Le monde numérique repose sur un ensemble de verrous invisibles pour garder nos informations les plus sensibles en sécurité. Lorsqu'un hôpital envoie des dossiers de patients, qu'une banque traite une transaction ou qu'un système de défense met à jour son logiciel, ces verrous garantissent que seul le destinataire prévu peut ouvrir le message. Depuis des décennies, ces verrous sont construits sur des énigmes mathématiques complexes impliquant de grands nombres, qui sont faciles à créer mais presque impossibles à résoudre sans la bonne clé. Cependant, un nouveau type d'ordinateur puissant, connu sous le nom d'ordinateur quantique, approche d'un niveau de capacité capable de résoudre ces énigmes en quelques instants, rendant les verrous actuels inutiles. Cette menace n'est pas seulement une question de sécurité future ; elle est déjà en cours. Des adversaires volent et stockent actuellement des données cryptées, pariant qu'ils pourront les déverrouiller une fois que la technologie quantique aura atteint sa maturité. Cette stratégie, connue sous le nom de « récolter maintenant, décrypter plus tard », signifie que les données envoyées aujourd'hui pourraient être exposées demain. Le défi consiste à remplacer ces vieux verrous par de nouveaux que même un ordinateur quantique ne pourra pas briser, sans ralentir les systèmes d'intelligence artificielle complexes qui gèrent désormais nos infrastructures critiques.

Une chercheuse du Massachusetts Institute of Technology a abordé ce problème en étudiant comment ces nouveaux verrous résistants au quantique affectent les charges de travail de l'intelligence artificielle. L'étude se concentre sur un ensemble spécifique de nouvelles normes de sécurité récemment finalisées par le National Institute of Standards and Technology. Ces normes introduisent de nouveaux algorithmes pour deux tâches principales : établir une connexion sécurisée (échange de clés) et vérifier l'identité (signatures numériques). La chercheuse n'a pas seulement testé ces algorithmes sur des ordinateurs standards ; elle les a testés sur le mélange diversifié de matériel où tourne réellement l'intelligence artificielle moderne. Cela inclut de puissants processeurs graphiques, des puces informatiques à usage général et de minuscules contrôleurs à mémoire limitée que l'on trouve dans les appareils de bord (edge devices). L'objectif était de voir si la mise à niveau vers ces nouvelles mesures de sécurité briserait les exigences de temps strictes de l'intelligence artificielle ou si les systèmes pourraient gérer le changement de manière fluide.

L'investigation a commencé par la mise en place de trois scénarios différents pour les comparer entre eux. Le premier scénario utilisait les méthodes de sécurité classiques actuellement en usage. Le deuxième scénario utilisait uniquement les nouvelles méthodes résistantes au quantique. Le troisième scénage utilisait une approche hybride, combinant à la fois les anciennes et les nouvelles méthodes simultanément pour assurer la sécurité pendant une période de transition. Ces configurations ont été testées à travers trois types distincts de tâches d'intelligence artificielle. La première était l'inférence en temps réel, où un grand modèle de langage répond instantanément aux questions. La seconde était l'entraînement distribué, où plusieurs ordinateurs travaent ensemble pour enseigner un modèle. La troisième était l'apprentissage fédéré, où des modèles sont entraînés à travers différentes organisations sans partager de données brutes. En exécutant des milliers d'itérations de ces tâches, la chercheuse a mesuré précisément combien de temps et de mémoire les nouvelles méthodes de sécurité nécessitaient par rapport aux anciennes.

Les résultats ont révélé une séparation claire et quelque peu surprenante dans la manière dont la nouvelle sécurité affecte différentes parties du système. La tâche consistant à établir une connexion sécurisée, qui est la première étape de toute communication, n'a montré que très peu de difficultés. La nouvelle méthode pour cette étape a ajouté une petite quantité de données à la poignée de main initiale, mais comme cela ne se produit qu'une seule fois au début d'une connexion, le coût est réparti sur de nombreuses requêtes ultérieures. Pour les grands modèles d'intelligence artificielle, ce coût supplémentaire était si faible qu'il était à peine perceptible, disparaissant pratiquement dans l'arrière-plan. Cela signifie que la protection de la confidentialité des données en transit est une tâche gérable qui peut être mise à niveau avec un impact minimal sur la performance.

Cependant, la situation était différente pour la vérification de l'identité. Les nouvelles signatures numériques nécessaires pour prouver qu'un message ou une mise à jour de modèle est authentique sont nettement plus grandes que les anciennes. Dans les tests, la taille de ces signatures est passée de quelques dizaines d'octets à plusieurs milliers d'octets. Sur les serveurs puissants, cette augmentation a été facilement absorbée. Mais sur les petits contrôleurs embarqués et les puces spécialisées qui se trouvent à la périphérie du réseau, cette augmentation de taille a créé un problème structurel. Ces dispositifs disposent de quantités de mémoire fixes et de limites rigides sur la quantité de données qu'ils peuvent stocker dans leurs certificats. Les nouvelles signatures, plus volumineuses, menaçaient de dépasser ces limites, compromettant potentiellement la capacité du dispositif à vérifier sa propre identité. L'étude a révélé que la véritable difficulté n'était pas la vitesse de calcul, mais le fait de faire entrer ces morceaux de données beaucoup plus grands dans les espaces restreints et immuables conçus pour les anciens, plus petits formats.

Sur la base de ces conclusions, la chercheuse a proposé un cadre pratique pour que les organisations puissent migrer leurs systèmes sans causer de perturbations. L'approche suggère que les entreprises ne doivent pas traiter cela comme un simple remplacement technique massif, mais plutôt comme un effort de modernisation par étapes. La première étape est de sécuriser les connexions pour les données en transit, car c'est la menace la plus urgente en raison de la stratégie « récolter maintenant, décrypter plus tard » et cela ne comporte presque aucun pénalité de performance. Une fois les connexions sécurisées, l'attention doit se porter sur le problème plus difficile de la vérification de l'identité. Cette seconde phase doit être gérée avec soin, en commençant par les systèmes les plus flexibles et en progressant vers le matériel le plus contraint. Pour les minuscules dispositifs embarqués, le plan prévoit la mise à jour de leur micrologiciel (firmware) et de leur stockage de certificats pour accommoder les signatures plus larges, une tâche qui nécessite une attention d'ingénierie plutôt qu'un simple correctif logiciel.

L'étude conclut que la crainte que les ordinateurs quantiques ne brisent la sécurité de l'intelligence artificielle est largement erronée si la migration est gérée avec une stratégie claire. Le coût de performance de la nouvelle sécurité n'est pas une barrière pour la plupart des systèmes ; le défi est principalement une question d'organisation et d'ingénierie. En donnant la priorité à la protection des données en transit d'abord, puis en traitant méthodiquement les limites de stockage de la vérification d'identité sur les petits appareils, les organisations peuvent sécuriser leurs charges de travail d'intelligence artificielle contre les menaces futures. La voie à suivre ne consiste pas à trouver une solution magique qui rendrait tout plus rapide, mais à comprendre où la nouvelle sécurité s'insère et à ajuster le matériel et le logiciel pour lui faire de la place. Cette approche garantit que les systèmes protégeant nos infrastructures critiques restent robustes, même à mesure que la technologie sous-jacente évolue.