CPU, GPU, NPU et les trois ères du travail : ce que les machines nous ont déjà pris, et ce qu’elles vont encore nous prendre

Mise à jour : août 2026.

Sur une même carte électronique, trois puces fonctionnent à l’électricité, sont toutes fabriquées en silicium et utilisent toutes le système binaire — mais elles fonctionnent selon trois philosophies radicalement différentes. Ce qui est intéressant, c’est que ces trois philosophies correspondent presque parfaitement aux trois façons dont l’humanité a organisé le travail au cours des deux derniers siècles. En comprenant pourquoi une puce est conçue ainsi, on comprend également pourquoi un métier disparaît — et quel métier disparaîtra ensuite.

Le processeur : un véritable multitalent

Le processeur est conçu sur un principe : il ne sait pas à l'avance ce qui va se passer ensuite. Les programmes regorgent de conditions « si », d'appels de fonctions et de boucles dont le nombre d'itérations dépend des données. C'est pourquoi le processeur consacre la quasi-totalité de la surface de la puce à deviner et à attendre de manière optimale :

• Prédiction de la branche : anticiper la direction que prendra la branche « si », la préparer à l'avance ; en cas d'erreur, annuler et recommencer.
• Exécution non séquentielle : les instructions pour lesquelles les données sont disponibles sont exécutées en premier, sans respect d’un ordre rigide.
• Cache à plusieurs niveaux : conserver les données fréquemment utilisées à proximité, car leur récupération depuis la RAM prend cent fois plus de temps.

Résultat : un cœur de processeur capable de traiter toutes sortes de tâches, même les plus complexes et imprévisibles. Le prix à payer est que chaque calcul utile doit supporter tout ce mécanisme de prédiction et d’attente — ce qui prend de la place et consomme de l’électricité. C’est exactement comme un maître artisan : il sait tout faire, mais ses services coûtent cher.

GPU : un chantier de dix mille personnes, un seul mouvement

Le GPU part du principe inverse : il y a des millions de tâches identiques, qui ne diffèrent que par les données — colorier un million de pixels, multiplier deux matrices gigantesques. Lorsque les tâches sont aussi répétitives, il n’y a plus besoin de réfléchir ; il faut simplement beaucoup de main-d’œuvre.

• Des milliers de petits cœurs, simples, exécutent simultanément une même instruction sur de grandes quantités de données.
• Compenser le temps de latence par le nombre : lorsqu’un groupe doit attendre des données, il passe immédiatement à un autre groupe — il y a toujours quelque chose à faire.
• La bande passante mémoire est le système circulatoire : il faut acheminer les données suffisamment vite pour alimenter tous ces « bras de travail ».

La faiblesse apparaît dès que le travail n'est plus uniforme : si, au sein d'un groupe, certains partent à gauche et d'autres à droite, le GPU doit traiter les deux chemins l'un après l'autre et écarter certains résultats — ce qui représente la moitié du travail en vain. C'est le principe d'une chaîne de montage : une productivité impressionnante, à condition que tout le monde fasse exactement la même chose.

NPU : une chaîne de production spécialisée dans un seul métier

Le NPU (et ses dérivés tels que le TPU) va encore plus loin : il part du principe que la quasi-totalité du travail d'un réseau neuronal se résume à des opérations de multiplication suivies d'une accumulation des résultats. Il est donc possible de se passer de la partie polyvalente et de concevoir une machine dédiée exclusivement à cette tâche :

• Calcul de type « flux » : les données circulent à travers une grille de cellules ; chaque cellule effectue une multiplication ou une addition, puis transmet le résultat à la cellule voisine. Il n’est pas nécessaire d’aller chercher les données en mémoire à chaque étape, celles-ci se transmettant de cellule en cellule.
• Nombre réduit de bits : on utilise des nombres de 8 bits ou 4 bits au lieu de 32 bits — le réseau neuronal tolère les erreurs, et chaque bit en moins permet de réduire la consommation d’énergie et l’encombrement.
• Planification prédéfinie : le compilateur planifie à l’avance le parcours des données ; le matériel n’a donc rien à deviner.

En contrepartie, on obtient une certaine rigidité. Lorsque l’architecture d’un modèle change de mode de calcul — comme lorsque le monde de l’IA passe à des formes d’attention clairsemées ou à des modèles clairsemés —, la puce, initialement optimisée pour permettre une multiplication dense, peut soudainement se retrouver avec une partie de sa puissance inutilisée. Plus la spécialisation est poussée, plus elle est efficace, mais plus elle risque de devenir rapidement obsolète. Ce n’est pas propre au silicium : c’est la loi qui s’applique à toute forme de spécialisation.

Relire l'histoire du travail à la lumière de ce principe

L'humanité a confié quatre fois des tâches aux machines, et à chaque fois selon le même schéma : les machines se chargent des tâches mesurables et reproductibles ; les humains se réservent les tâches difficiles à évaluer.

Première étape : les muscles. La machine à vapeur, puis le moteur électrique, ont remplacé la force de traction et la force de levage. Ce n’est pas « l’homme » qui a été remplacé, mais une grandeur physique : la puissance en chevaux. Comme elle est mesurable, elle peut être remplacée.

Deuxième étape — la répétition des gestes. Les chaînes de production et les machines-outils remplacent les gestes d'assemblage. Pour que ce remplacement soit possible, il faut au préalable procéder à une standardisation : décomposer le travail en étapes identiques. La standardisation ouvre la voie à l'automatisation — c'est toujours le cas.

Troisième étape : les calculs et la paperasse. Le processeur a remplacé les comptables manuels, les secrétaires dactylographes et les standardistes. C’était la première fois que la machine s’immisçait dans le « travail intellectuel », et l’on s’est rendu compte d’une chose dérangeante : la majeure partie de ce que l’on appelle l’intelligence n’est en réalité qu’une série de processus, et ces processus peuvent être traduits en code.

Quatrième étape : reconnaissance des modèles et des langues. C’est là que le GPU et le NPU entrent en scène. Ce qui est automatisé cette fois-ci, c’est ce que personne n’avait auparavant réussi à formuler sous forme de règles : reconnaître un visage, traduire une phrase, résumer un document, écrire du code courant. Ce n’est pas parce que nous avons compris les règles, mais parce que nous avons changé d’approche : au lieu d’écrire des règles, nous fournissons une multitude d’exemples et laissons la machine découvrir elle-même les lois statistiques — une tâche qui se résume à des multiplications de matrices, exactement ce pour quoi le GPU et le NPU ont été conçus.

La véritable frontière ne se situe pas entre le corps et l'esprit

La distinction entre « travail manuel » et « travail intellectuel » semble logique, mais elle n'est plus d'actualité. Il existe des tâches manuelles dans lesquelles les machines sont encore loin d’être à la hauteur : un électricien qui fait passer des câbles dans le plafond d’une vieille maison, une infirmière qui rattrape un patient en train de tomber, un cuisinier qui assaisonne son bouillon en fonction des os dont il dispose ce jour-là. Et il existe des tâches purement intellectuelles que les machines accomplissent mieux que les humains depuis longtemps déjà : calculer des intérêts, détecter les fautes d’orthographe, rechercher la jurisprudence.

La véritable ligne de démarcation se situe ailleurs : la possibilité ou non de procéder à une notation automatique. Partout où il existe un critère clair permettant de dire « ce résultat est plus juste que celui-là », et où il est possible de noter des millions de fois à moindre coût, les machines progressent très rapidement — car elles s’améliorent en s’essayant et en étant notées des milliards de fois. À l’inverse, dans les domaines où la définition même de ce qui est « juste » constitue la partie la plus difficile, les machines progressent très lentement.

C'est la raison pour laquelle l'IA progresse à une vitesse fulgurante en matière de programmation : le code est évalué par un compilateur et un ensemble de tests qui font office d'arbitres, et la notation est automatisée. En revanche, lorsqu'il s'agit de décider quoi développer, il n'y a pas d'arbitre — cela relève de la vérification et de la responsabilité, une partie qui incombe toujours à l'humain.

La rubrique économique : ce qui était rare a changé de place

À chaque époque, c’est une ressource rare qui détermine la valeur de tout le reste. À l’ère de la force physique, c’était la force ; à l’ère des chaînes de production, c’était le capital en machines ; à l’ère des processeurs, c’étaient ceux qui savaient rédiger des procédures. Aujourd’hui, cette ressource rare évolue en trois étapes :

• Des transistors à la mémoire et à la bande passante. La multiplication est bon marché ; c’est l’alimentation en données qui coûte cher. C’est là l’origine de la crise des puces mémoire et de toutes les astuces d’économie mises en œuvre dans les machines de raisonnement.
• De la mémoire à l’énergie. Le véritable plafond d’un centre de données aujourd’hui, c’est le mégawatt et la chaleur, pas le nombre de transistors. Lorsque l’électricité devient le plafond, chaque puce est évaluée en fonction du travail utile par watt — et c’est la raison d’être des NPU.
• De la consommation électrique à la capacité de savoir quoi calculer. Lorsque tout le monde peut s’offrir de la puissance de calcul, l’avantage qui reste consiste à savoir poser le bon problème, à disposer de données que les autres n’ont pas, et à oser assumer la responsabilité des résultats.

Que va-t-il se passer ensuite ?

L'évolution du matériel consiste à poursuivre sur la voie de la spécialisation, et chaque avancée s'accompagne d'un compromis, conformément à l'ancienne règle :

• Effectuer les calculs directement en mémoire. Au lieu de transporter les données vers le lieu de calcul, placer l’opération juste à côté — voire directement dans — le bloc de mémoire. Cela permet d’économiser l’énergie la plus coûteuse : celle liée au transfert des données.
• Optique. Utilisation de la lumière pour transmettre et combiner les signaux : très rapide, très peu générateur de chaleur pour les opérations linéaires, mais la conversion entre le signal électrique et le signal optique est coûteuse.
• Neuromorphique. Une puce qui imite la façon dont les neurones émettent des impulsions — elle ne consomme de l’énergie qu’en cas d’événement. Convient aux capteurs toujours actifs, mais pas encore aux modèles à grande échelle.
• L'encapsulation en trois dimensions et la taille des plaquettes. Lorsqu’il n’est plus possible de réduire la taille, on empile les composants et on les relie par les chemins les plus courts possibles.
• Le quantique se situe en dehors de cet axe : il ne s’agit pas d’une évolution des puces classiques, mais d’un outil destiné à une famille de problèmes totalement différente.

Il convient de noter que la tendance inverse se renforce également : alors que le modèle évolue à un rythme plus rapide que le cycle de trois ans nécessaire à la fabrication d’une puce, la flexibilité retrouve toute sa valeur — qu’il s’agisse de puces hybrides alliant spécialisation et polyvalence, ou d’architectures reprogrammables. La spécialisation n’est pas un mouvement à sens unique ; c’est un mouvement de va-et-vient.

Comment l'avenir va-t-il se dessiner ?

Si la règle des deux cents ans tient toujours, c'est là le scénario le plus probable — non pas une « machine remplaçant l'homme », mais un décalage des frontières :

• La division des métiers. Chaque métier se scinde en une partie quantifiable (pris en charge par la machine) et une partie subjective (déléguée à l’humain). Ceux qui n’effectuent que la première partie subiront la pression la plus forte — à l’instar des tisserands artisanaux à l’ère des métiers à tisser mécaniques, ou des secrétaires dactylographes à l’ère des ordinateurs personnels.
• La valeur se concentre aux deux extrémités. D’un côté, il y a la définition des problèmes, la prise de responsabilité et le maintien d’une relation de confiance. De l’autre, il y a le travail manuel dans un monde physique chaotique — où les robots sont encore maladroits. La partie intermédiaire consistant à « suivre des procédures établies » s’amenuise.
• La normalisation reste un signe avant-coureur. Pour savoir quel métier est sur le point d’être automatisé, il suffit d’observer à quel point il a été normalisé et si quelqu’un a déjà mis au point un système de mesure automatisé pour celui-ci. La normalisation précède toujours les machines.
• L’énergie devient un enjeu social. Lorsque l’intelligence artificielle se mesure en mégawatts, les questions relatives à l’électricité, à l’eau de refroidissement et au terrain font des centres de données une affaire de politique locale, et non plus une simple question technique.

Prévisions

• Les puces hybrides l'emportent sur les puces dédiées. Le produit phare sera un ensemble combinant CPU + GPU + NPU + mémoire à haut débit sur un seul socle, au lieu de trois puces distinctes — l'architecture « à socle unique » s'étend des ordinateurs personnels aux serveurs.
• Le rendement par watt deviendra l’unité de mesure principale tant pour le matériel que pour les modèles, remplaçant les chiffres de performances de pointe qui perdent de plus en plus de leur pertinence.
• Retour à la flexibilité. Après plusieurs années de spécialisation extrême, un mouvement inverse s’amorcera : les architectures reprogrammables reprendront le dessus, car les modèles évoluent plus rapidement que le cycle de vie des puces.
• Les nouveaux métiers n’ont pas encore de nom. Tout comme les « ingénieurs des processus » ou les « analystes de données » n’existaient pas autrefois, les métiers à venir s’articuleront autour de la définition des indicateurs : qui décide de ce qu’est un bon résultat, et qui assume la responsabilité lorsque cet indicateur est erroné.
• Ce qui reste le plus difficile à atteindre pour les machines, c’est ce qui ne se mesure pas : choisir des objectifs qui valent la peine d’être poursuivis, en assumer les conséquences et gagner la confiance des autres. Non pas parce que les machines sont faibles, mais parce que personne d’autre que nous-mêmes ne peut nous noter.

Les trois puces de la carte mère ne sont pas seulement trois façons différentes d'agencer des transistors. Ce sont trois réponses à une même question que l'humanité se pose depuis l'époque de la machine à vapeur : quelles tâches faut-il déléguer, et lesquelles faut-il garder pour soi ? La réponse change d'une génération à l'autre, mais la question reste la même.