La conception d'une puce de pointe prend actuellement entre 18 et 30 mois, du premier croquis au silicium fabriqué. Jeff Dean, ancien scientifique en chef de Google, estime que l'intelligence artificielle peut compresser ce délai à seulement trois mois.

Cette affirmation, formulée lors d'une intervention sur le Dwarkesh Podcast en février 2025, repose sur une observation simple : l'essentiel de la période de 18 à 30 mois est consommé par des ingénieurs prenant des décisions de conception qui pourraient, en théorie, être automatisées. La fabrication proprement dite dans une fonderie comme TSMC — la Taiwan Semiconductor Manufacturing Company, qui fabrique des puces pour nombre de concepteurs du secteur — ne prend qu'environ quatre mois. Le reste du temps est consacré au perfectionnement des plans d'implantation, à la détermination de l'emplacement de chaque bloc fonctionnel sur le silicium, au routage des fils qui les relient et à l'exécution de simulations pour vérifier la conception. La thèse de Dean est que l'apprentissage par renforcement — une technique où le logiciel apprend par essais et retours plutôt que par des règles explicites — et des outils d'automatisation de conception électronique (EDA) améliorés — les chaînes d'outils logiciels utilisées par les ingénieurs pour agencer et vérifier les conceptions de puces — peuvent réduire la phase de conception à forte intensité humaine de plus d'un an à quelques mois seulement, et avec une équipe plus réduite.

D'AlphaChip au silicium de production

L'argument de Dean s'appuie sur des années de recherche chez Google, notamment sur le système AlphaChip détaillé dans un article publié dans la revue Nature en juin 2021. AlphaChip a utilisé l'apprentissage par renforcement pour automatiser l'agencement des puces, une tâche qui mobilise généralement des équipes d'ingénieurs pendant des semaines. Le système a généré des agencements en moins de six heures, égaux ou supérieurs en qualité au travail d'experts humains.

Cette technologie était plus qu'une simple démonstration en laboratoire. AlphaChip a été déployée dans des conceptions de production pour les Tensor Processing Units de Google, les accélérateurs IA sur mesure qui alimentent une grande partie de l'infrastructure d'apprentissage automatique de l'entreprise.

Dean a soutenu que des cycles de conception plus courts réduiraient la nécessité pour les ingénieurs de prédire où en sera la recherche en IA dans 18 mois. Au lieu de cela, les équipes pourraient concevoir des puces adaptées aux besoins algorithmiques actuels et itérer rapidement à mesure que ces besoins évoluent, plutôt que de s'engager sur des spécifications plus d'un an avant le silicium fabriqué.

Le secteur est déjà en mouvement

La vision de Dean n'est plus purement théorique. Plusieurs acteurs ont commencé à démontrer ce que conception de puces assistée par IA signifie en pratique.

Architect Labs a annoncé en septembre 2026 avoir conçu une puce d'inférence appelée Redwood, passant de la spécification à la preuve de concept en moins de deux semaines — des points de départ et d'arrivée différents du repère allant du croquis au silicium fabriqué décrit par Dean.

OpenAI a également fait son entrée dans le matériel informatique. Son accélérateur IA Jalapeño est passé de l'architecture initiale au premier silicium en moins de 20 mois, la phase critique allant du RTL au tape-out — du code de conception au niveau de transfert de registres à l'agencement final confié à la fabrication — étant achevée en neuf mois. Ce chiffre de bout en bout se situe au niveau ou en dessous de l'extrémité rapide de la fourchette traditionnelle de 18 à 30 mois citée par Dean, bien qu'il reste bien au-dessus de la fourchette de trois à six mois qu'il juge possible. L'entreprise a utilisé de grands modèles de langage pour assister le processus de conception, obtenant une réduction de 10 % de la surface de la puce par rapport à des conceptions humaines équivalentes — une métrique importante car la surface de la puce détermine combien de puces peuvent être produites à partir de chaque wafer de silicium.

Dean a lui-même quitté Google à la mi-2026 pour cofonder Discovery Loop avec d'autres chercheurs. L'entreprise se concentre sur la construction de systèmes d'auto-amélioration récursive dans l'automatisation de la conception matérielle. Pris ensemble, ces premiers résultats — sprints de preuve de concept de deux semaines, délais de silicium de 20 mois et outils d'agencement par apprentissage par renforcement — offrent au secteur un ensemble de points de référence par rapport auxquels les futures affirmations sur les cycles de conception compressés par l'IA pourront être mesurés.