétisation des modèles par le biais de l’inférence.
• Cette étape d’inférence pourrait favoriser une variété de solutions matérielles, y compris des ASIC spécialisés, des instances de GPU plus petites et des CPU améliorés. Ces alternatives pourraient renforcer la concurrence avec les GPU haut de gamme de Nvidia en offrant des solutions plus efficaces et plus rentables.
• À retenir : Nvidia peut rester leader dans le domaine de l'entraînement, mais au fur et à mesure que l’IA mûrit, d’autres acteurs se disputeront les différentes parties de la pile matérielle de l’IA.

Les forces persistantes de Nvidia et le passage à l’inférence

• Nvidia reste un leader très innovant dans le domaine du matériel et des logiciels d’IA.
• L'entreprise a annoncé de nouveaux produits conçus pour les charges de travail d’inférence, comme les architectures GPU de nouvelle génération (par exemple, Hopper) et les plateformes spécialisées qui font le lien entre l’entraînement et l’inférence.
• Avec la transition du marché, l’activité GPU de centres de données de Nvidia pourrait connaître une croissance plus standard, mais son écosystème complet (matériel, logiciel CUDA, partenariats d’entreprise) la positionne toujours comme un acteur clé.
• Parallèlement, d’autres fabricants de puces montent en puissance et nous voyons émerger de nouveaux ASIC et CPU, ce qui donne lieu à différentes solutions d’inférence moins coûteuses.

Pourquoi nous privilégions une approche diversifiée

1. Entraînement et inférence : l’industrie a désormais les yeux rivés moins sur l’entraînement massif (où Nvidia dominait) que sur l’inférence (où davantage d’acteurs proposeront des offres compétitives).
2. Monétisation : l’IA est en train d’évoluer vers des déploiements et des abonnements concrets (par exemple, la FSD de Tesla), ce qui souligne l’importance d’un matériel et de réseaux d’inférence efficaces.
3. Le rôle de Nvidia : Nvidia est toujours bien positionnée avec des solutions GPU et logicielles de premier plan, ainsi que de nouveaux produits destinés à l’inférence. Toutefois, l’époque de la demande illimitée de GPU pour les centres de données pourrait céder la place à un marché plus équilibré et multifournisseur.
4. Stratégie d’investissement : dans ce contexte, la diversification dans le secteur des semi-conducteurs (par exemple, via des ETF comme SMH) permet de se prémunir contre d’éventuels changements de leadership sur le marché, des GPU de Nvidia aux ASIC spécialisés et autres innovateurs en matière de matériel.

En fin de compte, le paysage du matériel d’IA reste dynamique. Bien que Nvidia soit bien placée pour rester une force majeure, l’histoire de Deepseek et plus largement le passage à l’inférence met en évidence la valeur d’une exposition étendue à l’ensemble de la chaîne de valeur des semi-conducteurs.

Pour recevoir plus actualités et perspectives sur les ETF, abonnez-vous à notre lettre d’information.