Selon le dirigeant d’Arm, l’intelligence artificielle a le potentiel de transformer la médecine — jusqu’à aider à guérir certains cancers — mais ce progrès se heurte à une limite matérielle : les centres de données. Le constat met en lumière un dilemme industriel et sociétal crucial alors que la demande pour des tâches d’IA explose.
Rene Haas, patron du concepteur de puces britannique, attire l’attention sur un point précis : les progrès algorithmiques ne suffiront pas si l’infrastructure qui les fait tourner n’évolue pas en conséquence. Autrement dit, le goulot d’étranglement se situe aujourd’hui loin des laboratoires de recherche et plus près des fermes de serveurs qui alimentent le nuage.
Où se situe le problème?
Les modèles d’IA de nouvelle génération exigent des quantités massives de calculs et de mémoire. Or, les centres de données sont limités par plusieurs facteurs interdépendants :
- Puissance électrique : l’alimentation disponible et son coût freinent l’extension des capacités, surtout dans des régions où le réseau est déjà sous tension.
- Refroidissement : la dissipation thermique des serveurs reste un défi, en particulier pour les unités d’accélération (GPU/TPU) très denses.
- Bande passante et latences : pour entraîner ou déployer des modèles distribués, le transfert de données devient un goulet d’étranglement.
- Coûts d’exploitation : énergie, maintenance et renouvellement rapide du matériel pèsent lourd sur les comptes des opérateurs cloud.
- Concentration du marché : quelques acteurs dominent l’offre de centres de données, ce qui peut limiter l’innovation et ralentir l’adoption de solutions alternatives.
Ces contraintes ne sont pas théoriques : elles influencent la vitesse à laquelle des avancées médicales basées sur l’IA pourront être mises à l’échelle, démocratisées ou rendues abordables.
Conséquences concrètes pour la santé et l’économie
Si l’IA permet d’accélérer le diagnostic, de personnaliser les traitements ou de découvrir de nouveaux médicaments, son impact réel dépendra de la capacité des infrastructures à suivre le rythme. À court terme, cela peut se traduire par :
- Des délais plus longs pour l’entraînement de modèles cliniques coûteux.
- Une hausse des tarifs pour l’utilisation de services cloud spécialisés, répercutée sur hôpitaux et start-up de santé.
- Des inégalités d’accès : les centres de recherche munis de ressources pourront progresser plus vite que les établissements locaux.
- Un accroissement de la consommation énergétique globale, posant un défi environnemental.
Pour le grand public, cela signifie que prometteuses que soient les percées, leur diffusion à grande échelle pourrait prendre plus de temps et coûter davantage que prévu.
Voies de sortie possibles
Plusieurs solutions techniques et politiques sont envisagées pour débloquer la situation. Elles ne sont pas exclusives les unes des autres :
- Optimisation des puces : architectures plus efficientes en énergie, spécialisées pour l’IA, afin de réduire la demande brute en puissance.
- Décentralisation du calcul : traiter davantage de données en périphérie (« edge computing ») pour diminuer la pression sur les centres principaux.
- Refroidissement innovant : immersion liquide, systèmes de récupération de chaleur pour améliorer l’efficience des installations.
- Investissements publics et régulation : subventions à l’infrastructure verte et incitations pour la construction de centres locaux.
- Partage sécurisé des ressources et standardisation des modèles pour limiter les coûts de duplication.
Ces pistes demandent des engagements financiers et industriels importants, ainsi qu’une coordination entre acteurs privés et pouvoirs publics.
Une course à plusieurs vitesses
La fracture entre capacité algorithmique et capacité d’exécution matérielle pourrait créer une course où seuls ceux disposant d’importantes ressources informatiques feront de véritables progrès cliniques. Dans ce scénario, les bénéfices attendus de l’IA en santé risquent de rester concentrés.
Cependant, des initiatives émergent déjà pour rendre les puces plus économiques et les centres plus verts. Le résultat dépendra autant des choix technologiques que des priorités politiques : soutenir l’innovation pour la rendre accessible, ou laisser le marché trier les gagnants.
À l’heure où l’IA montre des promesses claires pour la médecine, la question posée par le dirigeant d’Arm est simple mais déterminante : voulons-nous accélérer l’adoption à grande échelle, et si oui, comment passer du potentiel théorique aux applications cliniques réelles sans que l’infrastructure ne soit le frein principal?