Apple Intelligence 2.0 en on-device

Apple a franchi un cap majeur avec la deuxième itération de sa solution d’intelligence artificielle embarquée, baptisée Apple Intelligence 2.0. Déployée d’abord sur l’iPhone 17 Pro puis sur le tout nouvel iPhone 18 Pro, cette suite logicielle repose sur les Foundation Models 3B, des modèles de langage compacts de 3 milliards de paramètres capables de tourner intégralement sur le processeur Apple Silicon du téléphone, sans jamais solliciter les serveurs cloud de la firme de Cupertino.

Le résultat est bluffant. Rédaction assistée d’emails et de SMS, résumé automatique des longs articles ou des podcasts, génération d’images à la volée grâce à Image Playground, retouche photo intelligente qui détoure et remplace des éléments d’une simple sélection tactile : toutes ces fonctionnalités s’exécutent désormais en quelques centaines de millisecondes, sans latence perceptible et sans consommer de données mobiles. Un vrai bond en avant par rapport à la version 1.0 sortie en 2024, souvent critiquée pour sa lenteur et ses hallucinations.

La confidentialité est l’argument phare d’Apple pour justifier cette architecture on-device. Aucune de vos données personnelles (contenu des messages, photos, notes, agenda) ne quitte l’iPhone. Pour les tâches trop lourdes pour être traitées localement, Apple bascule vers Private Cloud Compute, une infrastructure cloud dédiée dont l’architecture cryptographique garantit qu’aucun ingénieur, même chez Apple, ne peut lire les requêtes traitées. Un modèle qui contraste fortement avec les pratiques de Google et Meta.

Google Gemini Nano sur Pixel

Google a de son côté musclé Gemini Nano, la version compacte de sa famille de modèles Gemini spécifiquement conçue pour tourner sur smartphone. Intégré nativement au Pixel 10 lancé fin 2025, Gemini Nano est également disponible sur le très attendu Pixel 11 Pro qui doit sortir en septembre 2026. Le modèle a été considérablement optimisé, permettant désormais de traiter localement des tâches complexes qui devaient jusqu’alors passer par les serveurs de Google.

Concrètement, Gemini Nano prend en charge la traduction en direct des conversations téléphoniques dans une vingtaine de langues, la transcription automatique des mémos vocaux, la retouche photo « Magic Editor » qui déplace des éléments d’une image et reconstruit l’arrière-plan, et l’assistant de rédaction « Magic Compose » qui suggère des réponses contextuelles à vos messages. L’ensemble bénéficie d’une intégration système exemplaire, avec un accès rapide depuis la barre de recherche ou par pression longue sur le bouton d’alimentation.

La force de Google réside dans l’interopérabilité entre son écosystème cloud et l’IA locale. Une requête complexe qui dépasse les capacités de Gemini Nano bascule automatiquement vers Gemini Ultra dans le cloud, de manière totalement transparente pour l’utilisateur. Cette approche hybride permet de bénéficier du meilleur des deux mondes : la confidentialité et la rapidité de l’IA locale pour la majorité des tâches, et la puissance brute des modèles géants pour les requêtes les plus exigeantes.

Qualcomm et son NPU dédié

Qualcomm, le fournisseur de puces mobiles qui équipe la majorité des smartphones Android haut de gamme (hormis les Pixel de Google et certains modèles Samsung), a également révolutionné son approche avec le Snapdragon 8 Elite Gen 2. Cette nouvelle génération de SoC embarque une NPU (Neural Processing Unit) dédiée spécifiquement à l’inférence des grands modèles de langage, capable de traiter jusqu’à 75 TOPS (trillions d’opérations par seconde) d’inférence IA.

Cette puissance de calcul permet aux constructeurs partenaires (OnePlus, Xiaomi, Oppo, Vivo, Honor) de proposer des expériences d’IA embarquée sans dépendre d’un modèle propriétaire comme Apple Intelligence ou Gemini Nano. Chaque constructeur peut ainsi développer et intégrer son propre système d’IA, souvent optimisé pour les usages spécifiques à sa clientèle. OnePlus travaille par exemple sur un assistant IA personnalisé baptisé « OnePlus Muse », tandis que Xiaomi mise sur son « MiAI » entièrement local.

Qualcomm fournit également une pile logicielle complète (Qualcomm AI Stack) qui permet d’exécuter directement des modèles open source populaires comme Llama, Mistral ou Phi. Cette ouverture est particulièrement appréciée des développeurs indépendants, qui peuvent créer des applications IA locales sans devoir passer par les frameworks propriétaires d’Apple ou de Google. Un pari sur l’écosystème ouvert qui pourrait s’avérer payant à moyen terme.

Ce que l’IA locale peut faire

Les usages concrets de l’IA embarquée locale sont désormais nombreux et couvrent la plupart des besoins quotidiens. Sur le plan du texte : rédaction, correction, résumé, traduction dans une vingtaine de langues, reformulation dans différents registres (formel, décontracté, humoristique). Les modèles compacts modernes (2 à 8 milliards de paramètres) offrent une qualité de résultat proche des grands modèles cloud pour la majorité des tâches courantes.

Sur le plan visuel, les capacités sont plus limitées mais progressent rapidement. La génération d’images en résolution 512×512 pixels est désormais possible localement en moins de dix secondes sur les smartphones haut de gamme. La retouche photo intelligente (suppression d’objets, changement d’arrière-plan, amélioration de la netteté) est instantanée. La création d’emojis personnalisés à partir d’une photo ou d’une description textuelle est également accessible chez Apple, Google et les principaux constructeurs Android.

La reconnaissance vocale et la synthèse de voix ont également fait un bond énorme grâce à l’IA locale. Les assistants vocaux comprennent désormais les phrases complexes multi-intentions (« Rappelle-moi d’appeler Marie demain matin et envoie-moi un itinéraire pour aller au restaurant ce soir »), tandis que les voix générées sont devenues quasi indiscernables d’une voix humaine. Une révolution silencieuse pour les utilisateurs malvoyants ou en situation de mobilité réduite.

Les défis à relever

L’IA embarquée locale ne va pas sans poser plusieurs défis techniques et économiques. Le premier défi est celui de la consommation batterie : faire tourner un modèle de plusieurs milliards de paramètres, même optimisé, sollicite intensément le processeur et la RAM du téléphone. Une utilisation prolongée de fonctionnalités IA peut ainsi réduire l’autonomie de 15 à 25% par rapport à un usage classique, un compromis qui reste acceptable mais qui doit être connu des utilisateurs.

Le deuxième défi concerne la place occupée en mémoire. Les modèles compacts pèsent entre 2 et 8 Go et doivent être chargés en RAM pour fonctionner rapidement. Cela explique pourquoi les smartphones haut de gamme récents embarquent désormais tous 12 Go de RAM minimum, contre 8 Go il y a deux ans. Le stockage interne subit également une pression, avec des systèmes d’exploitation qui pèsent désormais plus de 30 Go une fois installés (contre 15 Go en moyenne il y a trois ans).

Enfin, la qualité des réponses reste encore inférieure à celle des grands modèles cloud pour les tâches les plus complexes. Un modèle 3 milliards de paramètres tournant localement ne peut évidemment pas rivaliser avec un GPT-5 ou un Claude Sonnet 4.5 sur des raisonnements longs ou des requêtes techniques pointues. Les constructeurs mettent donc en place des mécanismes hybrides intelligents qui basculent vers le cloud pour les requêtes les plus exigeantes, tout en préservant au maximum la confidentialité de l’utilisateur.