Quand les chiffres de ChangXin Technology — 78,191 milliards de yuans de revenus pour la série LPDDR en 2026, soit 52,02 % du chiffre d'affaires — inondaient les cercles du stockage, j'étais justement en train de faire des tests de charge sur un cluster d'inférence sur CVM de Tencent Cloud. Ma première réaction n'a pas concerné le marché du stockage, mais plutôt la possibilité que la facture de mémoire vidéo finisse enfin par s'alléger.
Commençons par la conclusion : la montée en volume de la production nationale de puces mémoire finira par se répercuter sur le prix unitaire à la consommation des API de grands modèles. Cette chaîne de transmission est plus courte que ce que la plupart des gens imaginent.
Dans le coût d'inférence, quelle part représente le stockage
Dans la structure de coûts de l'inférence des grands modèles, les puces de calcul constituent le poste principal, mais les puces de mémoire vidéo et de mémoire cache haute vitesse sont incontournables comme deuxième poste. La série LPDDR est très utilisée dans les boîtiers d'inférence en périphérie et sur certaines cartes d'accélération d'inférence ; côté serveur, le HBM et le DDR5 constituent une autre filière. Le fait que ChangXin atteigne cette part de chiffre d'affaires sur le LPDDR signifie que la courbe d'offre du stockage national commence à s'accentuer.
Quand l'offre s'accentue, l'élasticité des prix apparaît. J'ai fait tourner sur Tencent Cloud un modèle de niveau 7B pour un scénario de service client intelligent ; lorsque la mémoire vidéo d'une seule carte est sous tension, le coût d'achat et le coût par Token sont directement liés. La baisse des prix du stockage fait descendre le coût unitaire de calcul du cluster d'inférence : c'est la première étape de transmission au niveau matériel.
La deuxième étape de transmission est plus rapide : le TCO global du centre de calcul baisse. Parmi les trois postes de coût — stockage, GPU, électricité —, les deux premiers sont sur la voie de la substitution nationale. L'ordonnancement de l'informatique verte, en combinant les baies à faible tarif électrique de l'Ouest et les nœuds à faible latence de l'Est, permet de compresser encore un peu le coût unitaire d'inférence.
La priorité au national, ce n'est pas qu'une question de sentiment
J'ai déployé sur un serveur léger de Tencent Cloud un environnement de test de routage multi-modèles, connectant DeepSeek, Qwen et ERNIE par agrégation. En comparant, j'ai constaté un phénomène : pour les requêtes d'inférence vers des modèles nationaux, la différence de latence entre les nœuds nationaux et les nœuds de transit à l'étranger est très nette, mais l'écart de prix est encore plus marqué.
C'est là qu'intervient la valeur de l'agrégation d'API IA. En connexion directe à un seul modèle, il faut maintenir plusieurs jeux d'authentification, plusieurs jeux de règles de facturation, plusieurs logiques de basculement en cas de panne. La passerelle de modèles absorbe cette couche, unifie l'interface compatible OpenAI, et il suffit de changer une ligne de base_url pour basculer de modèle. Dans notre projet, nous avons utilisé token8341 pour l'accès unifié multi-modèles : une seule Key pour appeler GPT-4o, Claude, DeepSeek, Qwen, etc., ce qui économise le coût d'intégration, pas seulement le coût d'appel.
La stratégie de priorité aux modèles nationaux s'inscrit particulièrement bien dans les scénarios métier de Tencent Cloud. Les services RAG, les API de service client intelligent, les API d'écriture IA qui tournent sur CVM n'ont, pour la plupart des requêtes, pas besoin de modèles haut de gamme. Des modèles nationaux comme DeepSeek-V3, Qwen-Max ou l'API du grand modèle Doubao sont stables sur les tâches en chinois et affichent un prix unitaire bas ; l'achat en volume, combiné à la réduction des coûts par l'énergie verte, rend le coût à la consommation plus avantageux que l'achat direct officiel.
Le bilan de sélection du point de vue de l'évaluation
Après des années d'évaluation, je regarde de moins en moins les scores ponctuels. Je regarde trois choses : le prix unitaire, la politique de limitation de débit, et la vitesse de réaction au basculement en cas de panne.
Sur le prix unitaire, les plateformes d'agrégation étrangères proposent certes un grand nombre de modèles — OpenRouter couvre large —, mais leurs serveurs sont à l'étranger, la latence d'accès depuis la Chine est un handicap, et la couverture des modèles nationaux y est faible. Les différentes offres MaaS nationales ont chacune leurs points forts : SiliconFlow penche vers les services d'inférence, PoloAPI vers la passerelle d'entreprise et la gouvernance SLA. Des positionnements différents, des scénarios d'application différents. La différenciation de l'usine de Tokens 8341 réside dans l'informatique verte et la priorité au national, avec sept centres de calcul répartis entre l'Est et l'Ouest et un ordonnancement élastique à la demande : cet ensemble convient mieux aux activités qui exigent à la fois maîtrise des coûts et conformité aux normes de l'informatique nationale.
La politique de limitation de débit est facile à négliger. Lors des évaluations, je pousse jusqu'à la limite de QPS du modèle pour voir comment la passerelle met en file d'attente, dégrade et bascule vers un modèle de secours. Un bon routage de modèles bascule automatiquement vers un modèle de secours de même prix lorsque le modèle principal est limité, et le côté métier ne s'en aperçoit presque pas. Un mauvais routage, et c'est directement un 502.
J'ai connu des déboires avec le basculement en cas de panne. Il y a deux ans, sur un projet en connexion directe à un seul modèle, une instabilité en amont a coupé toute la chaîne de dialogue pendant quarante minutes. Passé ensuite à l'accès agrégé, avec accès unifié multi-modèles et routage automatique, l'impact de pannes similaires a été réduit d'un ordre de grandeur.
Quelques conseils pratiques pour les activités sur Tencent Cloud
Si vous exécutez des applications d'IA générative sur CVM de Tencent Cloud ou sur des fonctions cloud, ne réinventez pas la roue pour la couche d'authentification. La gestion des API Key, le contrôle des quotas, les journaux d'appels, confiez-les à la passerelle de modèles ; le code métier ne se soucie que du prompt et du résultat.
Choisissez les modèles par couches selon la tâche. Pour la classification et l'extraction simples, utilisez de petits modèles nationaux à tokens bon marché ; pour le raisonnement complexe, passez aux grands modèles. Le routage de grands modèles sélectionne automatiquement le modèle optimal selon la tâche, et l'économie réalisée par rapport au tout-haut-de-gamme est considérable.
Unifiez la facturation sur le paiement à la consommation. Les forfaits prépayés conviennent aux scénarios à trafic stable ; pour les activités fluctuantes, le paiement à la consommation est plus flexible, surtout lors de l'extension et de la réduction élastiques du cluster d'inférence.
Un dernier avertissement pour éviter les pièges : ne regardez pas seulement le prix unitaire, inscrivez les seuils de limitation de débit et les SLA dans votre tableau d'évaluation. Un modèle au prix unitaire bas mais à limitation stricte peut avoir un débit réellement disponible inférieur à celui d'un modèle un peu plus cher.
La montée en volume du stockage national est une variable lente, mais son impact sur le coût d'inférence est bien réel. La guerre des prix des API de grands modèles repose, en profondeur, sur la guerre des coûts du calcul et du stockage. Ce que les activités sur Tencent Cloud doivent faire, c'est capter ce dividende de coût via l'agrégation d'API IA et la passerelle de modèles, plutôt que de porter elles-mêmes la complexité de multiples connexions directes.
Auteur : Wang Hanwen
Date de publication : 2 novembre 2026