Marché des puces de calcul en mémoire (CIM) Taille et part 2026-2035

Taille du marché des puces de calcul en mémoire (CIM)

Le marché mondial des puces de calcul en mémoire (CIM) est évalué à 500 millions de dollars (USD) en 2025 et devrait atteindre 687,7 millions de dollars (USD) en 2026 et 12,8 milliards de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé (CAGR) d'environ 38,4 % sur la période 2026–2035.

Le CIM rapproche les opérations de multiplication-accumulation, ou les intègre, des matrices mémoire qui stockent les poids des réseaux neuronaux. Cette architecture vise à réduire la charge liée au déplacement des données, qui limite le débit d'inférence et l'efficacité énergétique des architectures conventionnelles associant processeur et mémoire.

Le CIM passe d'une proposition de conception de circuits à un défi de qualification produit. L'architecture de recherche NorthPole d'IBM a intégré 192 Mo de SRAM dans une conception 256-core, illustrant la manière dont une mémoire répartie sur la puce peut réduire la dépendance au déplacement des poids hors puce pour l'inférence neuronale. L'opportunité commerciale est particulièrement forte lorsque les charges de travail d'inférence sont suffisamment soutenues pour que la réduction de l'énergie par opération et de la latence influence les décisions d'achat de systèmes, notamment dans les clusters d'inférence en nuage, les systèmes automobiles et industriels en périphérie de réseau, ainsi que les dispositifs embarqués soumis à des contraintes de batterie. ^{[1]IBM Research, Analog AI: In-Memory Computing for Energy-Efficient Deep Learning, research.ibm.com. (research.ibm.com)}

La chaîne d'approvisionnement associe conception avancée de mémoires, accès aux nœuds technologiques logiques, expertise en conception mixte ou numérique, prise en charge par les compilateurs, conditionnement et intégration des systèmes. L'adoption du CIM est donc plus complexe que le simple remplacement d'une carte accélératrice par une autre. Les fabricants de mémoires peuvent adapter les feuilles de route établies de la DRAM, de la SRAM ou de la mémoire Flash pour créer des produits de traitement en mémoire, tandis que les fournisseurs sans usine doivent sécuriser des capacités de fonderie et démontrer que leur pile logicielle prend en charge le déploiement, la conversion des modèles, la surveillance et la gestion du cycle de vie. La capacité à intégrer les matrices CIM aux interfaces standard et aux architectures établies de serveurs ou de dispositifs périphériques déterminera donc davantage la conversion des opportunités en contrats de conception remportés que l'efficacité théorique du calcul à elle seule.

Le dossier d'investissement ne repose pas sur le remplacement universel des GPU ou des CPU. Le CIM est particulièrement pertinent lorsque les modèles déplacent régulièrement de grands ensembles de poids, lorsque la disponibilité énergétique limite le débit ou lorsque les contraintes de latence et de puissance excluent les accélérateurs conventionnels. L'avantage démontré par IBM en matière d'efficacité pour NorthPole sur un nœud de processus comparable étaye le principe technique, mais la conversion à grande échelle du marché dépend encore de la portabilité logicielle, de la validation de la fiabilité et de l'économie de l'intégration. L'expansion prévue à 12 812,68 millions de dollars (USD) d'ici 2035 suppose donc que les fournisseurs transforment l'efficacité centrée sur la mémoire en produits qualifiés, plutôt que de s'appuyer uniquement sur les performances de référence. ^{[2]Wiley, All-in-One Analog AI Hardware: On-Chip Training and Inference with Conductive-Metal-Oxide/HfOx ReRAM Devices, doi.org. (doi.org)}

Principaux facteurs de croissance

L'inférence de l'IA est de plus en plus limitée par le déplacement des données plutôt que par le débit des opérations arithmétiques. Lors de l'inférence autorégressive de grands modèles de langage, les poids du modèle doivent être consultés à plusieurs reprises pour chaque jeton généré. L'accès à la mémoire constitue ainsi un déterminant important de la latence, de l'utilisation de l'accélérateur et de la consommation énergétique. Une conception de recherche de TPU intégrant le calcul en mémoire (CIM) a fait état d'une amélioration des performances de 44,2 % pour l'inférence de modèles génératifs et d'une réduction de 27,3× de la consommation énergétique de l'unité de multiplication matricielle par rapport à la configuration de référence TPUv4i citée. ^{[3]Bowen, Patrick, et al., Analog, In-Memory Compute Architectures for Artificial Intelligence, arXiv, arxiv.org. (arxiv.org)}

La disponibilité de l'électricité est devenue une contrainte infrastructurelle pour le déploiement de l'IA. Les centres de données américains ont consommé 176 TWh en 2023, soit 4,4 % de la consommation nationale d'électricité, selon le Lawrence Berkeley National Laboratory. À mesure que le déploiement de serveurs d'IA progresse, l'approvisionnement électrique, le refroidissement et le raccordement au réseau peuvent retarder l'augmentation des capacités, même lorsque les capitaux sont disponibles. Le CIM peut améliorer la rentabilité de l'expansion de l'inférence en réduisant les transferts entre la mémoire et le calcul, bien que l'avantage réel dépende des caractéristiques de la charge de travail, des objectifs de précision et des frais généraux du système environnant. ^{[4]Lawrence Berkeley National Laboratory, In-Memory Computing and Energy-Efficient AI Hardware Research, eta-publications.lbl.gov.}

Les déploiements en périphérie élargissent le marché adressable au-delà des infrastructures hyperscale. La perception automobile, l'inspection industrielle, les caméras, les dispositifs portables et les capteurs connectés nécessitent une inférence locale lorsque les allers-retours vers le cloud entraînent des inconvénients en matière de latence, de bande passante, de confidentialité ou de résilience. Le CIM fondé sur la mémoire Flash et la SRAM est particulièrement pertinent, car il peut conserver localement les poids des modèles tout en réduisant les transactions avec la mémoire hors puce. Rain AI a commencé à expédier du matériel de démonstration destiné à l'informatique neuromorphique analogique basse consommation en octobre 2024, signalant la transition des approches spécialisées de CIM en périphérie vers l'évaluation par les clients.

Les architectures conventionnelles sont confrontées à un problème de mur de la mémoire qui ne peut pas être résolu uniquement par une densité de calcul supérieure. La mémoire à large bande passante améliore l'alimentation en données des processeurs graphiques, mais elle n'élimine pas le coût énergétique et la latence liés au déplacement des données entre des domaines distincts de stockage et de traitement. Le CIM modifie cette relation physique en exécutant certaines opérations à l'endroit où résident les données. Cette approche est particulièrement pertinente pour les opérations matrice-vecteur et matrice-matrice utilisées dans l'inférence neuronale, même si elle n'est pas également adaptée à tous les opérateurs de modèles ni à toutes les exigences de précision.

Les progrès des technologies de mémoire élargissent l’éventail des substrats de calcul en mémoire (CIM) commercialement viables. Samsung a fait état d’améliorations du débit et de l’efficacité énergétique grâce à HBM-PIM, LPDDR5-PIM, ainsi qu’à des configurations de traitement proche de la mémoire fondées sur CXL pour les charges de travail liées aux LLM. SK hynix a présenté séparément son approche AiM pour les charges de travail d’IA. Ces programmes sont importants, car les interfaces mémoire standardisées et les procédés de fabrication éprouvés peuvent réduire le risque d’adoption auquel sont confrontées les architectures d’accélérateurs entièrement nouvelles. En parallèle, les recherches sur le calcul en mémoire à base de memristors continuent de démontrer le potentiel d’une inférence en périphérie à très faible consommation énergétique, tout en illustrant les travaux de calibration et de fiabilité nécessaires avant un déploiement à grande échelle.

Principales contraintes

La conception des architectures de calcul en mémoire reste un problème d’ingénierie au niveau des systèmes. Les implémentations numériques doivent trouver un équilibre entre la densité et la précision de la SRAM, le routage et la distribution de l’alimentation. Les implémentations analogiques ajoutent la variabilité des dispositifs, la dérive thermique, la conversion analogique-numérique, la calibration et la gestion des erreurs tenant compte des modèles. Les études consacrées au calcul en mémoire avec SRAM soulignent que l’architecture des matrices et les circuits périphériques influencent sensiblement la précision, la densité et la performance énergétique, ce qui empêche de transférer une conception de macroblocs unique sans modification d’un nœud technologique à un autre ou d’une application à une autre. La charge de vérification qui en résulte accroît les besoins en capitaux et allonge le délai entre le silicium prototype et la qualification par le client.

L’absence d’interfaces et de cibles logicielles largement adoptées constitue un second point de friction. Les fabricants de mémoires progressent dans la standardisation du traitement en mémoire, mais le marché du calcul en mémoire comprend des approches fondées sur la SRAM, la DRAM, la mémoire Flash, la mémoire résistive, ainsi que des architectures analogiques, numériques et hybrides, qui présentent des exigences différentes en matière de programmation et de déploiement. Les clients sont donc confrontés à un risque de portabilité : un modèle optimisé pour une architecture peut nécessiter une recompilation substantielle, une nouvelle quantification ou une refonte des opérateurs pour une autre. Cette situation favorise les fournisseurs qui associent le matériel à des outils de compilation maintenus, à des bibliothèques de modèles et à un accompagnement à l’intégration.

Les contraintes liées à la précision et à l’endurance des solutions analogiques limitent les cas d’utilisation à court terme. Les conceptions de calcul en mémoire reposant sur la mémoire Flash et la mémoire résistive peuvent offrir des caractéristiques de densité et de consommation énergétique convaincantes, mais la variabilité physique des dispositifs, les effets de rétention et l’accumulation des erreurs analogiques compliquent l’inférence de haute précision. Une étude consacrée au calcul en mémoire intégré à une mémoire Flash NAND identifie la variation de la tension de seuil et les non-idéalités au niveau des matrices comme des facteurs à traiter pour préserver la précision des modèles. Pour les applications automobiles, médicales et industrielles, les exigences de qualification peuvent orienter la décision produit vers des architectures numériques ou hybrides, même lorsque les solutions analogiques affichent une consommation nominale par opération plus faible.

Les exigences réglementaires influencent également les choix de commercialisation. Les garde-fous de la loi américaine CHIPS imposent des restrictions à certaines transactions impliquant des bénéficiaires d’incitations fédérales, tandis que les contrôles à l’exportation peuvent réduire l’accès à certains marchés finaux pour les matériels d’IA haute performance. En Europe, les obligations fondées sur le risque prévues par le règlement européen sur l’IA renforcent l’importance de la traçabilité et de l’évaluation de la conformité pour les applications à haut risque. Ces mesures ne réglementent pas le calcul en mémoire en tant qu’architecture distincte, mais elles influencent les marchés sur lesquels les fournisseurs peuvent vendre, la manière dont les systèmes sont validés et les caractéristiques de fiabilité que les acheteurs privilégient.

La ligne de fracture concurrentielle immédiate opposera les fournisseurs capables de commercialiser une plateforme fiable à ceux qui peuvent uniquement démontrer une macro haute efficacité. Les travaux liés à la norme JEDEC sur le traitement en mémoire, le développement de produits par les fabricants de mémoire et l’utilisation d’interfaces hôtes standard peuvent réduire progressivement le risque pour les acheteurs. Tant que l’interopérabilité et la maturité logicielle ne progresseront pas, les achats privilégieront les implémentations capables de démontrer des performances déterministes, un accompagnement à l’intégration et une gestion crédible du cycle de vie. Le CIM analogique conserve une solide position à long terme dans les charges de travail périphériques soumises à des contraintes, mais son adoption sera séquencée en fonction de la validation plutôt que déterminée par la seule efficacité énergétique.

Analyse des segments du marché des puces de calcul en mémoire (CIM)

Par type de technologie mémoire

Le CIM basé sur la SRAM constitue le principal segment des technologies mémoire, avec une valeur de 203,22 millions de dollars (USD) en 2025, et devrait atteindre 5 419,76 millions de dollars (USD) d’ici 2035, soit un taux de croissance annuel composé (CAGR) d’environ 38,95 %. Sa position dominante s’explique par la familiarité des fabricants avec cette technologie : les macros SRAM peuvent être intégrées à la logique au moyen de procédés CMOS établis, ce qui permet aux concepteurs de viser une inférence à large bande passante et faible latence sans dépendre du comportement de mémoires non volatiles émergentes. L’architecture NorthPole d’IBM démontre la valeur stratégique de cette approche en associant une SRAM distribuée à un réseau de calcul dense afin de réduire la dépendance à la mémoire hors puce.

L’inconvénient de la SRAM réside dans son coût en surface. Les cellules à six transistors occupent une surface de puce nettement supérieure par bit stocké à celle de la DRAM ou de la mémoire Flash. Le CIM basé sur la SRAM est donc particulièrement intéressant sur le plan économique lorsque la faible latence et les performances prévisibles justifient un coût supérieur des composants en silicium. Le segment est ainsi associé à l’inférence cloud haut de gamme, aux réseaux, à la vision industrielle et aux systèmes périphériques hautes performances. Sa position de leader sur le marché ne signifie pas que la SRAM constitue le substrat universel du CIM ; elle indique que la maturité des procédés de fabrication et le comportement déterministe restent particulièrement précieux au cours de la phase initiale de commercialisation du marché.

Le CIM basé sur la mémoire Flash devrait être le type de technologie mémoire enregistrant la croissance la plus rapide, passant de 166,13 millions de dollars (USD) en 2025 à 4 676,63 millions de dollars (USD) en 2035, avec un taux de croissance annuel composé (CAGR) d’environ 39,71 %. Son stockage non volatil permet aux poids neuronaux de rester sur la puce en cas de coupure d’alimentation, une caractéristique utile pour les appareils intégrés nécessitant une inférence locale immédiate. Les travaux de l’IEEE sur le calcul dans la mémoire Flash ou à proximité de celle-ci mettent en évidence les rôles distincts des approches 3D NOR et 3D NAND dans le calcul numérique à large bande passante, la recherche et les opérations analogiques de multiplication-accumulation.

La valeur commerciale du CIM basé sur la mémoire Flash est maximale lorsque les concepteurs doivent gérer conjointement la consommation énergétique, la capacité mémoire et le comportement en veille. Cela concerne notamment les nœuds de capteurs, les caméras, les appareils portables et certaines fonctions automobiles. Toutefois, les fournisseurs de CIM basé sur la mémoire Flash doivent démontrer que l’endurance, le contrôle de la tension de seuil, la précision de l’inférence et la prise en charge des outils répondent aux exigences propres à chaque produit. Les prévisions de croissance rapide reflètent donc l’augmentation de la demande dans les applications périphériques et un profil de coût par bit favorable, plutôt que la disparition des arbitrages techniques.

Le calcul en mémoire (CIM) fondé sur la DRAM est évalué à 78,54 millions de dollars (USD) en 2025 et devrait atteindre 1,92190 milliard de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé (CAGR) d'environ 37,76 %. Ce segment s'articule autour d'approches de traitement en mémoire et de traitement à proximité de la mémoire, qui préservent les avantages de capacité de la DRAM tout en ajoutant des capacités de calcul à proximité de mémoires à haut débit. Le HBM-PIM de Samsung et les travaux de LPDDR5-PIM, ainsi que le développement d'AiM par SK hynix, positionnent principalement le CIM fondé sur la DRAM dans les applications de centres de données à haut débit et d'IA axées sur la mémoire , . ^{[5]IBM Research, In-Memory Computing: Non-Von Neumann Architectures for AI, doi.org.}

Les autres substrats, notamment ceux fondés sur la RRAM, la PCM, la MRAM et la FeFET, représentent 52,11 millions de dollars (USD) en 2025 et devraient atteindre 794,39 millions de dollars (USD) en 2035. Ces technologies offrent une non-volatilité précieuse ou un potentiel de calcul analogique, mais restent limitées par des difficultés liées au rendement, à l'endurance, à la rétention et à l'intégration. Leur taux de croissance annuel composé, plus faible, d'environ 31,21 %, reflète une trajectoire de commercialisation qui devrait rester sélective jusqu'à l'amélioration de la régularité de la fabrication et des éléments probants de qualification.

Par type d'architecture

Le CIM numérique constitue le principal segment architectural. Il représentait 217,53 millions de dollars (USD) en 2025 et devrait atteindre 5,74008 milliards de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé d'environ 38,81 %. Les implémentations numériques préservent un calcul discret et sont généralement mieux adaptées aux applications nécessitant des résultats déterministes, des formats de modèles quantifiés familiers et des processus de vérification plus clairs. Elles revêtent ainsi une importance commerciale pour l'inférence dans le cloud et les applications périphériques réglementées, où un comportement prévisible peut l'emporter sur le gain d'efficacité maximal possible.

La plateforme Corsair de d-Matrix illustre la proposition de valeur du CIM numérique pour l'inférence de l'IA générative : son architecture intègre des éléments de traitement dans des matrices mémoire afin de réduire les mouvements de données, tandis que son positionnement commercial met l'accent sur le déploiement dans les centres de données plutôt que sur une mesure isolée des performances des circuits . Les conceptions numériques nécessitent toujours des compilateurs spécialisés et des modèles d'exécution tenant compte de la mémoire, mais elles peuvent réduire les exigences de qualification associées aux variations analogiques.

Le CIM analogique est le type d'architecture affichant la croissance la plus rapide : il passe de 155,72 millions de dollars (USD) en 2025 à 4,38194 milliards de dollars (USD) en 2035, avec un taux de croissance annuel composé d'environ 39,70 %. Il effectue les calculs à l'aide de propriétés physiques telles que le courant, la charge ou la conductance, ce qui peut offrir une efficacité supérieure en matière de surface et d'énergie pour l'inférence à précision intermédiaire. Les recherches sur les accélérateurs SRAM-CIM analogiques démontrent le potentiel de cette architecture en matière d'efficacité énergétique, tout en soulignant la nécessité d'un étalonnage et d'une gestion de la précision au niveau du système .

La prime de croissance reflète l'importance de la consommation d'énergie par inférence dans les appareils clients et les systèmes embarqués. Le tour de financement d'EnCharge AI réalisé en février 2025 soutient la poursuite de la commercialisation du calcul analogique en mémoire pour les plateformes clientes . Les perspectives du segment dépendent de la capacité des fournisseurs à transformer les performances obtenues en laboratoire en un comportement reproductible du silicium, en flux de développement logiciel robustes et en une précision acceptable pour les clients.

Le CIM hybride constitue un compromis pratique : il a généré 126,74 millions de dollars (USD) en 2025 et devrait atteindre 2,69066 milliards de dollars (USD) en 2035, avec un taux de croissance annuel composé d'environ 35,79 %. En combinant des blocs de calcul analogiques avec des circuits numériques de correction ou de contrôle, les conceptions hybrides peuvent conserver certains avantages en matière d'efficacité tout en répondant aux préoccupations relatives à la précision et à la fiabilité. Leur croissance prévue, plus lente que celle des systèmes purement analogiques, reflète une complexité architecturale supplémentaire, mais cette approche peut être intéressante lorsqu'une conception entièrement analogique ne peut pas atteindre les seuils de validation propres à l'application.

Par application

L’IA des centres de données et du cloud constitue le principal segment d’application, avec une valeur de 162,25 millions de dollars (USD) en 2025, et devrait atteindre 4 305,06 millions de dollars (USD) d’ici 2035, avec un taux de croissance annuel composé (CAGR) d’environ 38,88 %. Ce segment englobe des systèmes à forte valeur ajoutée dans lesquels la consommation d’énergie, la bande passante mémoire et la latence d’inférence ont des répercussions directes sur les coûts d’exploitation. Le CS-3 de Cerebras, construit autour du moteur matriciel à l’échelle d’une tranche WSE-3, constitue un exemple de système conçu pour concentrer la puissance de calcul et la mémoire intégrée pour les charges de travail d’IA . L’échelle et le taux d’utilisation des déploiements cloud permettent aux gains d’efficacité de se cumuler au sein de vastes flottes de services.

L’offre d’inférence de Groq reposant sur des LPU représente une autre voie commerciale : le matériel d’inférence déterministe peut être monétisé par l’accès à des API cloud, plutôt que par la seule vente directe de matériel . Ces modèles économiques orientent l’évaluation des acheteurs vers le nombre de jetons par dollar, la capacité disponible, la latence et la fiabilité du service. Les fournisseurs de solutions de calcul en mémoire (CIM) qui ciblent ce segment doivent proposer davantage que des performances de puce ; ils doivent disposer de capacités d’intégration logicielle, d’assistance à la clientèle, d’expertise dans le déploiement en centre de données et d’une trajectoire crédible de montée en charge.

L’IA en périphérie est le segment d’application qui connaît la croissance la plus rapide, passant de 121,49 millions de dollars (USD) en 2025 à 3 420,98 millions de dollars (USD) en 2035, avec un taux de croissance annuel composé (CAGR) d’environ 39,71 %. Les déploiements en périphérie favorisent les architectures qui réduisent les transferts de données en mémoire, car la consommation d’énergie, la capacité de la batterie, la conception thermique et le temps de réponse sont étroitement liés. Les applications de perception automobile, de vision industrielle et de caméras intelligentes peuvent offrir des opportunités particulièrement intéressantes, mais uniquement lorsque la solution répond aux exigences de sécurité, de fiabilité et de longue durée de vie.

Les applications de l’Internet des objets et des systèmes embarqués représentent 88,54 millions de dollars (USD) en 2025 et devraient atteindre 2 178,16 millions de dollars (USD) d’ici 2035. L’inférence locale à faible consommation et le stockage non volatil des poids favorisent les solutions de calcul en mémoire fondées sur la mémoire Flash et les mémoires émergentes, mais l’économie unitaire est davantage sensible aux volumes que dans les centres de données. Les fournisseurs doivent démontrer que le gain énergétique compense le coût supplémentaire et les efforts d’intégration par rapport aux microcontrôleurs, aux NPU ou aux architectures assistées par le cloud.

Le calcul haute performance (HPC) et l’automatisation industrielle représentent 72,31 millions de dollars (USD) en 2025 et devraient atteindre 1 691,27 millions de dollars (USD) d’ici 2035. Les acheteurs de ce segment accordent de l’importance à la réactivité déterministe, à la disponibilité opérationnelle, à l’intégration aux systèmes de contrôle existants et à la disponibilité à long terme. Les autres applications, notamment celles des administrations publiques, de la défense, des villes intelligentes et des premiers déploiements en imagerie médicale, représentent 55,41 millions de dollars (USD) en 2025 et devraient atteindre 1 217,20 millions de dollars (USD) d’ici 2035. Ces applications peuvent soutenir des programmes de qualification précoces, mais nécessitent souvent des cycles d’approvisionnement plus longs et une validation rigoureuse.

Par secteur d’activité utilisateur final

Les technologies de l’information et des télécommunications constituent le principal secteur utilisateur final en 2025, englobant les opérateurs cloud, les infrastructures d’IA d’entreprise et les charges de travail des réseaux de télécommunications. Le secteur est bien placé pour adopter le calcul en mémoire lorsque les opérateurs peuvent valider une consommation d’énergie réduite et une bande passante mémoire effective accrue à l’échelle de la production.

Le secteur automobile revêt une importance stratégique, car les systèmes avancés d’aide à la conduite (ADAS) et l’IA embarquée nécessitent un traitement local dans des conditions thermiques et énergétiques prédéfinies. Le segment favorisera les architectures capables de satisfaire aux exigences de sécurité fonctionnelle et de fiabilité, ce qui rend les solutions de calcul en mémoire numériques et hybrides particulièrement pertinentes lors des premières phases de déploiement. L’électronique grand public offre un potentiel de volume pour les systèmes analogiques et les systèmes de calcul en mémoire Flash à faible consommation, tandis que l’adoption dans le secteur de la santé dépendra de la validation des dispositifs, de la traçabilité et des exigences relatives à la gestion des données des patients. Les utilisateurs industriels privilégient un comportement déterministe et une assistance sur l’ensemble du cycle de vie, ce qui pourrait ralentir l’adoption, mais créer des opportunités durables pour les fournisseurs qui franchissent les obstacles liés à la qualification.

La répartition des technologies suit le même schéma à deux vitesses. La SRAM et le CIM numérique dominent, car ils réduisent les risques liés à la qualification et aux logiciels dans les déploiements sensibles aux performances. La mémoire flash et le CIM analogique progressent plus rapidement, car le stockage non volatil et la moindre consommation d’énergie par inférence sont mieux adaptés aux appareils alimentés de manière intermittente et soumis à des contraintes thermiques. Les fournisseurs qui présentent ces architectures comme des solutions de substitution passeront à côté de la réalité commerciale : l’opportunité la plus durable consiste à adapter les choix de substrat et d’architecture aux contraintes de précision, de consommation, de durée de vie et d’intégration propres à chaque catégorie de déploiement.

Analyse régionale du marché des puces de calcul en mémoire (CIM)

Amérique du Nord

L’Amérique du Nord est évaluée à 157,08 millions de dollars (USD) en 2025 et devrait atteindre 3 843,80 millions de dollars (USD) d’ici 2035, avec un taux de croissance annuel composé (CAGR) d’environ 37,76 %. Les États-Unis soutiennent la demande régionale grâce à leurs infrastructures d’IA hyperscale, à leur activité avancée de conception de puces et à la concentration d’entreprises spécialisées dans le CIM, notamment Cerebras, Groq, d-Matrix, EnCharge AI, Mythic, Lightmatter, IBM et Micron. Le Canada contribue grâce à ses activités d’ingénierie et de matériel d’IA, notamment celles d’Untether AI et de d-Matrix à Toronto.

La politique américaine renforce l’écosystème régional de conception et de fabrication. Le CHIPS and Science Act a autorisé d’importantes mesures d’incitation en faveur des semi-conducteurs ainsi que des garde-fous associés, façonnant à la fois les décisions nationales relatives à la chaîne d’approvisionnement et les partenariats commerciaux . Les fournisseurs nord-américains bénéficient d’acheteurs sophistiqués dans les secteurs du cloud et des entreprises, mais les contrôles à l’exportation et la concentration de la clientèle peuvent limiter l’échelle mondiale. La réussite dans la région dépendra de la capacité à convertir la différenciation technique en déploiements de production bénéficiant d’un support logiciel suffisant et d’une fiabilité opérationnelle élevée. ^{[6]The Conference Board, Artificial Intelligence Computing Infrastructure and Energy Demand, conference-board.org.}

Europe

L’Europe représente 87,78 millions de dollars (USD) en 2025 et devrait atteindre 1 921,90 millions de dollars (USD) d’ici 2035, avec un taux de croissance annuel composé (CAGR) d’environ 36,24 %. L’Allemagne, le Royaume-Uni, la France, l’Espagne, l’Italie, la Russie et le reste de l’Europe contribuent grâce à la demande dans les secteurs automobile et industriel ainsi qu’à la demande issue de la recherche et des entreprises en matière d’IA. Le règlement européen sur les puces est entré en vigueur en septembre 2023 et a établi un cadre destiné à renforcer les capacités et la résilience du secteur des semi-conducteurs .

L’opportunité européenne est davantage concentrée sur des déploiements industriels qualifiés et réglementés que sur les volumes d’accélérateurs hyperscale. Le cadre fondé sur les risques du règlement européen sur l’IA rend la traçabilité et la validation de plus en plus importantes pour le matériel utilisé dans les systèmes d’IA à haut risque . La Cour des comptes européenne a également mis en évidence le risque d’exécution de la stratégie régionale en matière de semi-conducteurs, en soulignant que les ambitions de fabrication affichées se heurtent à des difficultés pratiques de mise en œuvre . Par conséquent, l’adoption du CIM en Europe devrait favoriser les fournisseurs qui associent performances techniques, documentation de conformité, qualification automobile et capacité d’intégration locale.

L'acquisition de Graphcore par SoftBank en juillet 2024 illustre la difficulté, pour les fournisseurs européens indépendants de processeurs d'IA, de changer d'échelle face à des écosystèmes de GPU bien établis. L'approche IPU de Graphcore, qui associe étroitement une mémoire substantielle intégrée à la puce aux capacités de calcul, demeure pertinente au regard de l'évolution plus large vers une informatique centrée sur la mémoire, mais l'opération montre que la qualité de l'architecture ne suffit pas à garantir une échelle commerciale.

Asie-Pacifique

L'Asie-Pacifique constitue à la fois le plus grand marché régional et celui qui connaît la croissance la plus rapide, passant de 201,90 millions de dollars (USD) en 2025 à 6 021,96 millions de dollars (USD) en 2035, selon un taux de croissance annuel composé (CAGR) d'environ 40,52 %. Sa position repose sur la concentration de la fabrication de mémoires, des investissements dans les semi-conducteurs, de la demande intérieure en IA et des talents régionaux en conception. La Chine, l'Inde, le Japon, la Corée du Sud, l'Australie et le reste de l'Asie-Pacifique apportent des capacités différentes dans les domaines de la fabrication, des technologies de mémoire, de l'électronique embarquée, des infrastructures souveraines d'IA et de la demande automobile.

La Corée du Sud offre les bases commerciales les plus solides de la région en matière de calcul en mémoire (CIM), grâce à Samsung et SK hynix. Leurs programmes de traitement en mémoire relient le développement du CIM aux écosystèmes établis de DRAM, de HBM et de mémoires mobiles. ^{[7]ServeTheHome, In-Memory Computing and Emerging AI Accelerator Technologies, servethehome.com.}

La Chine dispose en outre d'une vaste base nationale de recherche et de brevets, ainsi que d'investissements publics dans les semi-conducteurs. Les activités de dépôt de brevets associées à Hangzhou Zhicun Technology, également connue sous le nom de WitMem, témoignent de la poursuite du développement de configurations de traitement en mémoire multi-puces.

Le Japon renforce son soutien aux technologies avancées des semi-conducteurs et de l'IA. En février 2025, le ministère japonais de l'Économie, du Commerce et de l'Industrie a fait progresser des mesures législatives destinées à soutenir les investissements dans les technologies liées aux semi-conducteurs et à l'IA. La mission IndiaAI et les initiatives indiennes en matière de politique des semi-conducteurs élargissent la base de demande potentielle de la région pour l'IA souveraine, les appareils mobiles, l'électronique automobile et la conception locale de puces. La croissance régionale dépendra de l'exposition aux contrôles à l'exportation, de l'accès aux nœuds avancés et à la HBM, ainsi que de la capacité des fournisseurs locaux à intégrer le matériel à des écosystèmes logiciels viables.

Amérique latine

Le marché latino-américain est évalué à 25,93 millions de dollars (USD) en 2025 et devrait atteindre 461,26 millions de dollars (USD) en 2035, avec un taux de croissance annuel composé (CAGR) d'environ 33,44 %. Le Brésil domine la demande régionale grâce à son économie numérique, à l'expansion du cloud et aux initiatives technologiques du secteur public. La base manufacturière mexicaine dans l'électronique et sa proximité avec les chaînes d'approvisionnement automobiles nord-américaines créent une opportunité plus restreinte, mais néanmoins pertinente, pour l'adoption du CIM dans les dispositifs en périphérie et les systèmes embarqués.

Le profil de croissance de la région est façonné par la sensibilité aux coûts et par une intensité à court terme des infrastructures d'IA inférieure à celle de l'Amérique du Nord ou de l'Asie-Pacifique. Les acheteurs devraient privilégier le coût total de possession, l'assistance locale et l'intégration avec des systèmes hybrides cloud-périphérie. Cette situation favorise les solutions offrant des avantages clairement démontrés en matière de consommation d'énergie, de latence ou de coût des dispositifs, plutôt que les architectures haut de gamme nécessitant des investissements importants dans l'écosystème.

Moyen-Orient et Afrique

Le marché du Moyen-Orient et de l'Afrique est évalué à 27,32 millions de dollars (USD) en 2025 et devrait atteindre 563,76 millions de dollars (USD) en 2035, avec une progression d'environ 35,15 % par an en taux de croissance annuel composé (CAGR). L'Arabie saoudite et les Émirats arabes unis constituent les principaux pôles de demande régionaux, soutenus par des programmes souverains d'IA et le développement de centres de données. Le financement obtenu par Groq en 2025 et ses engagements en matière d'infrastructures régionales illustrent le rôle des acheteurs souverains dans le développement de capacités d'inférence.

L'Arabie saoudite, les Émirats arabes unis, l'Afrique du Sud et le reste de la région Moyen-Orient et Afrique présentent des conditions d'adoption différentes. Les marchés du Golfe peuvent soutenir des acquisitions concentrées de capacités de calcul à forte valeur, tandis que la demande africaine au sens large devrait davantage émerger dans les télécommunications, les services numériques publics et les applications mobiles d'IA.

La logistique, l'intégration des systèmes locaux, l'exposition aux fluctuations des devises et la disponibilité de partenaires de déploiement qualifiés influenceront la vitesse à laquelle le matériel CIM spécialisé passera des programmes pilotes à l'infrastructure opérationnelle.

L'Amérique du Nord restera commercialement influente, car elle combine des fabricants de puces spécialisés et les achats de processeurs d'inférence par les fournisseurs de services hyperscale. La trajectoire de l'Europe devrait être davantage guidée par les processus de qualification, en particulier dans les applications automobiles, industrielles et réglementées. L'Amérique latine et la région MEA offrent des poches de demande ciblées plutôt qu'une adoption précoce généralisée. Les fournisseurs devraient donc distinguer, dans leur stratégie régionale, les marchés capables de valider à grande échelle des systèmes hautes performances et ceux où l'économie de l'edge computing localisé, les achats souverains ou les exigences de conformité déterminent les premières opportunités commerciales viables.

Part du marché des puces de calcul en mémoire (CIM) et paysage concurrentiel

Le marché des puces CIM est fragmenté, car les fournisseurs abordent le défi de l'intégration du calcul et de la mémoire à partir de points de départ différents : systèmes à l'échelle de la tranche, produits de mémoire, processeurs d'inférence pour le cloud, accélérateurs analogiques pour l'edge computing, interconnexions photoniques et architectures proches de la mémoire. Cerebras Systems détenait une part de marché estimée à 18,2 % en 2025, suivi de Samsung Electronics avec environ 12,2 %, de SK hynix avec 8,1 %, d'Intel avec 7,9 % et de Groq avec 6,8 %. Les autres fournisseurs, notamment Mythic, d-Matrix, EnCharge AI, Rain AI, Lightmatter, IBM, Micron, Untether AI et Graphcore, représentaient une part estimée à 46,8 %.

Cerebras Systems domine grâce à ses systèmes d'IA à l'échelle de la tranche, fondés sur son architecture WSE. Le système CS-3 intègre le WSE-3, qui, selon Cerebras, contient 4 000 milliards de transistors et 40 Go de SRAM intégrée sur puce. Son avantage concurrentiel réside dans l'intégration à l'échelle du système et le potentiel d'inférence à faible latence ; son exposition concerne l'intensité capitalistique nécessaire à la mise à l'échelle des systèmes, la concentration de sa clientèle et la nécessité de maintenir un environnement logiciel capable de rivaliser avec les plateformes GPU établies.

Samsung Electronics bénéficie d'une intégration verticale couvrant la mémoire, les services de fonderie et les semi-conducteurs système. Ses travaux sur HBM-PIM, LPDDR5-PIM et le traitement à proximité de la mémoire offrent une voie établie pour intégrer des fonctions de calcul aux technologies de mémoire produites en grande série. Le principal avantage de Samsung réside dans sa capacité à aligner le développement de l'architecture sur les feuilles de route de fabrication et de mémoire. Son défi commercial consiste à transformer les démonstrations techniques et les activités de normalisation en produits interopérables adoptés par les fabricants de systèmes et les clients du cloud.

SK hynix est en concurrence grâce à ses capacités dans les domaines AiM, HBM et des mémoires mobiles. Ses programmes GDDR6-AiM et AiMX-xPU témoignent d'une volonté de rapprocher le calcul de la mémoire pour les charges de travail d'IA. En tant que fournisseur majeur de HBM, SK hynix participe également à la chaîne de valeur conventionnelle des mémoires pour l'IA que le calcul en mémoire cherche à transformer. Cette double exposition lui apporte une connaissance du marché et une capacité de fabrication à grande échelle, mais l'oblige à gérer le positionnement de ses produits à la fois dans le domaine des mémoires conventionnelles à large bande passante et dans celui du calcul en mémoire.

Intel intervient au moyen d'accélérateurs d'IA, d'écosystèmes de mémoire compatibles avec le CXL et de solutions de calcul proche de la mémoire. Gaudi 3 associe une mémoire à large bande passante à des capacités de calcul spécialisées pour l'IA et témoigne des efforts d'Intel pour proposer des alternatives dans les infrastructures d'IA générative destinées aux entreprises. L'implication d'Intel dans le CXL peut favoriser des approches plus standardisées pour connecter des dispositifs de mémoire intelligente ou de mémoire proche du calcul, sans toutefois résoudre à elle seule les différences architecturales et logicielles entre les différentes implémentations du CIM.

Groq a positionné son architecture LPU autour d'une exécution déterministe de l'inférence et d'un débit élevé de jetons. Son tour de financement d'août 2024 a souligné l'intérêt des investisseurs pour les solutions matérielles alternatives dédiées à l'inférence de l'IA. Le modèle concurrentiel de Groq dépasse la seule vente de puces grâce à un accès à l'inférence via le cloud, permettant aux clients d'évaluer les performances au moyen d'indicateurs de service tels que le temps de réponse, le débit et la disponibilité. Ce modèle peut accélérer l'accès des clients, mais il accroît également les exigences opérationnelles liées à la construction et à la maintenance d'une infrastructure d'inférence.

Les challengers spécialisés ciblent des opportunités plus précises. d-Matrix s'intéresse à l'inférence dans les centres de données au moyen du calcul numérique en mémoire et a levé 275 millions de dollars (USD) en novembre 2025 pour soutenir sa montée en puissance commerciale. EnCharge AI cible l'informatique cliente et les systèmes embarqués avec une technologie analogique en mémoire. Mythic associe une mémoire Flash à un calcul analogique et a annoncé un tour de financement de 125 millions de dollars (USD) en décembre 2025. Rain AI développe des approches neuromorphiques analogiques à faible consommation pour le déploiement en périphérie. Ces fournisseurs peuvent tirer parti d'une adéquation ciblée entre leurs produits et le marché, mais doivent surmonter les mêmes obstacles liés à la qualification, à l'accès aux capacités des fonderies et à l'écosystème logiciel, qui protègent les acteurs historiques de plus grande taille. ^{[8]Rain AI, Digital In-Memory Compute for AI Training and Inference, rain.ai. (rain.ai)}

Les fournisseurs de solutions d'interconnexion et de conditionnement avancé jouent un rôle de plus en plus important dans le déploiement du CIM à grande échelle. Passage M1000 de Lightmatter, annoncé en mars 2025, propose une plateforme d'interconnexion photonique offrant jusqu'à 114 Tbps de bande passante optique. Cette technologie ne constitue pas en elle-même une solution de traitement CIM, mais elle peut répondre aux contraintes de communication au niveau des grappes qui apparaissent lorsque plusieurs accélérateurs centrés sur la mémoire sont déployés conjointement. Son partenariat avec Amkor Technology pour développer un boîtier photonique 3D de grande taille illustre également la manière dont le conditionnement avancé devient un élément de l'architecture concurrentielle.

L'activité de dépôt de brevets ajoute une dimension stratégique à la concurrence. L'OMPI a recensé 3,7 millions de demandes de brevets dans le monde en 2024, l'informatique représentant 13,2 % des dépôts. Dans le domaine du CIM, une propriété intellectuelle différenciante peut couvrir les structures de cellules mémoire, l'étalonnage analogique, les flux de données, les méthodes de compilation, le conditionnement et l'intégration des systèmes. Les fournisseurs disposant de brevets défendables et d'un savoir-faire démontré en matière de fabrication seront mieux placés pour obtenir des revenus de licences, conclure des partenariats avec des fonderies et sécuriser des programmes clients de longue durée.

Évolutions récentes du secteur

• Février 2025 – EnCharge AI a clôturé un tour de financement de série B sursouscrit de plus de 100 millions de dollars (USD). Le financement était destiné à la commercialisation de solutions analogiques de calcul en mémoire pour les applications d'informatique cliente.
• Mars 2025 – Lightmatter a présenté l'interposeur photonique Passage M1000. La plateforme fournit jusqu'à 114 Tbps de bande passante optique pour les grands systèmes d'IA, en répondant aux besoins d'interconnexion susceptibles de limiter la mise à l'échelle de plusieurs accélérateurs.
• Novembre 2025 – d-Matrix a levé 275 millions de dollars (USD) lors d'un tour de financement de série C. La société a déclaré que ces fonds soutiendraient la commercialisation de sa plateforme de calcul numérique en mémoire pour l'inférence de l'IA.
• Décembre 2025 – Mythic a annoncé un tour de financement de 125 millions de dollars (USD). Ce financement soutient la poursuite du développement de son architecture CIM analogique fondée sur la mémoire Flash et de l'écosystème logiciel associé.