Cet ordinateur quantique chinois accessible à tous : IA intégrée et 47 millions d’utilisations déjà enregistrées

Un ordinateur quantique chinois, Origin Wukong, vient de franchir une étape attendue par les développeurs, l’ajout de capacités orientées IA et l’arrivée d’outils pensés pour simplifier l’accès au calcul quantique.

Le système, présenté comme la troisième génération de machine supraconductrice développée en Chine, est associé à une série de services visant à rapprocher le quantique du quotidien des ingénieurs logiciels, pas seulement des physiciens. Derrière l’annonce, un chiffre sert de vitrine, plus de 47 millions d’utilisations, ou visites, revendiquées depuis le lancement en 2024, avec des connexions depuis 163 pays et régions. Le message est clair, il ne s’agit plus uniquement de démonstrations en laboratoire. Le sujet, c’est l’ergonomie et la mise à disposition “à la demande” de ressources quantiques, au moment où l’IA industrielle fait exploser les besoins en calcul.

Origin Quantum déploie Origin Brain et QPanda3 Runtime MCP

Les développeurs d’Origin Wukong mettent en avant deux briques logicielles, Origin Brain et QPanda3 Runtime MCP. Origin Brain est présenté comme un modèle de connaissances dédié au quantique, conçu pour aider chercheurs, enseignants et développeurs à trouver plus vite des réponses fiables, dans un domaine où la documentation est souvent fragmentée. L’objectif affiché, c’est de réduire le temps passé à “décoder” les notions de base avant même d’écrire une ligne de code.

QPanda3 Runtime MCP vise un autre point de friction, l’exécution. Le service permet de soumettre des tâches via un dialogue en langage naturel, pour rendre la puissance quantique “disponible à la demande”. Dans la pratique, ça veut dire moins de barrières d’entrée pour lancer un job, configurer un environnement, ou comprendre une chaîne d’outils. Pour un développeur logiciel classique, c’est le type de passerelle qui peut faire basculer un test du stade curiosité au stade prototype.

Le positionnement est aussi politique et industriel. La série Origin Wukong est décrite comme “full-stack” et contrôlable de bout en bout, des puces quantiques jusqu’au système d’exploitation. Dans un secteur où la dépendance à des briques étrangères peut bloquer des projets entiers, cette maîtrise de la pile technique sert d’argument de souveraineté. Le discours insiste sur une intégration “systématique” dans l’écosystème des applications d’IA.

Marc, ingénieur logiciel dans une équipe data en Asie, résume le point qui compte pour lui, “si je peux poser une question, obtenir une recommandation de circuit, puis soumettre un job sans passer deux semaines à apprendre un framework, je teste”. Mais il ajoute une nuance, et elle pèse, “si les résultats ne sont pas reproductibles ou si la file d’attente explose, l’effet vitrine retombe vite”. Rendre l’accès simple, c’est une chose, garantir une expérience stable à grande échelle, c’en est une autre.

Le 72-qubits Origin Wukong revendique 47 millions d’utilisations depuis 2024

Le cur matériel mis en avant est un processeur supraconducteur de 72 qubits, présenté comme programmable et livrable. La machine opère depuis janvier 2024 et ses équipes mettent en avant un usage massif via accès à distance. Le compteur annoncé dépasse 47 millions d’utilisations, avec des connexions depuis 163 pays et régions, un indicateur qui vise à montrer que l’infrastructure ne sert pas uniquement à un cercle local de chercheurs.

Une autre statistique donne un ordre de grandeur de l’activité, environ 350 000 tâches de calcul quantique réalisées depuis le lancement, avec des cas d’usage cités dans la dynamique des fluides, la finance et la biomédecine. Ce volume reste à interpréter avec prudence, une “tâche” peut être un test court ou une exécution plus lourde. Mais le signal est celui d’une plateforme qui a déjà des habitudes d’exploitation, des logs, des files de jobs, des retours utilisateurs.

Le choix du nom Wukong, inspiré du Roi Singe capable de multiples transformations, sert un récit, flexibilité et diversité d’applications. Dans les faits, la diversité revendiquée se lit dans les exemples, simulation de fluides à grande échelle, exploration de solutions en finance, essais en biomed. Pour une plateforme quantique, montrer des cas concrets compte presque autant que le nombre de qubits, parce que la valeur se mesure dans la capacité à intégrer des workflows réels.

Il y a aussi une lecture plus critique, les chiffres d’audience ne disent pas la qualité du calcul. Un accès peut être une visite, une requête, un essai pédagogique. Marc, lui, regarde un autre détail, “combien de ces 47 millions correspondent à des runs utiles, pas à des démos”. C’est là que les nouveaux outils d’IA sont attendus, pas pour gonfler les compteurs, mais pour transformer des curieux en développeurs qui itèrent, déboguent et livrent des prototypes.

Une expérience annonce 8,4% de gain avec 76% de paramètres en moins

Le point qui a attiré l’attention hors de Chine, c’est l’annonce d’un fine-tuning d’un modèle d’IA à l’échelle du milliard de paramètres réalisé avec Origin Wukong. Le fine-tuning, c’est l’étape où un modèle généraliste est adapté à un domaine, par exemple diagnostic médical ou évaluation de risque financier. Les promoteurs de l’essai y voient une démonstration que le quantique peut s’attaquer à une charge de travail associée aux grands modèles.

Les résultats communiqués évoquent un gain de 8,4% en efficacité d’entraînement, avec une réduction de 76% du nombre de paramètres. Dit autrement, l’idée est d’obtenir de meilleures performances en entraînant moins lourd, ce qui vise directement l’angoisse du secteur, coûts matériels, consommation énergétique, accès limité aux GPU. Les équipes expliquent que le quantique, via superposition et intrication, peut explorer davantage de combinaisons de paramètres sur certaines étapes.

Le projet est présenté comme une collaboration entre Origin Quantum, des acteurs de recherche à Hefei, dont un institut d’intelligence artificielle rattaché à un grand centre scientifique local, et d’autres partenaires. Le message, c’est que le quantique n’est pas isolé, il se branche sur des équipes IA qui ont des besoins concrets. Dans ce cadre, l’annonce des outils d’IA n’est pas décorative, elle vise à multiplier les essais, à industrialiser des workflows hybrides.

Mais attention, et c’est là qu’il faut être carré, un résultat ponctuel ne suffit pas à déclarer la fin des GPU. Marc le formule sans détour, “8,4%, c’est intéressant, mais je veux savoir sur quel dataset, quelle métrique, quel coût total, et si je peux le reproduire”. L’évolution reste incertaine sur la généralisation à d’autres architectures et d’autres domaines, surtout tant que les détails complets et les benchmarks comparables ne sont pas standardisés dans l’industrie.

Guo Guoping cible l’énergie, la finance et l’industrie via des algorithmes hybrides

Le discours officiel insiste sur la complémentarité entre calcul quantique et IA. Guo Guoping, directeur d’un laboratoire clé associé au projet, décrit cette fusion comme une direction importante pour la prochaine génération de calcul, avec l’idée de dépasser certains goulots d’étranglement des architectures classiques. Concrètement, les équipes disent explorer des algorithmes hybrides quantique-IA orientés vers des systèmes dynamiques complexes.

Trois secteurs reviennent dans les annonces, énergie, finance et industrie. Ce choix n’est pas anodin. Dans l’énergie, la prise de décision s’appuie sur des prévisions, des contraintes réseau, des optimisations multi-variables. En finance, on retrouve l’optimisation de portefeuilles et la gestion du risque, avec de grands espaces de recherche. Dans l’industrie, la planification et la simulation peuvent vite devenir intractables à grande échelle.

Le quantique est souvent présenté comme un accélérateur potentiel sur certaines classes de problèmes, mais les développeurs savent que la vraie difficulté, c’est l’intégration dans une chaîne existante, données, modèles, validation, audit. Les nouveaux outils d’IA, comme Origin Brain, sont censés aider à franchir le mur de complexité, en guidant la formulation des problèmes et l’écriture des circuits. L’ambition affichée, c’est de passer d’un quantique “fonctionnel” à un quantique “convivial”.

Une nuance s’impose, l’industrialisation demande des garanties que le quantique ne donne pas encore toujours, bruit, stabilité, temps de calibration, variabilité des résultats. Marc résume le risque, “si je dois expliquer à un client que la solution change selon le jour, je ne signe pas”. Le pari d’Origin Wukong, c’est que l’expérience utilisateur, l’outillage et des algorithmes hybrides bien ciblés peuvent rendre ces limites gérables dans des scénarios précis, pas universels.

La Chine veut passer du “usable” au “user-friendly” face aux États-Unis et l’Europe

Le vocabulaire utilisé, passage de “usable” à “user-friendly”, vise un enjeu central, qui a accès au quantique et à quel coût d’apprentissage. Dans l’écosystème mondial, les plateformes qui gagnent sont souvent celles qui attirent des développeurs, pas seulement celles qui affichent des records de laboratoire. En mettant en avant des outils de dialogue et un modèle de connaissances, Origin Wukong cherche à élargir la base d’utilisateurs au-delà des spécialistes.

Cette stratégie s’inscrit dans une compétition internationale intense. Les États-Unis, l’Europe et le Canada investissent aussi dans des programmes mêlant quantique et IA, et chaque bloc cherche à structurer des écosystèmes, standards, bibliothèques, formations. La Chine met l’accent sur une chaîne technologique domestique, du hardware au software, et sur des plateformes accessibles à distance. Le chiffre de 163 pays connectés sert ici de preuve d’ouverture, au moins sur l’usage.

Il faut aussi regarder l’impact sur les pratiques d’entreprise. Si des équipes peuvent tester des approches hybrides sans acheter une machine ni recruter immédiatement des profils rares, le cycle d’innovation se raccourcit. Un laboratoire universitaire peut lancer des TP à distance, une start-up peut prototyper un algorithme, une équipe R&D peut comparer des méthodes. De ce fait, l’outillage “IA pour le quantique” devient une arme d’adoption, pas seulement une fonction technique.

Le revers, c’est le risque de décalage entre promesse et réalité. Le quantique reste jeune, et l’IA a déjà une histoire de buzz. Marc le dit avec une ironie prudente, “si on me vend du quantique magique pour entraîner des LLM, je me méfie”. La crédibilité se construira sur des cas d’usage documentés, des performances reproductibles et des gains mesurables sur des problèmes ciblés, pas sur des slogans. Pour l’instant, l’annonce marque surtout une volonté d’industrialiser l’accès, et ça, c’est un changement concret dans la manière de présenter une machine quantique.