Course à la puissance de calcul : le progrès technologique doit-il avoir des limites ?

La puissance de calcul est devenue l’un des nerfs de la compétition technologique. Chaque nouveau modèle d’intelligence artificielle, chaque service numérique à grande échelle et chaque simulation scientifique semblent appeler davantage de puces, de mémoire et de centres de données. Apple, Google et Nvidia, parmi d’autres acteurs majeurs, participent à ce mouvement qui associe volontiers performance informatique et progrès.

Cette équation mérite pourtant d’être interrogée. Un ordinateur plus rapide peut aider à analyser des données médicales, à optimiser des pratiques agricoles ou à traiter des problèmes particulièrement complexes. Mais la puissance n’est pas un objectif social en elle-même. Lorsqu’elle devient la seule boussole de l’innovation, elle peut reléguer au second plan la dépendance aux outils numériques, la concentration du pouvoir économique, la protection de la vie privée et l’impact matériel de nos usages.

De la loi de Moore aux limites de la miniaturisation

La course actuelle ne sort pas de nulle part. Elle s’inscrit dans un récit industriel ancien, celui de la loi de Moore. En 1965, Gordon Moore, cofondateur d’Intel, constate que le nombre de transistors intégrés sur une puce double environ chaque année. Les transistors sont les minuscules composants qui réalisent les opérations logiques à la base de l’informatique. Plus ils sont nombreux, plus une puce peut accomplir de calculs, à condition que son architecture et son alimentation suivent.

Cette observation a servi de repère à toute une industrie. Pendant des décennies, fabriquer des composants plus petits et plus denses a permis d’augmenter fortement les performances tout en démocratisant les équipements informatiques. Les ordinateurs, puis les téléphones et les objets connectés, ont bénéficié de cette progression continue.

Il faut cependant comprendre ce que la formule recouvre. La loi de Moore n’est pas une loi physique comparable à la gravitation. C’est une tendance industrielle, soutenue par des investissements considérables dans la conception des puces, les usines et les outils de fabrication. Or cette trajectoire se heurte progressivement à des contraintes concrètes : taille des composants, dissipation de chaleur, consommation électrique et complexité croissante de la production.

À partir des années 2010, le simple rétrécissement des transistors ne suffit plus à garantir les mêmes gains à un rythme aussi régulier. L’industrie cherche donc d’autres leviers : multiplication des cœurs de calcul, conception de puces spécialisées et utilisation d’accélérateurs adaptés à certaines tâches. C’est dans ce contexte que les processeurs graphiques, ou GPU, ont pris une place centrale.

Pourquoi les GPU ont changé la course à l’intelligence artificielle

Jensen Huang, dirigeant de Nvidia, a misé sur le potentiel de l’apprentissage automatique. Les GPU étaient initialement conçus pour effectuer rapidement de nombreux calculs en parallèle, une capacité utile pour fabriquer des images. Cette organisation s’est aussi révélée particulièrement adaptée à une partie des opérations répétitives nécessaires à l’entraînement des réseaux de neurones.

Nvidia a ainsi mis en avant une progression de ses GPU dont les performances ont été multipliées par vingt-cinq en cinq ans, une dynamique souvent désignée sous le nom de loi de Huang. Là encore, il ne s’agit pas d’une loi scientifique universelle, mais d’une manière de décrire l’accélération des progrès observés dans les matériels et logiciels dédiés à l’IA.

Cette évolution a modifié les priorités des entreprises. Pour entraîner un modèle d’IA, il faut traiter d’immenses quantités de données et ajuster un très grand nombre de paramètres. Pour faire fonctionner ce même modèle auprès de millions d’utilisateurs, il faut encore disposer de serveurs capables de répondre rapidement et de manière fiable. La puissance de calcul devient alors à la fois une ressource technique et un avantage concurrentiel.

Cette logique n’est pas limitée aux grands modèles de langage. Elle concerne aussi la vision par ordinateur, la traduction automatique, la modélisation scientifique et de nombreux outils d’aide à la décision. L’informatique quantique participe également à l’imaginaire des ordinateurs surpuissants, même si elle ne remplace pas les machines classiques pour tous les usages. Ses applications éventuelles dépendent de problèmes très spécifiques et de défis techniques encore considérables.

Les promesses réelles ne dispensent pas d’un choix de société

Il serait erroné de présenter tout progrès informatique comme une menace. Des capacités de calcul plus élevées peuvent contribuer à faire avancer la recherche, à améliorer l’analyse de données complexes et à assister des professionnels. Dans l’agriculture, l’IA peut par exemple aider à rationaliser certains processus et à améliorer la productivité. Dans d’autres secteurs, elle peut accélérer le traitement d’informations ou faciliter l’automatisation de tâches répétitives.

La difficulté commence lorsque la disponibilité d’une technologie est assimilée à sa nécessité. Produire un système toujours plus puissant ne dit rien, à lui seul, de son utilité pour la collectivité, de sa fiabilité, de son accessibilité ou de ses conséquences. Une application peut être techniquement impressionnante tout en étant mal adaptée à un besoin réel, trop coûteuse à déployer ou insuffisamment protectrice des personnes concernées.

La course au calcul comporte aussi un risque de concentration. Les infrastructures les plus avancées exigent des puces rares, des centres de données, des compétences spécialisées et des investissements très élevés. Lorsque ces ressources sont principalement détenues par un nombre limité d’entreprises, celles-ci acquièrent une influence considérable sur les outils disponibles, les règles d’accès et les usages qui se généralisent.

Dépendance numérique : ne pas confondre assistance et remplacement

La puissance des machines influe aussi sur la place qu’elles prennent dans la vie quotidienne. Des services plus rapides, plus personnalisés et toujours disponibles peuvent rendre l’utilisateur dépendant d’interfaces qui organisent son attention, ses échanges ou ses choix. Le risque n’est pas l’existence d’un assistant numérique en soi, mais l’idée qu’il pourrait se substituer sans limite à la réflexion, au jugement et aux relations humaines.

Les chatbots illustrent particulièrement bien cette question. Ils peuvent produire des réponses fluides, donner l’impression d’écouter et être accessibles à toute heure. Cette apparence conversationnelle ne doit pas faire oublier leur nature : ce sont des systèmes informatiques qui génèrent du texte à partir de calculs statistiques, sans expérience vécue ni responsabilité morale propre. Une interaction prolongée ou mal encadrée peut brouiller cette distinction chez certains utilisateurs fragiles.

Les récits d’interactions malsaines avec des agents conversationnels invitent donc à la prudence, notamment lorsque des mineurs ou des personnes en situation de détresse sont concernés. Attribuer une situation individuelle à une seule technologie serait simpliste. En revanche, les concepteurs ont une responsabilité dans la façon dont leurs produits encouragent l’usage, présentent leurs limites et orientent les personnes vers une aide humaine lorsque cela est nécessaire.

Le même raisonnement vaut pour la consommation d’équipements. Une succession rapide de nouveautés peut entretenir l’idée que l’appareil précédent serait devenu inutile alors qu’il répond encore aux besoins essentiels. Cette obsolescence ressentie favorise des dépenses récurrentes, augmente les déchets électroniques et approfondit la fracture entre les personnes capables de suivre le rythme des mises à jour et celles qui en sont exclues.

L’éthique doit guider la conception, pas seulement corriger les dérives

Face à ces enjeux, l’éthique ne peut pas être un simple ajout à la fin d’un projet. Elle doit intervenir dès les premières décisions : quel problème cherche-t-on à résoudre ? Quelles données seront mobilisées ? Qui supportera les erreurs du système ? Comment les utilisateurs pourront-ils comprendre, contester ou désactiver un outil ? Une machine plus performante ne rend pas ces questions moins importantes, elle les rend souvent plus urgentes.

L’éthique technologique recouvre notamment plusieurs exigences :

• la protection des données personnelles et la limitation de leur collecte ;
• la sécurité des systèmes et la prévention des usages abusifs ;
• la transparence sur les capacités comme sur les limites d’un outil ;
• l’évaluation des effets sur l’emploi, l’accès aux services et les inégalités ;
• la possibilité d’un contrôle humain effectif dans les situations qui engagent des droits ou des décisions importantes.

La régulation constitue l’un des moyens de traduire ces principes en obligations. Dans l’Union européenne, le règlement sur l’intelligence artificielle, appelé AI Act, est entré en vigueur le 1er août 2024. Son application est progressive et vise notamment à encadrer certains systèmes selon le niveau de risque qu’ils présentent. Ce cadre ne réglera pas tous les problèmes liés à la concentration de la puissance informatique ou à la dépendance numérique, mais il témoigne d’une volonté de ne plus laisser l’innovation se développer sans garde-fous.

Les pouvoirs publics ont également un rôle à jouer dans la protection des citoyens face aux utilisations abusives des données et aux dérives potentielles de l’IA. Cela suppose des règles claires, des autorités capables de les faire respecter et une vigilance sur les pratiques des grandes plateformes. Les entreprises, de leur côté, ne peuvent se retrancher derrière la seule demande du marché : elles déterminent aussi les produits, les modèles économiques et les comportements qu’elles rendent possibles.

Ce qu’il faut surveiller pour une puissance plus utile

Le débat ne se résume pas à choisir entre technologie et humanité. L’enjeu est de décider quelle technologie mérite d’être développée et selon quels critères. La recherche de puissance peut aller de pair avec des modèles plus efficaces, des algorithmes mieux optimisés et des appareils conçus pour durer. Une approche plus sobre ne signifie pas nécessairement moins d’innovation : elle pousse à obtenir un résultat utile avec des ressources proportionnées.

Pour les utilisateurs, reprendre la main commence par des gestes simples mais concrets. Vérifier les réglages de confidentialité, limiter les autorisations accordées aux applications, réfléchir avant de remplacer un appareil fonctionnel et diversifier ses sources d’information sont autant de moyens de réduire une dépendance subie. Lorsqu’une entreprise utilise des données personnelles, chacun peut aussi se renseigner sur ses droits et sur les démarches permettant de s’opposer à certains traitements ou de demander l’effacement de données, dans les conditions prévues par la loi.

Pour les entreprises, la question décisive est celle de la finalité. La performance doit être évaluée non seulement par la vitesse d’exécution ou le nombre d’utilisateurs, mais aussi par la qualité du service rendu, la robustesse des protections et les effets sur la société. Un système d’IA utile est un système qui aide sans enfermer, automatise sans déresponsabiliser et innove sans transférer ses coûts sur les personnes les plus vulnérables.

La fin de l’accélération continue de la loi de Moore ne marque donc pas la fin du progrès informatique. Elle peut au contraire ouvrir une phase plus mature, dans laquelle la puissance des ordinateurs ne serait plus la mesure unique de la réussite. La véritable ambition consiste à faire de ces capacités techniques des outils d’émancipation, et non les rouages d’une société toujours plus dépendante de machines qu’elle ne contrôle plus vraiment.