MatX, une start-up spécialisée dans les puces pour l’intelligence artificielle fondée par deux anciens ingénieurs matériels de Google, a levé 500 millions de dollars dans un tour de financement de série B mené par Jane Street et Situational Awareness, un fonds d’investissement cofondé par l’ancien chercheur d’OpenAI Leopold Aschenbrenner. L’objectif de la société est de développer des processeurs capables de former les grands modèles linguistiques (LLM) dix fois plus efficacement que les GPU actuels d’Nvidia, tout en offrant des performances supérieures en sortie. Parmi les autres investisseurs figurent Marvell Technology, NFDG, Spark Capital, ainsi que les cofondateurs de Stripe, Patrick et John Collison. La nouvelle levée de fonds a été annoncée mardi par Reiner Pope, fondateur et PDG de MatX, dans un post LinkedIn. Bien que la valorisation exacte de la start-up n’ait pas été divulguée, elle s’inscrit dans un contexte de forte croissance du secteur des puces IA. En comparaison, Etched, le principal concurrent de MatX, a levé 500 millions de dollars au cours d’un tour similaire, avec une valorisation de 5 milliards de dollars, selon Bloomberg, qui n’a toutefois pas pu obtenir de commentaire immédiat de la part d’Etched. Ce financement intervient plus d’un an après la levée de 100 millions de dollars de série A, également menée par Spark Capital. Selon TechCrunch, la valorisation de MatX aurait dépassé 300 millions de dollars lors du tour de 2024. Avant de cofonder MatX en 2023, Reiner Pope avait supervisé le développement logiciel des Tensor Processing Units (TPU) de Google, les puces propriétaires conçues spécifiquement pour l’IA. Son co-fondateur, Mike Gunter, était quant à lui responsable de la conception matérielle des TPU avant de quitter Google pour lancer la start-up. Les fonds levés serviront à produire les puces de MatX chez TSMC, avec pour objectif de commencer leur livraison à partir de 2027. Cette stratégie vise à concurrencer directement Nvidia, qui domine actuellement le marché des accélérateurs d’IA, en proposant une alternative plus performante et plus économe en énergie pour les tâches de formation et d’inférence des modèles d’intelligence artificielle.