Le processeur spécialisé dans l’intelligence artificielle n’est plus seulement un argument imprimé sur la fiche technique d’un ordinateur. Avec la mise à jour de juin 2026 de Windows 11, il devient une ressource que l’utilisateur peut observer presque comme le processeur central, la mémoire ou la carte graphique.
Le Gestionnaire des tâches enrichit ses vues avec de nouvelles mesures consacrées au NPU, pour Neural Processing Unit. Il devient possible d’afficher l’utilisation de cet accélérateur par processus, le moteur mobilisé ainsi que la mémoire dédiée ou partagée. Windows peut également signaler si une application s’exécute dans un conteneur isolé.
La nouveauté paraît modeste face aux annonces de nouveaux assistants ou modèles génératifs. Elle répond pourtant à une question de plus en plus importante : lorsqu’un logiciel affirme exécuter une fonction d’IA localement, comment vérifier ce qui travaille réellement dans la machine ?
Le NPU sort de la boîte noire
Le NPU est un circuit conçu pour effectuer efficacement les opérations mathématiques répétitives utilisées par les réseaux de neurones. Contrairement à un processeur généraliste, il est optimisé pour exécuter de nombreux calculs en parallèle avec une consommation réduite.
Microsoft le présente comme un accélérateur adapté aux traitements continus : effets vidéo, suppression de bruit, transcription, traduction, analyse d’image ou petits modèles génératifs. Sur les PC Copilot+, l’entreprise exige un NPU capable de dépasser 40 000 milliards d’opérations par seconde, soit 40 TOPS.
Jusqu’ici, cette puissance restait difficile à relier à une application précise. Le volet « Performance » du Gestionnaire des tâches pouvait déjà montrer une activité globale du NPU sur certains appareils. Cette courbe indiquait qu’un calcul avait lieu, sans toujours permettre de comprendre clairement quel processus l’avait déclenché ni quelles ressources il consommait.
La mise à jour de juin étend cette visibilité aux onglets « Processus », « Utilisateurs » et « Détails ». Selon le matériel et le pilote disponibles, de nouvelles colonnes peuvent indiquer :
- le pourcentage d’utilisation du NPU ;
- le moteur NPU actif ;
- la mémoire NPU dédiée ;
- la mémoire NPU partagée.
Le volet « Performance » peut aussi faire apparaître les moteurs neuronaux intégrés à certains processeurs graphiques. Cette distinction compte, car toutes les accélérations dites « IA » ne passent pas nécessairement par un bloc NPU indépendant.
Savoir si une fonction tourne vraiment en local
L’IA locale est souvent présentée comme une garantie simple : les données resteraient sur l’ordinateur, la réponse serait plus rapide et aucun abonnement au cloud ne serait nécessaire. La réalité technique est plus nuancée.
Une application peut répartir son travail entre plusieurs composants. Le NPU peut traiter le son en continu, tandis que le GPU génère une image et que le CPU prépare les données. Un logiciel peut aussi exécuter une première étape localement avant d’envoyer une requête à un serveur distant.
Voir le NPU s’activer ne prouve donc pas, à lui seul, qu’aucune donnée ne quitte l’ordinateur. En revanche, l’information permet de vérifier une partie du discours technique. Si une fonction censée utiliser l’accélérateur local sollicite uniquement le CPU, cela peut révéler un problème de pilote, un modèle incompatible ou un repli automatique vers un autre composant.
Pour un utilisateur, la vérification peut être simple :
- ouvrir le Gestionnaire des tâches ;
- activer les colonnes liées au NPU dans l’en-tête de la liste des processus ;
- lancer la fonction d’IA concernée ;
- observer quel processus utilise l’accélérateur et pendant combien de temps.
Cette lecture n’offre pas un audit complet du logiciel, mais elle transforme une promesse invisible en signal mesurable.
La mémoire révèle le poids réel des modèles
Les colonnes de mémoire dédiée et partagée apportent une deuxième information utile. Pour exécuter un modèle, l’ordinateur doit charger ses paramètres et réserver de l’espace pour les données intermédiaires produites pendant l’inférence.
La mémoire dédiée correspond à une zone réservée au matériel concerné. La mémoire partagée provient généralement de la mémoire vive du système et peut être utilisée par plusieurs composants.
Un modèle local trop volumineux peut donc réduire la mémoire disponible pour les autres applications. Sur une machine équipée de 16 Go de RAM, plusieurs fonctions d’IA lancées simultanément peuvent provoquer des ralentissements bien avant que le NPU atteigne sa puissance maximale.
Ces mesures aideront à distinguer trois situations souvent confondues :
- un accélérateur saturé par les calculs ;
- un modèle limité par la quantité de mémoire ;
- une application qui utilise peu le NPU parce qu’elle attend le CPU, le stockage ou une autre ressource.
Cette nuance est importante pour comparer des logiciels. Deux outils peuvent annoncer la même fonction de transcription ou de retouche, mais l’un conserver un modèle chargé en permanence tandis que l’autre ne le mobilise qu’à la demande. Leur impact sur l’autonomie et la réactivité du PC ne sera pas identique.
Windows ML automatise le choix du matériel
Cette nouvelle visibilité accompagne une évolution plus large de Windows. Microsoft développe Windows ML, un cadre d’inférence locale fondé sur ONNX Runtime. Son rôle est d’aider une application à utiliser le meilleur accélérateur disponible sans intégrer séparément tous les logiciels fournis par les fabricants de puces.
Windows ML peut sélectionner un fournisseur d’exécution adapté au NPU, au GPU ou au CPU. Si l’accélérateur préféré n’est pas disponible, le système peut se rabattre sur une autre ressource.
Pour les développeurs, cette abstraction réduit la fragmentation entre les puces Qualcomm, Intel, AMD ou NVIDIA. Pour les utilisateurs, elle rend cependant le chemin d’exécution moins évident. Une même fonction peut utiliser le NPU sur un ordinateur et le GPU sur un autre, selon les pilotes, le modèle et les capacités matérielles.
Le Gestionnaire des tâches devient alors le complément pratique de cette automatisation. Windows choisit le composant ; l’utilisateur ou le technicien peut constater le résultat.
Microsoft propose déjà des outils plus avancés, comme Windows Performance Recorder et Windows Performance Analyzer, capables d’enregistrer les appels envoyés au NPU, les temps d’inférence et certaines étapes de préparation effectuées par le CPU. Le Gestionnaire des tâches ne remplace pas ces outils de profilage. Il fournit une première lecture accessible sans installer de kit de développement.
Une colonne « Isolation » utile pour la sécurité
La mise à jour ajoute également une colonne indiquant si un processus fonctionne dans un AppContainer. Ce mécanisme limite les ressources auxquelles une application peut accéder et réduit les conséquences d’un comportement indésirable.
Le lien avec l’IA locale n’est pas purement théorique. Une application capable d’analyser un écran, un microphone, des fichiers ou une caméra manipule potentiellement des informations sensibles. Connaître son niveau d’isolation aide à comprendre dans quelles limites elle s’exécute.
Il faut toutefois éviter une interprétation excessive. La présence d’un AppContainer ne garantit pas qu’une application est sûre. Elle ne dit pas non plus quelles autorisations lui ont été accordées, si elle communique avec Internet ou si son modèle produit des résultats fiables.
Cette colonne répond à une question précise : le processus bénéficie-t-il de cette frontière d’isolation Windows ? Elle constitue un indice de sécurité, pas un label de confiance.
Ce que les nouvelles courbes ne montrent pas
L’observabilité du NPU reste incomplète. Le Gestionnaire des tâches ne révèle pas le nom du modèle exécuté, sa provenance, les données exactes qu’il traite ou les connexions réseau associées. Il ne mesure pas non plus directement la qualité du résultat.
Une faible utilisation du NPU ne signifie pas nécessairement qu’une application est inefficace. Certains traitements sont très courts. D’autres sont limités par la caméra, le disque ou le téléchargement d’un fichier. À l’inverse, un taux d’utilisation élevé ne prouve pas qu’un modèle est utile ou bien optimisé.
Les chiffres peuvent aussi varier avec les pilotes. Microsoft s’appuie sur les interfaces exposées par les fabricants pour répartir et mesurer les calculs. Des compteurs absents ou incohérents peuvent donc refléter une prise en charge logicielle incomplète plutôt qu’un défaut matériel.
Enfin, le déploiement est progressif. Microsoft utilise son mécanisme de Controlled Feature Rollout pour activer certaines fonctions par vagues. Tous les PC compatibles ne verront donc pas nécessairement les nouvelles colonnes immédiatement après l’installation de la mise à jour de juin.
L’IA sur PC devient une ressource administrable
Pendant deux ans, le marché du PC IA s’est surtout appuyé sur des chiffres de puissance et des démonstrations difficiles à reproduire. L’arrivée de compteurs plus détaillés marque une étape moins spectaculaire, mais plus mature.
Une technologie devient réellement exploitable lorsqu’elle peut être surveillée, comparée et diagnostiquée. Les administrateurs doivent identifier une application qui monopolise un accélérateur. Les développeurs doivent vérifier qu’un modèle atteint bien le matériel prévu. Les utilisateurs doivent pouvoir comprendre pourquoi une fonction consomme de la mémoire ou réduit l’autonomie.
En montrant les processus, les moteurs et la mémoire associés au NPU, Windows 11 commence à traiter l’IA locale comme une charge de travail ordinaire. C’est probablement le signe le plus concret que le « PC IA » quitte progressivement le vocabulaire marketing pour entrer dans l’administration quotidienne de l’ordinateur.
Références
- Windows Central — les nouveautés de la mise à jour Windows 11 de juin 2026
- Microsoft Learn — développer des applications IA pour les PC Copilot+
- Microsoft Learn — présentation de Windows ML
- Microsoft Support — comprendre les Neural Processing Units
- Windows Insider Blog — nouvelles versions publiées le 8 juin 2026
