L’ordinateur optique de Microsoft, une piste pour réduire l’énergie de l’IA

Les besoins électriques de l’intelligence artificielle deviennent un enjeu matériel autant qu’algorithmique. À mesure que les modèles manipulent davantage de données et exécutent plus d’opérations, les processeurs graphiques, ou GPU, sont soumis à une pression croissante en matière de puissance, de latence et de consommation. C’est dans ce contexte que Microsoft et l’Université de Cambridge ont présenté un ordinateur optique analogique, conçu pour réaliser certaines tâches d’IA et d’optimisation avec une dépense énergétique potentiellement bien moindre.

Décrit dans une étude publiée dans Nature, ce prototype ne cherche pas à remplacer l’ensemble de l’informatique numérique. Il explore plutôt une voie spécialisée : utiliser la lumière et des composants analogiques pour accélérer les calculs qui reviennent sans cesse dans l’apprentissage automatique. Les premiers résultats sont encourageants, y compris pour la classification d’images et la reconstruction d’images IRM. Ils ne doivent toutefois pas masquer l’essentiel : en septembre 2025, il s’agit encore d’une machine expérimentale de petite taille, dont le passage à l’échelle reste le défi décisif.

Un ordinateur qui calcule avec la lumière

Un ordinateur numérique classique encode les informations sous forme de bits, des 0 et des 1, puis enchaîne une très grande quantité d’opérations élémentaires. Cette souplesse est l’une de ses forces : le même processeur peut faire tourner un tableur, un jeu vidéo ou un grand modèle de langage. Elle a aussi un coût lorsque les calculs deviennent massifs, notamment parce que les données doivent être continuellement déplacées, converties et traitées par différents composants.

L’approche de Microsoft et de Cambridge est différente. Elle repose sur le calcul analogique, c’est-à-dire sur des signaux physiques continus, ici associés à la lumière et à l’électronique. L’appareil vise en particulier les opérations de multiplication matrice-vecteur. Derrière ce terme se cache une brique fondamentale de l’IA moderne : elle consiste à appliquer un grand ensemble de coefficients numériques à des données d’entrée. Les réseaux de neurones effectuent ce type de calcul à de très nombreuses reprises, que ce soit pour reconnaître une image ou produire une prédiction.

Le prototype, appelé AOC pour analog optical computer, combine plusieurs éléments sur une même plate-forme : de l’électronique analogique, des microLED, des modulateurs spatiaux de lumière et des réseaux de photodétecteurs. L’idée est d’exploiter les propriétés physiques de la lumière pour effectuer le calcul, plutôt que de décomposer toutes les opérations en longues séquences de traitements numériques.

Pourquoi l’énergie est devenue le point faible du calcul d’IA

Les GPU sont devenus indispensables à l’essor récent de l’IA parce qu’ils peuvent exécuter en parallèle un très grand nombre d’opérations. Mais leur puissance s’accompagne d’une consommation d’énergie significative, surtout dans les centres de données où les calculs sont répétés à grande échelle. À la dépense des processeurs s’ajoutent les besoins de refroidissement et les contraintes pesant sur les réseaux électriques.

Pour une part croissante des applications, le sujet ne se limite donc plus à la vitesse. Il faut aussi calculer avec moins d’énergie, sans dégrader les résultats. Les tâches d’inférence sont particulièrement concernées. L’inférence correspond au moment où un modèle déjà entraîné est utilisé : analyser une image, classer un document, estimer une valeur ou prendre une décision à partir de données nouvelles. Elle peut être répétée des millions de fois dans un service déployé à grande échelle.

Le pari de l’AOC est d’éviter une partie des conversions numériques et des opérations électroniques conventionnelles. Selon les résultats présentés, cette architecture pourrait atteindre une efficacité énergétique jusqu’à 100 fois supérieure à celle de GPU traditionnels pour les calculs étudiés. C’est une promesse importante, mais elle doit être lue avec précision : elle concerne le prototype, ses tâches et son cadre de comparaison. Elle ne signifie pas qu’un ordinateur optique est, dès aujourd’hui, cent fois plus sobre pour tous les usages informatiques.

Un jumeau numérique pour tester la machine à plus grande échelle

Construire du matériel expérimental est long et coûteux. Pour anticiper le comportement d’une machine qui n’existe encore qu’à petite échelle, les chercheurs ont développé un jumeau numérique de l’AOC. Il s’agit d’une version logicielle qui simule le comportement du matériel physique.

Ce jumeau numérique sert à deux objectifs. D’abord, il permet d’entraîner des modèles en tenant compte des caractéristiques de la machine optique, y compris de ses imperfections possibles. Ensuite, il permet de simuler des problèmes plus vastes que ceux immédiatement accessibles avec le prototype. Cette étape est essentielle dans le calcul analogique : un bon résultat théorique ne suffit pas si le comportement réel des composants, ou le bruit inhérent aux signaux, dégrade trop fortement la sortie.

Les résultats rapportés montrent une correspondance supérieure à 99 % entre le jumeau numérique et le matériel physique lors de tâches d’inférence. Cette concordance ne prouve pas que l’ordinateur est prêt pour les centres de données, mais elle renforce la crédibilité de la méthode employée pour prévoir ses performances et guider son évolution.

Parmi les cas étudiés figurent la classification d’images, la régression non linéaire et la reconstruction d’images IRM. Dans ce dernier exemple, l’étude indique qu’une approche de reconstruction pourrait ramener le temps d’imagerie de 30 minutes à 5 minutes. Ce résultat illustre l’intérêt potentiel du calcul accéléré pour l’imagerie médicale. Il ne doit pas être interprété comme l’annonce d’un nouvel examen IRM déjà disponible dans les hôpitaux : le travail porte sur une démonstration et sur les capacités de calcul de l’architecture.

Ce que le prototype fait déjà, et ce qu’il ne fait pas encore

La co-conception du matériel et des algorithmes est au cœur du projet. Plutôt que d’adapter après coup des logiciels conçus pour des GPU, les chercheurs cherchent à concevoir des modèles et des méthodes d’optimisation compatibles avec les propriétés de l’ordinateur optique. Cette démarche peut être déterminante : un composant très économe ne sera utile que si les logiciels savent en tirer parti sans perdre en fiabilité.

À ce stade, l’échelle du prototype impose une limite nette. Pour l’inférence, le matériel actuel traite 256 poids. Dans un réseau de neurones, les poids sont les coefficients numériques ajustés pendant l’entraînement, ceux qui déterminent la manière dont le modèle transforme une entrée en résultat. Pour les tâches d’optimisation, l’architecture pourrait s’étendre à 4 096 poids et 64 variables.

Ces dimensions sont utiles pour démontrer le fonctionnement de la plate-forme et évaluer des cas de recherche. Elles restent très éloignées de celles des grands systèmes d’IA industriels, qui peuvent reposer sur un nombre de paramètres beaucoup plus élevé. Les auteurs estiment néanmoins que la miniaturisation continue des composants rend une montée en capacité techniquement envisageable.

Plusieurs obstacles devront être franchis avant un déploiement concret :

• augmenter le nombre de poids et de variables gérés par le matériel ;
• préserver la précision des calculs malgré le bruit des composants analogiques ;
• mesurer les gains énergétiques sur des systèmes complets, pas seulement sur des opérations isolées ;
• développer les outils logiciels permettant d’adapter facilement les modèles aux contraintes du matériel optique.

Quelles applications pourraient en bénéficier ?

Les deux familles de tâches ciblées, l’inférence d’IA et l’optimisation combinatoire, se retrouvent dans de nombreux secteurs. L’optimisation combinatoire consiste à rechercher la meilleure solution parmi un très grand nombre de combinaisons possibles, en respectant des contraintes. Le problème peut devenir extrêmement complexe lorsque le nombre de variables augmente.

Dans la finance, la santé ou l’analytique avancée, des outils plus efficaces pour ces opérations pourraient réduire le coût énergétique de certains calculs et accélérer leur exécution. La classification d’images et la reconstruction d’IRM testées par les chercheurs donnent une idée des types de charges de travail visés. L’enjeu n’est pas nécessairement de confier toute une application à l’optique, mais de réserver cette architecture aux étapes de calcul où elle est la plus pertinente.

Cette spécialisation constitue aussi une limite. Les GPU conservent l’avantage de la polyvalence et d’un vaste écosystème logiciel. Un AOC devrait donc démontrer qu’il peut s’intégrer à des infrastructures existantes, coopérer avec des composants numériques et apporter un gain assez net pour justifier son déploiement.

Ce qu’il faut surveiller

En septembre 2025, l’ordinateur optique analogique de Microsoft et de l’Université de Cambridge représente une piste sérieuse pour répondre à la hausse des besoins énergétiques de l’IA. La publication dans Nature, la concordance de plus de 99 % avec le jumeau numérique et les tests sur plusieurs tâches donnent à cette recherche une base solide.

La prochaine étape sera la plus exigeante : passer d’un prototype capable de traiter 256 poids à une architecture suffisamment grande, précise et simple à exploiter pour des usages réels. Il faudra également vérifier, sur des scénarios complets, que les avantages énergétiques annoncés se maintiennent une fois pris en compte l’ensemble des composants nécessaires au fonctionnement d’un système.

Si cette montée en échelle se concrétise, l’AOC pourrait compléter les GPU plutôt que les évincer. Il offrirait alors une nouvelle catégorie d’accélérateurs, pensée pour les calculs d’IA et d’optimisation où chaque watt économisé compte. Dans un secteur où la puissance de calcul devient une ressource stratégique, l’optique analogique pourrait contribuer à rendre la croissance de l’IA plus soutenable.