L’expérience publiée par D-Wave dans Science a montré qu’un processeur quantique spécialisé pouvait reproduire en quelques minutes certaines simulations de matériaux magnétiques qui s’avéraient extrêmement coûteuses pour des méthodes classiques. Cette avancée est significative, mais elle ne permet pas de conclure que l’informatique quantique ait invalidé les investissements dans les centres de données pour l’intelligence artificielle, ni qu’elle puisse remplacer les GPU utilisés pour entraîner et exécuter des modèles.

Les clés de l’expérience de D-Wave en 30 secondes

• D-Wave a publié dans Science une démonstration d’avantage quantique dans une simulation physique précise.
• La comparaison d’un presque un million d’années concerne une méthode classique dans des conditions spécifiques.
• Le système quantique n’a pas entraîné d’IA ni remplacé le travail habituel d’un centre de données.
• Des chercheurs ont ensuite développé des simulations classiques plus performantes pour certaines parties du problème.
• L’informatique quantique vise à compléter l’infrastructure classique, non à la remplacer.

L’affirmation selon laquelle un ordinateur quantique a résolu en 12 kW ce qui aurait nécessité près d’un million d’années pour Frontier provient des estimations présentées par D-Wave. La société a comparé son processeur d’appariement quantique à des simulations classiques de la dynamique de systèmes de spins, un problème de physique quantique dont le coût de calcul peut augmenter rapidement avec la taille.

Il ne s’agissait pas d’entraîner un grand modèle de langage, de traiter des vidéos, de servir une application générative ou d’effectuer des opérations matricielles dominantes en IA. C’était une simulation très spécifique, conçue aussi pour s’adapter à l’architecture physique du processeur D-Wave.

Ce détail modifie complètement l’interprétation.

Ce que D-Wave a réellement démontré

Le travail, publié en mars 2025 et ensuite inclus dans le volume 388 de Science, a utilisé des processeurs d’appariement quantique pour étudier l’évolution hors d’équilibre de certains systèmes magnétiques désordonnés.

Les chercheurs ont analysé le comportement de milliers de spins connectés par une topologie compatible avec le hardware de D-Wave. Selon l’article, le processeur a généré des échantillons correspondant étroitement aux solutions de l’équation de Schrödinger dans des tailles où il restait encore possible de vérifier les résultats par des méthodes classiques.

L’équipe a conclu qu’aucune méthode connue à l’époque ne pouvait reproduire avec une précision comparable les plus grosses simulations dans un délai raisonnable. Pour l’évaluation la plus exigeante, D-Wave a estimé qu’une implémentation basée sur GPU nécessiterait près d’un million d’années et plus d’énergie que la consommation électrique annuelle mondiale.

Il s’agit d’une démonstration importante de la capacité quantique, mais la figure concerne uniquement des comparaisons avec des méthodes spécifiques, dans des conditions précises et avec le niveau de connaissance disponible lors de l’étude.

Cette distinction est essentielle car les algorithmes classiques progressent aussi. Peu après, des travaux utilisant des réseaux tensoriels, des méthodes variationnistes ou des approches physiques ont permis de simuler des tailles plus importantes avec des ordinateurs traditionnels. Certains ont obtenu des résultats compétitifs dans des parties du régime étudié par D-Wave, sans nécessairement reproduire toutes les conditions et précisions de l’expérience originale.

La frontière entre ce qui est quantique et classique ne se fixe pas à jamais avec une publication. Chaque démonstration stimule l’amélioration des algorithmes conventionnels, qui, à leur tour, obligent à concevoir des tests quantiques plus exigeants.

Les 12 kW ne racontent pas toute la consommation énergétique

La consommation attribuée au système de D-Wave est souvent présentée comme si toute la simulation fonctionnait avec une puissance équivalente à celle de quelques foyers. C’est une comparaison saisissante, mais qui nécessite un contexte.

Les ordinateurs quantiques d’appariement fonctionnent à des températures extrêmement basses et requièrent une cryogénie, une électronique de contrôle, des serveurs classiques et des systèmes annexes. La valeur communiquée par D-Wave concerne la consommation opérationnelle de leur plateforme, estimée autour de 12,5 kW, stabilisée en dépit de l’augmentation du nombre de qubits.

La comparaison avec Frontier repose, en revanche, sur une extrapolation du temps et de l’énergie nécessaires pour une simulation classique précise. Cela ne signifie pas que Frontier ait tenté d’exécuter le problème durant un million d’années, ni que le processeur quantique soit intrinsèquement millions de fois plus efficace pour toutes les tâches.

Frontier consomme environ 20 à 30 MW en charge de travail intensive, et plusieurs mégawatts même au repos. C’est une machine à usage général pour la recherche scientifique : simulations climatiques, matériaux, biologie, énergie, physique ou apprentissage automatique — pas un dispositif dédié à un seul problème de spins.

Comparer ces deux systèmes sans préciser leur fonction revient à opposer une calculatrice spécialisée à une plateforme capable d’exécuter des milliers d’applications différentes.

L’intelligence artificielle ne peut pas aujourd’hui s’entraîner avec la computation quantique

Les centres de données pour l’IA sont principalement conçus pour faire des multiplications de matrices à grande échelle, déplacer des données entre mémoire et accélérateurs, et traiter des millions de requêtes. Les GPU, unités tensoriales et autres accélérateurs sont spécialisés pour cela.

L’appariement quantique de D-Wave résout d’autres types de problèmes. Il modélise des variables avec des qubits et cherche des états de faible énergie dans des modèles mathématiques, utiles pour certaines tâches d’optimisation, d’échantillonnage et de simulation physique.

Voici quelques domaines où cette approche peut être pertinente :

• planification de trajets et d’horaires ;
• attribution de ressources ;
• optimisation industrielle ;
• recherche de nouveaux matériaux ;
• sélection de portefeuilles ;
• certaines étapes de la découverte moléculaire.

Cependant, convertir un problème réel dans le format accepté par le processeur peut être difficile. La connectivité entre qubits est limitée, le hardware comporte du bruit, et les solutions demandent souvent des étapes de préparation et de validation classique. Une revue publiée en 2025 rappelait que l’avantage en optimisation exacte reste à démontrer de façon générale, malgré les progrès réalisés avec ces systèmes.

Il n’existe pas non plus de voie pratique pour remplacer les millions de GPU qui entraînent aujourd’hui des modèles linguistiques. Un processeur D-Wave ne peut pas charger les poids d’un modèle comme GPT, Gemini ou Claude ni produire leurs réponses à l’aide du même type d’opérations.

La solution la plus probable serait une architecture hybride. Un système classique pourrait gérer le modèle d’IA et déléguer certains sous-problèmes d’optimisation ou de simulation à un processeur quantique quand cela présente une véritable avantage.

L’impact énergétique des centres de données demeure un problème

Le fait que la computation quantique n’aille pas remplacer les centres de données n’allège en rien leur consommation électrique.

Le Electric Power Research Institute estime que ces installations pourraient représenter entre 9 % et 17 % de l’électricité des États-Unis en 2030, contre environ 4 à 5 % aujourd’hui. La fourchette est large car elle dépend du nombre de projets réalisés, de l’efficacité du matériel et de l’évolution du marché de l’IA.

La solution ne consiste pas uniquement à augmenter la capacité de production électrique. Il faut aussi améliorer les composants, réduire la précision numérique lorsque c’est possible, optimiser les logiciels, réutiliser des modèles, augmenter l’utilisation des serveurs et opter pour une architecture adaptée à chaque charge.

La computation quantique pourrait contribuer à cette recherche d’efficience. Par exemple, un algorithme quantique spécialisé pourrait aider à résoudre une étape d’optimisation trop coûteuse en temps. Cependant, cela ne supprime pas les systèmes classiques qui préparent les données, exécutent l’application, stockent les résultats et servent les utilisateurs.

De plus, le développement même du quantique requiert des centres de calcul classiques. Les équipements ont besoin de systèmes de contrôle, de compilateurs, de stockage, de réseaux et de superordinateurs pour calibrer le hardware et valider ses résultats.

Les projets hybrides avancent, mais restent encore expérimentaux

Le Centre de calcul de Jülich travaille à l’intégration d’un système d’appariement de D-Wave dans JUPITER, le premier superordinateur européen de classe exa, avec pour objectif de répartir différentes parties d’un problème entre ressources classiques et quantiques.

Ce type d’installation illustre mieux le futur probable que l’idée d’une compétition directe. Le processeur quantique fonctionnerait comme un accélérateur spécialisé au sein d’une infrastructure plus vaste, à l’image de comment une GPU complète une CPU.

Des techniques quantiques sont également testées pour la découverte de médicaments, la planification industrielle ou l’analyse de réseaux électriques. Ces essais sont prometteurs, mais les résultats proviennent souvent de tests de concept, de jeux de données limités ou de comparaisons avec des algorithmes classiques spécifiques.

Une amélioration dans la qualité des molécules générées ou dans la solution d’un problème d’optimisation ne démontre pas encore une réduction globale de la consommation liée à l’IA. En vue de la mise en production, il faut évaluer le temps total, la préparation des données, le coût d’accès au quantique, la qualité des solutions et la performance des approches traditionnelles.

L’erreur consiste à faire passer un progrès concret pour une révolution totale

L’article de D-Wave n’a pas détruit l’argument en faveur de l’investissement dans les centres de données. Il a montré qu’un système quantique spécialisé peut surpasser certains méthodes classiques dans un problème de simulation physique bien ciblé.

C’est déjà un résultat important. Il ne doit pas être présenté comme la disparition immédiate des GPU, de l’IA ou de la supercalcul et reste précieux même s’il ne signe pas une avancée généralisée immédiate.

L’industrie des centres de données doit continuer à questionner l’usage de la puissance de calcul, sans supposer que plus est forcément mieux. Toutes les charges ne nécessitent pas la plus grande précision, le plus grand modèle ou des centaines d’accélérateurs. Certaines peuvent se résoudre par de meilleurs algorithmes, du matériel spécialisé ou des approches hybrides.

Mais “améliorer mathématiquement” ne signifie pas forcément “utiliser la computation quantique”. Cela peut aussi signifier la compression, de petits modèles, des algorithmes classiques plus efficaces, des processeurs spécifiques ou une meilleure gestion des ressources.

La computation quantique pourrait aussi réduire drastiquement le coût de certains calculs. Pour l’instant, aucune preuve ne montre qu’elle puisse remplacer l’infrastructure globale supportant l’IA. La conclusion raisonnable n’est pas d’arrêter la construction de centres, mais de ne pas accumuler plus de puissance sans d’abord explorer d’autres options plus efficaces.

Questions fréquentes

D-Wave a-t-il résolu une tâche que Frontier mettrait un million d’années à finir ?

D-Wave a estimé ce délai pour une simulation classique précise dans des conditions spécifiques. Ce n’est pas une comparaison valable pour tous les programmes ni pour les charges habituelles d’IA.

L’ordinateur quantique a-t-il fonctionné avec seulement 12 kW ?

D-Wave indique que la consommation de son système complet est proche de cette valeur. La comparaison avec Frontier repose sur une extrapolation, et cela ne signifie pas que la machine quantique est aussi efficace pour toutes les tâches.

D-Wave peut-il remplacer les GPU des centres de données ?

Non. Son processeur d’appariement est conçu pour certaines simulations, échantillonnages ou problèmes d’optimisation. Il ne peut pas, à ce stade, remplacer l’entraînement ou l’inférence généraux des modèles IA.

La computation quantique peut-elle aider à réduire la consommation d’énergie ?

Elle peut le faire pour des tâches spécifiques où elle démontrera une supériorité par rapport aux méthodes classiques. Le scénario le plus probable est qu’elle serve d’accélérateur dans des plateformes hybrides, et non qu’elle remplace totalement l’informatique traditionnelle.