{"id":43,"date":"2025-04-15T14:06:17","date_gmt":"2025-04-15T12:06:17","guid":{"rendered":"https:\/\/cercle-hyperion.com\/?p=43"},"modified":"2025-04-15T14:13:49","modified_gmt":"2025-04-15T12:13:49","slug":"microprocesseurs-et-semi-conducteurs-fondements-de-la-puissance-de-calcul","status":"publish","type":"post","link":"https:\/\/cercle-hyperion.com\/index.php\/2025\/04\/15\/microprocesseurs-et-semi-conducteurs-fondements-de-la-puissance-de-calcul\/","title":{"rendered":"Microprocesseurs et semi-conducteurs : fondements de la puissance de calcul"},"content":{"rendered":"\n

Les progr\u00e8s en IA g\u00e9n\u00e9rative et en robotique humano\u00efde reposent sur l\u2019augmentation spectaculaire de la puissance de calcul<\/strong>. Les microprocesseurs<\/strong> et les semi-conducteurs sp\u00e9cialis\u00e9s (GPU, TPU, ASIC) sont au c\u0153ur de cette r\u00e9volution. Cette partie traite de l\u2019\u00e9volution des architectures, du ralentissement de la loi de Moore et des perspectives de recherche (RISC-V, neuromorphic computing, etc.).<\/p>\n\n\n\n

\u00c9volution des CPU et GPU<\/h3>\n\n\n\n
    \n
  • Loi de Moore<\/strong> : Depuis les ann\u00e9es 1970, on double (environ) la densit\u00e9 de transistors tous les 18\u201324 mois. Mais vers 2020, les finesses de gravure (5 nm, 3 nm) approchent les limites physiques du silicium.<\/li>\n\n\n\n
  • CPU<\/strong> : Les processeurs classiques (Intel x86, AMD, ARM) se sont multipli\u00e9s en c\u0153urs, optimisant l\u2019ex\u00e9cution parall\u00e8le. ARM domine le march\u00e9 mobile (smartphones, tablettes), tandis qu\u2019Intel et AMD se partagent celui des PC et serveurs.<\/li>\n\n\n\n
  • GPU<\/strong> : Les cartes graphiques (NVIDIA, AMD) se sont impos\u00e9es comme acc\u00e9l\u00e9rateurs pour l\u2019IA, gr\u00e2ce \u00e0 leur capacit\u00e9 de calcul massivement parall\u00e8le (jusqu\u2019\u00e0 des milliers de c\u0153urs). NVIDIA domine le segment HPC\/IA avec ses GPU A100, H100, et le logiciel CUDA.<\/li>\n<\/ul>\n\n\n\n

    Sp\u00e9cialisation et nouveaux concepts<\/h3>\n\n\n\n
      \n
    • TPU (Tensor Processing Unit)<\/strong> : Google a d\u00e9velopp\u00e9 ses propres processeurs pour acc\u00e9l\u00e9rer les calculs de r\u00e9seaux de neurones (matrices, tenseurs). Depuis 2016, la soci\u00e9t\u00e9 d\u00e9ploie ces TPU dans ses data centers pour ex\u00e9cuter des mod\u00e8les de large taille (PaLM, BERT).<\/li>\n\n\n\n
    • ASIC IA<\/strong> : Des startups comme Graphcore, Cerebras, SambaNova con\u00e7oivent des puces sp\u00e9cialis\u00e9es dans le traitement de gros mod\u00e8les, proposant parfois des architectures wafer-scale (Cerebras).<\/li>\n\n\n\n
    • RISC-V<\/strong> : Architecture open source modulaire, adopt\u00e9e par des acteurs comme SiFive. Elle promet de la flexibilit\u00e9 (modules d\u2019extensions) et un co\u00fbt moindre, suscitant un int\u00e9r\u00eat croissant dans l\u2019IoT et l\u2019embarqu\u00e9.<\/li>\n<\/ul>\n\n\n\n

      Tableau 3 : Principales puces IA en 2022\u20132023<\/strong><\/p>\n\n\n\n

      Puce\/SoC<\/th>Fabricant<\/th>Type<\/th>Puissance de calcul\u00b9<\/th>Usage principal<\/th><\/tr><\/thead>
      NVIDIA H100<\/strong><\/td>NVIDIA<\/td>GPU<\/td>60 TFLOPS\u00b2<\/td>Training IA \u00e0 grande \u00e9chelle<\/td><\/tr>
      Google TPU v4<\/strong><\/td>Google<\/td>ASIC Tensor<\/td>~100+ TFLOPS\u00b3<\/td>Data centers (BERT, GPT)<\/td><\/tr>
      Cerebras WSE-2<\/strong><\/td>Cerebras<\/td>Wafer-scale<\/td>>2,6 T transistors<\/td>Large language models, HPC<\/td><\/tr>
      Graphcore IPU<\/strong><\/td>Graphcore<\/td>ASIC IA<\/td>~1000 c\u0153urs<\/td>Inference et training IA<\/td><\/tr><\/tbody><\/table><\/figure>\n\n\n\n

      <small>\u00b9Exprim\u00e9e en FP32 ou TFLOPS mixtes selon le fabricant.
      \u00b2NVIDIA annonce ~2 PFLOPS en FP8 avec sparsit\u00e9 sur un cluster.
      \u00b3Par \u201cpod\u201d ou \u201cchassis\u201d TPU, d\u00e9pend de la configuration.
      Sources<\/strong> : NVIDIA, Google, Cerebras, Graphcore (2023).<\/small><\/p>\n\n\n\n

      Les d\u00e9fis g\u00e9opolitiques de la cha\u00eene d\u2019approvisionnement<\/h3>\n\n\n\n
        \n
      • Concentration industrielle<\/strong> : La fonderie<\/strong> des semi-conducteurs est domin\u00e9e par TSMC (Ta\u00efwan), Samsung (Cor\u00e9e du Sud) et Intel (\u00c9tats-Unis). Ta\u00efwan produit plus de 60 % des semi-conducteurs mondiaux (dont ~90 % en \u201cleading edge\u201d sous 10 nm).<\/li>\n\n\n\n
      • Tensions USA\u2013Chine<\/strong> : Les \u00c9tats-Unis imposent des restrictions d\u2019exportation de puces avanc\u00e9es \u00e0 la Chine (2022). En r\u00e9action, la Chine acc\u00e9l\u00e8re ses investissements domestiques (SMIC, Huawei) pour r\u00e9duire sa d\u00e9pendance. L\u2019Europe cherche aussi \u00e0 renforcer son autonomie (European Chips Act, 2022).<\/li>\n<\/ul>\n\n\n\n

        Futurs axes de recherche : quantique, neuromorphique<\/h3>\n\n\n\n
          \n
        • Calcul quantique<\/strong> : Potentiel disruptif pour certaines classes de probl\u00e8mes (optimisation, cryptographie), mais encore loin de supplanter les CPU\/GPU dans le deep learning classique.<\/li>\n\n\n\n
        • Neuromorphic computing<\/strong> : Inspir\u00e9 du cerveau, utilisant des spiking neural networks<\/em>. IBM (TrueNorth), Intel (Loihi) exp\u00e9rimentent ce concept pour des gains d\u2019efficacit\u00e9 \u00e9nerg\u00e9tique, encore \u00e0 l\u2019\u00e9tat de recherche.<\/li>\n<\/ul>\n\n\n\n

          R\u00e9sum\u00e9 d\u2019\u00e9tude notable<\/strong> : McKinsey, \u00ab The future of AI hardware \u00bb (2023)<\/em> \u2013 Le rapport anticipe un march\u00e9 du hardware IA<\/strong> d\u00e9passant 100 milliards $ en 2030, port\u00e9 par l\u2019explosion des grands mod\u00e8les et l\u2019edge computing. Les auteurs soulignent l\u2019importance du design co-optimis\u00e9 (co-design software\/hardware) pour gagner en performance et r\u00e9duire la consommation d\u2019\u00e9nergie.<\/p>\n","protected":false},"excerpt":{"rendered":"

          Les progr\u00e8s en IA g\u00e9n\u00e9rative et en robotique humano\u00efde reposent sur l\u2019augmentation spectaculaire de la puissance de calcul. Les microprocesseurs et les semi-conducteurs sp\u00e9cialis\u00e9s (GPU, TPU, ASIC) sont au c\u0153ur de cette r\u00e9volution. Cette partie traite de l\u2019\u00e9volution des architectures, du ralentissement de la loi de Moore et des perspectives de recherche (RISC-V, neuromorphic computing, […]<\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[6],"tags":[],"class_list":["post-43","post","type-post","status-publish","format-standard","hentry","category-technologie"],"_links":{"self":[{"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/posts\/43","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/comments?post=43"}],"version-history":[{"count":1,"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/posts\/43\/revisions"}],"predecessor-version":[{"id":44,"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/posts\/43\/revisions\/44"}],"wp:attachment":[{"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/media?parent=43"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/categories?post=43"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/cercle-hyperion.com\/index.php\/wp-json\/wp\/v2\/tags?post=43"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}