La plupart des discussions sur l’avenir de l’intelligence artificielle convergent vers le même goulot d’étranglement : l’énergie. La formation d'un grand modèle de langage consomme suffisamment d'électricité pour une petite ville pendant plusieurs jours. Exécuter une inférence à grande échelle n’est pas très différent. Pendant ce temps, le cerveau humain traite des schémas complexes de langage, de vision et de décision tout en consommant environ 20 watts, soit moins qu’une ampoule à incandescence. Cet écart n’est pas dû à la curiosité académique ; est le problème d'ingénierie le plus important auquel est confrontée l'industrie du matériel.
L’informatique neuromorphique est l’un des moyens les plus sérieux pour y remédier. Non pas parce qu’il remplacera les GPU qui exécutent les modèles actuels, mais parce qu’il résout une catégorie différente de problèmes, avec une efficacité que l’architecture von Neumann – celle qui régit pratiquement tous les ordinateurs depuis les années 1940 – ne peut pas atteindre.
Qu'est-ce qui différencie le cerveau d'un GPU
Un GPU traite de manière dense et synchrone : tous les cœurs fonctionnent en parallèle, l'horloge pulse en continu, l'énergie est consommée, qu'il y ait ou non des calculs utiles. C’est idéal pour l’algèbre linéaire par lots – c’est exactement ce que font les réseaux de neurones profonds pendant l’entraînement.
Le cerveau fonctionne d’une manière radicalement différente. Les neurones se déclenchent en réponse à des événements et non à des cycles d'horloge. La plupart du temps, la plupart des neurones sont silencieux. Lorsqu’un stimulus arrive, seul le sous-ensemble concerné s’active – de manière éparse, de manière asynchrone et avec une consommation d’énergie proportionnelle au travail effectué, et non au temps écoulé.
Les puces neuromorphiques tentent de reproduire cette architecture dans le silicium. Intel Loihi 2, par exemple, implémente des neurones artificiels et des synapses qui se comportent de manière similaire : déclenchement basé sur des événements, traitement de la mémoire locale et calcul dans le même élément, consommation d'énergie uniquement en cas d'activité. IBM TrueNorth a suivi un principe similaire, avec 4 096 cœurs neuromorphiques fonctionnant à quelques milliwatts. Ce ne sont pas des puces rapides au sens conventionnel du terme ; Ce sont des puces efficaces, contrairement aux processeurs et aux GPU.
Là où cette technologie a du sens aujourd'hui
Dans le monde réel, les puces neuromorphiques surpassent désormais les GPU dans les problèmes de détection continue de périphérie, avec une faible latence et une consommation minimale.
Pensez aux capteurs industriels qui doivent détecter les anomalies dans les flux de données en temps réel, sans tout envoyer dans le cloud. Ou des appareils IoT qui doivent reconnaître des modèles audio ou de vibration pendant des mois avec une petite batterie. Ou des systèmes de vision intégrés dans des drones qui doivent réagir en quelques millisecondes sans cordon d'alimentation à proximité. Dans ces scénarios, l’efficacité énergétique est la variable qui régit la viabilité – et les architectures neuromorphiques gagnent avec une marge qui s’améliore à chaque génération de puce.
Ce que ces puces ne font pas bien, pour l’instant, c’est former de grands modèles ou exécuter une inférence en langage dense. Pour cela, le GPU règne toujours. La catégorie est complémentaire et non substitutive.
L'informatique ADN et la frontière biologique
Au-delà du silicium, il existe une frontière encore plus radicale : celle de l’utilisation de molécules biologiques comme substrat informatique. L’informatique ADN n’est pas une métaphore – c’est une informatique littérale avec des brins d’ADN, où les données sont codées dans des séquences de bases et où les réactions moléculaires effectuent des opérations logiques.
La motivation est une densité de stockage absurde : un gramme d’ADN peut théoriquement stocker des exaoctets de données. Et la durabilité : de l’ADN intact a été récupéré à partir d’échantillons vieux de plusieurs dizaines de milliers d’années. Microsoft et d'autres ont déjà démontré le stockage et la récupération fonctionnels de données dans l'ADN synthétique. Ce n'est pas encore un produit, mais c'est déjà un laboratoire avancé.
L’informatique analogique basée sur des circuits moléculaires et des memristors – des composants qui combinent mémoire et traitement dans le même élément physique – progresse également à un rythme pertinent. Le schéma qui émerge est que la division rigide entre l’endroit où les données sont stockées et l’endroit où elles sont traitées, qui régit toute architecture conventionnelle, commence à être remise en question au niveau physique.
Comment un leader devrait voir cela
L’erreur stratégique la plus simple à commettre ici est de traiter l’informatique neuromorphique comme une curiosité de recherche qui n’aura d’importance que dans dix ans. L'horizon de pertinence opérationnelle est plus court qu'il n'y paraît, en particulier pour les entreprises présentes dans les secteurs de la périphérie, de la fabrication, de la logistique, de la santé ou dans tout autre domaine dans lequel des capteurs et des appareils intégrés prennent des décisions locales.
Adopter les neuromorphiques maintenant n’est pas la question. Le travail consiste à comprendre quand l'équation change pour votre cas d'utilisation. Si vous payez pour l'inférence cloud pour traiter des données qu'un capteur pourrait analyser localement avec une puce spécialisée, la conversation sur l'efficacité énergétique et la latence est déjà pertinente. Si vous construisez un produit pour des marchés où la consommation d’énergie et les coûts de connectivité constituent de réelles restrictions – et au Brésil, il s’agit d’une grande partie du marché industriel et agricole – cette technologie entre dans le radar plus tôt que vous ne le pensez.
Ce que les dirigeants doivent faire aujourd'hui, c'est maintenir un canal d'information sur le secteur sans compromettre les budgets de production. Tenez-vous au courant de ce que lancent Intel, IBM et des startups comme BrainChip et Innatera. Maintenez un ingénieur ou un chercheur interne qui surveille la zone. Lorsque le point de bascule arrivera – et ce sera le cas, car la physique favorise l’efficacité – vous voulez avoir un cycle d’apprentissage en avance, et non repartir de zéro.
A lire aussi
- Puces d'inférence et ASIC : quand le spécialisé bat le générique
- IA économe en énergie : plus petit et moins cher bat plus gros
- Les puces spécialisées et la fin de l'ère des CPU génériques
- PC AI et NPU : qu'est-ce qui change lorsque l'appareil bénéficie de l'accélérateur AI
- Comment élaborer une analyse de rentabilisation pour l'IA dans les opérations industrielles
- IA, énergie et souveraineté : ce que les gouvernements doivent planifier maintenant