Pour comprendre comment on fabrique une puce, Laurentiu Raducu n’a pas demandé à un LLM de lui écrire un cours.
Il lui a demandé de construire une usine.
Le résultat s’appelle ChipTycoon : une petite fab de semi-conducteurs dessinée comme un parc de RollerCoaster Tycoon. Un chariot transporte sa matière de bâtiment en bâtiment, du quartz jusqu’au wafer, puis autour d’une boucle de lithographie avant le test, le découpage, le packaging et une livraison finale vers un data center.
Le premier tour guidé dure environ neuf minutes. Il y a 22 arrêts. Tout est en Canvas, sans framework ni appel réseau.
C’est beaucoup de travail généré pour éviter de lire « la photolithographie est un procédé qui… » pendant quatorze paragraphes.
Et l’idée mérite mieux que le débat habituel « les LLM font-ils de bons profs ? ».
Construire l’explication au lieu de la demander
Raducu décrit une méthode assez simple.
Il commence en mode plan dans Claude Code ou OpenCode et demande au modèle de construire les connaissances de base du sujet. Il lui fait ensuite relire cette base pour en vérifier l’exactitude. Puis il demande une simulation interactive, généralement dans son esthétique low-poly inspirée des jeux de gestion. Il pousse le résultat sur GitHub Pages et peut ajouter des questions ou des défis.
Le déplacement est intéressant parce qu’un artefact oblige l’explication à prendre une forme.
Une phrase comme « la fabrication d’une puce répète des étapes de dépôt, lithographie et gravure » peut rester vaguement comprise. Dans ChipTycoon, il faut décider où passe le chariot, ce qu’il transporte, ce qui change à chaque station et pourquoi il revient dans la boucle.
La simulation rend donc les relations visibles.
Elle rend aussi les erreurs visibles, si quelqu’un prend le temps de les chercher.
« 100 % exact » est la partie qui casse
Dans son billet, Raducu décrit les animations obtenues comme « 100% accurate and free of hallucinations » après avoir demandé au modèle de revoir sa propre base de connaissances.
Cette garantie n’existe pas.
Faire vérifier un premier texte par le même type de système peut attraper des incohérences. Ça ne crée pas une source indépendante. Plusieurs commentaires Hacker News ont immédiatement pointé ce saut logique, à raison.
J’ai donc pris ChipTycoon au mot et comparé son parcours aux descriptions de la Semiconductor Industry Association et d’Intel.
La bonne nouvelle : la charpente générale n’est pas fantaisiste.
Quartz, réduction et purification du silicium, croissance d’un monocristal, découpe et polissage des wafers, masques, dépôt, photoresist, lithographie, gravure, dopage, interconnexions, test, découpe des dies et packaging sont bien des familles réelles d’opérations de fabrication.
La mauvaise nouvelle est plus pédagogique : le parc rend le procédé beaucoup plus régulier qu’il ne l’est.
Une vraie fab ne tourne pas dans la même boucle soixante fois
Le README de ChipTycoon explique que son troisième acte est une boucle parce que fabriquer une puce reviendrait à parcourir les mêmes six bâtiments une fois par couche, environ soixante fois. Le parc n’en montre que quatre pour éviter de transformer l’apprentissage en emploi posté.
Comme image mentale, ça fonctionne : la fabrication moderne répète effectivement énormément d’opérations sur le wafer.
Comme description littérale, c’est trop propre.
La SIA décrit des centaines de passages entre oxydation, dépôt de couches minces, photolithographie, dopage, métallisation, gravure, planarisation et métrologie. Mais chaque niveau n’effectue pas automatiquement le même circuit dans le même ordre.
Les transistors sont construits dans le front-end-of-line. Les contacts et interconnexions occupent ensuite le middle et le back-end-of-line. L’implantation ionique sert à créer des régions dopées spécifiques. Le remplissage cuivre appartient aux structures d’interconnexion. Ce ne sont pas deux stations universelles qu’un wafer visite nécessairement après chaque masque.
La boucle est donc une compression pédagogique de plusieurs familles de procédés.
Ça n’empêche pas d’apprendre avec. Il faut simplement savoir qu’on regarde une carte de métro, pas une photo aérienne de la ville.
Un petit détail de photoresist suffit à montrer le problème
ChipTycoon explique aussi qu’après l’exposition, un liquide enlève les parties du photoresist touchées par la lumière.
C’est une manière réelle de travailler avec un resist positif.
La SIA formule le mécanisme plus prudemment : selon le matériau et le procédé, l’exposition peut durcir ou ramollir les zones touchées. Autrement dit, la simulation choisit un chemin courant et le raconte comme le fonctionnement du photoresist.
C’est une petite simplification. Elle ne transforme pas ChipTycoon en mauvais outil.
Elle suffit en revanche à faire tomber le « 100 % ».
Même le nombre de couches est mouvant. Intel présente un « common chip » autour d’une trentaine de couches de composants et d’interconnexions, tandis qu’un exemple de procédé Intel 14 nm demandait 70 masques. Masque, étape de lithographie, couche physique et niveau métallique ne sont pas des synonymes interchangeables.
Une simulation doit choisir des nombres. L’erreur commence quand l’interface fait oublier qu’elle les a choisis.
La recherche sur l’apprentissage avec IA raconte deux histoires opposées
C’est là que les études deviennent intéressantes.
En 2025, une expérience randomisée menée dans un cours de physique à Harvard a comparé des séances d’active learning en classe à un tuteur IA conçu spécifiquement pour enseigner le même contenu. Le tuteur était construit avec des prompts et un scaffolding pédagogiques. Les étudiants du groupe IA ont obtenu des gains d’apprentissage significativement plus élevés, avec un gain médian plus de deux fois supérieur dans l’analyse rapportée, tout en utilisant moins de temps.
Ça montre qu’un système génératif peut devenir un excellent outil d’apprentissage quand son interaction est conçue pour faire apprendre.
Une autre étude randomisée publiée en 2025 donne presque l’image inverse. Sur 120 étudiants apprenant des concepts d’IA, le groupe autorisé à utiliser ChatGPT librement comme aide d’étude a obtenu 57,5 % à un test surprise 45 jours plus tard, contre 68,5 % pour le groupe utilisant des méthodes traditionnelles.
Un essai n’annule pas l’autre.
Ils n’étudient pas la même chose.
« Utiliser une IA pour apprendre » peut vouloir dire recevoir un tuteur très scaffoldé qui vous pose les bonnes questions. Ça peut aussi vouloir dire externaliser l’effort dès qu’une réponse est disponible. Mettre ces usages dans la même catégorie cache probablement la partie la plus importante : ce que l’outil vous oblige encore à faire vous-même.
La simulation devient meilleure quand elle résiste à son auteur
La méthode de Raducu a donc une bonne intuition, mais je changerais son étape de validation.
Au lieu de :
- le LLM construit la base ;
- le LLM vérifie sa base ;
- le LLM fabrique la simulation ;
je garderais l’agent pour construire vite, puis je rendrais le résultat contestable.
Chaque station pourrait citer une source externe. Les approximations pourraient être affichées comme approximations. Une étape compressée pourrait dire quelles opérations elle fusionne. Et surtout, la simulation pourrait demander au lecteur de prédire ce qui arrive avant de lancer l’animation, puis de résoudre quelques problèmes sans elle.
Raducu évoque lui-même l’ajout de challenges et de questions. C’est probablement la partie la plus importante à développer.
Une animation peut donner l’impression agréable que tout s’emboîte. Apprendre commence plutôt quand on essaie d’utiliser le modèle mental sans regarder l’animation et qu’un morceau refuse soudain de rentrer.
Faire construire un artefact par un LLM est une très bonne manière de rendre une explication inspectable. À condition de ne pas confondre « inspectable » avec « vrai ».