Marché du traitement en mémoire (PIM) Taille et part 2026-2035

Taille du marché du traitement en mémoire (PIM)

Le marché mondial du traitement en mémoire (PIM) est évalué à 611,5 millions de dollars (USD) en 2025 et devrait atteindre 850 millions de dollars (USD) en 2026, puis 8,5 milliards de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé (CAGR) de 29,2 % sur la période 2026–2035.

Les prévisions reflètent une évolution de l'économie des infrastructures d'IA : le déplacement des poids des modèles et des données intermédiaires entre les processeurs et la mémoire devient aussi déterminant que le débit de calcul arithmétique, en particulier dans les systèmes d'inférence traitant des contextes longs et de faibles lots.

Le PIM place le calcul au sein de la matrice mémoire ou à proximité immédiate de celle-ci. Cette configuration déplace la ressource limitante du trafic de mémoire externe vers le parallélisme local au sein des banques mémoire. Une étude du Département de l'Énergie décrit le déplacement des données comme environ cent fois plus énergivore que le calcul et documente les gains de performance et d'efficacité énergétique des architectures PIM dans les charges de travail liées à l'attention, aux bases de données, au calcul haute performance (HPC) et aux graphes. Les fournisseurs de mémoire commerciaux ont donc cherché à développer des solutions qui préservent les interfaces mémoire familières tout en ajoutant des capacités de calcul localisées. SK hynix indique que sa mémoire GDDR6-AiM fonctionne à 16 Gbps, réduit la consommation liée au transfert de données jusqu'à 80 % et peut multiplier jusqu'à 16 fois le débit des charges de travail ciblées. Samsung a indiqué que la HBM-PIM offrait plus du double des performances et une consommation d'énergie réduite de plus de 70 % dans les charges de travail d'IA et de calcul haute performance (HPC) évaluées. ^{[1]U.S. Department of Energy, Office of Scientific and Technical Information, A Survey on the Expanding Scope and Interdisciplinary Opportunities for Processing-in-Memory Techniques, 2024, osti.gov}

Le contexte de la demande est de plus en plus contraint par la consommation électrique. La consommation mondiale d'électricité des centres de données s'élevait à 415 TWh en 2024 et devrait approcher 945 TWh d'ici 2030 ; l'AIE identifie les serveurs accélérés comme une source majeure de demande supplémentaire. Le PIM ne constitue pas un substitut universel aux GPU, mais il peut modifier la courbe des coûts des couches limitées par la mémoire en maintenant les opérations d'attention, les opérations vectorielles ou les prédicats de base de données à proximité des données stockées. ^{[2]International Energy Agency, Energy and AI, 2025, iea.org}

La thèse de croissance du marché repose donc sur une tension. L'augmentation de la demande d'électricité rend commercialement intéressante la réduction de la consommation d'énergie par inférence utile, mais les architectures les plus à même de l'obtenir doivent démontrer une précision prévisible, une programmation gérable et une économie acceptable de densité mémoire. Les fournisseurs qui associent l'innovation en matière de mémoire à des environnements d'exécution exploitables et à une validation au niveau des systèmes devraient capter davantage de valeur que ceux qui présentent des indicateurs isolés au niveau du silicium.

Principaux facteurs de croissance

Charges de travail d'IA et d'IA générative. L'inférence des transformeurs déplace de manière répétée les poids et les données du cache clé-valeur dans la hiérarchie mémoire, ce qui rend le traitement de contextes longs particulièrement sensible à la bande passante et à la consommation d'énergie. Les accélérateurs d'attention PIM examinés dans l'étude du DOE ont atteint une performance jusqu'à 2,81 fois supérieure et une efficacité énergétique 2,67 fois meilleure que les références conventionnelles citées. Alors que la consommation électrique des serveurs accélérés augmente, les opérateurs sont incités à évaluer le matériel selon la consommation d'énergie et la latence par jeton traité, plutôt qu'en fonction de la seule puissance de calcul nominale.

HBM et mémoire avancée. La HBM constitue un point d'entrée naturel, car sa densité de bande passante répond déjà aux besoins des accélérateurs d'IA. La HBM-PIM de Samsung a conservé la compatibilité avec le PHY HBM2 lors de son évaluation, réduisant ainsi la discontinuité d'intégration pour les systèmes d'accélération existants. La GDDR6-AiM de SK hynix illustre une autre voie, fondée sur des dispositifs de classe mémoire graphique. Leurs travaux sur la normalisation de la LPDDR6 PIM indiquent que l'opportunité pourrait à terme s'étendre des centres de données à l'inférence mobile soumise à des contraintes de puissance, même si la normalisation ne doit pas être assimilée à un déploiement à grande échelle. ^{[3]Samsung Electronics, Samsung Develops Industry's First High Bandwidth Memory with AI Processing Power, February 2021, news.samsung.com}

Extension de la mémoire via CXL. La désagrégation de la mémoire permet d'envisager un marché adressable plus vaste pour le PIM lorsque la capacité, plutôt que la puissance de calcul brute, constitue la contrainte d'une charge de travail. L'étude du DOE identifie la communication via le CPU comme une limitation importante dans certaines configurations DRAM-PIM et fait état de gains substantiels grâce à des architectures de traitement à proximité des données utilisant des interfaces associées au CXL. L'implication commerciale n'est pas que chaque dispositif CXL devienne un dispositif PIM, mais plutôt que l'extension cohérente de la mémoire puisse fournir une voie au niveau système pour connecter des capacités de calcul spécialisées en mémoire sans abandonner l'architecture hôte.

Investissements publics dans les semi-conducteurs. Le financement américain du programme CHIPS for America s'élève au total à 50 milliards de dollars (USD), dont 39 milliards de dollars (USD) destinés aux incitations à la fabrication et 11 milliards de dollars (USD) consacrés à la recherche et au développement. L'aide accordée par le département du Commerce à SK hynix comprend jusqu'à 458 millions de dollars (USD) de financement direct et jusqu'à 500 millions de dollars (USD) de prêts pour un investissement de 3,87 milliards de dollars (USD) dans l'Indiana, axé sur le conditionnement avancé et les capacités liées à la HBM. Ces programmes réduisent les risques de financement et d'approvisionnement associés aux capacités de production de mémoire avancée, mais ils ne remédient pas au manque de maturité des logiciels PIM ; le soutien public à la fabrication et l'accompagnement du déploiement applicatif progresseront selon des calendriers distincts. ^{[4]National Institute of Standards and Technology, CHIPS for America, 2024, nist.gov}

Informatique écoénergétique. Le potentiel du PIM est particulièrement précieux lorsque la disponibilité énergétique limite la capacité d'IA réellement exploitable. Le mécanisme est spécifique : l'exécution locale évite une partie des transferts de données hors puce à forte consommation d'énergie, au lieu de simplement améliorer l'utilisation des capacités de calcul conventionnelles. La croissance prévue par l'AIE de la demande d'électricité des centres de données rend cette caractéristique pertinente tant pour le choix des sites et la planification des capacités que pour l'approvisionnement en dispositifs.

Principaux freins

Coût du matériel et intégration. L'ajout de logique à la DRAM peut entraîner une pénalité de densité de 25–50 %, selon l'enquête du DOE. Cet arbitrage est important, car le PIM est en concurrence non seulement avec les GPU, mais aussi avec des mémoires conventionnelles peu coûteuses. La prime liée au silicium est amplifiée par la validation des contrôleurs mémoire, des pilotes, de la conception thermique et des logiciels de déploiement. Les approches compatibles avec les interfaces, telles que le HBM-PIM de Samsung, peuvent réduire cette charge, mais la compatibilité limite également la quantité de logique pouvant être ajoutée à un dispositif mémoire. L'adoption initiale favorisera donc les charges de travail pour lesquelles les économies d'énergie, les gains de latence ou la réduction des dépenses d'infrastructure peuvent être mesurés par rapport à cette prime.

Compatibilité logicielle. La programmation du PIM nécessite de prendre des décisions concernant le placement des données, le parallélisme au niveau des banques mémoire, les noyaux de calcul et la coordination entre l'hôte et le dispositif, autant d'éléments que les utilisateurs conventionnels de GPU n'ont pas à gérer régulièrement. L'obstacle est autant commercial que technique : un avantage matériel qui nécessite un partitionnement personnalisé des modèles peut être difficile à déployer dans un environnement cloud reposant sur des piles de déploiement standardisées. Le SDK CAMP de Mythic prend en charge les voies ONNX, PyTorch, TensorFlow et TensorRT, ce qui démontre l'intérêt des passerelles entre frameworks, mais cette prise en charge ne rend pas pour autant le comportement hétérogène du PIM transparent pour tous les modèles.

Les normes et les données de déploiement deviennent ainsi plus importantes qu'un benchmark réalisé sur un seul dispositif. Les fournisseurs de matériel qui préservent des interfaces familières, publient des processus d'intégration reproductibles et démontrent le fonctionnement conjoint du PIM et des GPU peuvent raccourcir les cycles de qualification. À l'inverse, un dispositif qui nécessite un nouveau modèle de programmation sans avantage clairement délimité pour une charge de travail donnée risque de rester cantonné à des projets pilotes techniques, malgré des indicateurs énergétiques attrayants.

Analyse par segment du marché du calcul en mémoire (PIM)

Par technologie mémoire

Le PIM basé sur la DRAM domine avec 420,0 millions de dollars (USD), soit 68,7 % du chiffre d'affaires de 2025, et devrait progresser à un taux de croissance annuel composé (CAGR) de 27,6 %. Cette position s'explique par la maturité de la fabrication et la proximité avec les chaînes d'approvisionnement existantes des accélérateurs HBM et GDDR. L'avantage commercial réside dans la qualification : les architectures qui fonctionnent avec des interfaces mémoire établies peuvent intégrer des infrastructures déjà conçues autour de mémoires à large bande passante. Sa croissance plus lente que celle des technologies émergentes reflète toutefois une contrainte différente : l'intégration de logique peut réduire la densité utile. ^{[5]SK hynix, SK hynix Develops PIM, Next-Generation AI Accelerator, February 2022, news.skhynix.com}

Le PIM basé sur la SRAM représente 91,7 millions de dollars (USD) et 15,0 % du chiffre d'affaires de 2025, avec une croissance de 29,2 % selon le CAGR. La SRAM favorise l'inférence numérique déterministe à faible latence. La plateforme Corsair de d-Matrix utilise le calcul numérique en mémoire et affiche une bande passante DIMC interne de 150 TB/s, une capacité de calcul de 2 400 TFLOPs en 8 bits ainsi que des indicateurs de performance d'inférence de Llama 3 sur du matériel PCIe Gen5. Ce profil est pertinent lorsque la latence des jetons et le comportement numérique reproductible priment sur la capacité mémoire. ^{[6]d-Matrix, d-Matrix Unveils Corsair, the World's Most Efficient AI Computing Platform for Inference in Datacenters, November 2024, d-matrix.ai}

Les technologies non volatiles constituent le principal relais de croissance. Le PIM fondé sur la MRAM, bien qu'évalué à seulement 37,6 millions de dollars (USD) en 2025, affiche le taux de croissance annuel composé (CAGR) le plus élevé parmi les technologies de mémoire, à 35,4 % ; le PIM fondé sur la ReRAM et celui fondé sur la mémoire Flash suivent, avec des taux respectifs de 34,3 % et 33,7 %. Un macro-circuit STT-MRAM de calcul en mémoire de 40 nm a atteint 7,02–112,3 TOPS/W selon des configurations de 4 à 16 bits, avec une latence de 7,4–29,6 ns, ainsi que les niveaux de précision rapportés pour certains tests ResNet et de réseaux neuronaux informés par la physique. La non-volatilité peut éviter les surcoûts liés au rafraîchissement et au rechargement des modèles, mais les performances des produits dépendent toujours de l'endurance, de la précision et de la régularité de la production, et pas uniquement de l'efficacité obtenue en laboratoire.

Par architecture de calcul

Le PIM numérique constitue la principale architecture, avec 375,4 millions de dollars (USD) et une part de marché de 61,4 % en 2025, ainsi qu'un CAGR de 30,1 %. Il offre une arithmétique déterministe et répond aux exigences de l'inférence en production, notamment pour les formats à précision réduite qui émergent actuellement. Le PIM analogique représente 168,4 millions de dollars (USD) et une part de marché de 27,5 %, avec une croissance de 28,4 %. Mythic annonce 120 TOPS/W et 17 fJ par opération MAC pour son architecture analogique. Ces performances mettent en évidence l'intérêt du PIM analogique en matière d'efficacité énergétique, tandis que son défi commercial consiste à maintenir une précision stable face à la variabilité et dans les conditions de déploiement. Le PIM à signaux mixtes, évalué à 67,7 millions de dollars (USD) et détenant une part de marché de 11,1 %, renonce à une partie de l'efficacité analogique en échange d'un contrôle numérique des interfaces et des opérations non linéaires.

Par application et utilisateur final

L'IA et l'apprentissage automatique constituent la principale application, avec 318,0 millions de dollars (USD), soit 52,0 %, en 2025. Le calcul haute performance et le calcul scientifique (112,9 millions de dollars (USD)), ainsi que l'analytique des données et le traitement des bases de données (74,8 millions de dollars (USD)), offrent d'autres charges de travail limitées par la mémoire ; l'enquête du DOE fait état de gains liés au PIM dans la modélisation climatique et les tests OLTP/OLAP. La vision par ordinateur et le traitement automatique du langage naturel (NLP), qui progressent respectivement de 34,7 % et 35,6 %, bénéficient d'une inférence localisée à faible consommation, en particulier lorsque les modèles doivent rester actifs en périphérie. Les services informatiques et cloud sont à l'origine de la demande des utilisateurs finaux ; l'électronique grand public, l'automobile, les télécommunications, l'industrie, la santé, l'aérospatiale et la défense répondent à des exigences différentes en matière de consommation d'énergie, de latence et de qualification. L'absence de valeurs de marché par utilisateur final signifie que les comparaisons entre secteurs doivent être interprétées comme des conditions d'adoption plutôt que comme des classements de revenus.

La croissance des applications renforce cette distinction. Le traitement automatique du langage naturel et la vision progressent plus rapidement que le marché global, car ils nécessitent de plus en plus une inférence proche de l'appareil ou de la source de données. Toutefois, l'opportunité accessible dépend de plusieurs conditions : les architectures analogiques et non volatiles doivent traduire leurs avantages énergétiques en une précision reproductible et en outils de développement faciles à gérer. L'architecture gagnante variera selon le coût du déplacement des données, la plage de précision acceptée et la capacité du client à qualifier un environnement d'exécution spécialisé.

Analyse régionale du marché du traitement en mémoire (PIM)

Amérique du Nord

L'Amérique du Nord domine le marché avec 255,0 millions de dollars (USD) en 2025, soit une part de 41,7 %, et devrait atteindre 3 462,8 millions de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé (CAGR) de 28,9 %. Les États-Unis contribuent à hauteur de 234,0 millions de dollars (USD) en 2025, tandis que le Canada y contribue à hauteur de 21,0 millions de dollars (USD). La région associe une forte demande d'inférence hyperscale à une concentration d'entreprises spécialisées, notamment EnCharge AI, MemryX, GSI Technology, d-Matrix et Mythic AI. Les mesures incitatives du CHIPS en faveur des technologies avancées de mémoire et du conditionnement ajoutent une dimension liée à la chaîne d'approvisionnement à un marché par ailleurs tiré par la demande. ^{[7]U.S. Department of Commerce, Biden-Harris Administration Announces CHIPS Incentives Award with SK hynix to Advance U.S. Technological Leadership and Expand Capacity of Chips Crucial to the AI Supply Chain, December 2024, commerce.gov}

Asie-Pacifique

L'Asie-Pacifique arrive juste derrière, avec 241,4 millions de dollars (USD) et une part de 39,5 % en 2025, et devrait devenir la première région avec 3 777,6 millions de dollars (USD) en 2035, à un taux de croissance annuel composé (CAGR) de 30,7 %. La Chine passe de 72,3 millions de dollars (USD) à 1 314,6 millions de dollars (USD), la Corée du Sud de 60,7 millions de dollars (USD) à 868,9 millions de dollars (USD), le Japon de 42,0 millions de dollars (USD) à 521,3 millions de dollars (USD), l'Inde de 20,2 millions de dollars (USD) à 491,1 millions de dollars (USD), et l'Australie de 10,0 millions de dollars (USD) à 113,3 millions de dollars (USD). La Corée du Sud occupe une position centrale du côté de l'offre de mémoire avancée grâce à SK hynix et Samsung. La région compte également Syntiant, PIMIC, TetraMem, Witmem (Zhicun Technology), HOUMO.AI et Pimchip, ce qui élargit la base concurrentielle dans les applications cloud, mobiles et edge.

Europe

L'Europe représente 69,1 millions de dollars (USD) en 2025 et devrait atteindre 765,7 millions de dollars (USD) d'ici 2035, avec un taux de croissance annuel composé (CAGR) de 26,2 %. L'Allemagne passe de 19,6 millions de dollars (USD) à 252,7 millions de dollars (USD), devant le Royaume-Uni, la France, l'Italie et l'Espagne. L'IA industrielle, l'automobile et la vision edge créent une combinaison de demande différente de celle du déploiement cloud nord-américain. Axelera AI est le concurrent européen autorisé, et son orientation edge illustre le potentiel de la région dans l'inférence spécifique aux applications plutôt que dans l'approvisionnement en HBM à grande échelle.

Amérique latine

L'Amérique latine progresse de 23,2 millions de dollars (USD) à 263,8 millions de dollars (USD), avec un taux de croissance annuel composé (CAGR) de 26,6 %. L'adoption du PIM dans la région est principalement liée à la disponibilité des services cloud et au déploiement de l'IA par les entreprises, plutôt qu'à une base nationale de fabrication de mémoires avancées. Le Moyen-Orient et l'Afrique progressent de 24,5 millions de dollars (USD) à 238,2 millions de dollars (USD), avec un taux de croissance annuel composé (CAGR) de 25,5 %. L'Arabie saoudite, les Émirats arabes unis et l'Afrique du Sud sont les principaux marchés identifiés, passant respectivement de 6,4 millions de dollars (USD), 4,9 millions de dollars (USD) et 6,6 millions de dollars (USD) en 2025 à 77,4 millions de dollars (USD), 46,5 millions de dollars (USD) et 58,4 millions de dollars (USD). La demande devrait suivre les investissements dans les centres de données et les infrastructures publiques d'IA, ce qui rend la disponibilité des produits et la capacité d'intégration des systèmes déterminantes.

La voie de l'Europe est davantage axée sur des applications spécifiques, notamment dans les secteurs industriel et automobile ainsi que dans l'inférence edge. L'Amérique latine, le Moyen-Orient et l'Afrique sont moins susceptibles de définir les feuilles de route des technologies de mémoire, mais leur croissance peut être significative lorsque de nouvelles capacités de centres de données contournent les infrastructures existantes.

Pour les fournisseurs de PIM, cela signifie que les modèles de mise sur le marché devraient différer : co-conception des systèmes et qualification auprès des hyperscalers en Amérique du Nord ; partenariats dans la chaîne d’approvisionnement et l’écosystème en Asie-Pacifique ; et solutions axées sur les charges de travail en Europe et dans les régions émergentes.

Part du marché du traitement en mémoire (PIM) et paysage concurrentiel

SK hynix domine le marché en 2025 avec une part de 29 %, suivi de Samsung Electronics avec 11 % ; Syntiant détient 5 %, Mythic AI 4 %, d-Matrix 4 %, tandis que les autres fournisseurs représentent collectivement 47 %. Cette structure associe des acteurs historiques de la mémoire capables d’intégrer le calcul dans des produits de mémoire à grand volume à des spécialistes optimisés pour certaines conditions d’inférence.

Les programmes GDDR6-AiM et AiMX de SK hynix positionnent l’entreprise sur l’inférence hétérogène dans les centres de données. Lors de sa démonstration AiMX de 2025, SK hynix a placé les mécanismes d’attention limités par la mémoire sur des cartes AiMX et les couches de projection limitées par le calcul sur des GPU H100, dans un environnement Supermicro utilisant vLLM. Le HBM-PIM de Samsung se distingue par des moteurs d’IA en mémoire situés dans les banques HBM et par sa compatibilité avec la signalisation HBM2 existante. Les deux acteurs historiques sont bien positionnés pour tirer parti d’une éventuelle intégration du PIM dans les normes d’interface mémoire, mais leur principal défi consiste à transformer cette compatibilité technique en une prise en charge logicielle étendue. ^{[8]SK hynix, AI Infra Summit 2025: SK hynix Showcases Innovative AiM Solution for Accelerating AI, September 2025, news.skhynix.com}

Syntiant cible l’inférence en périphérie à faible consommation et toujours active. Mythic AI se concentre sur le PIM analogique et annonce 120 TOPS/W ainsi qu’une large compatibilité avec les frameworks grâce à CAMP. d-Matrix cible l’inférence dans les centres de données au moyen du calcul numérique en mémoire Corsair ; l’entreprise annonce une implémentation PCIe Gen5, une bande passante DIMC de 150 TB/s et un intérêt particulier pour le format OCP Micro-scaling. EnCharge AI, MemryX, GSI Technology, PIMIC, TetraMem, Witmem, HOUMO.AI, Pimchip, Axelera AI et XCENA occupent des positions régionales, de niche ou de disrupteurs. Leur différenciation dépendra d’une combinaison spécifique de substrat mémoire, de spécialisation des charges de travail, d’accessibilité logicielle et d’accès aux canaux de distribution, plutôt que d’un ensemble commun de fonctionnalités PIM. ^{[9]Mythic AI, Mythic to Challenge AI's GPU Pantheon with 100x Energy Advantage and Oversubscribed USD 125M Raise, December 2025, mythic.ai}

Évolutions récentes du secteur

En septembre 2025, SK hynix a présenté une configuration d’inférence hétérogène basée sur AiMX lors de l’AI Infra Summit, utilisant quatre cartes AiMX avec deux GPU H100 dans un serveur Supermicro et vLLM.

En décembre 2025, Mythic AI a annoncé un financement sursouscrit de 125 millions de dollars (USD), dirigé par DCVC, auquel Honda Motors et Lockheed Martin ont participé en tant qu’investisseurs stratégiques. L’entreprise a associé cette annonce de financement à son positionnement fondé sur l’efficacité du PIM analogique et sa plateforme logicielle.