L’essor fulgurant de nouvelles technologies informatiques pourrait bien remettre en question les investissements massifs dans le nucléaire pour alimenter les centres de données d’intelligence artificielle. Des avancées prometteuses en matière d’efficacité énergétique menacent de réduire drastiquement la demande en électricité, potentiellement avant même la mise en service des premiers petits réacteurs modulaires (SMR).
Ces dernières années, les investisseurs ont déversé 45 milliards de dollars (environ 41,5 milliards d’euros) dans des start-ups nucléaires, anticipant une soif insatiable d’énergie de la part des centres de données dédiés à l’IA. Or, une convergence de technologies informatiques à faible consommation d’énergie, démontrant déjà des gains d’efficacité de 100 à 1 000 fois en laboratoire, pourrait bien déjouer ces prévisions.
Ces puces alternatives devraient être commercialisées entre 2025 et 2028, alors que les start-ups nucléaires visent leurs premiers revenus entre 2028 et 2030. Au moment où le réacteur inaugural d’Oklo pourrait entrer en service, l’architecture informatique pourrait donc avoir radicalement évolué, nécessitant une densité de puissance bien inférieure à celle actuellement envisagée.
Plusieurs pistes technologiques se dessinent. L’informatique neuromorphique, inspirée du fonctionnement du cerveau humain, a déjà démontré des gains d’énergie de 100 fois. Une étude publiée en 2024 dans Nature Communications a révélé que des circuits neuromorphiques utilisant des transistors tunnel en matériaux bidimensionnels affichent une efficacité énergétique deux fois supérieure à celle des circuits CMOS 7 nm. Des systèmes basés sur des memristors ont même réussi à jouer au jeu Atari Pong avec une consommation d’énergie 100 fois inférieure à celle des implémentations GPU équivalentes.
L’informatique photonique, qui utilise la lumière au lieu de l’électricité, offre des perspectives encore plus spectaculaires. Des chercheurs du MIT ont mis au point un processeur photonique entièrement intégré capable de réaliser une classification par apprentissage automatique en moins d’une demi-nanoseconde, avec une précision de 92 %. Cette technologie pourrait réduire jusqu’à 1 000 fois l’énergie nécessaire à l’entraînement des modèles d’IA par rapport aux processeurs conventionnels. De plus, les puces photoniques génèrent beaucoup moins de chaleur que les GPU, ce qui permettrait de réaliser des économies supplémentaires sur les systèmes de refroidissement.
Les systèmes photoniques actuels sont déjà « 50 fois plus rapides et 30 fois plus efficaces » pour certaines tâches d’inférence d’IA, avec des prototypes commerciaux testés en 2024 et une montée en production prévue entre 2026 et 2028.
D’autres approches, comme les circuits intégrés spécifiques à une application (ASIC), offrent également des gains significatifs. Selon une étude d’IBM, ces accélérateurs d’IA sont « de 100 à 1 000 fois plus économes en énergie que les GPU ». Les unités de traitement tensoriel (TPU) de Google, déjà largement déployées, affichent une efficacité énergétique 2 à 4 fois supérieure à celle des GPU pour l’inférence et l’entraînement spécifiques à l’IA.
Enfin, la mémoire informatique (CRAM), développée par des chercheurs de l’Université du Minnesota, permet de placer le traitement directement au sein des cellules mémoire. Lors de tests de classification de chiffres manuscrits (MNIST), la CRAM s’est avérée 2 500 fois plus économe en énergie et 1 700 fois plus rapide que les systèmes de traitement traditionnels. Cette approche résout le problème du transfert de données énergivore entre la mémoire et les processeurs.
Ensemble, ces technologies émergentes affichent des gains d’efficacité énergétique de 100 à 1 750 fois supérieurs à ceux des GPU actuels. Si seulement 20 à 30 % des charges de travail de l’IA étaient transférées vers ces technologies d’ici 2030, la demande exponentielle d’énergie sur laquelle parient les start-ups nucléaires pourrait s’évaporer.
Plusieurs facteurs suggèrent que la demande en énergie des centres de données IA ne suivra pas une trajectoire exponentielle. Les gains d’efficacité dépassent déjà la croissance de la demande : malgré une explosion de la capacité de calcul, la consommation énergétique mondiale des centres de données n’a augmenté que de 6 % au cours de la dernière décennie. De plus, le déploiement des modèles d’IA est plus énergivore que leur entraînement (60 à 70 % de la consommation totale), et les accélérateurs spécialisés et les puces photoniques excellent dans cette phase.
Goldman Sachs prévoit une augmentation de 165 % de la demande électrique des centres de données américains d’ici 2035, atteignant 123 GW. Cependant, cette prévision repose sur la domination continue de l’architecture basée sur les GPU. Un transfert de seulement 20 à 30 % des charges de travail vers des technologies alternatives pourrait réduire cette croissance de 50 à 70 %.
Le calendrier commercial des start-ups nucléaires (premiers revenus entre 2027 et 2030) contraste fortement avec la rapidité du développement des technologies informatiques alternatives. Les systèmes neuromorphiques sont déjà déployés commercialement, les puces photoniques sont en phase de prototypage avancé et les ASIC spécifiques à l’IA sont largement utilisés. Au moment où le premier réacteur d’Oklo entrera en service, les centres de données pourraient donc avoir adopté des architectures nécessitant 10 à 100 fois moins d’énergie.
La pression économique sur les opérateurs de centres de données pour adopter des solutions plus efficaces est forte. Le refroidissement représente 30 à 40 % des coûts d’exploitation, et la consommation électrique est la dépense opérationnelle la plus importante. L’utilisation de puces photoniques ou neuromorphiques permettrait de réaliser des économies considérables.
Microsoft, Google, Amazon et Meta explorent déjà ces différentes pistes à travers des partenariats et des programmes de recherche.
Les start-ups nucléaires sont confrontées à des risques technologiques, réglementaires et liés aux infrastructures. Mais le risque le plus important, et le plus souvent négligé, est celui d’une demande d’énergie qui ne se concrétiserait pas. Si, d’ici 2030, les puces neuromorphiques captent 15 à 20 % des charges de travail d’inférence, les accélérateurs photoniques 10 à 15 % et que l’efficacité des ASIC et des TPU double, la demande en énergie des centres de données IA pourrait être inférieure de 40 à 50 % aux projections actuelles. Cela pourrait entraîner une surcapacité de production d’électricité et mettre en péril les start-ups nucléaires spéculatives.
Plutôt que de miser sur le nucléaire pour alimenter des GPU inefficaces, les investisseurs pourraient privilégier les investissements directs dans les technologies d’efficacité énergétique (start-ups d’informatique neuromorphique et photonique, fabricants d’accélérateurs d’IA) ou les infrastructures diversifiées (services publics avec des portefeuilles de production mixtes, REIT de centres de données flexibles). Il serait également plus prudent d’éviter les start-ups SMR pure-play et de privilégier les entreprises établies du cycle du combustible nucléaire ou les services publics exploitant déjà des réacteurs.
L’histoire de l’informatique nous enseigne que les gains d’efficacité finissent toujours par dépasser l’évolution des performances brutes. Les accélérateurs neuromorphiques, photoniques et spécialisés démontrent aujourd’hui des gains d’efficacité considérables. Parier des milliards sur une infrastructure pour alimenter le paradigme inefficace d’aujourd’hui, alors que des alternatives prometteuses se profilent à l’horizon, pourrait s’avérer être une erreur comparable à celle des investisseurs ferroviaires qui ont continué à soutenir les moteurs à vapeur au moment où les locomotives diesel-électriques faisaient leur apparition.