Intensif Gratuit 21–22/11Intensif gratuit de 2 jours en Vibecoding (21–22 nov, 16h00 MSK) · Cohorte 3 le 23/11S'inscrire gratuitement →Cohorte 3 (23/11)
InfrastructureAnalyse · Sur le radarIEEE Spectrum AI→ original

Les puces optiques pour l'IA promettent de consommer 10 à 80 fois moins d'énergie qu'un GPU

Les réponses des réseaux de neurones (l'inférence) se heurtent désormais à la consommation électrique, et les start-up tentent donc à nouveau de calculer avec la lumière. L'optique multiplie une matrice de nombres par un vecteur presque sans dépense d'énergie, mais coder les données en lumière coûte cher. L'objectif réaliste est de consommer 10 à 80 fois moins d'énergie qu'une carte graphique GPU, et non 100 000 fois moins, comme le suggèrent les estimations de laboratoire. Pour les praticiens, c'est un signal : la lumière deviendra un accélérateur pour certaines tâches, et non un remplaçant des GPU.

Traité par IA depuis IEEE Spectrum AI ; édité par Hamidun News
Les puces optiques pour l'IA promettent de consommer 10 à 80 fois moins d'énergie qu'un GPU
Source : IEEE Spectrum AI. Collage: Hamidun News.
Écouter l'article
Fiche synthèse et chiffres clés
ParamètreDonnées
Source primaireIEEE Spectrum AI ↗
Rédacteur en chef
Valorisation des entreprises d'optique2,22 milliards de dollars contre 0,4 milliard en 2022
Chiffre clé #2Le gain de la lumière apparaît à partir de vecteurs de 1000 à 10 000 éléments
Loi d'Amdahlsi 10 % du code ne peut pas être accéléré, le gain maximal est de 10 fois

Chaque réponse de ChatGPT ou d'un autre chatbot coûte de l'électricité, et à un moment donné, c'est elle, et non l'argent investi dans les puces, qui est devenue la principale contrainte. L'inférence, c'est-à-dire les réponses d'un modèle entraîné aux requêtes des utilisateurs, a déjà poussé à construire d'immenses centres de données. L'ancienne idée de calculer non pas avec un courant électrique, mais avec de la lumière, est donc revenue des laboratoires vers le monde industriel.

Selon IEEE Spectrum, la valorisation cumulée des entreprises de ce secteur a atteint 2,22 milliards de dollars, contre 0,4 milliard en 2022. Leur promesse : effectuer les mêmes calculs que les GPU (cartes graphiques de Nvidia et équivalents), mais en consommant 10 à 80 fois moins d'énergie.

« L'intérêt pour la photonique tient en grande partie au fait que l'inférence de l'IA se heurte littéralement à la puissance disponible, et de façon assez brutale », explique Peter McMahon, professeur à l'université Cornell, qui étudie le calcul optique depuis plus de dix ans. Des start-up optiques apparaissent aux États-Unis, en Chine, en Allemagne et en Israël.

Comment la lumière multiplie les matrices

L'opération centrale de l'inférence est la multiplication d'une matrice par un vecteur. Imaginez que le vecteur soit votre requête, convertie en un ensemble de nombres, et la matrice, un tableau des poids du modèle. Les cartes graphiques multiplient l'un par l'autre un nombre incalculable de fois par seconde.

Dès 1978, Joseph Goodman et ses collègues ont proposé un schéma optique simple. Une rangée de diodes électroluminescentes encode les nombres du vecteur par leur luminosité : plus la diode est lumineuse, plus la valeur est grande. Une lentille cylindrique étire cette lumière verticalement, ce qui revient à copier le vecteur N fois. La lumière traverse ensuite un atténuateur pixelisé de taille N sur N : chaque pixel affaiblit la lumière selon la valeur de la matrice, et c'est précisément la multiplication. Une seconde lentille rassemble la lumière par lignes et la somme, puis une rangée de détecteurs lit le vecteur résultant.

L'avantage tient à la mise à l'échelle. En électronique, chacune des N² multiplications consomme de l'énergie, si bien que le coût croît comme N². En optique, la multiplication est passive : tant que la matrice ne change pas, la traversée de la lumière ne coûte presque rien. Il faut payer pour coder le vecteur et lire la réponse, ce qui représente un coût de l'ordre de N.

En 2022, l'équipe de McMahon a présenté un réseau de neurones optique qui consommait moins d'un photon, environ 2,5×10⁻¹⁹ J, par multiplication. Dans un ordinateur classique, une multiplication coûte entre 10⁻¹⁴ et 10⁻¹² J : sur le papier, l'économie atteint donc 100 000 fois.

Pourquoi les promesses sont plus modestes que les chiffres de laboratoire

McMahon lui-même met en garde contre ce type d'estimation. D'abord, le calcul n'intègre pas le coût de l'encodage des données en lumière. Supposons qu'une multiplication en électronique coûte 1 picojoule et que l'encodage d'un élément du vecteur en optique en coûte 1000. Dans ce cas, l'électronique l'emporte tant que le vecteur compte moins de 1000 éléments. Selon McMahon, cela correspond à peu près à la réalité : l'optique commence à être gagnante quelque part entre N = 1000 et N = 10 000.

Ensuite, la loi d'Amdahl s'applique. Si l'accélérateur prend en charge 90 % du code, mais que les 10 % restants ne peuvent pas être accélérés, le gain maximal est de dix fois. La multiplication matricielle ne représente qu'une partie de l'inférence : il reste les opérations non linéaires, que l'électronique continue d'assurer. C'est pourquoi les entreprises d'optique visent non pas 100 000 fois, mais 10 à 80 fois de gain en efficacité énergétique par rapport aux GPU. Reste à savoir si elles parviendront à une utilisation massive avant que les puces classiques ne deviennent elles-mêmes plus économes.

Qui construit quoi, et comment

L'inférence se découpe généralement en deux phases : le prefill, lorsque le modèle traite la requête d'entrée, et le decode, lorsque la réponse est générée token par token. Le prefill est plus lourd en calcul, car il multiplie la même matrice par de nombreux vecteurs différents. C'est logiquement là que l'optique a le plus à apporter.

La start-up britannique Lumai, issue d'Oxford, s'est inspirée du schéma de Goodman plus fidèlement que les autres. Au lieu d'un atténuateur fixe, elle utilise un modulateur spatial de lumière programmable, une membrane à pixels proche d'un écran à cristaux liquides avancé, qui modifie à la fois l'intensité et la phase de la lumière. La lumière se propage dans l'air, et non dans des guides d'ondes sur puce. Le vecteur est encodé en lumière, copié par une lentille, traverse le modulateur, est recueilli par une seconde lentille et redevient un signal numérique. Les fonctions non linéaires sont calculées par l'électronique. Selon Phillip Burr, responsable produit, une multiplication complète d'une matrice par un vecteur s'achève en un seul cycle optique.

Une autre entreprise britannique, Optalysys, adopte une approche différente : elle intègre des éléments optiques dans le réseau des centres de données, là où la lumière sert déjà à transmettre les données. Son élément de base sur puce est un calculateur de transformée de Fourier.

Ce que cela implique pour les praticiens

Tous les chiffres de gain restent pour l'instant des objectifs affichés par les entreprises, et non des mesures en production. Mais les enseignements sont déjà utiles. L'optique ne remplacera vraisemblablement pas les cartes graphiques en totalité : un hybride paraît plus réaliste, où la lumière effectue les lourdes multiplications et l'électronique le reste.

Par ailleurs, le gain n'apparaît qu'avec des matrices suffisamment grandes, si bien que les premiers candidats seront les grands modèles et les contextes longs. Ceux qui planifient leur infrastructure pour les prochaines années ont intérêt à suivre ce domaine, sans pour autant l'intégrer à leurs budgets tant qu'il n'existe pas de produits commercialisés. Logan Wright, de Yale, ajoute que même si l'optique ne remporte pas la course à l'IA, les technologies développées pendant cette vague permettront de réaliser des systèmes photoniques aux capacités particulières.

Dossier

Questions clés sur cet article

Comment la lumière multiplie les matrices?

L'opération centrale de l'inférence est la multiplication d'une matrice par un vecteur. Imaginez que le vecteur soit votre requête, convertie en un ensemble de nombres, et la matrice, un tableau des poids du modèle. Les cartes graphiques multiplient l'un par l'autre un nombre incalculable de fois par seconde. Dès 1978, Joseph Goodman et ses collègues ont proposé un schéma optique simple.

Pourquoi les promesses sont plus modestes que les chiffres de laboratoire?

McMahon lui-même met en garde contre ce type d'estimation. D'abord, le calcul n'intègre pas le coût de l'encodage des données en lumière. Supposons qu'une multiplication en électronique coûte 1 picojoule et que l'encodage d'un élément du vecteur en optique en coûte 1000. Dans ce cas, l'électronique l'emporte tant que le vecteur compte moins de 1000 éléments. Selon McMahon, cela correspond à peu près à la réalité : l'optique commence à être gagnante quelque part entre N = 1000 et N = 10 000.

Que sait-on sur Qui construit quoi, et comment ?

L'inférence se découpe généralement en deux phases : le prefill, lorsque le modèle traite la requête d'entrée, et le decode, lorsque la réponse est générée token par token. Le prefill est plus lourd en calcul, car il multiplie la même matrice par de nombreux vecteurs différents. C'est logiquement là que l'optique a le plus à apporter. La start-up britannique Lumai, issue d'Oxford, s'est inspirée du schéma de Goodman plus fidèlement que les autres.

ZK
Zhemal Khamidun — CPO d'Alpina Digital, product manager d'AlpinaGPT. Conçoit des produits IA depuis 2019. Hamidun News est un projet personnel devenu un agrégateur en production avec plus de 6 000 lecteurs.
✦ Unified AI Workspace · Nomad

Test Frontier LLMs & Autonomous Agents in One Workspace

Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.

Try Nomad AI →Launch Nomad Agent
Qu'en pensez-vous ?
Chargement des commentaires…