Informatique quantique et IA générative : promesses et limites en 2025

L’idée est séduisante : mettre la puissance de calcul quantique au service d’outils capables de rédiger, d’imaginer des images ou de produire des données synthétiques. Les deux domaines comptent parmi les fronts les plus actifs de l’innovation informatique. Leur rencontre est pourtant moins immédiate qu’elle n’en a l’air. À la date du 9 avril 2025, l’informatique quantique ouvre des pistes de recherche crédibles pour certaines tâches d’intelligence artificielle, mais elle ne constitue pas encore le moteur des grands modèles génératifs utilisés par le public.

L’enjeu mérite d’être clarifié. L’IA générative repose aujourd’hui sur des modèles entraînés à partir de très grands volumes de données, avec un nombre considérable de paramètres. Ces paramètres sont les valeurs internes qu’un réseau de neurones ajuste au fil de son apprentissage pour produire une réponse, une image ou une prédiction plus pertinente. Or les ordinateurs quantiques disponibles restent des machines expérimentales, difficiles à programmer et soumises à des contraintes physiques qui limitent fortement ce qu’elles peuvent traiter.

Deux technologies prometteuses, mais encore très éloignées

L’informatique quantique exploite des phénomènes de la physique quantique pour effectuer certains calculs autrement qu’un ordinateur classique. Là où un bit classique vaut 0 ou 1, un qubit peut être placé dans un état quantique permettant de représenter plusieurs possibilités. Cette propriété ne rend pas toutes les tâches instantanément plus rapides. Elle peut en revanche offrir un avantage pour des problèmes très spécifiques, à condition de disposer d’un algorithme adapté et d’une machine suffisamment fiable.

L’IA générative pose précisément un problème d’échelle. Les grands modèles de langage, souvent désignés par le sigle LLM, apprennent des régularités dans des corpus immenses. Ils mobilisent des infrastructures classiques composées de nombreuses puces spécialisées et de vastes capacités de stockage. Selon les experts français Xavier Vasques et Cyrille Allouche, cités sur ce sujet, les configurations quantiques actuelles ne disposent pas de la puissance nécessaire pour entraîner des modèles comptant des centaines de milliards de paramètres.

Il faut donc distinguer deux horizons. Le premier est celui des expériences actuelles : de petits réseaux de neurones, des tâches de classification ciblées et des démonstrations d’algorithmes. Le second est celui, plus lointain, où des processeurs quantiques beaucoup plus vastes et plus stables pourraient éventuellement intervenir dans une partie de la chaîne d’entraînement d’une IA.

Les feuilles de route matérielles donnent la mesure du chemin à parcourir

IBM expérimente déjà des réseaux de neurones modestes sur des ordinateurs quantiques dotés de jusqu’à 5 000 portes. Une porte quantique est une opération élémentaire appliquée à des qubits, comparable dans son principe à une étape de calcul, mais soumise aux règles de la mécanique quantique. Le nombre de portes utilisables renseigne sur la longueur et la complexité des calculs qu’une machine peut exécuter avant que les erreurs ne deviennent trop importantes.

Les projets évoqués prévoient d’atteindre 100 millions de portes en 2029, puis 1 milliard de portes en 2033. Ces objectifs illustrent l’ambition des industriels : rendre possible l’exécution de calculs quantiques plus longs et donc potentiellement plus utiles. Ils ne signifient toutefois pas qu’un ordinateur quantique entraînera automatiquement un modèle de langage comparable aux plus grands systèmes actuels.

Entre une feuille de route matérielle et une application opérationnelle, plusieurs conditions doivent être réunies. Les qubits doivent conserver leurs états avec suffisamment de fiabilité, les opérations doivent générer peu d’erreurs, les logiciels doivent traduire efficacement le problème posé et l’algorithme doit démontrer un avantage réel par rapport aux méthodes classiques. Xavier Vasques invite ainsi à la prudence quant aux applications pratiques qui pourraient découler de ces avancées.

Pourquoi l’optimisation est la piste la plus suivie

En apprentissage automatique, entraîner un réseau de neurones consiste notamment à ajuster ses paramètres afin de réduire les erreurs de prédiction. Les méthodes classiques procèdent généralement par calcul de gradients : elles évaluent dans quelle direction modifier les paramètres pour améliorer progressivement le résultat. Cette approche est au cœur de l’entraînement moderne des réseaux de neurones, mais elle ne procure pas de gain exponentiel dans les problèmes considérés ici.

C’est sur ce terrain que les algorithmes quantiques suscitent le plus d’intérêt. Les Quantum Approximate Optimization Algorithms, ou QAOA, sont conçus pour aborder des problèmes d’optimisation complexes. Dans la perspective décrite par Xavier Vasques, de tels algorithmes pourraient aider à ajuster les paramètres d’un réseau de neurones afin d’affiner ses prédictions.

Le mot important est « pourraient ». Une promesse théorique, ou un résultat obtenu sur un petit problème, ne suffit pas à établir un avantage pratique dans l’entraînement de modèles massifs. Pour être utile, une méthode quantique devrait non seulement fournir une meilleure solution ou une solution plus vite, mais aussi tenir compte du temps nécessaire pour préparer les données, exécuter le calcul et exploiter son résultat dans un système classique.

Les travaux liés à l’apprentissage par renforcement, une méthode où un agent apprend par essais, erreurs et récompenses, vont dans le même sens. Ils indiquent que l’informatique quantique peut enrichir les méthodes d’apprentissage automatique. Cyrille Allouche souligne toutefois que les résultats disponibles ne montrent pas encore de différence spectaculaire avec les méthodes traditionnelles.

Le problème décisif du chargement des données

Les modèles génératifs ne sont pas seulement difficiles à entraîner parce qu’ils comportent beaucoup de paramètres. Ils nécessitent aussi d’absorber d’énormes quantités de textes, d’images, de sons ou de données structurées. Or l’informatique quantique rencontre une difficulté fondamentale : charger des données classiques dans une représentation exploitable par un processeur quantique est coûteux.

Dans le cadre présenté, pour charger une quantité de données de taille N, il faut un nombre de portes exponentiellement supérieur. Cette contrainte réduit fortement l’intérêt potentiel du calcul quantique lorsqu’il s’agit de traiter des corpus massifs. Autrement dit, même si un algorithme quantique promettait un accélérateur pour une étape de l’apprentissage, l’opération préalable consistant à faire entrer les données dans la machine pourrait devenir le goulot d’étranglement.

Cette question est essentielle pour l’IA générative. Les grands modèles tirent une partie de leurs capacités de la diversité et du volume des données d’entraînement. Une architecture quantique qui ne peut pas accéder efficacement à ces données ne peut pas, en l’état, prendre en charge l’ensemble du processus.

Des résultats encourageants en vision par ordinateur

Les applications spécialisées offrent un terrain plus réaliste pour mesurer ce que les réseaux de neurones quantiques peuvent apporter. Les recherches mentionnées de l’Agence spatiale européenne en vision par ordinateur font état d’un résultat notable : un réseau de neurones quantique a atteint un taux de reconnaissance de 96 % avec seulement 40 000 paramètres, dans un cadre de détection de volcans.

Ce résultat est présenté comme supérieur à celui de réseaux classiques pour cette tâche. Il attire l’attention pour deux raisons. D’abord, la détection de structures dans des données visuelles ou géospatiales est un problème concret, avec des critères d’évaluation précis. Ensuite, le nombre limité de paramètres contraste avec la taille des modèles de vision et de langage les plus connus.

Il faut néanmoins éviter d’en tirer une conclusion trop générale. Un excellent taux de reconnaissance dans un contexte précis ne prouve pas qu’une architecture quantique surpassera les réseaux classiques sur toutes les images, tous les jeux de données ou toutes les tâches génératives. Cela montre plutôt que des avantages peuvent émerger sur des problèmes bien définis, lorsque la structure des données et l’algorithme s’y prêtent.

Données synthétiques et détection de motifs complexes

L’autre promesse concerne la génération de données synthétiques. Ces données sont produites artificiellement pour compléter, simuler ou parfois remplacer des données réelles difficiles à obtenir. Elles peuvent être utiles pour entraîner une IA lorsqu’il manque des exemples, lorsque les données sont coûteuses à annoter ou lorsqu’il est nécessaire de tester un système dans des situations rares.

Les réseaux antagonistes génératifs, connus sous le sigle GAN, sont une famille de modèles particulièrement associée à cette idée. Ils opposent un générateur, qui crée des exemples, et un discriminateur, qui tente de repérer les exemples artificiels. Xavier Vasques évoque la possibilité que l’informatique quantique contribue à générer des données synthétiques de haute qualité, ce qui faciliterait l’entraînement de systèmes d’intelligence artificielle.

Des études signalent également un potentiel de l’informatique quantique dans la détection de motifs, ou patterns, complexes. Une telle capacité intéresserait notamment la chimie et la physique des matériaux, deux domaines où les interactions entre de nombreux éléments rendent les simulations et les analyses difficiles. Là encore, l’intérêt est moins de confier immédiatement toute l’IA à une machine quantique que de trouver les sous-problèmes où une approche quantique peut apporter davantage de précision ou d’efficacité.

Ce qu’il faut surveiller

La rencontre entre informatique quantique et IA générative ne doit pas être lue comme l’annonce d’un basculement imminent. Au 9 avril 2025, les obstacles techniques restent considérables : puissance des machines, fiabilité des calculs, chargement des données massives et démonstration d’un bénéfice net face aux solutions classiques.

Les prochaines avancées seront à observer sur plusieurs plans : la capacité des processeurs à exécuter des circuits plus longs, l’efficacité des méthodes de correction ou de limitation des erreurs, la mise au point d’algorithmes d’optimisation pertinents et la reproductibilité des résultats obtenus sur des cas d’usage réels. Les objectifs matériels annoncés pour 2029 et 2033 donnent un repère, mais ils ne résolvent pas à eux seuls les questions logicielles et scientifiques.

À plus long terme, des ordinateurs quantiques plus puissants pourraient permettre d’explorer des fonctions d’activation plus complexes pour les réseaux de neurones, c’est-à-dire les mécanismes qui déterminent la façon dont chaque neurone artificiel transmet une information. Cette perspective pourrait renouveler la conception des LLM et d’autres modèles génératifs. Elle demeure toutefois théorique tant que le matériel nécessaire n’est pas pleinement accessible et fonctionnel.

La conclusion provisoire est donc nuancée : la synergie entre les deux disciplines est un champ de recherche sérieux, pas encore une solution industrielle pour entraîner les IA génératives géantes. Les expérimentations en optimisation, en vision et en détection de motifs montrent où un avantage pourrait apparaître. Le passage de ces preuves ciblées à une transformation générale de l’IA reste, lui, à démontrer.