La nouvelle puce IA qui fait rêver… mais que l’industrie ne peut pas utiliser
Moins d’énergie, plus de puissance : cette puce pourrait donner un nouvel élan à l’IA – si elle parvient un jour à sortir du laboratoire.
La promesse va toujours plus vite que la fonderie. À Cambridge, des chercheurs ont conçu un memristor à base d’oxyde de hafnium dopé, pensé pour rapprocher mémoire et calcul, à la manière du cerveau.
Mais ce qui naît ici n’est pas encore une puce prête à rejoindre les centres de données. C’est un fragment de futur, encore chaud du laboratoire, encore loin du silicium industriel. [1, 5, 2]
Sections principales :
- Le rêve : une IA qui consomme aussi peu qu'un cerveau
- Le détail qui change tout : ce n’est pas encore une puce
- Ce que l'industriel exigera
- L'argument écologique… trop facile
- Alors, révolution ou mirage ?
Le rêve : une IA qui consomme aussi peu qu'un cerveau
Le composant — une hétéro-interface entre Hf(Sr,Ti)O₂ et TiOₓNᵧ – commute à des courants inférieurs à ~10-⁸A.
Les auteurs rapportent des centaines de niveaux de conductance stables, entre ~2,5 × 10-⁹ et ~1,4 × 10-⁷ S, une fenêtre analogique supérieure à 50, une endurance jusqu’à 5 × 10⁴ cycles de commutation et une énergie de mise à jour synaptique estimée entre ~45 fJ et ~2,5 pJ.
Ils montrent aussi une rétention binaire supérieure à 5 × 10⁵ s et des réponses imitant certaines règles d’apprentissage synaptique. Sur le plan des matériaux, c’est une percée nette. [1, 3]
Le détail qui change tout : ce n’est pas encore une puce
La limite apparaît dès que l’on quitte la vitrine. Les états binaires tiennent longtemps, mais les niveaux intermédiaires – ceux qui comptent pour le calcul analogique – ne sont documentés que sur des centaines de secondes.
Les dispositifs mesurés reposent sur des électrodes de molybdène de 25 à 100 μm ; autrement dit, on reste loin des dimensions denses d’une matrice intégrée moderne. Enfin, les auteurs écrivent eux-mêmes qu’une démonstration matérielle complète au niveau d’un réseau reste à faire. [1, 4]
Le fameux « jusqu’à 70 % » relève du même décalage. Dans l’article, ce gain n’est pas mesuré sur cette technologie précise ; il est rattaché au calcul en mémoire en général, puis à une littérature antérieure portant sur d’autres architectures.
La puce de Cambridge suggère donc un potentiel énergétique ; elle ne le démontre pas encore à l’échelle d’un accélérateur d’IA. [1, 2, 4, 5]
Ce que l’industrie exigera
Le premier mur est thermique. Le procédé décrit par Cambridge impose 700 °C. Or la fin de ligne de fabrication – le BEOL, là où l’on ajoute interconnexions et couches au-dessus d’une électronique déjà formée – impose en pratique un budget thermique inférieur à 400 °C, sous peine de fragiliser diélectriques à faible constante et interconnexions en cuivre.
D’autres travaux, y compris sur des oxydes à base de hafnium, visent précisément ≤400 °C pour rester intégrables. Ici, l’écart n’est pas marginal : il est décisif. [1, 7, 8, 9, 6]
Le second mur est architectural. Une technologie crédible doit permettre la miniaturisation, l’intégration en matrices croisées, la maîtrise des courants parasites, la réduction de la variabilité d’écriture et la prise en compte du coût des convertisseurs analogique-numérique et numérique-analogique.
Les revues les plus récentes sur le calcul analogique en mémoire rappellent que la précision se dégrade rapidement sous l’effet du bruit, des dérives, des variations entre dispositifs et des circuits périphériques. Autrement dit : l’économie d’énergie promise par le memristor peut être en partie absorbée par l’outillage nécessaire pour le rendre calculable. [2, 3, 4, 5, 6, 7]
L’argument écologique… trop facile
Même si cette brique passait un jour à l’échelle, son effet écologique ne serait pas automatique. L’Agence internationale de l’énergie estime la consommation électrique des centres de données à environ 415 TWh en 2024, avec une projection à 945 TWh en 2030 sous l’effet de l’IA. [13]
Réduire l’énergie d’une opération synaptique serait utile ; prétendre, dès aujourd’hui, à une « révolution énergétique » serait excessif. Entre le composant et le système, il manque encore la chaîne complète de preuve.
Il faut aussi regarder l’amont, là où l’enthousiasme se tait souvent. Une synthèse portant sur 28 fabricants de semi-conducteurs chiffre pour 2021 environ 7,89 × 10⁸ m³ d’eau prélevée, 1,49 × 10¹¹ kWh d’énergie consommée et 7,15 × 10⁷ tonnes équivalent CO₂ émises.
Des analyses de cycle de vie sur des mémoires non volatiles rappellent en outre que les impacts ne concernent pas seulement le climat, mais aussi l’eau, les particules et l’usage de ressources minérales. Une IA plus sobre à l’usage n’est pas forcément une électronique légère à produire. [11, 12, 9]
Alors, révolution ou mirage ?
Le verdict est simple, presque mécanique. Cambridge a produit une avancée remarquable en science des matériaux : faible courant, bonne uniformité, fenêtre analogique large.
Mais le passage à l’histoire industrielle exigera quatre preuves supplémentaires : un procédé compatible BEOL, une miniaturisation réelle, une stabilité plus longue des états analogiques intermédiaires et une démonstration réseau complète. Avant cela, il faut parler d’une percée de laboratoire, non d’une révolution énergétique accomplie.
Sources principales :
- [1] [2] [3] [4] [5] [6] [8] [10] [11] Bakhit et al., HfO₂-based memristive synapses with asymmetrically extended p-n heterointerfaces for highly energy-efficient neuromorphic hardware.|Science Advances, 2026. (science.org)
- [7] [12] Achieving high precision in analog in-memory computing systems. |npj Unconventional Computing, 2026. (nature.com)
- [9] Environmental data and facts in the semiconductor manufacturing industry: An unexpected high water and energy consumption situation (doaj.org)
- [13] AIE, Energy and AI, 2025. |IEA (iea.org)
