Puces Blackwell : un ex-OpenAI accuse des labos IA chinois

Un ancien chercheur d’OpenAI affirme avoir trouvé des preuves techniques que de grands laboratoires d’IA chinois ont utilisé les GPU Blackwell de Nvidia, des puces que les États-Unis interdisent d’exporter vers la Chine. Selon TechCrunch, Will DePue a analysé les poids de modèles ouverts publiés par DeepSeek, Moonshot AI, MiniMax et Ant Group et y a relevé ce qu’il décrit comme des empreintes d’un entraînement sur Blackwell. Il s’agit d’une allégation d’un seul chercheur, qui ne prouve pas à elle seule qu’une loi ait été enfreinte.

Qu’affirme-t-on exactement, et qui l’affirme ?

Selon The Decoder, Will DePue a travaillé chez OpenAI sur les modèles vidéo Sora et Sora 2 ainsi que sur GPT-4o, o3 et GPT-5, avant de fonder le groupe de recherche à but non lucratif Unemployment Labs, qu’il dirige désormais d’après TechCrunch. The Decoder rapporte que les autorités américaines et la presse soupçonnaient déjà l’usage de Blackwell chez DeepSeek et Moonshot AI sans publier de preuve, et que DePue présente son analyse comme la première à fournir un élément technique.

D’après lui, six modèles chinois publiés depuis avril 2026 portent la signature de la génération Blackwell de Nvidia, tandis que des modèles plus anciens comme DeepSeek-V3 et Kimi K2.5 montrent encore des traces de l’ancienne génération Hopper. DePue écrit aussi sur X que des chercheurs seniors d’OpenAI et d’Anthropic ont vérifié et confirmé sa méthode de façon indépendante, selon The Decoder. Cette confirmation relève de sa seule déclaration et n’est pas corroborée par les médias que nous avons lus.

Comment les poids d’un modèle révèlent-ils la puce qui l’a entraîné ?

Les poids sont les milliards de nombres qui composent un modèle de langage. Avant le début de l’entraînement, le logiciel standard PyTorch remplit ces emplacements vides avec des nombres aléatoires générés par ordinateur à partir d’une valeur de départ appelée graine (seed), explique The Decoder. Pour répartir rapidement cette masse de données, la puce graphique partage le travail entre ses cœurs de calcul.

Comme les différents modèles de puces n’ont pas le même nombre de cœurs, ce remplissage laisse un motif caractéristique, selon le rapport. Les anciennes puces Hopper comme les H100 ou H800 utilisent 132 cœurs, tandis que les puces Blackwell en utilisent 148 ou 152 selon le modèle (B200 ou B300, GB200 ou GB300). L’entraînement ajuste ensuite les valeurs des millions de fois, mais certains emplacements réservés à des mots ou symboles inutilisés restent à leur état d’origine, et même dans les zones très entraînées il subsiste un faible écho statistique de la distribution initiale. DePue dit avoir calculé le motif à l’envers et reproduit les correspondances pour DeepSeek-V4-Flash et Kimi K3 sur de vraies puces Blackwell, et avoir publié le code de vérification sur GitHub.

La correspondance qu’il avance, relayée par The Decoder :

• DeepSeek-V4-Flash et MiniMax-M3 correspondent à des puces B200 ou B300 (148 cœurs).
• DeepSeek-V4-Pro, Kimi K3, Kimi K3.1-Pro et Ling-3.1-flash d’Ant Group présentent le motif à 152 cœurs des systèmes en rack phares à refroidissement liquide (GB200 ou GB300).
• Les modèles d’Alibaba (Qwen3.8), Zhipu, Tencent, Xiaomi et StepFun ne montrent que des traces Hopper, et LongCat-2.0 de Meituan pointe vers des puces Huawei.

DePue affirme que le hasard est statistiquement exclu et que, sur 24 modèles de contrôle au matériel connu, dont Llama 3.1 de Meta entraîné sur H100, la méthode a toujours eu raison. Ces chiffres sont les siens et n’ont pas été reproduits par les médias cités ici.

Il estime aussi que les cinq entraînements examinés ont ensemble exigé environ 12 000 GPU Blackwell, soit la puissance de calcul d’environ 30 000 anciennes puces H100. Kimi K3 et DeepSeek-V4-Pro auraient chacun nécessité, selon ses estimations, 4 500 et 3 000 processeurs Blackwell pendant environ 70 jours. À environ 70 000 dollars américains la puce, un tel cluster coûterait de 200 à 300 millions de dollars, et les cinq systèmes plus d’un demi-milliard de dollars, d’après The Decoder. Ce sont des estimations, pas des données comptables.

Que ne prouve pas cette empreinte ?

The Decoder souligne qu’à strictement parler, la méthode montre seulement sur quel matériel les poids ont été initialisés, même si un entraînement ultérieur sur les mêmes systèmes est très probable. La seule alternative technique, une puce AMD MI300X elle aussi sanctionnée et bridée artificiellement pour produire le même motif, a été écartée pour DeepSeek-V4-Flash grâce à de minuscules différences d’arrondi, selon DePue. Les données ne disent pas où se trouvent les GPU ni à qui ils appartiennent.

TechCrunch ajoute que cela ne signifie pas que les modèles aient été entraînés entièrement sur des puces Nvidia, ni que les lois de contrôle des exportations aient nécessairement été violées, car les puces pourraient se trouver dans un centre de données à l’étranger. Louer de la puissance de calcul hors de Chine est devenu une voie courante pour les entreprises chinoises et a nourri un boom en Malaisie, où Epoch AI, organisation de recherche à but non lucratif, estime que 275 000 accélérateurs d’IA Nvidia ont été importés en 2024 et 2025. C’est cette brèche que les critiques veulent refermer : TechCrunch note que les faucons anti-Chine réclament depuis longtemps des contrôles plus stricts sur qui utilise les puces, et pas seulement sur qui les possède ou où elles sont installées.

Qu’est-ce qui est déjà établi sur Blackwell et la Chine ?

Plusieurs points sont avérés. Selon TechCrunch, les GPU Blackwell sont interdits d’exportation vers la Chine et vers les entreprises sous contrôle chinois, tandis que l’administration Trump autorise Nvidia à exporter la H200, moins puissante, à condition que les expéditions suivent un itinéraire permettant aux États-Unis de percevoir une taxe de 25 %. Le conseiller technologique de la Maison-Blanche Michael Kratsios a dit plus tôt cette année que Moonshot avait utilisé des puces Nvidia interdites d’exportation, en citant des sources du renseignement américain, et Epoch AI estime qu’environ deux millions de puces avancées sont entrées en Chine en 2024 et 2025 par des montages destinés à masquer leur destination finale.

The Decoder cite aussi Dylan Patel, analyste en chef de SemiAnalysis, qui a déclaré dans un entretien avec Sequoia Capital que DeepSeek-V3 était encore taillé sur mesure pour les puces Hopper de Nvidia, alors que DeepSeek-V4 a été optimisé structurellement pour les GPU Blackwell et les puces Ascend de Huawei. Cela concorde avec les résultats de DePue, mais c’est une observation d’architecture et non une preuve du lieu de l’entraînement.

L’affaire touche aussi Nvidia. TechCrunch rapporte que Jensen Huang a quitté l’entreprise cette semaine dans un scandale impliquant une dirigeante de Megaspeed, société impliquée dans la contrebande de puces Nvidia vers la Chine et visée par des enquêtes américaine et singapourienne via sa filiale Speedmatrix. TechCrunch indique que la responsabilité potentielle de Nvidia pour des violations des contrôles à l’export a probablement pesé dans ce départ, et note que les entreprises américaines ont des obligations limitées de suivre l’usage que leurs clients font de biens contrôlés. Nvidia et Huang ont tous deux garanti la légitimité des centres de données de Megaspeed, en disant que des responsables de Nvidia les avaient visités, d’après le même article.

Qu’est-ce que cela change pour une entreprise britannique ?

Pour une entreprise du Royaume-Uni, la leçon immédiate relève de la diligence raisonnable plus que du droit. Si vous achetez ou utilisez des modèles ouverts de laboratoires chinois, ou une capacité cloud louée via des pays tiers, la chaîne de calcul derrière un modèle peut devenir une question de conformité et de réputation si les enquêteurs confirment les allégations. Demandez à vos fournisseurs où se trouve le matériel d’entraînement et d’inférence et qui l’exploite, et conservez une trace des réponses.

Les équipes achats doivent aussi s’attendre à ce que le débat passe de qui possède les puces à qui les utilise, comme le décrit TechCrunch. Tout changement de règle prendra du temps, et les éléments actuels sont une empreinte, pas une décision de justice. Une démarche sensée dès maintenant : cartographier les modèles et services hébergés dont dépendent vos propres flux agentiques, et prévoir la possibilité de changer si un fournisseur devient visé par des sanctions ou des restrictions.