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, puis 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 place les opérations de multiplication-accumulation à proximité des matrices mémoire, ou au sein de celles-ci, 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 séparant processeur et mémoire.

Le CIM passe d'une proposition de conception de circuits à un défi de qualification des produits. L'architecture de recherche NorthPole d'IBM a intégré 192 Mo de SRAM dans une conception 256-core, illustrant comment une mémoire distribuée sur puce peut réduire la dépendance au déplacement hors puce des poids 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 des systèmes, notamment dans les clusters d'inférence dans le cloud, les systèmes automobiles et industriels en périphérie, 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}

La chaîne d'approvisionnement associe la conception de mémoires avancées, l'accès aux nœuds technologiques de gravure, une expertise en conception mixte analogique-numérique ou numérique, la prise en charge par les compilateurs, le conditionnement et l'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 leurs feuilles de route établies en matière de DRAM, de SRAM ou de mémoire Flash pour développer des produits de traitement en mémoire, tandis que les entreprises 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 façonnera donc davantage la conversion des contrats de conception remportés que la seule efficacité théorique du calcul.

Le cas d'investissement ne repose pas sur un remplacement généralisé des GPU ou des CPU. Le CIM est particulièrement pertinent lorsque les modèles déplacent de manière répétée d'importants 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 d'efficacité démontré par IBM pour NorthPole sur un nœud technologique comparable confirme le bien-fondé technique de cette approche, mais la conversion généralisée 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 12,81 milliards de dollars (USD) d'ici 2035 suppose donc que les fournisseurs transforment l'efficacité d'une architecture centrée sur la mémoire en produits qualifiés, plutôt que de s'appuyer uniquement sur les performances mesurées par les benchmarks. ^{[2]Wiley, All-in-One Analog AI Hardware: On-Chip Training and Inference with Conductive-Metal-Oxide/HfOx ReRAM Devices, . (). 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 de calcul arithmétique. Lors de l’inférence autorégressive de grands modèles de langage, les poids du modèle doivent être consultés de manière répétée pour chaque jeton généré. L’accès à la mémoire devient ainsi un déterminant majeur de la latence, de l’utilisation des accélérateurs et de la consommation d’énergie. 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. Ces résultats revêtent une importance commerciale, car les opérateurs de cloud achètent un débit exploitable et un coût par inférence, et non un nombre maximal d’opérations par seconde. ^{[3]Bowen, Patrick, et al., Analog, In-Memory Compute Architectures for Artificial Intelligence, arXiv, . (). 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’alimentation électrique, le refroidissement et le raccordement au réseau peuvent retarder les augmentations de capacité, 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 obtenu dépende des caractéristiques de la charge de travail, des objectifs de précision et des surcoûts 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. Les CIM basés sur la mémoire flash et la mémoire SRAM sont particulièrement pertinents, car ils peuvent conserver localement les poids des modèles tout en réduisant les transactions avec la mémoire externe. Rain AI a commencé à expédier du matériel de démonstration destiné au calcul 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 mémoire qui ne peut pas être résolu uniquement par une densité de calcul accrue. La mémoire à large bande passante améliore l’alimentation en données des GPU, mais elle n’élimine ni le coût énergétique ni le coût en latence du déplacement des données entre des domaines de stockage et de traitement distincts. 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, bien qu’elle ne convienne pas de manière égale à tous les opérateurs de modèles ni à toutes les exigences de précision.

Les progrès des technologies de mémoire élargissent l'éventail des supports 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, de son côté, démontré son approche AiM pour les charges de travail d'IA. Ces programmes sont importants, car des interfaces mémoire standardisées et des procédés de fabrication éprouvés peuvent réduire le risque d'adoption associé aux architectures d'accélérateurs entièrement nouvelles. Parallèlement, les recherches sur le calcul en mémoire fondé sur des memristors continuent de mettre en évidence le potentiel d'une inférence en périphérie à très faible consommation, tout en illustrant les travaux d'étalonnage et de fiabilité nécessaires avant un déploiement à grande échelle.

Principaux freins

La conception des architectures CIM demeure un problème d'ingénierie au niveau des systèmes. Les implémentations numériques doivent trouver un équilibre entre la densité de la SRAM, la précision, le routage et la distribution de l'alimentation. Les implémentations analogiques ajoutent la variation des dispositifs, la dérive thermique, la conversion analogique-numérique, l'étalonnage et la gestion des erreurs tenant compte du modèle. Les analyses consacrées au SRAM-CIM soulignent que l'architecture des matrices et les circuits périphériques influencent sensiblement la précision, la densité et les performances énergétiques, ce qui empêche de transférer une même conception de macro sans modification d'un nœud de procédé ou d'une application à l'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 deuxième point de friction. Les fabricants de mémoire progressent dans la standardisation du traitement en mémoire, mais le marché du CIM englobe des approches fondées sur la SRAM, la DRAM, la mémoire Flash, la mémoire résistive, ainsi que des architectures analogiques, numériques et hybrides, dont les exigences de programmation et de déploiement diffèrent. Les clients sont donc confrontés à un risque de portabilité : un modèle optimisé pour une architecture peut nécessiter une recompilation importante, une quantification ou une refonte des opérateurs pour une autre. Cette situation favorise les fournisseurs qui associent leur matériel à des outils de compilation maintenus, à des bibliothèques de modèles et à un accompagnement à l'intégration.

Les contraintes de précision et d'endurance des solutions analogiques limitent les cas d'usage à court terme. Les conceptions CIM fondées sur la mémoire Flash et la mémoire résistive peuvent atteindre des niveaux de densité et d'efficacité énergétique particulièrement intéressants, mais la variation physique des dispositifs, les effets de rétention et l'accumulation d'erreurs analogiques compliquent l'inférence de haute précision. Une étude sur le CIM intégré à une mémoire NAND Flash identifie la variation de la tension de seuil et les non-idéalités au niveau de la matrice comme des facteurs à traiter afin de préserver la précision des modèles. Pour les applications automobiles, médicales et industrielles, les exigences de qualification peuvent orienter le choix du produit vers des architectures numériques ou hybrides, même lorsque les solutions analogiques affichent une valeur nominale de consommation énergétique par opération plus faible.

Les exigences réglementaires influencent également les choix de commercialisation. Les garde-fous du CHIPS Act des États-Unis imposent des restrictions à certaines transactions impliquant des bénéficiaires d'aides fédérales, tandis que les contrôles à l'exportation peuvent réduire les marchés finaux accessibles pour les matériels d'IA haute performance. En Europe, les obligations fondées sur le risque prévues par l'AI Act de l'UE 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 CIM en tant qu'architecture distincte, mais elles influencent les marchés auxquels les fournisseurs peuvent vendre, la manière dont les systèmes sont validés et les caractéristiques de fiabilité auxquelles les acheteurs accordent la priorité.

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

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

Par type de technologie mémoire

Le CIM basé sur la SRAM constitue le plus grand segment technologique de mémoire, évalué à 203,22 millions USD en 2025 et devrait atteindre 5,41 milliards USD d'ici 2035, soit un taux de croissance annuel composé (CAGR) d'environ 38,95 %. Sa position de tête s'explique par la maturité des procédés de fabrication : les macroblocs SRAM peuvent être intégrés 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 illustre la valeur stratégique de cette approche en combinant une SRAM distribuée avec 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 sensiblement plus importante par bit stocké que la DRAM ou la mémoire Flash. Ainsi, le CIM basé sur la SRAM est particulièrement intéressant sur le plan économique lorsque la faible latence et les performances prévisibles justifient un coût supérieur des matériaux de la puce. Cette caractéristique associe le segment à l'inférence cloud haut de gamme, aux réseaux, à la vision industrielle et aux systèmes de périphérie plus performants. La position dominante de la SRAM sur le marché ne signifie pas qu'elle constitue le substrat universel du CIM ; elle indique que la maturité des procédés de fabrication et le comportement déterministe restent particulièrement précieux durant la phase commerciale initiale 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 USD en 2025 à 4,67 milliards USD en 2035, avec un taux de croissance annuel composé (CAGR) d'environ 39,71 %. Son stockage non volatil permet de conserver les poids neuronaux sur la puce lorsque l'alimentation est interrompue, une caractéristique utile dans les appareils embarqués qui nécessitent 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 des rôles distincts pour les 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 la plus forte lorsque les concepteurs doivent gérer conjointement la consommation d'énergie, 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 le support des outils répondent aux exigences propres à chaque produit. La prévision de croissance rapide reflète donc l'augmentation de la demande en périphérie et un profil de coût par bit favorable, et non la disparition des compromis d'ingénierie.

Le CIM à base de DRAM est évalué à 78,54 millions de dollars (USD) en 2025 et devrait atteindre 1,92 milliard de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé (CAGR) d'environ 37,76 %. Ce segment repose sur des 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 dispositifs de stockage de données à large bande passante. Les travaux de Samsung sur HBM-PIM et de LPDDR5-PIM, ainsi que le développement AiM de SK hynix, positionnent principalement le DRAM-CIM dans les centres de données à haut débit et les applications 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 à base de RRAM, de PCM, de MRAM et de 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 problèmes de rendement, d'endurance, de rétention et d'intégration. Leur CAGR plus faible, d'environ 31,21 %, reflète une trajectoire de commercialisation qui devrait rester sélective jusqu'à l'amélioration de la régularité de fabrication et des éléments de qualification.

Par type d'architecture

Le CIM numérique constitue le plus grand segment architectural, représentant 217,53 millions de dollars (USD) en 2025 et devant atteindre 5,74 milliards de dollars (USD) en 2035, avec un CAGR d'environ 38,81 %. Les implémentations numériques préservent un calcul discret et sont généralement mieux adaptées aux applications qui nécessitent des résultats déterministes, des formats de modèles quantifiés familiers et des procédures de vérification plus claires. Elles revêtent ainsi une importance commerciale pour l'inférence dans le cloud et les applications de périphérie réglementées, où la prévisibilité du comportement 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 d'IA générative : son architecture intègre des éléments de traitement dans des matrices mémoire afin de réduire les transferts de données, tandis que son positionnement commercial privilégie le déploiement dans les centres de données plutôt qu'une mesure isolée au niveau du circuit. Les architectures 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 qui connaît la croissance la plus rapide, passant de 155,72 millions de dollars (USD) en 2025 à 4,38 milliards de dollars (USD) en 2035, avec un CAGR 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 surfacique et énergétique supérieure pour l'inférence à précision intermédiaire. Les recherches sur les accélérateurs SRAM-CIM analogiques démontrent le potentiel de l'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.

Ce surcroît de croissance reflète l'importance de la consommation énergétique par inférence dans les appareils clients et les systèmes embarqués. L'opération de financement menée par EnCharge AI en février 2025 favorise 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 logiciels robustes et en une précision acceptable pour les clients.

Le CIM hybride représente un compromis pratique, générant 126,74 millions de dollars (USD) en 2025 et devant atteindre 2,69 milliards de dollars (USD) en 2035, avec un CAGR d'environ 35,79 %. En combinant des blocs de calcul analogiques avec des circuits numériques de correction ou de contrôle, les architectures hybrides peuvent conserver certains gains d'efficacité tout en répondant aux préoccupations liées à la précision et à la fiabilité. Leur croissance prévue, plus lente que celle des systèmes entièrement analogiques, reflète une complexité architecturale supplémentaire, mais cette approche peut être intéressante lorsqu'une architecture entièrement analogique ne permet pas d'atteindre les seuils de validation propres à l'application.

Par application

Les centres de données et l'IA cloud constituent le plus grand segment d'application, évalué à 162,25 millions de dollars (USD) en 2025 et devrait atteindre 4,30 milliards de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé (CAGR) d'environ 38,88 %. Ce segment regroupe 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, conçu autour du moteur WSE-3 à l'échelle de la tranche, constitue un exemple de système destiné à concentrer la puissance de calcul et la mémoire sur puce 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 sur de vastes flottes de serveurs.

L'offre d'inférence de Groq fondée sur des LPU représente une autre voie commerciale : un matériel d'inférence déterministe peut être monétisé via 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 CIM qui ciblent ce segment ont besoin de davantage que de performances de puce ; ils doivent disposer de capacités d'intégration logicielle, d'assistance clientèle, d'expertise dans le déploiement en centre de données et d'une trajectoire crédible de montée en puissance.

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 3,42 milliards de dollars (USD) en 2035, avec un taux de croissance annuel composé (CAGR) d'environ 39,71 %. Les déploiements en périphérie privilégient les architectures qui réduisent les transferts de données 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 créer des opportunités particulièrement intéressantes, mais uniquement lorsque la solution satisfait aux exigences de sécurité, de fiabilité et de longue durée de vie.

Les applications de l'IdO et des systèmes embarqués représentent 88,54 millions de dollars (USD) en 2025 et devraient atteindre 2,17 milliards de dollars (USD) en 2035. L'inférence locale à faible consommation et le stockage non volatil des poids favorisent les solutions CIM 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 1,69 milliard de dollars (USD) en 2035. Les acheteurs de ce segment privilégient la réactivité déterministe, la disponibilité, l'intégration aux systèmes de contrôle existants et la disponibilité à long terme. Les autres applications, notamment celles des secteurs public et 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 1,21 milliard de dollars (USD) en 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 des utilisateurs finaux

Les technologies de l'information et les télécommunications constituent le principal secteur d'activité des utilisateurs finaux en 2025, englobant les opérateurs cloud, les infrastructures d'IA d'entreprise et les charges de travail des réseaux de télécommunications. Ce secteur est appelé à adopter les solutions CIM lorsque les opérateurs pourront valider une consommation d'énergie réduite et une bande passante mémoire effective supérieure à l'échelle de la production.

Le secteur automobile revêt une importance stratégique, car les systèmes ADAS et l'IA embarquée nécessitent un traitement local dans des conditions thermiques et énergétiques prédéfinies. Le segment privilégiera les architectures capables de satisfaire aux exigences de sécurité fonctionnelle et de fiabilité, ce qui rend les solutions CIM numériques et hybrides particulièrement pertinentes lors des premiers déploiements. L'électronique grand public offre un potentiel de volumes pour les systèmes analogiques et Flash-CIM 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 peut ralentir l'adoption, mais créer des opportunités durables pour les fournisseurs qui franchissent les obstacles liés à la qualification.

La combinaison technologique suit le même schéma à deux vitesses. Les technologies SRAM et CIM numérique dominent, car elles réduisent les risques liés à la qualification et aux logiciels pour les déploiements sensibles aux performances. La mémoire Flash et la technologie CIM analogique progressent plus rapidement, car le stockage non volatile et la consommation d'énergie plus faible par inférence correspondent mieux aux appareils alimentés de manière intermittente et soumis à des contraintes thermiques. Les fournisseurs qui présentent ces architectures comme des substituts 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 puissance, 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

Le marché nord-américain est évalué à 157,08 millions de dollars (USD) en 2025 et devrait atteindre 3,84 milliards 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 aux infrastructures d'IA hyperscale, à une activité avancée de conception de puces et à une concentration d'entreprises axées sur la technologie 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 les opérations de d-Matrix basées 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, influençant 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'expansion à l'échelle mondiale. La réussite dans la région dépendra de la capacité à convertir la différenciation technique en déploiements de production offrant un soutien logiciel suffisant et une fiabilité opérationnelle adéquate. ^{[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 1,92 milliard 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 à la demande dans les secteurs automobile et industriel ainsi que dans la recherche et l'IA d'entreprise. 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 les déploiements industriels qualifiés et réglementés que sur les volumes d'accélérateurs hyperscale. Le cadre fondé sur les risques du règlement de l'UE sur l'IA rend la traçabilité et la validation de plus en plus pertinentes 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 européenne dans le domaine des semi-conducteurs, en relevant que les ambitions affichées en matière de fabrication se heurtent à des difficultés concrètes de mise en œuvre. Par conséquent, l'adoption de la technologie 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 solidement établis. L'approche IPU de Graphcore, qui associe étroitement une mémoire importante intégrée à la puce à la capacité de calcul, reste pertinente dans le cadre de l'orientation plus large vers le calcul centré sur la mémoire, mais la transaction montre que la seule qualité de l'architecture ne garantit pas 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 6,02 milliards de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé (CAGR) d'environ 40,52 %. Sa position repose sur la concentration de la production de mémoires, des investissements dans les semi-conducteurs, de la demande intérieure en IA et des compétences régionales en conception. La Chine, l'Inde, le Japon, la Corée du Sud, l'Australie et le reste de l'Asie-Pacifique apportent des capacités distinctes dans les domaines de la fabrication, des technologies de mémoire, de l'électronique embarquée, des infrastructures d'IA souveraine et de la demande automobile.

La Corée du Sud fournit les bases commerciales les plus solides de la région pour le calcul en mémoire (CIM), grâce à Samsung et à SK hynix. Leurs programmes de traitement en mémoire relient le développement du CIM aux écosystèmes établis de DRAM, de HBM et de mémoires mobiles. La Chine dispose d'une vaste base nationale de recherche et de brevets, ainsi que d'investissements publics dans les semi-conducteurs. L'activité de brevets associée à Hangzhou Zhicun Technology, également connue sous le nom de WitMem, témoigne de la poursuite du développement de configurations de traitement en mémoire à plusieurs puces. ^{[7]ServeTheHome, In-Memory Computing and Emerging AI Accelerator Technologies. servethehome.com}

Le Japon renforce son soutien aux technologies avancées des semi-conducteurs et de l'IA. Le ministère japonais de l'Économie, du Commerce et de l'Industrie a fait progresser des mesures législatives en février 2025 afin de soutenir les investissements dans les technologies liées aux semi-conducteurs et à l'IA. La mission IndiaAI et les efforts déployés par l'Inde 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 sera influencée par l'exposition aux contrôles à l'exportation, l'accès aux nœuds de gravure avancés et à la HBM, ainsi que par la capacité des fournisseurs locaux à intégrer le matériel à des écosystèmes logiciels viables.

Amérique latine

Le marché de l'Amérique latine est évalué à 25,93 millions de dollars (USD) en 2025 et devrait atteindre 461,26 millions de dollars (USD) d'ici 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 le domaine de l'électronique et sa proximité avec les chaînes d'approvisionnement nord-américaines de l'industrie automobile créent une opportunité plus étroite, mais néanmoins pertinente, pour l'adoption du CIM dans les applications 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, le support local et l'intégration aux 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 appareils, plutôt que les architectures haut de gamme nécessitant d'importants investissements dans leur 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) d'ici 2035, avec un taux de croissance annuel composé (CAGR) d'environ 35,15 %. L'Arabie saoudite et les Émirats arabes unis constituent les principaux centres de demande régionaux, soutenus par des programmes d'IA souveraine et le développement de centres de données. Le financement obtenu par Groq en 2025 et ses engagements en matière d'infrastructures régionales témoignent du rôle des acheteurs souverains dans le développement des capacités d'inférence.

L'Arabie saoudite, les Émirats arabes unis, l'Afrique du Sud et le reste de la région MEA présentent des conditions d'adoption différentes. Les marchés du Golfe peuvent soutenir des achats concentrés 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 locale des systèmes, l'exposition au risque de change et la disponibilité de partenaires qualifiés pour le déploiement influeront sur la vitesse à laquelle le matériel CIM spécialisé passera des programmes pilotes aux infrastructures opérationnelles.

L’Amérique du Nord conservera une influence commerciale importante, car elle associe des fabricants de puces spécialisés à des achats d’infrastructures d’inférence à très grande échelle. La trajectoire de l’Europe devrait être davantage dictée par les processus de qualification, notamment dans les applications automobiles, industrielles et réglementées. L’Amérique latine, le Moyen-Orient et l’Afrique offrent des poches de demande ciblées plutôt qu’une adoption précoce généralisée. Pour les fournisseurs, la stratégie régionale devrait donc distinguer les marchés capables de valider à grande échelle des systèmes hautes performances et ceux où l’économie localisée de l’informatique en périphérie, les achats souverains ou les exigences de conformité déterminent les premières opportunités commerciales viables.

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

Le marché des puces CIM est fragmenté, car les fournisseurs abordent le défi du rapprochement entre mémoire et calcul à partir de points de départ différents : systèmes à l’échelle de la tranche, produits de mémoire, processeurs d’inférence cloud, accélérateurs analogiques pour l’informatique en périphérie, interconnexions photoniques et architectures proches de la mémoire. Cerebras Systems détient 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, représentent une part estimée à 46,8 %.

Cerebras Systems est en tête grâce à des systèmes d’IA à l’échelle de la tranche reposant 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 . Son avantage concurrentiel réside dans l’intégration à l’échelle du système et dans 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 les mémoires, les services de fonderie et les semi-conducteurs système. Ses travaux sur HBM-PIM, LPDDR5-PIM et le traitement proche de la mémoire offrent une voie établie pour intégrer des fonctions de calcul aux technologies de mémoire produites en grands volumes . Le principal avantage de Samsung réside dans sa capacité à aligner le développement des architectures 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 d’équipements d’origine 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 liées à l’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 remodeler. Cette double exposition lui apporte une connaissance du marché et une capacité de production à grande échelle, mais exige de l’entreprise qu’elle gère son positionnement produit entre la mémoire conventionnelle à large bande passante et le calcul en mémoire.

Intel intervient par l’intermédiaire d’accélérateurs d’IA, d’écosystèmes de mémoire compatibles avec CXL et de voies de développement du calcul proche de la mémoire. Gaudi 3 associe une mémoire à large bande passante à un calcul spécialisé pour l’IA et illustre les efforts d’Intel pour proposer des solutions alternatives dans les infrastructures d’IA générative destinées aux entreprises . La participation d’Intel à CXL peut favoriser des approches plus standardisées pour connecter des mémoires intelligentes ou des dispositifs proches de la mémoire, même si elle ne résout pas à elle seule les différences architecturales et logicielles entre les différentes implémentations de la 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 va au-delà de la vente de puces grâce à un accès à l'inférence dans 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.

Des challengers spécialisés ciblent des opportunités plus ciblées. 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 son changement d'échelle commercial. EnCharge AI cible l'informatique côté client et l'informatique embarquée avec une technologie analogique de calcul en mémoire. Mythic associe une mémoire Flash intégrée 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 ils doivent surmonter les mêmes obstacles liés à la qualification, à l'accès aux fonderies et à l'écosystème logiciel que ceux qui protègent les acteurs établis de plus grande taille. ^{[8]Rain AI, Digital In-Memory Compute for AI Training and Inference, . (). rain.ai}

Les fournisseurs de solutions d'interconnexion et de conditionnement prennent une importance croissante pour le déploiement du calcul en mémoire (CIM) à grande échelle. Le 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 calcul en mémoire, mais elle peut répondre aux contraintes de communication au niveau des grappes qui apparaissent lorsque plusieurs accélérateurs à architecture centrée 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 la pile architecturale concurrentielle.

L'activité en matière de brevets ajoute un volet stratégique à la concurrence. L'OMPI a recensé 3,7 millions de demandes de brevet dans le monde en 2024, la technologie informatique représentant 13,2 % des dépôts. Dans le domaine du calcul en mémoire (CIM), la 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 positionnés pour obtenir des revenus de licences, des partenariats avec des fonderies et 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 informatiques côté client.
• 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) dans le cadre d'un financement de série C. La société a indiqué 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 analogique de calcul en mémoire fondée sur la mémoire Flash et de son écosystème logiciel associé.