IA et informatique quantique : pourquoi la complémentarité l’emporte sur le duel

L’intelligence artificielle et l’informatique quantique sont souvent présentées comme les deux grandes promesses informatiques du XXIe siècle. Les opposer dans un duel spectaculaire est séduisant, mais l’image est trompeuse. Elles ne poursuivent pas la même mission, ne reposent pas sur les mêmes principes et, surtout, n’en sont pas au même stade de maturité. L’IA est déjà un outil courant pour reconnaître des images, traduire des textes, prédire des résultats ou assister la recherche. L’ordinateur quantique cherche, lui, à ouvrir de nouvelles voies pour une poignée de calculs particulièrement difficiles.

Leur point de rencontre intéresse les laboratoires, les industriels et les pouvoirs publics. Mieux comprendre les molécules, découvrir des matériaux pour l’énergie ou optimiser des systèmes complexes sont autant d’objectifs où chacune pourrait apporter une partie de la réponse. Mais il faut distinguer les promesses scientifiques crédibles, les difficultés techniques très concrètes et les usages réellement accessibles en janvier 2025.

Deux technologies, deux manières de calculer

L’intelligence artificielle désigne un ensemble de méthodes permettant à des programmes d’extraire des régularités de données, d’effectuer des prédictions ou de générer du contenu. Dans sa forme actuelle, elle s’appuie très majoritairement sur des ordinateurs classiques, des processeurs graphiques spécialisés et de très grands jeux de données. Un modèle de machine learning peut, par exemple, apprendre à reconnaître une anomalie sur une image médicale après avoir analysé de nombreux exemples annotés.

L’informatique quantique ne consiste pas à rendre n’importe quel programme instantanément plus rapide. Elle exploite certaines propriétés de la mécanique quantique pour manipuler des unités d’information appelées qubits. Contrairement à un bit classique, qui vaut 0 ou 1, un qubit peut être préparé dans une superposition d’états. Des qubits peuvent également être corrélés par un phénomène nommé intrication. Ces propriétés permettent de concevoir des algorithmes très différents de ceux utilisés sur les machines ordinaires.

Cela ne signifie pas qu’un ordinateur quantique essaie toutes les réponses à la fois avant de livrer la bonne. À la fin d’un calcul quantique, une mesure produit un résultat classique, avec une part de probabilité. Tout l’enjeu consiste à construire un circuit quantique dont les interférences renforcent les réponses utiles et diminuent les autres. Pour de nombreux problèmes quotidiens, un ordinateur classique demeure plus simple, plus fiable et plus efficace.

Pourquoi l’IA est déjà présente dans la vie courante

La force de l’IA actuelle est sa capacité à trouver des relations dans des volumes de données qu’un humain ne pourrait pas examiner seul. Elle peut classer des documents, anticiper une demande, proposer une séquence de protéines, repérer des défauts industriels ou aider à analyser des observations climatiques. Ses résultats dépendent toutefois des données disponibles, de la manière dont le modèle a été entraîné et de l’objectif fixé par ses concepteurs.

En recherche, l’IA ne remplace pas une expérience ni une démonstration scientifique. Elle peut en revanche réduire l’espace des possibilités à explorer. Face à des millions de compositions chimiques théoriques, un modèle prédictif peut aider les chercheurs à sélectionner les candidats les plus intéressants pour une batterie, un catalyseur ou un médicament. Cette faculté de filtrage constitue déjà un gain de temps considérable.

Les modèles d’IA sont également devenus des outils de pilotage. Ils peuvent analyser des signaux complexes, ajuster des paramètres et repérer des comportements inhabituels dans un système. C’est précisément ce qui les rend pertinents pour l’informatique quantique, dont les appareils produisent beaucoup de mesures et exigent des réglages extrêmement précis.

Ce que l’informatique quantique pourrait réellement apporter

L’ambition la plus naturelle du calcul quantique concerne la simulation de systèmes qui obéissent eux-mêmes aux lois de la mécanique quantique. Les électrons d’une molécule, les réactions chimiques ou les propriétés d’un matériau sont notoirement difficiles à reproduire avec précision sur un ordinateur classique dès que le système devient complexe. Les approches classiques restent indispensables et très performantes, mais elles doivent souvent employer des approximations.

Un ordinateur quantique suffisamment fiable pourrait offrir un autre chemin pour certaines simulations. Les applications souvent évoquées comprennent la conception de nouveaux matériaux, l’étude de catalyseurs, l’amélioration de procédés chimiques et la recherche de molécules présentant un intérêt médical. Dans le domaine énergétique, la perspective est de mieux comprendre des matériaux utiles aux batteries, au stockage de l’énergie ou à la production de molécules industrielles.

L’optimisation est un autre terrain exploré. Il s’agit de trouver une bonne solution parmi un très grand nombre de combinaisons, par exemple pour organiser des itinéraires, des ressources ou des opérations financières. Mais il serait prématuré d’affirmer qu’un processeur quantique fera systématiquement mieux qu’un programme classique dans ces cas. Les algorithmes classiques progressent eux aussi, et l’avantage quantique dépendra du problème précis, de la qualité du matériel et du coût total de calcul.

La cryptographie est enfin un sujet à part. Certains algorithmes quantiques, s’ils étaient exécutés par une machine suffisamment grande et corrigée des erreurs, pourraient fragiliser des mécanismes de chiffrement très répandus. Cette perspective ne veut pas dire que les communications courantes sont déjà cassées. Elle justifie en revanche la préparation de systèmes de cryptographie post-quantique, conçus pour résister aux attaques menées avec des ordinateurs classiques comme quantiques.

Pourquoi les qubits restent difficiles à exploiter

Le principal obstacle de l’informatique quantique est le bruit. Les qubits sont très sensibles à leur environnement : de petites perturbations peuvent altérer leur état et introduire des erreurs dans le calcul. Plus un algorithme comporte d’opérations, plus la probabilité d’obtenir un résultat dégradé augmente si ces erreurs ne sont pas maîtrisées.

La correction d’erreurs quantiques vise à résoudre ce problème. Elle consiste à répartir l’information d’un qubit logique, celui qui porte effectivement le calcul utile, sur plusieurs qubits physiques. C’est une étape essentielle, mais exigeante : il ne suffit pas d’augmenter le nombre brut de qubits annoncés pour obtenir une machine plus capable. Leur qualité, leur connectivité, la fidélité des opérations et la capacité à détecter les erreurs comptent tout autant.

Les équipements nécessaires sont aussi complexes. Selon la technologie employée, les processeurs quantiques peuvent nécessiter des températures extrêmement basses, un contrôle électronique précis et des protections contre les perturbations extérieures. Cette réalité explique pourquoi, en 2025, l’informatique quantique demeure avant tout un domaine de recherche et d’ingénierie de pointe, même si des accès à distance à des processeurs expérimentaux existent déjà.

Comment l’IA peut-elle aider les ordinateurs quantiques ?

La relation entre les deux disciplines est déjà concrète dans les laboratoires. Les systèmes quantiques doivent être calibrés, surveillés et interprétés. L’IA peut contribuer à automatiser une partie de ces tâches, en apprenant quels réglages donnent les meilleurs résultats ou en détectant les signatures d’une dérive du matériel.

Elle peut aussi assister la conception de circuits quantiques. Écrire un algorithme pour une machine quantique implique de choisir une succession d’opérations compatible avec les contraintes du processeur. Des méthodes d’apprentissage et d’optimisation peuvent rechercher des circuits moins profonds, donc potentiellement moins exposés aux erreurs, ou mieux adaptés à une architecture donnée.

Dans l’autre sens, l’idée d’une IA accélérée par le quantique attire l’attention. Des chercheurs étudient des algorithmes d’apprentissage quantique et des approches hybrides, où une partie du calcul se fait sur un processeur quantique et le reste sur une infrastructure classique. À ce stade, il ne faut pas confondre exploration scientifique et avantage pratique démontré à grande échelle. En janvier 2025, les usages d’IA qui transforment déjà les entreprises reposent toujours principalement sur le calcul classique.

Les promesses scientifiques doivent être évaluées cas par cas

Le rapprochement de l’IA et du calcul quantique est particulièrement intéressant pour la science des matériaux et la chimie. Une IA peut proposer des candidats plausibles à partir de données connues. Des simulations classiques puis, à terme, des calculs quantiques spécialisés peuvent aider à caractériser plus finement les candidats retenus. Enfin, des expériences réelles restent nécessaires pour vérifier les performances, la sécurité et la possibilité de produire ces matériaux à grande échelle.

Cette chaîne de recherche illustre pourquoi la complémentarité est plus pertinente que la compétition. L’IA est utile pour orienter la recherche dans un espace immense de possibilités. Le quantique pourrait traiter certains calculs physiques difficiles. Les outils classiques assurent le stockage, le prétraitement, les simulations ordinaires et l’analyse finale. Les expérimentateurs valident le résultat dans le monde réel.

Dans le climat et l’énergie, les attentes sont elles aussi importantes, mais la prudence est nécessaire. L’IA peut déjà contribuer à mieux prévoir, optimiser et piloter des systèmes. L’informatique quantique pourrait un jour faciliter l’étude de certaines réactions chimiques ou de certains matériaux. Ni l’une ni l’autre ne constitue cependant, à elle seule, une solution automatique aux crises environnementales. Leur effet dépendra de leur efficacité réelle, de leur consommation de ressources, de leur coût et des choix industriels et politiques qui accompagneront leur déploiement.

Sécurité, données et compétences : les enjeux communs

Ces technologies soulèvent des questions qui ne sont pas uniquement techniques. L’IA peut amplifier les conséquences d’une donnée erronée, incomplète ou biaisée. Elle pose aussi des enjeux de confidentialité, de transparence des décisions automatisées et de concentration des moyens de calcul. Les organisations qui l’emploient doivent définir les usages autorisés, protéger les informations sensibles et maintenir un contrôle humain adapté aux situations à risque.

L’informatique quantique ajoute un enjeu de sécurité à long terme. Des données chiffrées aujourd’hui peuvent avoir une valeur durable, notamment dans la santé, l’industrie ou les administrations. C’est pourquoi la migration vers des solutions post-quantiques doit être préparée avant l’arrivée éventuelle de machines capables de menacer les schémas cryptographiques actuels. En août 2024, le National Institute of Standards and Technology américain a publié ses trois premiers standards finalisés de chiffrement post-quantique, une étape importante pour cette transition.

Les compétences constituent un autre défi. Réunir physique quantique, électronique, informatique, mathématiques, chimie et apprentissage automatique exige des équipes interdisciplinaires. Former ces profils prendra du temps. Pour les entreprises comme pour les administrations, la priorité n’est donc pas de promettre une révolution immédiate, mais d’identifier les processus réellement concernés, de suivre les standards et de développer une culture technique suffisante pour prendre des décisions éclairées.

Ce qu’il faut surveiller

Le critère décisif pour l’informatique quantique ne sera pas seulement le nombre de qubits, mais la capacité à exécuter des calculs utiles et fiables malgré les erreurs. Les démonstrations de correction d’erreurs, la fidélité des opérations, les logiciels et la comparaison honnête avec les meilleures méthodes classiques seront des indicateurs plus parlants que les annonces générales sur la puissance de calcul.

Pour l’IA, il faudra suivre la qualité des résultats scientifiques produits, la traçabilité des données d’entraînement, le coût énergétique des infrastructures et la possibilité de reproduire les découvertes. Une prédiction convaincante reste une hypothèse tant qu’elle n’est pas confrontée à l’expérience ou à l’usage réel.

Le scénario le plus crédible n’est donc pas celui d’un vainqueur qui effacerait l’autre. L’IA continuera d’améliorer l’analyse et l’automatisation sur les ordinateurs classiques. L’informatique quantique pourrait devenir un accélérateur spécialisé pour des problèmes aujourd’hui hors de portée. Si cette promesse se confirme, leurs avancées les plus importantes seront probablement communes : des outils hybrides, au service de questions scientifiques clairement identifiées plutôt que d’une course abstraite à la puissance.