Les puces pour l'IA : GPU, NPU et accélérateurs
Partie 5 sur 5
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.