ASIC
Un ASIC (Application-Specific Integrated Circuit) est une puce conçue et fabriquée pour exécuter une fonction spécifique unique, offrant des performances et une efficacité énergétique supérieures pour cette tâche par rapport à un processeur à usage général, mais sans flexibilité pour d'autres charges de travail.
Un Application-Specific Integrated Circuit (ASIC) est un dispositif semi-conducteur dont la logique est fixée de manière permanente au moment de la fabrication pour implémenter un algorithme ou une fonction particulière, contrairement à un CPU ou GPU à usage général, qui exécutent des instructions arbitraires, ou à un FPGA, qui peut être reconfiguré après la fabrication. Parce que chaque transistor d'un ASIC sert la fonction cible et n'a pas de surcharge pour le décodage d'instructions, la prédiction de branchement ou la reconfigurabilité, les ASICs peuvent réaliser une amélioration d'un ordre de magnitude ou plus en termes de performance-par-watt comparée aux alternatives à usage général pour la même tâche.
La conception d'un ASIC implique de créer une description matérielle en Verilog ou VHDL, de la synthétiser en une netlist au niveau des portes, de placer et router cette netlist pour un nœud technologique spécifique (par exemple, TSMC 3 nm ou Samsung 4 nm), puis de s'engager sur un ensemble de masques—des modèles photolithographiques qui peuvent coûter des dizaines de millions de dollars—avant que du silicium ne soit produit. Ce coût d'ingénierie non-récurrent élevé (NRE) signifie que les ASICs ne sont économiquement justifiés que pour la production en grand volume (électronique grand public) ou pour les charges de travail où l'avantage en termes de performance-par-watt compense l'investissement sur une longue période de déploiement, comme avec les ASICs d'exploitation de cryptomonnaies ou les puces d'inférence IA à l'échelle du cloud.
Dans le contexte de l'IA, les ASICs importent parce que l'entraînement et la mise en service de grands réseaux de neurones est devenu l'une des tâches les plus intensives en calcul de l'industrie, et le coût énergétique de l'exécution de clusters GPU à grande échelle est substantiel. Les ASICs IA personnalisés—le TPU de Google, Inferentia et Trainium d'Amazon, le Neural Engine d'Apple, le LPU de Groq—sont conçus précisément pour les opérations de multiplication-accumulation matricielle et les modèles d'accès mémoire des modèles transformateurs, produisant une latence plus faible et un coût plus bas par token d'inférence que les GPUs à usage général pour les charges de travail stables et prévisibles.
D'ici 2026, presque toutes les grandes entreprises technologiques opérant à l'échelle de l'IA ont soumis à la production ou annoncé publiquement un ASIC IA propriétaire. La tendance reflète la maturation des architectures de réseaux de neurones—rendant viable d'optimiser le silicium pour un ensemble connu d'opérations—et l'ampleur de la demande d'inférence, ce qui justifie le cycle de conception pluriannuel. Le prototypage FPGA est couramment utilisé pour valider les conceptions avant de s'engager dans l'étape irréversible de la fabrication d'ASIC.