Dans un data center, un GPU consomme plus d'énergie à déplacer des nombres qu'à calculer. Les puces analogiques promettent de tout changer. Mais leur pire ennemi, le bruit, n'a pas disparu.
LE PROBLÈME ÉNERGÉTIQUE QUI TOUT CHANGE
Quelque part dans un data center, en ce moment même, un GPU passe la majeure partie de son énergie non pas à faire des calculs, mais à déplacer des nombres. Il va chercher les poids dans la mémoire, les transporte vers une unité de calcul, effectue une multiplication, puis ramène le résultat. Des milliards de fois par seconde, pendant des mois, pendant une session d'entraînement. Et c'est ce qui explique pourquoi la facture d'électricité de l'IA est devenue un problème de direction générale, et plus une simple note de bas de page technique.
Les chiffres ne mentent pas. Selon Gartner, la demande mondiale en électricité des data centers devrait passer de 104 gigawatts en 2025 à 132 gigawatts en 2026, pour atteindre environ 290 gigawatts d'ici 2030. Les charges de travail liées à l'IA générative sont pointées du doigt comme le principal moteur de cette croissance. À lui seul, le Matériel optimisé pour l'IA devrait représenter près d'un tiers de la consommation électrique des data centers cette année.
L'IDÉE OUBLIÉE QUI REVIENT EN FORCE : L'INFORMATIQUE ANALOGIQUE
Face à cette crise énergétique, une vieille idée refait surface : l'informatique analogique. Des circuits qui utilisent des tensions et des courants continus, et non des 1 et des 0, pour effectuer les multiplications de matrices qui dominent l'inférence des réseaux de neurones. Le pitch est séduisant : au lieu de calculer à propos de la physique de manière numérique, pourquoi ne pas laisser la physique calculer directement ?
Cette idée n'est pas nouvelle. Les ordinateurs analogiques précèdent les ordinateurs numériques de plusieurs décennies. Mais ils ont été abandonnés pour de bonnes raisons. Cet article raconte les deux faces de cette histoire : pourquoi le pitch est vraiment convaincant, et pourquoi ce qui a tué l'informatique analogique la première fois n'a en réalité jamais disparu. On va explorer le mécanisme, puis exécuter des simulations honnêtes qui montrent exactement où ça se brise, et comment les chercheurs commencent à réparer les dégâts.
LA MÉMOIRE ET LE CALCUL FUSIONNENT : LE CONCEPT CLÉ
Dans une puce classique, la mémoire et le calcul sont séparés. Chaque fois qu'un poids est multiplié par une entrée, ce poids doit voyager depuis un tableau de mémoire, traverser un bus, entrer dans une unité de calcul, et le résultat doit revenir en arrière. Les chercheurs estiment que ce déplacement peut coûter entre 3 et 10 000 fois plus d'énergie que l'arithmétique elle-même. C'est ce qu'on appelle le goulot d'étranglement de von Neumann.
L'informatique analogique en mémoire (AIMC) supprime ce trajet. Les poids sont stockés sous forme de valeurs de conductance physique dans une grille de cellules mémoire, souvent construites à partir de mémoire à changement de phase ou de RAM résistive. Appliquez une entrée sous forme de tension sur cette grille, et deux lois de la physique font le reste : la loi d'Ohm (le courant = tension × conductance) calcule chaque multiplication, et la loi de Kirchhoff (les courants s'additionnent quand les fils se rejoignent) calcule l'accumulation. Une multiplication complète matrice-vecteur, l'opération sur laquelle les réseaux de neurones passent la plupart de leur temps, se produit en une seule étape physique. Plus besoin de bus.
LA RÉALITÉ DU MATÉRIEL : CE QU'IL FAUT SAVOIR
Cette idée n'est pas théorique. Le projet HERMES de IBM Research est un exemple concret : une puce analogique en mémoire basée sur la mémoire à changement de phase qui a déjà démontré une précision proche de celle du logiciel sur des charges de travail réelles. Un prototype précédent basé sur la mémoire à changement de phase de IBM, rapporté en 2023, regroupait 35 millions de cellules mémoire et pouvait stocker jusqu'à 17 millions de paramètres directement sur la puce, avec une fraction de l'énergie d'un accélérateur numérique.
Des startups comme EnCharge AI (issue de Princeton et en partenariat avec TSMC pour la fabrication) et Mythic ont levé des fonds importants en misant sur cette même physique pour industrialiser l'inférence en périphérie. On n'a pas besoin de matériel exotique pour voir le mécanisme en action. Voici une simulation minimale : une multiplication matricielle numérique
- Towards Data Science
L'indépendance de CLODCO est votre garantie.
Pour que l'actualité de l'IA reste sans filtre et sans concession, votre soutien est indispensable. Votre contribution est le seul moteur de notre liberté éditoriale.
Soutenir CLODCO
