Alors que les ordinateurs quantiques franchissent progressivement le seuil de la réalité industrielle, une question cruciale émerge : cette technologie pourrait-elle transformer l’utilisation de l’intelligence artificielle par les dirigeants IT ? Si beaucoup s’inquiètent des menaces pesant sur la cryptographie traditionnelle, les experts soulignent aussi un potentiel inattendu : alléger la charge de calcul des lourds workloads d’AI.
Les échéances pour des ordinateurs quantiques généralistes, corrigés d’erreurs et tolérants aux fautes, restent débattues. Certains acteurs du secteur tablent sur des systèmes disponibles d’ici 2 à 4 ans. QuEra prévoit ainsi un accès cloud à un système de 256 qubits tolérant aux fautes pour 2028, tandis qu’IBM annonce son système Starling de 200 qubits pour 2029. Ces roadmaps suscitent toutefois des scepticismes.
Des applications concrètes dès aujourd’hui
Certaines entreprises ont déjà franchi le pas. Silicon Quantum Computing (SQC), société australienne, commercialise des puces quantiques - appelées QPUs ou processeurs d’apprentissage automatique quantique - spécialisées dans des applications machine learning pour les secteurs financiers, pharmaceutiques, énergétiques et de la défense. Ces puces accélèrent déjà significativement l’entraînement des modèles d’AI.
Matthew Bradley, vice-président du développement corporate chez SQC, souligne l’impact potentiel : « Face à la hausse des coûts de l’AI et aux préoccupations sur sa consommation énergétique, ces gains pourraient être substantiels. » Il nuance cependant : « L’équation n’est pas linéaire, mais des économies de temps et de ressources sont envisageables. »
D’autres acteurs confirment ce potentiel. Murray Thom, vice-président de l’évangélisation quantique chez D-Wave Systems, cite l’exemple du laboratoire pharmaceutique japonais Shionogi. En combinant technologie quantique et AI, l’entreprise a multiplié par dix le nombre de molécules prometteuses identifiées.
Une complémentarité plutôt qu’un remplacement
Les experts s’accordent sur un point : les ordinateurs quantiques ne remplaceront pas les CPU et GPU traditionnels, mais viendront les compléter. John Licata, directeur quantique chez ServiceNow, explique : « Les QPUs interviendront là où les calculs classiques atteignent leurs limites. »
Cette approche hybride permettrait d’accélérer certains workloads d’AI tout en optimisant l’énergie consommée. Les GPU continueront à supporter la majorité des tâches, tandis que les QPUs prendraient en charge des problèmes spécifiques.
Les défis persistants
Malgré ces avancées, des obstacles techniques subsistent. Arjun Kudinoor, conseiller en sécurité quantique, souligne que les GPU restent mieux adaptés aux opérations matricielles denses caractéristiques du machine learning actuel. Les algorithmes quantiques proposés posent encore des défis majeurs en termes de chargement de données, de mesures et de correction d’erreurs.
Pour tirer pleinement parti du potentiel quantique, les responsables IT devront repenser leur architecture. La clé réside dans l’imagination de nouveaux workloads hybrides où chaque technologie jouerait son rôle optimal.