Aller au contenu
Encyclopédie informatique Édition 2026

Les puces pour l'IA : GPU, NPU et accélérateurs

Partie 5 sur 5

Niveau de lecture :

10Sécurité des puces et des modèles

Les puces d’IA concentrent deux choses de grande valeur : des modèles (le résultat d’investissements considérables) et des données (celles que l’on soumet au modèle). Elles soulèvent donc des questions de sécurité (voir les principes de la sécurité), traitées ici au niveau des principes.

  • Isoler les clients. Dans le nuage, plusieurs clients peuvent partager une même carte. Il faut garantir que la mémoire d’un client n’est pas lisible par un autre, et que la mémoire est effacée entre deux usages : des chercheurs ont montré que des résidus de mémoire graphique pouvaient subsister dans certaines configurations. Les fournisseurs ont renforcé l’isolation, mais l’attention reste de mise.
  • Protéger les poids. Les poids d’un modèle sont un actif précieux ; leur vol équivaut au vol d’un brevet. On les protège par le chiffrement, le contrôle des accès, et, pour les environnements les plus sensibles, par des zones d’exécution protégées qui chiffrent aussi la mémoire (« informatique confidentielle »).
  • Surveiller le micrologiciel. Comme tout composant, la puce embarque un micrologiciel (voir le micrologiciel) qui doit être mis à jour et dont l’origine doit être vérifiée. Une faille à ce niveau échappe aux protections du système.
  • Maîtriser la chaîne d’approvisionnement. Acheter des puces ou des serveurs d’origine douteuse (contrefaçons, matériel reconditionné sans traçabilité) expose à des composants modifiés (voir la chaîne d’approvisionnement).
  • Les canaux auxiliaires. Comme les processeurs (voir le processeur), les accélérateurs peuvent, par leur temps de réponse ou leur consommation, laisser filtrer des informations sur ce qu’ils calculent. Ces risques, étudiés par la recherche, se traitent par l’isolation et par l’attention portée à qui partage la machine.
  • Choisir où faire tourner les données sensibles. Pour des données confidentielles (santé, secrets d’affaires), un modèle local ou hébergé dans un environnement de confiance limite l’exposition (voir l’IA locale).

11Choisir selon son besoin

Aucune puce n’est « la meilleure ». Voici une grille de lecture, du plus modeste au plus ambitieux.

  • Utiliser des assistants et outils en ligne : aucune puce à acheter ; le calcul se fait chez le fournisseur. Attention aux données que l’on y envoie.
  • Faire tourner de petits modèles chez soi : un ordinateur récent avec beaucoup de mémoire (16 à 32 gigaoctets, voire plus) et un GPU ou un NPU correct ; un téléphone récent pour les usages simples.
  • Développer et tester des applications d’IA : une carte graphique avec suffisamment de mémoire vidéo (c’est elle qui limite la taille des modèles), ou la location de cartes dans le nuage à l’heure.
  • Servir des modèles à beaucoup d’utilisateurs : des serveurs à plusieurs accélérateurs, dans le nuage ou chez soi, avec attention à la latence et au coût par requête.
  • Entraîner de grands modèles : des grappes de milliers d’accélérateurs et un réseau très rapide ; hors de portée de presque toutes les organisations, qui se tournent plutôt vers des modèles existants qu’elles adaptent.

Quelle que soit l’échelle, posez les mêmes questions : quelle tâche exactement ? quel modèle, de quelle taille ? quelle quantité de mémoire ? quelle latence acceptable ? quel budget d’énergie ? où sont les données ? Les réponses valent mieux que n’importe quel chiffre de puissance affiché.

12Perspectives

Plusieurs mouvements se dessinent. La spécialisation s’accentue : puces d’inférence, d’entraînement, d’appareil personnel, avec des architectures qui diffèrent de plus en plus. L’efficacité devient le critère décisif, plus que la puissance brute : opérations par watt, par euro, par mot produit. Les formats numériques toujours plus compacts et les modèles mieux conçus font baisser les besoins : un modèle de petite taille d’aujourd’hui rivalise avec des modèles dix fois plus gros d’il y a deux ans. Le calcul se répartit entre l’appareil, la périphérie du réseau et le centre de données. Le logiciel ouvert progresse, pour desserrer la dépendance à un fabricant. Enfin, la question énergétique et la question géopolitique pèseront de plus en plus sur les choix, au point que les décisions d’architecture se prennent désormais autant dans les ministères et les compagnies d’électricité que dans les laboratoires.

Pour l’étudiant ou la personne en reconversion, la leçon est durable : comprendre une puce d’IA, c’est comprendre quatre notions classiques de l’informatique (le parallélisme, la mémoire, la représentation des nombres, l’énergie) et voir qu’elles pèsent aujourd’hui sur les grandes décisions technologiques.

Sécurité de l’information

Le coin cyber

Cet article décrit des composants matériels. Voici, au niveau des principes, ce qui touche à leur sécurité.

C.1Le matériel d’IA, cible et enjeu

Les puces d’IA, les modèles qu’elles font tourner et les données qu’elles traitent forment un ensemble précieux. Les attaquants s’y intéressent pour trois raisons : voler des modèles, accéder à des données sensibles envoyées aux services d’IA, ou détourner la puissance de calcul (par exemple pour miner de la cryptomonnaie ou lancer d’autres attaques). Les défenseurs raisonnent donc comme pour tout système critique : isoler, chiffrer, journaliser, mettre à jour, surveiller la consommation inhabituelle (un calcul qui s’emballe peut être un signal d’intrusion, voir la détection d’intrusion).

C.2Le cadre légal

Le règlement européen sur l’intelligence artificielle impose des obligations selon les risques des systèmes ; le RGPD s’applique aux données personnelles traitées par ces systèmes ; les restrictions d’exportation encadrent la vente de puces avancées. Un fournisseur de nuage engage sa responsabilité sur l’isolation des clients. Une organisation qui envoie des données personnelles à un service d’IA doit s’assurer du cadre contractuel et du lieu de traitement.

C.3Idée reçue

« Plus de TOPS, c’est forcément une IA plus rapide. » Non. Le chiffre de TOPS est un maximum théorique, mesuré dans des conditions favorables, avec un format de nombres précis. La vitesse réelle dépend de la mémoire (capacité et débit), de la taille du modèle, de sa quantification et du logiciel. Deux machines aux TOPS très différents peuvent répondre aussi vite, et inversement.

C.4Bonnes pratiques

Particulier

  • Choisir d’abord la mémoire suffisante, puis la puissance.
  • Garder en local les données personnelles sensibles quand c’est possible.
  • Tenir système et pilotes à jour ; télécharger les modèles depuis des sources fiables.

Organisation

  • Définir où tournent les modèles et où sont les données ; vérifier contrats et localisation.
  • Isoler et chiffrer les environnements d’IA ; protéger les poids des modèles.
  • Surveiller la consommation de calcul et suivre la provenance du matériel.

Référentiels : règlement (UE) 2024/1689 sur l’intelligence artificielle · RGPD, article 32 · ANSSI, Recommandations de sécurité pour un système d’IA générative · NIST AI Risk Management Framework · ISO/CEI 42001.

Références

  1. A. Krizhevsky, I. Sutskever, G. Hinton, ImageNet Classification with Deep Convolutional Neural Networks, 2012.
  2. N. Jouppi et al., In-Datacenter Performance Analysis of a Tensor Processing Unit, 2017.
  3. Règlement (UE) 2024/1689 établissant des règles harmonisées concernant l’intelligence artificielle.
  4. ANSSI, Recommandations de sécurité pour un système d’IA générative, 2024.
  5. Agence internationale de l’énergie, Energy and AI, 2025.

Voir aussi

Citer cet article

« Les puces pour l'IA : GPU, NPU et accélérateurs », Encyclopédie informatique, révision du 30 octobre 2026.