Quantique + IA : le dossier de l’été pour comprendre la « pointe de la pointe » de la tech

Demandez à n’importe qui, aujourd’hui, ce qui se fait de plus avancé dans la tech, et on vous répondra « l’IA générative ». Bonne réponse. Mais il existe un cran au-dessus, un terrain où les modèles d’IA que vous utilisez tous les jours croisent une machine d’un genre radicalement différent : l’ordinateur quantique. Et le fantasme n’est jamais loin, coupler la puissance des grands modèles de langage à celle d’un ordinateur quantique, est-ce que ce ne serait pas de là que jaillirait la fameuse « super intelligence » ?

Spoiler : on n’y est pas. Pas du tout, même. Mais les progrès sont bien plus concrets qu’on ne le croit, au point que vous avez peut-être déjà bénéficié d’un peu de quantique sans le savoir, et que la sécurité de vos connexions web est en train d’évoluer à cause de lui. Chez Sensor Factory, on passe nos journées dans le monde du monitoring, de la donnée et de l’infrastructure IT : autant dire que ce sujet nous parle. Alors on en a fait un dossier de l’été. Installez-vous, on décrypte, sans jargon inutile et sans survendre.

D’abord : un ordinateur quantique n’est pas un « PC en plus rapide »

C’est le premier réflexe à corriger. Un ordinateur quantique n’est pas un ordinateur classique boosté aux hormones. C’est une machine d’une nature différente, faite pour résoudre d’autres problèmes. Certains diraient même qu’on ne devrait pas l’appeler « ordinateur ».

Reprenons les bases. L’informatique classique manipule des bits : des 0 et des 1, une information binaire, c’est l’un ou c’est l’autre. L’informatique quantique manipule des qubits, qui peuvent être dans une superposition de 0 et de 1, grossièrement, « un peu de 0 et un peu de 1 en même temps ». Techniquement, un qubit porte une distribution de probabilité d’être mesuré à 0 ou à 1.

L’intuition la plus parlante est celle du labyrinthe. Pour en sortir avec un ordinateur classique, vous testez les chemins un par un ; selon la taille du labyrinthe, l’arbre des possibilités explose de façon exponentielle et ça peut devenir très long. L’idée du quantique, c’est d’explorer une superposition de chemins à la fois, et d’exploiter les interférences entre ces possibilités pour faire ressortir la bonne réponse. Ajoutez des qubits et l’espace des états grimpe en puissances de 2 : avec 10 qubits, vous manipulez une superposition de 0 à 2¹⁰ − 1, soit 1 024 états simultanés.

Reste la question qui fâche : si « tout est testé en même temps », comment récupère-t-on la bonne réponse ? Là est toute la subtilité. On enchaîne des portes logiques quantiques conçues pour que, à la fin, les probabilités s’effondrent vers la solution : la bonne réponse devient l’état le plus probable, et c’est en mesurant qu’on la lit. Tout le génie d’un algorithme quantique consiste à orchestrer ces interférences, ce n’est pas de la magie, c’est des mathématiques.

À retenir pour ne pas se raconter d’histoires : un QPU (Quantum Processing Unit, par analogie avec le CPU et le GPU) ne sert pas à tout. Comme un GPU a sa spécialité, le QPU a la sienne : l’optimisation, l’échantillonnage, la simulation de systèmes quantiques (chimie, matériaux). Pour le reste, votre bon vieux processeur reste imbattable.

Le nerf du problème : le bruit et la décohérence

Voilà pourquoi il faut lire les annonces tonitruantes avec du recul. On vit l’ère qu’on appelle NISQ (Noisy Intermediate-Scale Quantum) : des machines de taille intermédiaire, et surtout bruitées. Concrètement, quand vous lancez un calcul, vous n’avez pas de garantie que c’est bien ce calcul qui a eu lieu. L’analogie qui marche : vous demandez 1 + 1, il se passe en réalité 1 + 4, vous mesurez 5, et vous ne savez pas ce qui a déraillé.

D’où vient ce bruit ? De la fragilité même de l’état quantique. Souvenez-vous du chat de Schrödinger : tant qu’on n’ouvre pas la boîte, il est « à la fois » vivant et mort. Pour un qubit, c’est pareil, on ne peut pas l’observer pendant le calcul sans le détruire ; on ne mesure qu’à la fin. Le problème, c’est la décohérence : dès qu’un qubit interagit avec son environnement (une vibration, une variation de température, un photon parasite), il perd son caractère quantique, redevient « classique », et l’information se perd. La mesure est une interaction que vous provoquez volontairement ; la décohérence est la même chose, mais subie.

C’est pour ça que les machines à qubits supraconducteurs doivent être refroidies à quelques millikelvins, à un cheveu du zéro absolu, dans d’imposants cryostats : la moindre agitation thermique ferait s’effondrer les qubits. Et plus vous ajoutez de qubits, plus vous multipliez les occasions de décohérence, donc les risques d’erreur. Scaler n’est pas qu’une question de « faire plus gros ».

Compter les qubits ne veut (presque) rien dire

C’est le passage le plus utile pour se blinder contre le marketing. La course se joue souvent à coups d’annonces sur le nombre de qubits. Sauf que ces qubits-là sont, pour l’essentiel, des qubits physiques : des qubits avec des erreurs. Le vrai Graal, c’est le qubit logique, un qubit corrigé d’erreurs, donc fiable, obtenu en répartissant l’information sur plusieurs qubits physiques grâce à un code correcteur. Ce ratio physiques/logiques est la métrique qui compte réellement, et il peut aller de quelques dizaines à une centaine de qubits physiques pour un seul qubit logique.

La bonne nouvelle, c’est que 2024-2025 a marqué un tournant crédible sur ce front. Fin 2024, Google a présenté sa puce Willow (105 qubits) et surtout une démonstration clé : en agrandissant le réseau de correction d’erreurs, le taux d’erreur diminue au lieu d’augmenter. C’est ce qu’on appelle passer « sous le seuil » (below threshold), la première preuve expérimentale que plus on ajoute de qubits, mieux on corrige, condition sine qua non pour espérer un jour des machines fiables. De son côté, IBM a publié en juin 2025 une feuille de route détaillée vers « Starling », présenté comme le premier ordinateur quantique tolérant aux fautes à grande échelle, visé pour 2029, avec de l’ordre de 200 qubits logiques et des codes correcteurs plus économes (qLDPC). Deux stratégies, un même cap : la tolérance aux fautes.

Traduction pour le lecteur pressé : on n’est plus dans la pure promesse, mais on n’est pas encore dans la machine utile et fiable. On est dans l’ingénierie du passage à l’échelle, la partie la moins glamour et la plus décisive.

Un zoo de technologies, et pas de gagnant évident

Il n’y a pas « un » ordinateur quantique, mais plusieurs familles qui n’ont en commun que d’exploiter des particules quantiques :

• Supraconducteurs : IBM, Google. Rapides, mais au prix de cryostats au millikelvin.
• Ions piégés : IonQ, Quantinuum. Des qubits très « propres » et stables, mais des opérations plus lentes.
• Atomes neutres : Pasqal (France), QuEra. Prometteurs pour le passage à l’échelle.
• Photonique : PsiQuantum, Xanadu, Quandela (France). Calcul avec des photons, souvent à température ambiante.

Comprendre les défis propres à chaque approche demande des connaissances de physique franchement pointues, et c’est ce qui rend le secteur difficile à lire de l’extérieur. Y aura-t-il une techno qui écrase les autres ? Il y a quelques années, on le pensait. Le consensus actuel est plus nuancé : certaines échoueront, plusieurs réussiront, et chacune se spécialisera sans doute sur une classe de problèmes. On s’oriente vers une cohabitation plus que vers un vainqueur unique. Le tout reste incertain, la vraie réponse s’écrira sur 3 à 5 ans.

Notez au passage que l’Europe et la France ne sont pas spectatrices : Pasqal, Alice & Bob, Quandela et d’autres tiennent des positions crédibles, avec un enjeu de souveraineté assumé. On y revient.

Quantique et IA : deux mariages à ne pas confondre

C’est le point le plus mal compris. Il n’y a pas « le quantique et le ML », il y a deux imbrications distinctes.

1. L’IA au service du quantique. Le machine learning aide à construire de meilleures machines : calibrer et caractériser un hardware capricieux, compenser des imperfections de fabrication, et surtout optimiser la correction d’erreurs (décoder en temps réel quel qubit a « fauté » est un problème d’inférence pour lequel le ML excelle). C’est peu spectaculaire, mais c’est un usage bien réel, déjà en production chez plusieurs constructeurs.

2. Le quantique au service de l’IA. L’idée : repérer les problèmes où l’IA peine, trop de données, trop de temps, trop d’énergie, et voir si un QPU peut aider. Et c’est ici que se cache l’argument qui devrait intéresser tout acteur de la donnée à grande échelle : l’énergie. Entraîner et faire tourner les modèles d’IA engloutit une électricité colossale, et la trajectoire des data centers inquiète. Plusieurs travaux avancent que certaines briques de calcul, portées par des algorithmes quantiques (ou des architectures hybrides), pourraient atteindre un avantage énergétique, faire la même chose pour bien moins de watts, potentiellement avant même l’avantage en vitesse pure. C’est une piste, pas une certitude : d’autres études rappellent que les infrastructures quantiques (cryogénie, contrôle) ont elles aussi un coût, et que le bilan net reste à démontrer. À suivre de très près.

Dans les deux cas, le futur crédible est hybride : le gros du calcul sur CPU/GPU classiques, et seulement la portion qui en tire parti déportée sur le QPU. C’est pourquoi les QPU s’installent désormais dans les centres de calcul haute performance (HPC) et s’intègrent à leurs interfaces : plusieurs supercalculateurs européens hébergent déjà des accélérateurs quantiques, exploités aux côtés des GPU. Le QPU comme co-processeur spécialisé, pas comme remplaçant.

La face cachée : la « hype » du QML

C’est le passage le plus lucide, et il devrait parler à quiconque fait de la veille sérieuse. Le Quantum Machine Learning (QML) suscite un enthousiasme énorme, et le sujet est très vendeur, dans un secteur qui draine beaucoup de capitaux. Résultat : une partie de la littérature affiche des performances spectaculaires… fragiles. Des résultats obtenus une seule fois, sans écart-type ni moyenne, des découpages de données flous, pas de code publié, pas de dépôt reproductible. On lit, on est impressionné, puis on doute. Le format académique bien propre confère une crédibilité qui n’est pas toujours méritée, surtout à l’heure où la validation par les pairs est sous tension et où l’on peut déposer à peu près n’importe quoi en préprint.

Plusieurs analyses récentes tempèrent d’ailleurs franchement : à ce jour, aucun avantage quantique généralisé n’est prouvé en machine learning sur des données classiques, et un verrou technique tenace s’appelle le goulot d’étranglement d’entrée/sortie : charger de gros volumes de données classiques dans un état quantique coûte cher et peut annuler tout gain théorique. Autant dire que le « quantique qui dope les LLM », pour l’instant, relève surtout de la promesse.

Ce n’est pas un procès à charge : il existe de vrais résultats intéressants, y compris des travaux (côté IBM notamment) qui démontrent mathématiquement un avantage potentiel sur certaines familles de problèmes bien choisies. Mais le bon réflexe, le nôtre, chez Sensor Factory, sur l’IA comme sur le quantique, tient en une règle simple : se méfier de ce qui n’est pas reproductible. Avant de prendre un résultat spectaculaire pour argent comptant, on regarde la méthode : le code et les données sont-ils publiés ? L’expérience a-t-elle été répétée, ou obtenue une seule fois ? Les points de comparaison classiques sont-ils sérieux, ou bâclés au point de gonfler artificiellement l’avantage quantique ? C’est fastidieux, ça n’a rien de sexy, et c’est exactement ce qui sépare la veille utile du buzz.

Ce qui marche déjà, pour de vrai (et pourquoi ça vous concerne)

Assez de conditionnel. Deux domaines où le quantique a un impact concret et immédiat, tous deux du côté de la sécurité, un terrain qui parle directement à un intégrateur monitoring et IT.

Les nombres aléatoires quantiques (QRNG). Générer du vrai hasard est étonnamment difficile en informatique classique : les générateurs « pseudo-aléatoires » sont déterministes, et certains sont si prévisibles qu’avec quelques tirages on devine la suite. En s’appuyant sur l’indéterminisme fondamental de la mesure quantique, les QRNG produisent une entropie de très haute qualité, avec du hasard certifié et réellement imprévisible. C’est déjà commercialisé et déployé : des hébergeurs et fournisseurs de sécurité l’intègrent pour renforcer clés et certificats. Un cas d’usage sobre, mais qui tourne en production aujourd’hui.

La cryptographie post-quantique (PQC). C’est le sujet à ne pas rater, et il n’attend pas que les ordinateurs quantiques soient prêts. L’algorithme de Shor montre qu’une machine quantique suffisamment puissante saurait casser le chiffrement RSA (qui repose sur la difficulté de factoriser de grands nombres) et une bonne partie de ce qui sécurise le web. La machine capable de le faire à l’échelle réelle n’existe pas encore, mais la menace est prise très au sérieux, à cause du risque « harvest now, decrypt later » : un attaquant peut capter aujourd’hui des données chiffrées pour les déchiffrer demain. C’est pourquoi le NIST a finalisé en août 2024 ses premiers standards post-quantiques (FIPS 203 / ML-KEM, FIPS 204 / ML-DSA, FIPS 205 / SLH-DSA), des algorithmes conçus pour résister à un futur ordinateur quantique. La migration vers ces standards est un chantier qui démarre maintenant dans les DSI.

Ces deux exemples ont un mérite : ils ne demandent pas d’attendre l’ordinateur quantique « utile » pour avoir un impact. Le premier exploite le quantique aujourd’hui ; le second s’en protège par anticipation.

Ce qu’on en retient chez Sensor Factory

Soyons honnêtes : pour la plupart des équipes IT, le quantique reste aujourd’hui un sujet de veille, pas un chantier du trimestre. Avec une exception, et elle est de taille : la sécurité. La cryptographie post-quantique n’est pas de la science-fiction, les standards existent depuis 2024, et inventorier puis planifier la migration des systèmes sensibles est un sujet de gouvernance IT à ouvrir dès aujourd’hui, pas dans dix ans. C’est le seul point de ce dossier qui appelle une action concrète à court terme.

Le reste, on le suit comme de la veille, au bon sens du terme. L’efficacité énergétique est une piste à surveiller : l’idée que l’avantage énergétique arrive peut-être avant l’avantage en vitesse vaut qu’on la garde en tête pour les infrastructures de demain, bilan net à vérifier. Et le quantique est un bon terrain d’entraînement pour un réflexe qui vaut bien au-delà de lui : ne rien croire qui ne soit reproductible. C’est au fond ce qui nous intéresse le plus, séparer le signal du bruit.

Le mot de la fin ? Le quantique n’est pas un domaine dans lequel on entre en un claquement de doigts ; il faut un peu de temps pour se l’approprier. Et c’est précisément pour ça que le moment est idéal. Les machines ne sont pas encore fiables, la communauté commence à peine à se structurer, les outils s’ouvrent. Bonne nouvelle : plusieurs constructeurs donnent aujourd’hui accès à de vrais processeurs quantiques via le cloud, souvent avec des crédits gratuits, de quoi envoyer un premier petit algo sur une vraie machine et se faire une idée par soi-même. C’est peut-être ça, notre défi de l’été. On vous raconte ça à la rentrée.

Questions fréquentes

Qubits ou qbits ?

On écrit « qubits », contraction de quantum bits. « qbits » est une variante rare et non standard.

Qu’est-ce qu’un qubit logique ?

Un qubit corrigé d’erreurs, donc fiable, obtenu en répartissant l’information sur plusieurs dizaines de qubits physiques imparfaits grâce à un code correcteur. C’est le ratio qubits physiques / qubits logiques, pas le nombre brut de qubits, qui mesure la vraie capacité d’une machine.

Un ordinateur quantique peut-il casser le chiffrement RSA aujourd’hui ?

Non. L’algorithme de Shor le permettrait en théorie, mais la machine assez puissante pour le faire n’existe pas encore. Le risque immédiat est le « harvest now, decrypt later » : capter aujourd’hui des données chiffrées pour les déchiffrer plus tard.

Faut-il déjà s’occuper de la cryptographie post-quantique ?

Oui. Le NIST a finalisé ses premiers standards en août 2024. Inventorier les systèmes sensibles et planifier leur migration est un chantier à ouvrir maintenant, pas dans dix ans.

Le quantique va-t-il remplacer nos serveurs classiques ?

Non. Un QPU est un co-processeur spécialisé (optimisation, simulation, échantillonnage) ; le gros du calcul reste sur CPU et GPU. Le futur est hybride, le QPU aux côtés des serveurs classiques, pas à leur place.

Ce dossier de veille s’appuie sur des sources publiques et des publications de référence. Les faits techniques (puce Willow et correction d’erreurs « sous le seuil », feuille de route IBM « Starling », standards post-quantiques du NIST) ont été recoupés à partir de ces sources : Google (puce Willow), Nature (« Quantum error correction below the surface code threshold »), IBM (feuille de route vers un ordinateur tolérant aux fautes / « Starling »), NIST (premiers standards de cryptographie post-quantique, août 2024), World Economic Forum (efficacité énergétique du quantique), et les analyses récentes sur les limites du Quantum Machine Learning.

Visuel à la une : rendu d’un cryostat de calcul quantique par Onri Jay Benally (OJB Quantum), CC BY 4.0, retouché par Sensor Factory.