Introduction
La WAIC 2026 a fait de Shanghai une vitrine de l'industrie chinoise du calcul IA en pleine expansion. Cette édition a réuni 108 puces et plus de 200 produits de calcul intelligent, couvrant accélérateurs, super-nœuds, systèmes en cluster, piles logicielles, plateformes de calcul scientifique et solutions sectorielles.
Le paysage concurrentiel a changé.
Il y a quelques années, les fabricants mettaient souvent en avant les performances de pointe d'une seule carte. Cette année, les mots-clés récurrents sont l'architecture système, la coordination à grande échelle, l'efficacité de l'interconnexion, la migration logicielle et la capacité de déploiement complet.
Avec l'augmentation de la taille des modèles, le renforcement des états des systèmes d'agents, et les exigences croissantes des charges de travail de science intelligente (IA pour la Science) en matière de calcul généraliste et accéléré, la valeur d'une puce isolée devient de plus en plus difficile à dissocier du système qui l'entoure.
Sur le stand de Tecorigin à Zhangjiang, l'entreprise a présenté une nouvelle puce hétérogène many-core et un système de super-nœud de grande envergure conçu autour du concept d'« intégration de l'IA et du HPC ».
Les produits phares comprennent :
- L'architecture de calcul hétérogène fusionnée HCU
- Le nouveau processeur T2 Ultra
- Le système de calcul à grande échelle HyperIntelliX
- Une communauté de développeurs et une chaîne d'outils de migration améliorées
- Une plateforme de calcul IA4Science développée en interne
- Un système de sécurité pour modèles fondamentaux multi-domaines
Le constat de l'entreprise est clair : le marché ne se demande plus simplement si une puce nationale peut faire tourner un modèle, mais évalue si une plateforme complète peut supporter des charges de travail diversifiées, s'étendre à des clusters de grande taille, réduire les coûts de migration et rester stable en environnement de production.
L'architecture prime sur les performances d'une seule carte
Yang Jinzhe, PDG de Tecorigin, décrit l'état actuel du secteur comme un passage d'une compétition centrée sur les cartes individuelles à une compétition au niveau système.
Cette évolution reflète celle des charges de travail elles-mêmes.
Les grands modèles ont franchi le cap des mille milliards de paramètres. Les systèmes d'agents nécessitent une planification, une ordonnancement, une gestion de la mémoire et une coordination d'outils plus complexes. Les applications de science intelligente ajoutent des exigences de calcul numérique à haut débit, de tâches de longue durée et de double précision stricte.
Lorsque les CPU environnants, la mémoire, les liaisons de communication, le stockage et les logiciels d'ordonnancement ne suivent pas, le simple ajout de cartes accélératrices peut produire des rendements décroissants.
L'objectif n'est plus simplement la puissance de calcul théorique maximale, mais la réduction du coût réel du calcul utile dans l'ensemble du système.
D'autres exposants de la WAIC ont également présenté des stratégies similaires axées sur le système, notamment le Huawei Atlas 950 SuperPoD, le système de super-nœud Xijing de Muxi, et l'infrastructure Lingjun Zhenwu d'Alibaba.
La solution de Tecorigin est son architecture HCU, acronyme de Heterogeneous Converged Unit (architecture de calcul hétérogène fusionnée).
Cette architecture place les ressources CPU généralistes et les cœurs de calcul IA dédiés sur un même bus à haute vitesse. Elle supporte un ratio M:N configurable, permettant à l'équilibre entre les ressources CPU et accélérateur de s'ajuster dynamiquement en fonction de la charge de travail.
Dans le schéma de répartition des tâches proposé :
- Le côté CPU gère les tâches généralistes telles que l'ordonnancement des agents, le contrôle des flux de travail et le prétraitement des données.
- Le réseau de calcul XPA se concentre sur l'entraînement et l'inférence des grands modèles.
- La mémoire hiérarchique partagée gère dynamiquement les données chaudes et froides.
- Le système modifie l'équilibre des ressources en fonction des besoins de la tâche, plutôt que de s'appuyer sur une configuration fixe CPU-accélérateur.
D'un point de vue pratique, cette conception intègre deux types de ressources de calcul au sein d'une même architecture, permettant au système d'allouer les ressources de manière plus flexible.
L'avantage potentiel réside dans une meilleure utilisation sous des charges de travail mixtes. Le système n'a pas besoin de mobiliser le réseau IA à haut débit pour chaque tâche à forte intensité de contrôle, ni de dépendre de CPU hôtes de plus petite taille pour les charges de travail nécessitant beaucoup d'ordonnancement et de coordination.
L'importance du calcul hétérogène many-core pour les agents
Les serveurs IA traditionnels utilisent généralement un CPU associé à quatre à huit GPU ou cartes d'accélération IA.
Dans cette conception, le CPU fait généralement office d'hôte : lancer les tâches, gérer les déplacements de données, traiter le travail du système d'exploitation et coordonner les accélérateurs.
Ce modèle fonctionne bien lorsque l'accélérateur effectue l'essentiel du calcul et que le chemin de contrôle est relativement simple.
L'IA agentique (Agentic AI) brise cet équilibre.
Un agent efficace peut avoir besoin de :
- Interpréter un objectif
- Le décomposer en sous-tâches
- Choisir des outils
- Planifier et ajuster les flux de travail
- Lire et écrire des données externes
- Maintenir une mémoire à long terme
- Coordonner plusieurs modèles ou sous-agents
- Récupérer après des actions échouées
- Gérer les autorisations et les approbations
- Exécuter en continu lors de sessions longues
Bon nombre de ces opérations reposent sur le calcul généraliste plutôt que sur des multiplications matricielles intensives.
L'article source cite les attentes du secteur : historiquement, le ratio CPU/GPU était multiple pour un ; à l'avenir, il pourrait se rapprocher d'un pour un dans certains nœuds, et la demande en CPU pourrait encore augmenter pour les charges de travail à forte intensité d'agents.
Alibaba Cloud a également décrit les agents comme une combinaison d'ordonnancement avec état et d'exécution sans état, ce qui exige un contrôle plus fin des ressources.
L'architecture HCU de Tecorigin vise à répondre à ce changement au niveau du processeur.
En intégrant les ressources CPU et les cœurs IA via une même structure d'interconnexion à haute vitesse, l'entreprise cherche à réduire les frais de transfert de données par rapport aux conceptions hôte-accélérateur totalement séparées.
La traduction des avantages théoriques en résultats concrets dépendra des performances réelles des applications, de la qualité du compilateur, du comportement mémoire, des stratégies d'ordonnancement, de l'efficacité énergétique et de l'utilisation du système.
T2 Ultra : un processeur unique, deux modes de fonctionnement
Le T2 Ultra de Tecorigin est le premier processeur basé sur sa nouvelle architecture HCU.
Sa caractéristique la plus marquante est sa conception bimodale.
Mode de calcul autonome
En mode de calcul autonome, le T2 Ultra peut fonctionner comme un nœud de calcul complet, et non simplement comme un accélérateur supplémentaire.
Il est ainsi adapté pour :
- Les déploiements en périphérie (edge)
- Les petits systèmes de recherche
- Les stations de travail
- Les nœuds de calcul indépendants
- Les environnements où une architecture hôte distincte ajouterait de la complexité
Mode de calcul accéléré
En mode accéléré, le T2 Ultra travaille en collaboration avec le système hôte, agissant comme un moteur de calcul à haut débit au sein d'un serveur ou d'un cluster plus vaste.
Ce mode supporte :
- L'entraînement de grands modèles
- L'inférence à grande échelle
- Les serveurs multi-cartes
- Les super-nœuds
- Les clusters de calcul scientifique
- Les déploiements en centre de données
Ainsi, un même processeur de la série peut remplir divers rôles dans l'infrastructure.
Spécifications publiées du T2 Ultra
Tecorigin et le rapport original listent les spécifications de pointe suivantes :
| Précision ou caractéristique | Spécification annoncée |
|---|---|
| Puissance de calcul HPC FP64 | 38 TFLOPS |
| Puissance de calcul creuse FP16 | 1 200 TFLOPS |
| Puissance de calcul creuse FP4 | 4 800 TFLOPS |
| Couverture de précision | FP64 à FP4 |
| Bande passante inter-puces | 800 Go/s |
| Modes de fonctionnement | Calcul autonome et accéléré |
| Nombre max. de connexions directes par système | Jusqu'à 128 cartes |
Il s'agit de données de pointe fournies par le fabricant.
Les performances FP64 sont particulièrement importantes pour les applications scientifiques et d'ingénierie nécessitant des calculs en double précision. Les formats FP16 et FP4 sont destinés à l'entraînement et à l'inférence IA, permettant d'augmenter le débit lorsque les modèles et les exigences de précision le permettent, en utilisant des formats de précision réduite.
Les données de calcul sparse supposent également que les charges de travail et les logiciels peuvent utiliser les modes de sparse pris en charge. Avant de confirmer la méthodologie de référence, elles ne doivent pas être directement comparées au calcul dense.
La valeur réelle du T2 Ultra dépend de :
- Performances applicatives continues
- Bande passante et capacité mémoire
- Efficacité de l'extension en cluster
- Précision en basse résolution
- Support logiciel
- Fiabilité
- Consommation électrique
- Disponibilité de production
- Coût par charge de travail terminée
L'architecture bimode peut réduire la fragmentation matérielle pour les clients ayant besoin de multiples échelles de déploiement, mais il reste à vérifier l'adaptabilité aux charges de travail cibles.
HyperIntelliX : Fusion du calcul intelligent et du supercalcul
Si le T2 Ultra est le moteur de calcul, alors HyperIntelliX est la plateforme à grande échelle construite sur cette base.
Tianjun positionne HyperIntelliX comme un système de calcul national intégrant les capacités suivantes :
- Calcul intelligent pour l'entraînement et l'inférence de modèles
- Calcul haute performance pour la simulation numérique
- Flux de travail AI4Science
- Interconnexion à grande échelle
- Infrastructure modulaire refroidie par liquide
- Logiciels et gestion des ressources partagés
![L'image montre la plateforme de fusion super-intelligente Tecorigin T2 Ultra
- HyperIntelliX, mettant l'accent sur sa nouvelle génération de système de calcul intégré IA + supercalcul national adapté aux modèles massifs de billions de paramètres et au calcul scientifique AI4S. À gauche, l'apparence de la plateforme ; à droite, un tableau présentant ses paramètres clés, dont la taille du super-nœud à 128 cartes, la puissance de calcul inférence de 614 Po, la puissance de calcul entraînement de 307 Po, la puissance de calcul HPC de 4,8 Po, la capacité mémoire de 18,4 To, la bande passante mémoire de 512 To/s, la bande passante d'interconnexion de 102,4 To/s].
4 To/s, 16 nœuds de calcul, 8 nœuds de commutation, prenant en charge deux modes de fonctionnement : calcul autonome et calcul accéléré.](https://we0-cms.oss-cn-beijing.aliyuncs.com/cms-assets/image/2026/07/0cf00195-6d6f-494c-b802-71d1354bd2dd-155674a0-c083-4fa4-92f3-c1640b85e6b8.jpeg)
L'entreprise indique que le système adopte une conception modulaire refroidie par liquide, avec un PUE cible inférieur à 1,1, et peut être étendu via une interconnexion optique à un cluster comprenant jusqu'à 100 000 cartes.
Il vise à exécuter simultanément des charges de travail de modèles massifs et des applications de calcul scientifique avec une seule famille matérielle.
C'est le sens fondamental de la fusion du supercalcul et du calcul intelligent.
Les clusters d'IA traditionnels sont généralement optimisés pour les opérations tensorielles, l'entraînement ou l'inférence de modèles. Les supercalculateurs traditionnels peuvent privilégier les charges de travail FP64, de type MPI, les simulations numériques volumineuses et des performances parallèles soutenues.
L'IA pour la science combine de plus en plus les deux.
Un flux de travail de recherche peut utiliser la simulation traditionnelle pour générer des données, entraîner un modèle neuronal de substitution, exécuter des prédictions assistées par IA, puis revenir à la validation numérique. Maintenir des infrastructures séparées pour chaque étape entraîne des doublons de coûts matériels, logiciels et opérationnels.
HyperIntelliX vise à fournir une plateforme unifiée sous-jacente pour ces deux types d'applications.
L'affirmation selon laquelle il s'agit de la première plateforme de fusion à grande échelle de calcul intelligent et de supercalcul provient de l'entreprise et du rapport original. Les critères de classification dépendent de la définition des systèmes concurrents et des déploiements antérieurs, et ne doivent donc pas être considérés comme un classement de marché établi indépendamment.
Cette plateforme n'est pas seulement destinée aux grands modèles
Teciphy met l'accent sur le fait qu'HyperIntelliX ne se limite pas à l'entraînement et à l'inférence d'IA générale.
L'entreprise a présenté trois projets représentatifs d'IA pour la science :
- Visualisation des prévisions météorologiques mondiales
- Simulateur quantique classique TecoQSim
- Criblage virtuel de médicaments à grande échelle
Ces charges de travail imposent des exigences différentes de celles des applications typiques de chatbot ou de recherche.
Le calcul scientifique nécessite généralement :
- Haute concurrence
- Débit de données élevé
- Tâches de longue durée
- Exécution stable pendant des heures ou des jours
- Opérations en double précision
- Systèmes mémoire distribués de grande taille
- Bibliothèques de calcul numérique dédiées
- Résultats reproductibles
- Intégration avec des codes de recherche existants
L'équipe de Teciphy comprend des participants à des systèmes et projets ayant remporté le prix Gordon Bell (l'un des prix les plus prestigieux dans le domaine du calcul haute performance).
Cette expérience soutient la décision de l'entreprise de se lancer dans l'IA pour la science, bien que les réalisations historiques de l'équipe ne puissent prouver indépendamment les performances des nouveaux produits.
Sciences de la vie
Les travaux décrits dans les documents officiels d'IA pour la science de Teciphy incluent :
- Collaboration avec les équipes PaddlePaddle et Sunway pour une reproduction nationalisée d'AlphaFold3
- Adaptation et
Optimisation d'UCSF DOCK 3.7 avec l'Université du Shandong
- Développement de CrossDNA avec l'Université du Hunan
Ces projets ciblent la prédiction de structure des protéines, le docking moléculaire, le criblage virtuel de médicaments et la modélisation du langage génomique.
Météo et climat
Tecorigin a collaboré avec l'équipe de calcul scientifique de Baidu pour développer un système météorologique national capable de visualiser la température, le vent, les précipitations et les trajectoires des typhons.
La prévision météorologique nécessite le traitement d'ensembles de données spatio-temporelles massifs et la capacité de combiner modèles numériques et systèmes d'apprentissage automatique.
Simulation quantique
Tecorigin a développé TecoQSim avec l'équipe de l'Université Tsinghua, un simulateur classique pour systèmes quantiques.
La plateforme utilise la contraction de tenseurs complexes et le calcul numérique haute performance pour simuler le comportement quantique sur du matériel de calcul traditionnel.
Mécanique des fluides et science des matériaux
L'entreprise a également décrit des pratiques en mécanique des fluides numériques, modèles multimodaux scientifiques, science des matériaux, chimie et autres domaines combinant simulation et IA.
Ces collaborations illustrent l'étendue d'application attendue de la plateforme. Les données de performance de chaque projet restent dépendantes de leur configuration spécifique et de leur méthode d'évaluation.
La migration écologique est le plus grand défi du calcul national
Un matériel puissant seul ne suffit pas si les développeurs ne peuvent pas migrer leurs charges de travail vers le nouveau matériel.
Tecorigin a lancé deux produits écologiques lors de la Conférence mondiale sur l'IA, visant à réduire les coûts de migration.
Le premier est la Communauté des développeurs d'IA 2.0.
L'entreprise indique que la plateforme prend en charge les principaux systèmes d'entraînement et d'inférence suivants :
- Megatron-LM
- DeepSpeed
- PaddlePaddle et PaddleHelix
- PyTorch
- vLLM
- SGLang
- Transformers
- LLaMA-Factory
La chaîne d'outils couvre les étapes suivantes :
- Analyse de modèle
- Migration
- Développement d'opérateurs
- Compilation
- Optimisation des performances
- Débogage de précision
- Déploiement
- Gestion de l'exécution
Le deuxième produit est une toute nouvelle plateforme de calcul nationale AI4Science.
Creez un site vitrine et genere des leads en quelques minutes
Decrivez votre idee une fois, et We0 AI peut generer un site vitrine, des pages et un CMS, puis vous aider a attirer clients et trafic apres le lancement.
Une génération de projet complète pour une inscription gratuite
Idéal pour essayer un flux de génération complet et voir rapidement une première ébauche de projet.
Cette plateforme, conçue pour les charges de travail de calcul scientifique, intègre :
- Ordonnancement des ressources de calcul
- Gestion des tâches
- Environnement de développement
- Suites de calcul scientifique
- Modèle de programmation Taichu
- Bibliothèques d'accélération généralistes et spécialisées par domaine
- Outils de génération d'opérateurs
- Optimisation du compilateur
- Analyse de performance
Selon la page officielle du produit, cette plateforme prend en charge les CPU courants et nationaux, y compris Loongson, Sunway, Phytium, x86 et
d'autres systèmes.
Elle supporte également les frameworks suivants :
- PyTorch
- JAX
- PaddlePaddle
- MindSpore
- vLLM
Le DevKit associé vise à réduire le coût d'écriture et d'optimisation des opérateurs.
Pourquoi la migration prend du temps
Un modèle qui parvient à démarrer n'est pas nécessairement prêt pour la production.
La migration peut nécessiter un travail à plusieurs niveaux :
- Remplacer les opérateurs non supportés
- Porter les noyaux personnalisés
- Mettre à jour le système de construction
- Convertir le format du modèle
- Valider la précision numérique
- Reproduire les résultats de référence
- Améliorer l'efficacité mémoire
- Optimiser le mécanisme de communication
- Ajuster la stratégie de parallélisation
- Tester la reprise après panne
- Mettre à jour les outils de surveillance et de déploiement
La source originale cite une estimation du secteur, selon laquelle une adaptation complète prendrait de trois à six mois, dont environ 60 % du temps consacré à l'optimisation des performances.
Cette estimation n'est pas universellement applicable. La migration de modèles standards utilisant des opérateurs supportés peut être plus rapide, tandis que les codes de recherche personnalisés de grande envergure nécessitent plus de temps.
Le point crucial est que le coût de migration mesure le temps d'ingénierie et le risque opérationnel, et non pas simplement l'installation du logiciel.
Deux grandes stratégies écosystémiques
La source originale classe les écosystèmes d'accélérateurs nationaux en deux grandes catégories.
Écosystème orienté compatibilité
Cette voie s'efforce de préserver les modèles de développement familiers et de minimiser les modifications des charges de travail existantes.
Le fournisseur peut proposer ses propres compilateurs, environnements d'exécution, bibliothèques d'opérateurs et outils de migration, tout en supportant les frameworks et modèles de programmation largement utilisés.
L'avantage réside dans la réduction des frictions de transition.
Le risque est qu'il est difficile de maintenir une compatibilité totale avec un écosystème mature et en évolution rapide. Des différences subtiles de sémantique ou de performance peuvent apparaître dans les charges de travail avancées.
Écosystème indépendant
La deuxième voie construit un environnement logiciel plus indépendant, par exemple l'écosystème correspondant à la pile technologique MindSpore et Ascend de Huawei.
Cela permet un contrôle et une optimisation plus profonds autour de son propre matériel.
Le prix à payer est que les développeurs peuvent devoir apprendre de nouveaux outils ou apporter des modifications plus importantes à leurs flux de travail.
Les documents publics de Tecorigin indiquent qu'elle suit une voie plus proche de l'orientation compatibilité. Son site web officiel décrit le support des modèles et frameworks courants, et affirme que sa pile logicielle peut s'adapter à plus de 40 familles de modèles.
La source originale estime que cette voie peut couvrir 80 % à 90 % des scénarios courants. Cette fourchette est une description générale de la part du fournisseur ou du secteur, et ne garantit pas que chaque charge de travail puisse être migrée sans modification.
Construire un écosystème AI4Science
Le travail écosystémique de Tecorigin comprend des collaborations avec des universités, des instituts de recherche et des entreprises.
La source originale liste les cas suivants :
- TecoQSim en collaboration avec l'Université Tsinghua
- Plateforme quantique-supercalcul-intelligence artificielle en partenariat avec SpinQ
- Adaptation de RiverONE et validation sur plateforme Loongson
- Support de l'infrastructure AtomWorld de l'Institut de Recherche sur l'Industrie Intelligente (AIR) de l'Université Tsinghua
- Reproduction d'AlphaFold3 avec PaddlePaddle et l'équipe Sunway
- CrossDNA en collaboration avec l'Université du Hunan
- Optimisation du docking moléculaire avec l'Université du Shandong
- Solutions AI4Science en partenariat avec Baidu PaddlePaddle
- Plateforme nationale de calcul météorologique
Applications en collaboration avec l'équipe de calcul scientifique de Baidu
- Travail sur le calcul énergétique en partenariat avec Dongrun
- Adaptation du modèle scientifique multimodal Intern-S1 du Laboratoire d'Intelligence Artificielle de Shanghai
Le site web officiel de Tecorigin confirme plusieurs des projets ci-dessus et décrit plus de 40 familles de modèles adaptés, couvrant les scénarios linguistiques, multimodaux, de code et d'AI4Science.
Cette source indique également que l'entreprise a collaboré avec plus de 100 universités, instituts de recherche et partenaires industriels.
Le nombre de partenaires et le total des adaptations sont des données auto-déclarées par l'entreprise. Ces chiffres témoignent de la vitalité de l'écosystème, mais ne prouvent pas en eux-mêmes la profondeur, l'échelle de production ou le succès commercial de chaque déploiement.
La stratégie centrale reste claire :
La puce est la clé pour entrer sur le marché, mais ce sont les logiciels et l'écosystème applicatif qui déterminent si la plateforme peut continuer à créer de la valeur.
Système de sécurité global pour grands modèles de langage
Cette édition de la WAIC a également vu le lancement d'un système de sécurité global pour grands modèles de langage, co-construit par sept institutions :
- Henan Konggang AI Computing Center
- RealAI
- Tecorigin
- Anshi Information
- Qingyuan Zhiqian
- Dianshu Technology
- Shu'anxin
La source originale décrit ce système comme une architecture en couches.
La couche inférieure est une base de calcul fiable nationale. Au-dessus, se trouve une plateforme intégrée d'évaluation et de gouvernance. Les couches supérieures couvrent :
- Évaluation de la sécurité des grands modèles
- Conformité des données
- Sécurité des données
- Sécurité de la chaîne d'approvisionnement logicielle
- Formation et éducation à la sécurité
Cela peut sembler sans rapport avec les performances des processeurs et des clusters, mais la sécurité devient de plus en plus une composante essentielle de l'état de préparation de l'infrastructure.
Les secteurs gouvernemental, financier, médical et autres secteurs réglementés ne peuvent pas déployer un modèle simplement parce qu'il s'exécute rapidement. Ils ont besoin de contrôles couvrant les données, les autorisations, les composants logiciels, le comportement du modèle, l'audit et la conformité.
La valeur de ce système de sécurité conjoint dépendra de ses normes, de sa couverture, de ses méthodes de test, de la qualité de son intégration et de sa validation indépendante.
Un diagramme en couches n'est pas équivalent à une garantie de sécurité opérationnelle.
Stratégie d'infrastructure à trois niveaux
La source originale résume la combinaison de présentations de Tecorigin à cette WAIC en trois niveaux interconnectés.
Niveau inférieur : Systèmes matériels et de calcul
- Architecture de calcul hétérogène fusionnée HCU
- Processeur T2 Ultra
- Système de calcul HyperIntelliX
- Interconnexion à grande échelle
- Infrastructure de cluster refroidi par liquide
Couche intermédiaire : développeurs et plateforme AI4Science
- Communauté des développeurs IA 2.0
- Adaptation des frameworks
- Développement d'opérateurs
- Compilateurs et outils de performance
- Plateforme AI4Science
- DevKit et bibliothèques d'accélération
Couche supérieure : sécurité et applications sectorielles
- Sécurité des grands modèles tous domaines
- Collaboration en recherche
- Charges de calcul en météorologie, quantique, sciences de la vie, matériaux, etc.
- Déploiement en entreprises et dans le secteur public
Chaque couche se renforce mutuellement.
Une puce sans support logiciel a un champ d'application limité. Un logiciel sans matériel fiable ne peut exprimer sa performance. Sans gouvernance ni sécurité, l'ensemble peine à être déployé dans des secteurs sensibles.
Ainsi, Tecorigin se positionne non pas comme un simple fournisseur d'accélérateurs alternatifs, mais comme le bâtisseur d'une pile d'infrastructure IA plus large.
La WAIC 2026 : un test de maturité pour le calcul national
La source place Tecorigin dans un marché plus large de puces nationales, incluant des acteurs comme Huawei Ascend, Cambricon, Muxi et Haiguang.
Plusieurs données de comparaison — objectifs de production, croissance des revenus, capitalisation boursière et nombre de modèles adaptés — sont récentes et issues de déclarations ou rapports financiers des entreprises. Ces données ne sont pas nécessaires pour évaluer l'architecture de Tecorigin et peuvent évoluer rapidement.
Une observation plus durable est que le calcul IA national passe d'une adoption pilotée par les politiques à une validation accrue par le marché.
Les clients posent de plus en plus ces questions :
- Le matériel peut-il être livré à grande échelle ?
- Les grands clusters restent-ils stables ?
- Le logiciel supporte-t-il les modèles actuels majeurs ?
- Combien de temps prend la migration ?
- Quel est le coût réel par charge de travail ?
- Les ingénieurs peuvent-ils diagnostiquer les problèmes ?
- Les performances se maintiennent-elles après une mise à jour de modèle ?
- La plateforme est-elle suffisamment sécurisée pour les données réglementées ?
- Le fournisseur assure-t-il un support sur tout le cycle de vie du système ?
La différenciation de Tecorigin réside dans sa tentative de supporter à la fois l'IA et le calcul scientifique via une architecture unifiée.
L'opportunité est claire : les charges de travail AI4Science exigent à la fois une haute précision numérique et des capacités d'accélération IA modernes.
Le défi est tout aussi clair : l'entreprise doit prouver :
- Une production fiable à grande échelle
- Des déploiements stables à l'échelle de dizaines de milliers de cartes
- Une haute utilisation
- Une forte compatibilité logicielle
- Une capacité de réutilisation des adaptations de modèles
- Un coût total de possession compétitif
- Un support technique durable
- Une validation de performance indépendante
Passer de « fonctionnel » à « facile à utiliser » est une étape décisive que tout écosystème de calcul alternatif doit franchir.
La vraie compétition porte sur la complétude des systèmes
La WAIC 2026 montre que l'ère de la compétition basée sur la seule performance de calcul de pointe touche à sa fin.
L'infrastructure IA moderne nécessite la coordination de :
- Calcul généraliste
- Calcul accéléré
- Mémoire
- Interconnexion
- Stockage
- Refroidissement
- Compilateurs
- Frameworks
Bibliothèque d'opérateurs
- Ordonnancement de clusters
- Adaptation de modèles
- Logiciels de calcul scientifique
- Sécurité et gouvernance
Le T2 Ultra est la dernière réponse de Tecorigin au niveau de la puce, HyperIntelliX est sa réponse au niveau système, tandis que la plateforme développeur et la pile technologique AI4Science constituent sa réponse écosystémique. L'architecture de sécurité conjointe vise à répondre aux besoins de déploiement dans des environnements sensibles.
Cette gamme de produits est ambitieuse, et de nombreuses propositions technologiques doivent encore être validées à l'échelle de la production.
Néanmoins, elle manifeste déjà la bonne unité de compétition.
L'avenir du paysage du calcul national ne dépendra pas de la société affichant le pic théorique le plus élevé lors d'une exposition, mais de celle dont le système peut faire fonctionner des charges de travail à forte valeur ajoutée de manière stable, migrer efficacement l'écosystème logiciel et assurer la viabilité économique après le déploiement.
Foire Aux Questions
Qu'est-ce que le T2 Ultra de Tecorigin ?
Le T2 Ultra est un processeur hétérogène many-core de nouvelle génération basé sur l'architecture HCU, supportant les modes autonome et accélérateur, et couvrant les formats de précision de FP64 à FP4.
Qu'est-ce que l'architecture HCU ?
HCU signifie Architecture de Calcul Hétérogène Fusionnée. Elle intègre des ressources CPU et des cœurs de calcul IA sur un réseau d'interconnexion haute vitesse partagé, permettant d'ajuster dynamiquement leur ratio en fonction des charges de travail.
Qu'est-ce qu'HyperIntelliX ?
HyperIntelliX est le système de calcul massif convergé que Tecorigin a lancé pour l'IA et le calcul scientifique haute performance. Il est centré sur le T2 Ultra et intègre le refroidissement liquide, l'interconnexion à grande échelle et une plateforme logicielle partagée.
Pourquoi le T2 Ultra supporte-t-il le FP64 ?
Le FP64 est crucial pour les simulations scientifiques et les calculs d'ingénierie nécessitant une haute précision numérique. Ce support permet au processeur de répondre aux applications AI4Science et HPC traditionnelles, plutôt que de se concentrer uniquement sur l'inférence IA en basse précision.
Le matériel Tecorigin peut-il exécuter les frameworks IA majeurs ?
Les documents officiels indiquent le support de frameworks et d'outils tels que PyTorch, PaddlePaddle, Megatron-LM, DeepSpeed, vLLM, SGLang, Transformers, JAX, MindSpore. La profondeur spécifique du support et l'effort de migration varient selon les modèles et les opérateurs.
Qu'est-ce que la plateforme AI4Science de Tecorigin ?
Cette plateforme est une plateforme de calcul scientifique fusionnée intégrant du matériel national, l'ordonnancement des tâches, l'environnement de développement, le modèle de programmation, les bibliothèques de calcul scientifique, les outils d'opérateurs et le support des frameworks. Elle couvre des domaines comme les sciences de la vie, la météorologie, la simulation quantique, la mécanique des fluides et la science des matériaux.
Les données de performance du T2 Ultra sont-elles validées indépendamment ?
Les performances de pointe en FP64, FP16, FP4, ainsi que les spécifications d'interconnexion et d'extensibilité, sont fournies par le fabricant dans les documents de lancement. Une comparaison complète nécessite de se baser sur des benchmarks applicatifs indépendants et des données de déploiement en production.
Qu'est-ce que le système de sécurité global des grands modèles ?
Lancé à la WAIC 2026, ce système est une architecture de sécurité multipartite intégrant le calcul de confiance national avec l'évaluation des modèles, la gouvernance, la conformité des données, la sécurité des données, la sécurité de la chaîne d'approvisionnement logicielle et la sécurité de l'entraînement.
Outils associés
- Plateforme développeur Tecorigin : Portail officiel pour développeurs, donnant accès aux modèles, ressources écosystémiques et à la plateforme.
- PyTorch : Un framework open source largement utilisé pour l'entraînement, la recherche et le déploiement de modèles.
- Megatron-LM : Framework open source développé par NVIDIA pour l'entraînement à grande échelle de modèles Transformer.
- DeepSpeed : Système open source de Microsoft supportant l'optimisation de l'entraînement distribué et de l'inférence de modèles.
- vLLM : Moteur de service open source à haut débit pour grands modèles de langage.
- JAX : Framework de calcul numérique pour les charges de travail en apprentissage automatique et en calcul scientifique.
Liens associés
- Site officiel de Tecorigin : Plateforme officielle pour les informations sur l'entreprise, les produits, les solutions et l'écosystème.
- Aperçu des produits et technologies Tecorigin : Informations officielles sur l'architecture hétérogène, le matériel système, la pile logicielle, les modèles supportés et la gestion du calcul.
- Plateforme AI4Science de Tecorigin : Informations officielles sur la plateforme de recherche scientifique fusionnée.
com/cn/ai4s.html) : Page officielle détaillée de la plateforme nationale AI4Science, des outils de programmation, des frameworks supportés et des études de cas.
- Centre de documentation Tecorigin : Documentation technique et études de cas des produits Tecorigin et des projets écosystémiques.
- Plateforme développeur Tecorigin : Portail des ressources de modèles et de l'écosystème développeur.
- Reportage produit WAIC 2026 : Article dédié au T2 Ultra, HyperIntelliX, à la plateforme AI4Science et aux systèmes de sécurité des grands modèles.
- Rapport du Centre national d'innovation scientifique et technologique : Aperçu officiel gouvernemental du déploiement de Tecorigin dans l'intelligence artificielle, la météorologie, la biologie et les centres de calcul intelligent.
Résumé
Les produits lancés par Tecorigin à WAIC 2026 intègrent la toute nouvelle architecture hétérogène HCU, le processeur T2 Ultra, le système de calcul fusionné HyperIntelliX, les outils développeur, la plateforme AI4Science et un système de sécurité hiérarchisé.
Cette stratégie répond aux mutations réelles de l'infrastructure IA. Les charges de travail agentiques exigent une capacité de coordination universelle plus poussée, tandis que l'IA scientifique nécessite des calculs numériques de haute précision, des tâches à longue durée d'exécution et des systèmes parallèles évolutifs.
Bien que l'architecture et les spécifications annoncées soient prometteuses, leur disponibilité en production, la maturité logicielle, la stabilité des clusters, les performances applicatives et le coût total de possession restent à valider plus largement.
La portée de ce lancement par Tecorigin ne réside pas dans les simples spécifications d'une puce, mais dans sa tentative de construire une infrastructure de calcul complète pour l'intelligence artificielle, les agents, le calcul scientifique, la migration logicielle et le déploiement sécurisé.
