Contexte et financement
Tenstorrent, startup de dix ans spécialisée dans l’inférence, a levé 1,5 milliard de dollars à une valorisation de 6,2 milliards. Cette opération, menée par Trace Capital et Innovation X, double la valorisation de 2,6 milliards atteinte fin 2024. Le tour de table comprend également Cadence Ventures, Eclipse, Fidelity, SanDisk et T. Rowe Price. Le financement intervient cinq mois après que des groupes comme Intel et Qualcomm aient manifesté un intérêt d’acquisition, alors que la société affichait déjà un positionnement de challenger face à Nvidia.
Architecture et cible des puces
Le plan d’investissement vise à faire évoluer les puces d’inférence conçues pour les modèles à poids ouverts, c’est‑à‑dire des réseaux dont les paramètres sont publiquement accessibles. Tenstorrent a démontré que ses serveurs « Galaxy » pouvaient exécuter les modèles DeepSeek, un indicateur de capacité à gérer des charges de travail à forte densité de calcul et de bande passante mémoire. La feuille de route inclut la production de circuits optimisés pour la génération vidéo, un domaine où les exigences de latence et de débit dépassent souvent celles du texte. En se concentrant sur l’inférence, la société évite les exigences de puissance et de refroidissement associées à l’entraînement, tout en misant sur une architecture capable de paralléliser les opérations de matrice à grande échelle.
Implications pour le marché IA
Le financement renforce la capacité de Tenstorrent à proposer une alternative aux GPU Nvidia dans le segment de l’inférence. La présence d’acteurs comme Etched, évalué à plusieurs dizaines de milliards, montre une diversification rapide de l’écosystème matériel. Si Tenstorrent réussit à livrer des puces compatibles avec les frameworks de deep learning courants, il pourrait réduire la dépendance des data‑centers à l’égard d’un fournisseur unique, créant ainsi une pression concurrentielle sur les prix et les délais de mise sur le marché.
Limites et défis
Malgré le capital disponible, la mise à l’échelle de la production reste incertaine. Aucun détail n’a été fourni sur les volumes de fonderie, les partenaires de fabrication ou les jalons de validation silicon. De plus, la prise en charge logicielle des modèles à poids ouverts nécessite un compilateur robuste et des bibliothèques d’inférence optimisées, des éléments qui ne sont pas encore détaillés publiquement. Enfin, la concurrence avec des géants établis implique de convaincre les intégrateurs de systèmes que les gains de performance justifient le coût de migration vers une nouvelle architecture.
