L'optimisation quantique est une application pratique directe pour l'informatique quantique. De plus, les acteurs peuvent déjà l'utiliser, même avec les ordinateurs quantiques naissants et imparfaits actuellement disponibles. Le groupe Volkswagen , Daimler, Ericsson, Total, Airbus (y compris avec le Airbus Quantum Computing Challenge - AQCC), Boeing, FED, sont des exemples d’entreprises avec des projets de recherche en cours incorporant l’optimisation quantique. Les start-up de logiciels quantiques tels que QCWare et Zapata Computing, de même que les géants numérique tels que Google soulignent que l'optimisation quantique est une catégorie spécifique pour les applications qu'ils développent.

Qui plus est, en février 2019, la DARPA (Agence américaine de recherche avancée pour le secteur de la défense) a créé tout un programme axé sur l'optimisation quantique: Optimization with Noisy Intermediate-Scale Quantum devices (ONISQ). Dans le même temps, la Dubai Electricity and Water Authority (DEWA) cherche également à utiliser l’informatique quantique pour traiter les problèmes d’optimisation et de gestion de l'énergie et "d'autres" secteurs (DEWA News, Juillet 2018).

En ce qui concerne l'optimisation quantique, le futur monde quantique est donc pratiquement déjà ici. Ses impacts peuvent appartenir à demain, mais c'est maintenant que le futur est créé.

Et nous sommes ici confrontés à un premier obstacle. Pour qu’intérêt et action soient suscités dans le domaine quantique, les acteurs doivent d’abord être en mesure d’imaginer le bénéfice de leur investissement. Ils doivent donc pouvoir d'abord prévoir le monde quantique. C’est pourtant particulièrement difficile (voir Hélène Lavoix, Prospective pour la géopolitique d'un futur quantique, The Red (Team) Analyse, 28 octobre 2019). Etant donné qu’il est difficile de comprendre la science de l’information quantique, pratiquement personne, en-dehors des scientifiques et ingénieurs quantiques, n’examine les usages actuels et futurs, ainsi que les impacts des technologies quantiques. Ce manque de connaissance et de sensibilisation - à part ce qui concerne la cryptographie - se manifeste même dans des domaines aussi cruciaux que la sécurité, la défense, la politique et la géopolitique.

L’intérêt et les discussions concernant les sciences et technologies quantiques restent la chasse gardée d’un cercle extrêmement restreint de scientifiques et d’ingénieurs. Cependant, ceux qui doivent tenir compte des impacts des technologies quantiques, prendre des décisions en matière d'utilisation et de financement, envisager des réponses et des stratégies devant inclure le quantique en général, ne sont, la plupart du temps, ni des scientifiques spécialistes du quantique ni des ingénieurs du quantique.

Cette série sur la prospective stratégique et les technologies quantiques cherche donc d'abord à stimuler l'imagination autour du futur monde quantique émergent. L'objectif est de le faire de façon à ce que soit compréhensible pour les personnes qui ne sont ni des scientifiques quantiques ni des ingénieurs. Par conséquent, cette série cherche également à contribuer à combler le fossé entre diverses communautés, ayant des expériences, des connaissances et des intérêts différents.

Cet article commence à imaginer très pratiquement le futur monde quantique. Il se concentre sur l'optimisation quantique, une première façon pour l'informatique quantique d'avoir un impact sur l'avenir.

Nous expliquons d’abord ce que sont les algorithmes, les algorithmes quantiques et les algorithmes d’optimisation quantique. Notre but est d'obtenir une compréhension suffisante (le "good enough" anglo-saxon).

Ensuite, nous utilisons un cas concret - un projet de recherche impliquant l'optimisation quantique que le groupe Volkswagen a lancé avec D-Wave en 2017 afin de mieux comprendre comment l’optimisation quantique peut être utilisée et appliquée. Nous fournissons ainsi à l'imagination des éléments concrets, qui serviront ensuite de base à la prospective.

Finalement, nous imaginons comment les gouvernements pourront - ou même pourraient - utiliser l'optimisation quantique, non seulement dans le futur, mais aussi, déjà, dans le présent. Nous donnons des exemples d'applications de l’optimisation quantique et comment celles-ci pourraient révolutionner les gouvernements et leur action, de solutions trouvées pour faire face au problème de l'IA et du futur du travail à une gestion des ressources "optimisées quantiquement". Nous nous tournons ensuite vers des applications possibles pour la défense, les armées et la sécurité. Enfin, nous examinons ce qu'une telle utilisation de l'optimisation quantique peut impliquer en termes d’influence internationale et de distribution mondiale de la puissance.

Vers une "compréhension suffisante" des algorithmes d'optimisation quantique

Cette partie s’adresse aux lecteurs qui ne sont ni des scientifiques spécialistes des sciences quantiques, ni des ingénieurs. Elle est donc faite pour tous ceux qui, de plus en plus, prendront des décisions concernant l’informatique quantique et plus généralement les sciences de l’information quantique, utiliseront ces technologies et interagiront dans un monde où les technologies quantiques opéreront. Les lecteurs intéressés trouveront dans la bibliographie quelques références pour des explications plus techniques (et avancées).

Algorithmes et algorithmes quantiques

Dans la vidéo ci-dessous, David Gosset, chercheur en informatique quantique chez IBM, nous explique clairement ce que sont les algorithmes et les algorithmes quantiques. Il souligne pourquoi ils sont différents.

Algorithmes d'optimisation quantique

Les algorithmes d'optimisation sont des algorithmes qui visent à trouver la meilleure solution à un problème parmi un ensemble de solutions, compte tenu de certaines contraintes.

Lorsque le problème implique de nombreuses variables, il devient impossible d'exécuter des algorithmes d'optimisation sur des ordinateurs classiques, même des superordinateurs, car une trop grande puissance de calcul est nécessaire. Les ordinateurs quantiques deviennent ainsi incontournables. Ils sont plus rapides et utilisent moins de ressources (Ehsan Zahedinejad, Arman Zaribafiyan, “Combinatorial Optimization on Gate Model Quantum Computers: A Survey”, 16 août 2017, arXiv: 1708.05294).

Actuellement, deux types principaux d'ordinateurs quantiques sont disponibles. Nous pouvons utiliser des ordinateurs adiabatiques, tels que ceux développés par D-Wave, ou des ordinateurs utilisant des portes quantiques (pour une explication détaillée des différents types d’informatique quantique, voir, par exemple le rapport (en anglais) des National Academies of Sciences, Engineering, and Medicine (USA) Quantum Computing: Progress and Prospects, Chapitre 2, 2019 ou, pour un ouvrage technique en français, la publication d'Ezratty - ref en bibliographie).

La plupart des efforts en informatique quantique actuels sont basés sur les portes quantiques. Nous avons, par exemple, IBM et son offre de cloud quantique, IBM-Q, avec un microprocesseur de 53 qubits et Google et son microprocesseur de 54 qubits, Sycamore ("IBM’s new 53-qubit quantum computer is the most powerful machine you can use", MIT Technology Review18 septembre 2019; Elizabeth Gibney, "Hello quantum world! Google publishes landmark quantum supremacy claim“, Nature,23 octobre 2019).

Les machines de D-Wave et d'IBM sont actuellement disponibles pour un usage commercial; La machine de Google ne l’est pas. Les ordinateurs de D-Wave, grâce à l'approche choisie, sont particulièrement bien adaptés à l’optimisation quantique (voir l'explication de D-Wave (en anglais)). Pour les algorithmes d'optimisation, D-Wave offre actuellement une puissance de calcul supérieure.

Compte tenu des performances actuelles, c'est-à-dire un très petit nombre de qubits disponibles et un niveau d'erreurs (ou bruit) élevé (pour les ordinateurs basés sur les portes quantiques), en ce moment, l'algorithme dit d'approximation d'optimisation quantique - “Quantum Optimization Approximation Algorithm” (QAOA) - est l’approche privilégiée. Edward Farhi, Jeffrey Goldstone et Sam Gutmann l'ont développé (“A Quantum Approximate Optimization Algorithm”, 14 novembre 2014, arXiv: 1411.4028). Le but de cet algorithme est de trouver une solution approximative ou "suffisante" pour le problème d'optimisation et non la meilleure solution (Ibid.). C'est donc un compromis. Le QAOA permet d'utiliser la nouvelle puissance de l'informatique quantique même si le nombre de qubits est encore faible et si le taux d'erreurs ou de bruit généré par cette petite quantité de qubits reste élevé. Les résultats obtenus sont néanmoins meilleurs que ce que l'on pourrait avoir avec l'informatique classique.

Volkswagen, D-Wave et l'optimisation quantique des flux de circulation

Avec l'autorisation du groupe VW

Le groupe Volkswagen (VW) a démarré dès 2017 un projet de recherche pour l'optimisation des flux de circulation avec D-Wave. Les informaticiens de Volkswagen ont cherché un moyen pour empêcher les embouteillages dans les mégalopoles, telles que Pékin. Ils ont utilisé les données sur le trafic de taxi pour optimiser les itinéraires et mouvements de ces taxis. Leur but était aussi de pouvoir appliquer le résultat de ces recherches sur les algorithmes d'optimisation quantique à d'autres cas.

Un an plus tard, le groupe VW continuait à développer ce projet avec D-Wave, et en commençait de nouveaux. Martin Hofmann, Dirigeant principal de l'information de VW, explique leurs projets de recherche dans la vidéo ci-dessous:

Présentation de Volkswagen et D-Wave sur leur projet au
Web Summit
à Lisbonne, publié le 6 novembre 2018 - (Les 10 premières minutes concernent l'informatique quantique et D-Wave, si vous avez le temps de regarder cette partie)

Le groupe VW et D-Wave travaillent à

  • Optimiser les trajets pour une flotte de taxis (le projet initial).
  • Trouvez la vitesse idéale, en millisecondes, qu'une voiture autonome devrait utiliser; envoyer en temps réel le signal permettant à cette voiture d'utiliser cette vitesse. Le but est d'éviter tous les arrêts et les ralentissements. Dans le même temps, l'utilisation des feux de circulation peut cesser.
  • Optimiser quand et où les taxis sont en demande. Ici, l'optimisation quantique et l'apprentissage en profondeur sont utilisés. Ce dernier cherche à prédire la demande de taxis en fonction du temps et du lieu. Le prototype final permet d'envoyer des prévisions aux chauffeurs de taxi jusqu'à une heure à l'avance, ce qui réduit également les temps non productifs et coûts associés.
  • Optimiser les itinéraires et les types de véhicules dans une ville, dans des conditions d'embouteillage.
  • L’objectif final serait de construire un système intelligence artificielle et quantique de mobilité augmentée pour une ville, constitué de divers algorithmes de prédiction et d'optimisation en interaction permanente avec les objets, et qui plus est, contrôlé.

Cette étude de cas nous montre, tout d’abord, que l’optimisation quantique peut aussi être associée aux dernières avancées en intelligence artificielle (IA), c’est-à-dire en apprentissage en profondeur. Cela confirme ce à quoi nous nous attendions lorsque nous avons commencé notre exploration du futur monde quantique (voir, par exemple, La future révolution de l'informatique quantique, l'intelligence artificielle et la géopolitique - 1, 2018). D'ailleurs, le rapport de consensus 2019 Quantum Computing: Progress and Prospects des National Academies of Sciences, Engineering and Medicine américaines lie également les deux pour les applications potentielles (voir page 86). Le couplage de l'optimisation quantique et de l'apprentissage en profondeur facilite la conception d'applications.

Deuxièmement, la "criticité temporelle" semble être un problème idéal pour l’optimisation quantique (Tobias Strobl, "Solving real-world problems with quantum computing", BMI, nd). En d'autres termes, l'optimisation quantique est particulièrement intéressante lorsqu'un problème contient des "composants temporels".

Enfin, les acteurs qui se lancent dans la recherche liée à l'application de l'optimisation quantique changent. Ce point sera probablement aussi valable pour tous les types d'utilisation de l'informatique quantique. Dans notre cas, Nous voyons que le groupe VW ne développe pas seulement de nouvelles possibilités pour sa production industrielle traditionnelle. Volkswagen voit également émerger de nouvelles activités possibles (Strobl avance un argument similaire en ce qui concerne les nouveaux modèles économiques, ibid).

Les acteurs verront ainsi leur expertise augmenter et se diversifier avec la recherche et au fur et à mesure de leurs réalisations. Ils verront également de nouveaux domaines d'activité s'ouvrir. Grâce à la nouvelle expertise développée, ils pourront non seulement accéder à ces nouveaux domaines, mais aussi éventuellement les créer. Em tout état de cause, ils y bénéficieront d'un fort avantage concurrentiel. En conséquence, leur activité peut évoluer, et ce de manière substantielle. Donc, les acteurs changent.

Nous assistons ainsi à l’émergence jumelle d’utilisations et de domaines complètement nouveaux et d’acteurs en mutation.

Imaginer un monde utilisant l'optimisation quantique

En tenant compte d'une part de l'étude de cas du groupe VW et de D-Wave, d'autre part, des problèmes majeurs auxquels les autorités politiques doivent faire face, nous pouvons maintenant imaginer la façon dont l'optimisation quantique peut-être appliquée au gouvernement, tant au fait de gouverner - l'action d'un gouvernement - qu'à l'acteur "gouvernement".

Nous faisons ici un acte de foi envers les capacités et la créativité des chercheurs en algorithmes quantiques ainsi qu'envers la capacité des acteurs à créer des équipes multidisciplinaires idoines.

Vers une planification politique intelligente 3.0?

Résoudre le problème de l'IA et de l'avenir du travail

L’impact de l’intelligence artificielle sur le travail est une préoccupation majeure actuelle. En effet, au-delà de la peur excessive ou d'un positivisme mal placé et finalement ridicule,

"... Il y a consensus dans la littérature scientifique actuelle selon lequel l'IA va avoir un effet perturbateur considérable sur le travail: certains emplois seront perdus, d’autres seront créés et d’autres changeront."

Rapport de consensus, Académie britannique des sciences humaines et sociales et The Royal Society, “L'impact de l'intelligence artificielle sur le travail: Synthèse de preuves sur les implications pour les individus, les communautés et les sociétés », septembre 2018.

Alors que de vastes régions du monde souffrent déjà d'un chômage de longue durée, alors que la pauvreté et les inégalités sont en augmentation, la pression sur le travail et la subsistance pourrait générer une montée des sentiments d'injustice et d'indignation, suivie par toute une série de conséquences négatives. (ibid. p. 34-37; FMI World Economic Outlook, October 2019, chapter 2; Richard Partington, "Inequality: is it rising, and can we reverse it?“, The Guardian, 9 septembre 2019; Durukal Gun et al. "The elephant in the room“, Barclays, 2 juin 2017; Barrington Moore, Injustice). Ces effets négatifs pourraient alors faire boule de neige, converger et escalader, jusqu'à la guerre civile et aux conflits internationaux.

Néanmoins, l'IA est également considérée comme bénéfique. De plus, compte tenu des moteurs qui la propulsent, l'IA continuera presque certainement à se développer et à se répandre (voir ★ Intelligence artificielle - Forces, moteurs et enjeux et articles spécifiques sur chaque moteur). La question clé, compte tenu de l’impact possible sur le travail, devient donc: comment gérons-nous la transition et les perturbations qu'elle implique?

Si nous utilisons le rapport de consensus de la British Academy, nous constatons que la pression future sur le travail résulte non seulement de l'intelligence artificielle mais également d'autres facteurs. Qui plus est, l’un des défis consiste à gérer un "décalage entre l’adoption de la technologie et ses avantages apparents" (pp. 28-31).

Nous sommes donc réellement confrontés à un problème d’optimisation, incluant de nombreux facteurs, associé à de la "prédiction" (pour employer le vocabulaire de l'IA) et comprenant des composants temporels critiques.

Ainsi, nous pouvons imaginer que l’optimisation quantique et l’apprentissage en profondeur pourront grandement contribuer - pour rester prudent - à résoudre le passage à un monde où divers types d’intelligence artificielle restreinte effectueront de plus en plus de tâches (voir, pour plus de détails, notre série sur l'IA).

Compte tenu de la grande quantité disponible de données (data) détaillées sur les citoyens à laquelle les autorités politiques ont accès, ces données pourront être utilisées à bon escient pour optimiser les capacités, la formation et l'éducation, avec les futurs besoins professionnels en évolution. Afin d'atténuer les craintes concernant choix et liberté - mais, honnêtement, où se trouve la liberté lorsque le seul choix actuel est l'absence de travail et une vie en dessous du seuil de pauvreté - la nécessité d'offrir aux citoyens des choix (réels) pourra être intégrée, dès le départ, à la conception de la nouvelle planification quantique-IA de la transition de l'emploi et de ses perturbations. Tout au long de leur vie, la nouvelle plate-forme de planification pourra offrir aux citoyens une série de choix en matière de formation et de nouveaux emplois garantis. Les possibilités de formation prendront en compte les spécificités innées et acquises des citoyens, ainsi que leurs goûts. Les formations les prépareront à l'avance à des emplois qui, pour certains, n'existent pas encore.

Nous serons ainsi en mesure d’optimiser de manière dynamique et à long terme les compétences et les goûts des citoyens ainsi que leur socialisation historique, avec l'éducation, la production "de travailleurs artificiels", le marché du travail et le besoin de talents humains.

Optimisation quantique et algorithmes d'intelligence artificielle pour le gouvernement

D'autres types d'algorithmes d'optimisation quantique et d'intelligence artificielle pourront être créés avec pour objectif de mieux gérer le problème des ressources. Ce problème deviendra probablement de plus en plus crucial et difficile à résoudre compte tenu de décennies de développement non-durable et du changement climatique. Le partenariat stratégique entre la Dubai Electricity and Water Authority et Microsoft pour l’optimisation de l’énergie est un des premiers exemples de ce type, au niveau urbain (Communiqué de presse, Microsoft, 28 juin 2018).

Les situations de crise, avec évacuation de flux importants de personnes, sont également adaptées à l'utilisation de l'optimisation quantique. Les évacuations de crise constituent une application directe des recherches du groupe VW et de D-Wave (Strobl, Ibid.). Cette application est encore plus intéressante dans le cas des tremblements de terre. En effet, nous ne savons toujours pas comment prévoir les tremblements de terre, pouvoir mettre en oeuvre une évacuation sous contrainte devenant alors cruciale. La prévision sismologique pourrait également progresser, cette fois grâce à la simulation quantique, à la détection quantique et à la métrologie (par exemple, conférence de l’Université de Waterloo, "The potential applications of quantum computation in exploration geophysics", février 2019; Vladimir Kuznetsov, "Geophysical field disturbances and quantum mechanics“, 2017).

Les politiques industrielles et commerciales, les infrastructures, les services publics pourront également bénéficier de l'utilisation de tels algorithmes d'optimisation quantique.

En réalité, cela nous rappelle beaucoup la planification centrale au niveau des États, développée notamment depuis la Première Guerre mondiale (voir, par exemple, Michael DiNoto, "Centrally Planned Economies: …" 1994; Andrew Gilg, Planning in Britain: Understanding and Evaluating the Post-War System, 2005). Cependant, cette nouvelle planification se ferait avec des moyens insoupçonnés auparavant.

Vers un nouveau type de gouvernement?

Par rapport à la planification centrale antérieure, nous pouvons nous interroger sur le type-idéal d’unité pour la nouvelle "planification quantique". Pourrions-nous, par exemple, avoir à considérer différentes échelles en fonction de différents types d'algorithmes d'optimisation quantique et d'intelligence artificielle? En d’autres termes, certains problèmes d’optimisation quantique pourraient être mieux résolus au niveau de la ville, certains au niveau des États, d’autres au niveau des régions, d’autres encore au niveau de zones spécifiques, etc.

Dans le même temps, il faudra inclure de nouveaux types de personnel et créer de nouvelles directions dans les ministères et agences, et ce à tous les niveaux de gouvernement (Etat, régions, villes, etc.). Ces nouvelles unités devront intégrer des équipes multidisciplinaires permettant la création des nouveaux algorithmes d'optimisation quantique et d'intelligence artificielle. Toute l'expertise nécessaire devra être incorporée, et non pas seulement celle propre aux chercheurs en algorithmes quantiques. En fait, il faudra aussi veiller à éviter une sur-technicisation dangereuse qui impliquerait la perte du savoir, de la compréhension et de l'expertise acquises. Au contraire, nous devons créer des équipes qui bénéficient de milliers d'années de connaissances accumulées dans toutes les disciplines.

Alors que les recherches cherchant à développer les meilleurs algorithmes d'optimisation quantique et d'IA progressent, de nouvelles connaissances et compétences se développeront, avec de nouvelles façons de gouverner. Comme nous l'avons vu dans le cas du groupe VW, le ou les acteurs en viendront donc à changer. Nous verrons progressivement émerger une nouvelle forme d'autorités politiques, comme le prévoit la transition paradigmatique en cours.

Défense, armées et puissance

La défense et les armées sont des clients de choix pour l'utilisation d'algorithmes d'optimisation quantique et d'intelligence artificielle. La DARPA (ibid.) a déjà souligné que "la planification, l’acheminement et la gestion de la chaîne d’approvisionnement dans des zones austères, dépourvues des infrastructures dont dépendent les entreprises de logistique commerciale" sont probablement à même de bénéficier de l'optimisation quantique.

Optimisation quantique pour les environnements extrêmes

Nous pourrions très probablement aller plus loin, en premier lieu, avec une optimisation quantique à destination non seulement des "zones austères", mais aussi des environnements extrêmes.

Par environnements extrêmes, nous entendons: froid (Arctique et Antarctique), chaud (opérations soumises à des vagues de chaleur intenses, par exemple), mer profonde, spatial et souterrain (voir notre série sur la Sécurité en environnements extrêmes).

La puissance de calcul quantique (future) et les algorithmes d'optimisation pourront gérer les variables et facteurs supplémentaires liés aux caractéristiques extrêmes de ces environnements. En outre, ils pourront également prendre en compte leurs évolutions en fonction du changement climatique et des phénomènes météorologiques extrêmes.

Vers un champ de bataille quantique-IA

Deuxièmement, nous pourrions également ne pas nous limiter à la seule optimisation des problèmes de logistique existants, ou du déploiement.

Mules Quantiques

Par exemple, les algorithmes d'optimisation quantique et d'intelligence artificielle pourraient gérer le couplage de véhicules autonomes avancés (par exemple, des drones) avec des soldats pour livrer en temps réel les nouvelles munitions nécessaires, ou d'autres armes mieux adaptées à l'ennemi ou au terrain ou à un changement d'action.

Ce serait une variation et une amélioration quantique sur les mules militaires les plus avancées (par exemple, Matthew Cox, "Robotic Mules Could Deploy with Army Advisers to Afghanistan“, Military.com, 18 juillet 2019).

Cyberdéfense optimisée quantiquement... et attaque

Dans le même temps, alors que les combats physiques ont lieu, toujours grâce à l'optimisation quantique, des cyberattaques pourront être menées pour désarmer l'ennemi, ouvrir telle ou telle défense, interdire les renforts, etc. Nous devons ici garder aussi à l'esprit toutes les nouvelles capacités technologiques dont l'ennemi sera doté (voir Intelligence artificielle, puissance de calcul et géopolitique - 2).

La nécessité de nouveaux concepts et doctrines

Il va sans dire que le fait de pouvoir tirer parti d'ordinateurs quantiques utilisables et d'algorithmes appropriés fera pleinement partie du nouvel armement et des nouvelles capacités des armées de l'avenir. De nouveaux concepts, doctrines et entraînements seront probablement nécessaires pour créer les soldats et les armées les mieux à même de tirer parti des nouvelles possibilités créées par les algorithmes de l'IA quantique.

La perturbation quantique du géopolitique - Les dés ne sont pas jetés!

Si nous continuons à être optimistes et imaginons que tous ces algorithmes quantiques et d’IA tiennent leurs promesses, les pays qui seront capables de créer, déployer, puis utiliser non seulement chaque système d’algorithmes quantiques, mais également tous ces systèmes à la fois seront tout d'abord beaucoup plus forts. En effet, leurs autorités politiques assureront alors pleinement la sécurité des gouvernés. EIles seront ainsi renforcées dans leur légitimité.

Dans le même temps, les pays bénéficiant d'un gouvernement adapté quantiquement seront également plus riches, tandis que les ressources de l'État, notamment par le biais d'un écosystème industriel et scientifique optimisé et par le biais des taxes, augmenteront.

Dans l'ensemble, l'utilisation d'une optimisation quantique réussie pour le gouvernement renouvellera et renforcera le contrat social. Ce n’est pas seulement que les autorités politiques réussiront à adapter le contrat social au nouveau paradigme. elles réussiront également à faire en sorte que le nouveau paradigme serve le contrat social.

Un tel pays sera également plus puissant. Ayant été en mesure de créer, concevoir et organiser les nouveaux outils quantiques gouvernementaux nécessaires au monde de demain, les autorités politiques auront développé les compétences et les connaissances correspondantes. Ces dernières, à leur tour, renforceront l'influence à l'étranger du pays et de ses autorités politiques, y compris en termes symboliques.

Inversement, le fait de ne pas pouvoir créer et mettre en place un tel nouveau gouvernement risque d’entraîner rapidement un pays au bas de l'échelle relative du pouvoir.

Les technologies quantiques, comme nous l’avons vu ici avec les avancées que l’optimisation quantique permettra, inaugurent un nouveau jeu international incluant la possibilité de grandes perturbations. Certains États sont déjà très avancés en termes d’investissements et de développement d’écosystèmes favorables. Pourtant, les dés ne sont pas jetés. La nouveauté même du changement de paradigme, la capacité à penser différemment et, stratégiquement, à saisir et créer des opportunités, vont très probablement égaliser le terrain de jeu, pour ceux qui ont la volonté de jouer.


Image sélectionnée par Gerd Altmann de Pixabay & #8211; Domaine public.


Bibliographie

Pour une approche technique des algorithmes d'optimisation quantique

Ashley Montanaro (mathématicienne), & #8220; Algorithmes quantiques: vue d'ensemble & #8221 ;, Nature,, npj Informations quantiques, volume 2, numéro d'article: 15023 (2016), https://doi.org/10.1038/npjqi.2015.23

Académies nationales des sciences, de l'ingénierie et de la médecine; Emily Grumbling et Mark Horowitz, rédacteurs; & #8220; Chapitre 3: Algorithmes Quantiques et Applications& #8220 ;, dans Quantum Computing: Progress and Prospects; un rapport d'étude de consensus, Washington, DC: The National Academy Press (2019), p.57-94.

Patrick J. Coles et al. (pour les informaticiens) & #8220; Implémentations de l'algorithme Quantum pour les débutants & #8221 ;, 10 avril 2018, arXiv: 1804.03719v1

Olivier Ezratty (ingénieur), rapport de 504 pages, Comprendre l'informatique quantique, septembre 2019 (en français).

Références

DiNoto, Michael; & #8220; Economies à planification centralisée: les Soviétiques en paix, les États-Unis en guerre & #8221 ;; La revue américaine d'économie et de sociologieVol. 53, n ° 4 (octobre 1994), pages 415-432.

Gilg, Andrew, Planning in Britain: Understanding and Evaluating the Post-War System, SAGE, 2005.

Gun, Durukal, Christian Keller, Sree Kochugovindan, Tomasz Wieladek, & #8220;The elephant in the room“, Barclays, 2 juin 2017.

Kuznetsov, Vladimir, & #8220; Troubles de champ géophysique et mécanique quantique & #8221 ;, Web of Conferences E3S 20, 02005 (2017) DOI: 10.1051 / e3sconf / 20172002005.

Moore, B., Injustice: bases sociales de l'obéissance et de la révolte(Londres: Macmillan, 1978)

Académie britannique des sciences humaines et sociales et la Royal Society; “L'impact de l'intelligence artificielle sur le travail: Synthèse de preuves sur les implications pour les individus, les communautés et les sociétés »; Septembre 2018.

A propos de l'auteur: Dr Helene Lavoix (MSc PhD Lond)

Dr Hélène Lavoix, PhD Lond (Relations internationales), est le directeur de The Red (Team) Analysis Society. Elle est spécialisée dans la prospective stratégique et l'alerte en matière de sécurité nationale et internationale. Elle se concentre actuellement sur l'intelligence artificielle, la science quantique et la sécurité. Elle enseigne au niveau Master à SciencesPo-PSIA.

Laisser un commentaire

Votre adresse de messagerie ne sera pas publiée. Les champs obligatoires sont indiqués avec *

Ce site utilise Akismet pour réduire les spams. En savoir plus sur la façon dont les données de vos commentaires sont utilisées.

FR
EN FR