Dans un centre de données consacré à l’intelligence artificielle, calculer n’est qu’une partie du travail. Il faut aussi nourrir les processeurs, synchroniser leurs résultats et déplacer des torrents d’informations entre machines. Ces trajets consomment de l’énergie et produisent de la chaleur. La lumière promet d’en alléger la facture. Mais derrière les « puces photoniques », deux histoires se croisent : celle, déjà industrielle, des communications optiques, et celle, plus expérimentale, du calcul par la lumière. À l’horizon de septembre 2026, leur distinction reste essentielle pour comprendre ce qui peut réellement changer.
Le problème n’est pas seulement de calculer plus vite
Imaginez une cuisine équipée de centaines de chefs très rapides, mais desservie par des couloirs encombrés. Ajouter des cuisiniers ne suffit plus : il faut accélérer la circulation des ingrédients. Les grandes infrastructures d’IA rencontrent une difficulté comparable. Leurs accélérateurs échangent des paramètres, des activations et des résultats intermédiaires, tandis que les mémoires doivent alimenter les unités de calcul.
Sur les liaisons électriques, augmenter le débit et la distance complique la transmission. Les pertes, la déformation des signaux et les circuits nécessaires pour les restaurer alourdissent la consommation. Le cuivre reste pourtant redoutablement efficace sur de courtes distances : il est maîtrisé, économique et facile à intégrer. La question n’est donc pas de le supprimer partout, mais de déterminer où la lumière devient plus avantageuse.
Interconnexions optiques : rapprocher la fibre du processeur
L’optique transporte depuis longtemps les données dans les réseaux télécoms et entre équipements informatiques. La nouveauté consiste à rapprocher les composants optiques des puces qui produisent et reçoivent les données. Un modulateur inscrit l’information sur une onde lumineuse ; un photodétecteur la reconvertit en signal électrique à l’arrivée. Entre les deux, une fibre ou un guide d’onde assure le transport.
Dans une architecture classique, le signal électrique parcourt encore une partie de la carte avant d’atteindre un module optique enfichable. Avec le co-packaged optics, les moteurs optiques sont intégrés dans le même boîtier que la puce électronique, ou au plus près d’elle. L’objectif : raccourcir les segments électriques les plus pénalisants. D’autres approches utilisent des chiplets optiques associés à des processeurs.
Les jalons sont tangibles. En 2024, Intel a présenté un chiplet d’interconnexion optique co-intégré avec un processeur lors d’une démonstration publique. La même année, Lightmatter a dévoilé Passage, une plateforme d’interconnexion photonique destinée aux infrastructures de calcul. Ayar Labs développe également des entrées-sorties optiques sur puce. Ces annonces attestent une activité industrielle réelle ; elles ne prouvent pas, à elles seules, un déploiement généralisé et rentable.
Un gain à mesurer de bout en bout
La lumière permet notamment de faire circuler plusieurs longueurs d’onde dans un même support, comme plusieurs voies sur une autoroute. Cela peut augmenter la bande passante disponible sans multiplier proportionnellement les connexions. Mais un lien optique n’est pas gratuit énergétiquement : il faut alimenter le laser, piloter les modulateurs, détecter les signaux et parfois stabiliser la température.
Comparer seulement l’énergie dépensée dans le guide optique à celle d’un câble électrique serait donc trompeur. La bonne mesure porte sur l’ensemble de la liaison, à débit, distance et qualité de transmission comparables. Elle doit aussi intégrer son taux d’utilisation. Une technologie excellente à pleine charge peut perdre de son intérêt quand une infrastructure fonctionne longtemps en dessous de sa capacité.
Calcul photonique : quand la lumière fait l’opération
Le calcul photonique poursuit un autre objectif. Il ne s’agit plus seulement d’acheminer des bits, mais d’utiliser les propriétés de la lumière pour effectuer certaines opérations. Des réseaux d’interféromètres ou d’autres composants optiques peuvent réaliser des transformations mathématiques, notamment des multiplications de matrices. Or ces opérations sont omniprésentes dans les réseaux neuronaux.
La promesse est séduisante : traiter des informations en parallèle, avec une propagation très rapide et une dépense potentiellement faible au cœur du dispositif. Des entreprises comme Lightelligence, ainsi que de nombreux laboratoires, ont démontré des architectures de calcul optique. Toutefois, réussir une opération en laboratoire n’équivaut pas à remplacer un GPU dans un centre de données.
Une grande partie de ces approches relève du calcul analogique. L’information est représentée par une grandeur physique, par exemple l’intensité ou la phase de la lumière. Le bruit, les variations de fabrication et les dérives thermiques limitent alors la précision. Obtenir un résultat suffisamment fiable peut nécessiter des calibrations, de la correction ou plusieurs passages, qui réduisent l’avantage initial.
Le piège des conversions et de la mémoire
Les données existent généralement dans des mémoires électroniques. Il faut donc les lire, les encoder pour le circuit photonique, puis récupérer le résultat. Les conversions entre numérique et analogique, ainsi qu’entre électricité et lumière, peuvent consommer une part importante de l’énergie totale. Et les opérations non linéaires nécessaires aux réseaux neuronaux restent souvent confiées à l’électronique.
Le scénario le plus crédible n’est donc pas un ordinateur entièrement lumineux, mais un système hybride. Un bloc photonique accélérerait une tâche bien choisie, pendant que l’électronique assurerait mémoire, contrôle et autres calculs. Son intérêt dépendrait de la quantité de travail accomplie entre deux conversions : quelques opérations isolées offrent moins de possibilités d’amortir leur coût qu’un traitement massif.
Deux marchés, deux calendriers
Pour les interconnexions, le besoin est déjà identifié : relier davantage d’accélérateurs avec une bande passante élevée, sans faire exploser la puissance du réseau. Le débat porte sur l’intégration, le prix, la fiabilité et le moment où l’optique devient préférable. Pour le calcul photonique, il faut encore établir quelles applications bénéficient durablement d’un accélérateur spécialisé face à des puces électroniques qui progressent elles aussi.
Dans les deux cas, la fabrication compte autant que la physique. Aligner les fibres, assembler les composants, tester les liaisons et garantir leur tenue dans un environnement chaud sont des défis industriels. La proximité entre électronique et optique pose aussi une question de maintenance : remplacer un module accessible n’a pas les mêmes conséquences que réparer un ensemble fortement intégré.
Pour évaluer une annonce, trois questions permettent de dépasser le spectaculaire :
- Quel périmètre ? Le gain concerne-t-il un composant, une liaison complète ou une application exécutée de bout en bout ?
- Quelle comparaison ? La référence électronique offre-t-elle une précision et un service équivalents ?
- Quelle industrialisation ? S’agit-il d’une démonstration, d’échantillons clients ou d’une production reproductible ?
Une sobriété possible, pas automatique
Réduire l’énergie nécessaire au transport d’un bit ou à une opération ne garantit pas une baisse de la consommation globale. Si les économies permettent de construire des modèles plus grands ou de multiplier les requêtes, la demande peut absorber les gains. La photonique constitue un levier d’efficacité, pas une dispense de réfléchir aux usages et au dimensionnement des infrastructures.
Et maintenant ? Pour septembre 2026 et au-delà, la perspective la plus solide est celle d’une lumière progressivement rapprochée des processeurs, d’abord là où les communications deviennent un goulet d’étranglement. Le calcul photonique pourrait trouver des débouchés spécialisés, à condition de démontrer son avantage avec les conversions, la mémoire et le logiciel inclus. La révolution sera peut-être moins visible qu’un « processeur de lumière » : davantage de données transportées utilement, pour moins d’énergie dépensée.
