<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0" xmlns:atom="http://www.w3.org/2005/Atom"><channel>
<title>Articles techniques Fanshi Semiconductor</title><link>https://www.fanshi-silicon.com/fr/insights/</link><description>Les réponses de l'équipe d'ingénierie Fanshi : puces à calcul en mémoire, choix d'une puce d'inférence LLM embarquée, coût d'inférence, MaskROM, prototypage FPGA, mur de la mémoire et attention hybride de Qwen.</description><language>fr</language>
<lastBuildDate>Mon, 16 Nov 2026 01:00:00 GMT</lastBuildDate><atom:link href="https://www.fanshi-silicon.com/fr/feed.xml" rel="self" type="application/rss+xml"/>
<item><title>Le model-on-chip expliqué : ASIC LLM câblés, cloud et embarqué</title><link>https://www.fanshi-silicon.com/fr/insights/hardwired-llm-chip-model-specific-asic/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/hardwired-llm-chip-model-specific-asic/</guid><pubDate>Mon, 16 Nov 2026 01:00:00 GMT</pubDate><description>Un ASIC spécifique à un modèle, parfois appelé puce LLM câblée, fige les poids d'un seul grand modèle de langage dans le silicium à la fabrication. L'inférence n'a plus à sortir les poids de la mémoire : la vitesse de décodage et l'efficacité énergétique peuvent dépasser de plusieurs ordres de grandeur celles d'un GPU généraliste. En contrepartie, le modèle ne se remplace pas librement. Il en existe deux sortes : les puces cloud visent les tokens par seconde par baie et le coût par token, les puces embarquées visent une consommation de l'ordre du watt, le fonctionnement hors ligne et le coût de l'appareil.</description></item>
<item><title>ASIC d'inférence LLM : cinq architectures de puces comparées en 2026</title><link>https://www.fanshi-silicon.com/fr/insights/llm-inference-asic-comparison/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/llm-inference-asic-comparison/</guid><pubDate>Mon, 16 Nov 2026 01:00:00 GMT</pubDate><description>Le matériel d'inférence LLM se répartit aujourd'hui en cinq architectures : les GPU généralistes, les moteurs à l'échelle de la tranche, les unités de traitement du langage, les ASIC réservés aux transformers et les conceptions model-on-chip, qui figent un modèle dans le silicium. Elles diffèrent par la part de flexibilité sacrifiée à la vitesse. Pour un même modèle 8B, les vitesses annoncées vont d'environ 230 tokens par seconde par utilisateur sur un NVIDIA H200 à environ 17 000 sur un Taalas HC1 câblé, mais ces chiffres mêlent annonces de fabricants et mesures indépendantes et ne sont pas directement comparables. Toutes les cinq sont des produits de centre de données ; les appareils demandent une autre classe de puce.</description></item>
<item><title>Tokens par seconde : à quelle vitesse un LLM doit-il aller ?</title><link>https://www.fanshi-silicon.com/fr/insights/tokens-per-second-explained/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/tokens-per-second-explained/</guid><pubDate>Mon, 16 Nov 2026 01:00:00 GMT</pubDate><description>Les tokens par seconde mesurent le rythme auquel un modèle de langage génère sa sortie. Une personne lit à environ 5 à 7 tokens par seconde ; une réponse de chat paraît donc fluide entre 10 et 30. Les modèles de raisonnement, les agents et les boucles de commande en demandent des centaines à des milliers, car la plupart des tokens qu'ils produisent ne sont jamais lus par quelqu'un. Dans un appareil, le plafond est fixé par la bande passante mémoire divisée par la taille du modèle, d'où l'intérêt des puces embarquées qui cessent de déplacer les poids.</description></item>
<item><title>Faire tourner un LLM sans GPU : cinq options matérielles pour un appareil</title><link>https://www.fanshi-silicon.com/fr/insights/run-llm-without-gpu-edge-hardware/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/run-llm-without-gpu-edge-hardware/</guid><pubDate>Mon, 16 Nov 2026 01:00:00 GMT</pubDate><description>Un modèle de langage peut tourner sans GPU de centre de données sur cinq types de matériel : un CPU avec un modèle quantifié, le NPU d'une puce de téléphone ou de PC, un module GPU embarqué, un FPGA ou une puce LLM dédiée. Les trois premiers partagent un même goulet, la bande passante mémoire, car chaque token impose de lire tous les poids. Une puce dédiée supprime ce goulet, mais ne devient rentable que si le modèle est arrêté et le produit livré en volume.</description></item>
<item><title>Taalas HC1 expliqué : caractéristiques, vitesse, limites et conséquences pour les appareils</title><link>https://www.fanshi-silicon.com/fr/insights/taalas-hc1-explained/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/taalas-hc1-explained/</guid><pubDate>Mon, 16 Nov 2026 01:00:00 GMT</pubDate><description>Le Taalas HC1 est une puce d'inférence pour centre de données, annoncée en février 2026, qui câble un seul modèle, Llama 3.1 8B, dans le silicium. L'entreprise annonce près de 17 000 tokens par seconde par utilisateur, contre environ 230 sur un NVIDIA H200 pour le même modèle. Les détails publiés comprennent le TSMC 6 nm, une puce de 815 mm² et environ 53 milliards de transistors. Les contreparties : un modèle par puce, une quantification agressive sur 3 et 6 bits dans le premier silicium, et des serveurs d'environ 2,5 kW. C'est un produit cloud ; les appareils ont besoin de la même idée entre un watt et quelques dizaines de watts.</description></item>
<item><title>Qu'est-ce qu'une puce IA à calcul en mémoire ? Trois voies expliquées</title><link>https://www.fanshi-silicon.com/fr/insights/what-is-compute-in-memory-chip/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/what-is-compute-in-memory-chip/</guid><pubDate>Sat, 14 Nov 2026 01:00:00 GMT</pubDate><description>Une puce à calcul en mémoire (compute-in-memory, CIM) effectue les opérations de multiplication-accumulation dans la matrice mémoire : les poids du modèle ne quittent jamais les cellules de stockage. Elle s'attaque au poste le plus coûteux de l'inférence LLM : le transfert des poids de la mémoire vers les unités de calcul. Selon l'endroit où résident les poids, on distingue trois grandes voies : le calcul en mémoire MaskROM, le calcul en mémoire SRAM et le calcul proche mémoire.</description></item>
<item><title>Comment choisir une puce d'inférence LLM embarquée : 7 questions</title><link>https://www.fanshi-silicon.com/fr/insights/how-to-choose-edge-inference-chip/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/how-to-choose-edge-inference-chip/</guid><pubDate>Sat, 14 Nov 2026 01:00:00 GMT</pubDate><description>Pour choisir une puce d'inférence embarquée, répondez d'abord à sept questions : quel modèle, combien de paramètres, à quelle fréquence il change, quel budget énergétique, quelle vitesse de décodage, si les données peuvent quitter l'appareil, et combien d'unités vous livrerez. Ces réponses départagent en grande partie un GPU ou un NPU généraliste et un ASIC dédié à calcul en mémoire ou proche mémoire.</description></item>
<item><title>Coût d'inférence LLM : API, GPU cloud ou puce embarquée sur 3 ans</title><link>https://www.fanshi-silicon.com/fr/insights/inference-compute-cost/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/inference-compute-cost/</guid><pubDate>Sat, 14 Nov 2026 01:00:00 GMT</pubDate><description>Le coût d'inférence d'un LLM prend trois formes. L'usage d'une API est facturé au million de tokens et constitue une dépense continue ; un GPU cloud auto-hébergé amortit la location ou la dépréciation à environ 0,70 $ par million de tokens ; une puce embarquée dédiée s'achète une fois, après quoi le coût marginal de chaque inférence tend vers zéro. À 10 millions de tokens par jour, trois ans d'API d'un modèle de pointe coûtent environ 192 000 $, soit près de mille fois une puce à 210 $ prise à titre d'illustration.</description></item>
<item><title>Calcul en mémoire MaskROM : ce que signifie graver les poids dans le silicium</title><link>https://www.fanshi-silicon.com/fr/insights/maskrom-cim-explained/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/maskrom-cim-explained/</guid><pubDate>Sat, 14 Nov 2026 01:00:00 GMT</pubDate><description>Le calcul en mémoire MaskROM grave les poids du modèle dans une matrice de vias du silicium, au moyen des motifs de masque utilisés au tape-out : les poids deviennent une partie de la structure de la puce. À l'exécution, rien n'a besoin d'être lu ni déplacé : la multiplication-accumulation se fait sur place dans la matrice, ce qui donne la consommation et le coût marginal par inférence les plus bas de toutes les voies. La contrepartie est un modèle figé ; le changer exige de nouveaux masques.</description></item>
<item><title>Prototypage FPGA pour accélérateurs LLM : de la licence IP au tape-out</title><link>https://www.fanshi-silicon.com/fr/insights/fpga-prototyping-for-llm-ip/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/fpga-prototyping-for-llm-ip/</guid><pubDate>Sat, 14 Nov 2026 01:00:00 GMT</pubDate><description>Le prototypage FPGA pour LLM consiste à déployer une IP de cœur d'inférence sur une carte d'évaluation FPGA avant le tape-out, et à faire tourner toute la chaîne avec un vrai modèle et de vraies interfaces. Il met un échantillon d'ingénierie entre vos mains avant que l'ASIC n'existe, révèle tôt les problèmes de mappage du modèle, de précision de quantification, d'interfaces et d'intégration, et donne à la décision de tape-out des éléments mesurés.</description></item>
<item><title>Le mur de la mémoire : pourquoi les LLM embarqués calent, et comment le contourner</title><link>https://www.fanshi-silicon.com/fr/insights/memory-wall-edge-llm/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/memory-wall-edge-llm/</guid><pubDate>Sat, 14 Nov 2026 01:00:00 GMT</pubDate><description>Le mur de la mémoire est l'écart entre une puissance de calcul qui croît vite et une bande passante mémoire qui croît lentement : les unités de calcul passent le plus clair de leur temps à attendre les données. Au décodage d'un LLM, chaque token lit tous les poids ; le plafond de débit est donc égal à la bande passante mémoire divisée par la taille du modèle. Les appareils embarqués n'ont que quelques dizaines de Go/s de bande passante : les architectures classiques ne peuvent pas y faire tourner un LLM capable. Le calcul en mémoire et le calcul proche mémoire contournent le mur en déplaçant moins les poids, voire plus du tout.</description></item>
<item><title>De Qwen3.5 à Qwen3.8 : pourquoi l'attention hybride convient au silicium embarqué</title><link>https://www.fanshi-silicon.com/fr/insights/qwen-hybrid-attention-in-silicon/</link><guid isPermaLink="true">https://www.fanshi-silicon.com/fr/insights/qwen-hybrid-attention-in-silicon/</guid><pubDate>Sat, 14 Nov 2026 01:00:00 GMT</pubDate><description>Qwen3.5, Qwen3.6 et Qwen3.8 utilisent une disposition hybride dans laquelle trois couches d'attention linéaire Gated DeltaNet alternent avec une couche d'attention complète à portes. Seul le quart du réseau en attention complète conserve un cache KV qui croît avec le contexte ; les couches linéaires portent un état de taille fixe, quelle que soit la longueur du prompt. Pour une puce embarquée, cela signifie un budget mémoire plus petit et plus prévisible ; et comme la disposition publiée n'a pas changé entre ces versions, un modèle Qwen plus récent est une nouvelle construction sur les mêmes cœurs d'inférence, et non une nouvelle architecture.</description></item>
</channel></rss>
