Les jeunes entreprises considèrent l’IA comme une occasion unique de bâtir de grandes entreprises. Beaucoup n’ y arriveront pas.

Nigel Toon, cofondateur et PDG de Graphcore, une start-up de semi-conducteurs basée au Royaume-Uni, se souvient qu’il y a seulement deux ans, de nombreux investisseurs en capital-risque considéraient l’idée d’investir dans les puces semi-conductrices comme une plaisanterie. Aujourd’hui, certains entrepreneurs du secteur reçoivent un accueil très différent. Au lieu de rire, les investisseurs sortent leurs chéquiers.

Les investisseurs en capital-risque ont de bonnes raisons de se méfier du sillicium, même s’il a donné son nom à la Silicon Valley. Les puces semi-conductrices coûtent beaucoup plus cher à développer que les logiciels, et jusqu’ à récemment, il y avait peu de place pour des innovations radicales permettant de distinguer les nouvelles versions. Même si elles survivent, les jeunes entreprises finissent souvent par obtenir des marges bénéficiaires plus minces que les tranches de silicium sur lesquelles leurs puces sont fabriquées. Les géants historiques comme Intel et Nvidia sont de formidables concurrents avec une connaissance approfondie de l’industrie et ont des poches encore plus profondes.

Ce qui a changé, c’est la croyance de plus en plus répandue chez certains investisseurs que l’IA pourrait être une occasion unique de créer de nouvelles entreprises importantes dans le domaine des semi-conducteurs. Cette année, les investisseurs en capital risque ont investi 113 millions de dollars dans le lancement de nouvelles puces axées sur l’intelligence artificielle, soit près de trois fois plus qu’en 2015, selon les données de PitchBook, un service qui assure le suivi des transactions des sociétés privées.

Graphcore a été l’un des bénéficiaires de ce virage, en ajoutant récemment 50 millions de dollars de financement de Sequoia Capital, une importante entreprise de la Silicon Valley. Un certain nombre d’autres startups de puces, dont Mythic, Wave Computing et Cerebras aux États-Unis et DeePhi Tech et Cambricon en Chine, développent également de nouvelles puces adaptées aux applications AI. Cambricon, l’une des plus importantes start-up chinoises dans le domaine, a levé 100 millions de dollars dans le cadre d’un premier financement dirigé par un fonds du gouvernement chinois.

Electronic components

Depuis l’avènement de l’ordinateur central, les progrès du matériel informatique ont déclenché des innovations logicielles. Celles-ci, à leur tour, ont inspiré des améliorations ultérieures du matériel informatique. L’IA est le dernier né de ce cycle numérique. Les entreprises de nombreux secteurs d’activité ont investi massivement dans du matériel pour faire fonctionner des systèmes d’apprentissage en profondeur. Mais à mesure que ces derniers deviennent plus sophistiqués, ils exposent les limites des puces existantes utilisées pour le travail AI.

Beaucoup de ces processeurs proviennent de Nvidia, dont les puces graphiques sont largement utilisées pour alimenter les jeux et la production graphique. Les processeurs ont des milliers de minuscules ordinateurs fonctionnant en parallèle pour le rendu des pixels. Avec quelques ajustements, ils ont été adaptés pour exécuter des algorithmes d’apprentissage en profondeur, qui impliquent également un très grand nombre de calculs parallèles.

Bien qu’elles aient été largement adoptées, les puces graphiques présentent certains inconvénients. L’un des plus grands est que lorsqu’un grand nombre d’entre elles travaillent en même temps, elles absorbent beaucoup d’énergie. L’Université Carnegie Mellon, un centre de recherche de premier plan en matière d’IA, a même dû demander à des chercheurs de réduire temporairement leur utilisation des puces parce qu’ils mettaient à rude épreuve le système électrique de l’université. Franz Franchetti, professeur à la CMU, affirme que l’université envisage de recourir à des sources d’énergie alternatives pour atténuer le problème.

Les startups de la puce AI prévoient de produire des processeurs plus efficaces. Mais ce qui les stimule vraiment, c’est leur conviction que des processeurs sur mesure pour les applications d’intelligence artificielle peuvent battre des puces moins spécialisées dans un large éventail de tâches d’apprentissage machine. La nouvelle génération de puces combine plusieurs fonctions de traitement en une seule étape, tandis que les processeurs graphiques prennent plusieurs étapes pour atteindre le même résultat. Les fonctions sont généralement regroupées pour optimiser des cas d’utilisation spécifiques, tels que les algorithmes de formation pour aider une voiture autonome à repérer les obstacles potentiels.

Graphcore affirme que lors des tests préliminaires, sa nouvelle « unité de traitement du renseignement », qui sera livrée aux premiers clients au cours du premier trimestre de l’année prochaine, est entre 10 et 100 fois plus rapide que le matériel informatique actuellement utilisé pour de telles tâches. Cambricon de Chine est déjà récompensé pour ses processeurs. Huawei, un client de Cambricon, estime que pour les applications d’apprentissage en profondeur comme les algorithmes de formation à l’identification des images, les puces de démarrage sont six fois plus rapides que d’exécuter la même fonction sur un processeur graphique.

Les chercheurs sont enthousiasmés par la perspective d’un bond en avant significatif dans la puissance de calcul de l’IA. « Il y a encore un grand écart entre où nous en sommes et ce que nous aimerions faire « , dit Andrew Davison, professeur à l’Imperial College au Royaume-Uni, qui se concentre sur la robotique et la vision par ordinateur. Davison pense que les innovations mises sur le marché par les startups de puces vont accélérer les progrès dans des domaines comme le sien.

De telles réactions sont encourageantes, mais elles ne garantissent pas la victoire. Les grandes sociétés de puces dévoilent déjà leurs propres puces faites pour l’AI afin de concurrencer les offres des startups. Intel, par exemple, a récemment annoncé son intention de lancer une nouvelle famille de processeurs conçus avec Nervana Systems, une start-up qu’elle a acquise l’année dernière. Nvidia est également en train d’évoluer rapidement pour améliorer les capacités de ses propres puces.

Les startups font face à un autre défi. Beaucoup d’entre elles conçoivent du matériel pour supporter des applications d’intelligence artificielle hautement spécialisées. Mais il faut parfois des années pour mettre une puce sur le marché. Compte tenu de la vitesse à laquelle l’IA évolue, il y a un risque réel qu’au moment où leurs produits seront largement disponibles, les utilisations pour lesquelles ils ont été conçus ne soient plus prioritaires.

Shahin Farshchi de Lux Capital, qui a investi dans Nervana et qui détient une participation dans Mythic, fait un parallèle avec les processeurs de construction de startups pour les applications sans fil 4G au milieu des années 2000. Beaucoup d’entre elles ont échoué parce qu’ils ont été optimisés pour des applications qui ne sont pas devenues courantes. « Il y aura encore une fois un ébranlement pour les sociétés à puces qui se concentrent très étroitement », dit-il.

Mais si les jeunes entreprises construisent des puces qui couvrent un trop grand nombre de domaines d’application, elles sacrifieront probablement les niveaux de performance. Et cela pourrait les rendre vulnérables à la concurrence de Nvidia, Intel et d’autres. Certains peuvent être achetés par les géants de la puce. Mais si beaucoup échouent, les investisseurs en capital-risque recommenceront à rouler leurs chéquiers.

Publicités

1 commentaire »

Laisser un commentaire

Ce site utilise Akismet pour réduire les indésirables. En savoir plus sur comment les données de vos commentaires sont utilisées.