Par Moon of Alabama – Le 4 aout 2026
La bulle de l’intelligence artificielle aux États-Unis ne cesse de croître. Elle consomme une grande partie des ressources financières disponibles. Mais sa production, sous forme de produits réels est, jusqu’à présent, plutôt maigre.
Il existe des outils de génération de code qui sont parfois utiles, mais, à moins d’être subventionnés, très coûteux. Il y a ChatGTP et d’autres outils du même genre qui, en fin de compte, ne sont que de nouvelles formes d’outils de recherche Web intrinsèquement peu fiables.
Ce qui manque, ce sont des applications de masse utiles pour lesquelles des milliards de personnes sont prêtes à payer.
Pourtant, un grand nombre de « personnes très importantes » pensent que les Grands Modèles de langage, qui sont au cœur des produits OpenAI et Anthropic, atteindront un jour les capacités des êtres sensibles. C’est, à mon avis, une connerie totale, mais qui suis-je pour vous le dire.
Le NY Times a publié un long article (archivé) sur le fondateur d’Oracle, Larry Ellison, qui a misé presque tout ce qu’il possédait sur la bulle de l’IA. Il explique :
L’histoire de l’IA a été autant une histoire financière que technologique, une question de savoir comment structurer les investissements ahurissants nécessaires pour former et faire fonctionner les modèles. Peu de gens doutent que cette technologie va tout changer. Ce qui est moins clair, c’est quand les bénéfices vont commencer à arriver et à quel point ils vont être importants. « Pour moi, c’est un problème de mathématiques », explique Asad Ramzanali, directeur de l’IA dans un centre de politique de l’Université Vanderbilt. « Nous réalisons des milliers de milliards de dollars d’investissements fournissant des dizaines de milliards de dollars de revenus.”
C’est pourquoi Ed Zitron et d’autres vous diront à juste titre que les énormes investissements consacrés à l’IA n’ont aucun sens.
Où sont les produits et les clients qui permettront de récupérer les centaines de milliards de dollars louches dépensés en centres de données pour l’IA ?
La structure financière de la construction d’un centre de données le rend particulièrement vulnérable à un crash. Les transactions elles-mêmes sont construites sur des systèmes de dette et d’équité extrêmement compliqués qui impliquent un financement circulaire. Les hyperscalers investissent massivement dans les mêmes entreprises sur lesquelles ils comptent pour acheter leur puissance de calcul. C’est ce que les économistes appellent une structure de responsabilité imbriquée. Si leurs clients ont du mal à monétiser leurs produits, ils seront très durement touchés, tout comme leurs investisseurs, qui comprennent de nombreux Américains ordinaires. Et ce ne sont que les entreprises américaines. Le boom de l’IA est un phénomène mondial ; un effondrement de l’IA le sera aussi.
Le NY Times présume que tout ce que font les États-Unis est copié dans le monde entier. Si la bulle éclate aux États-Unis, elle éclatera également ailleurs, en particulier en Chine.
C’est une mauvaise compréhension de ce que sont les modèles d’IA chinois et de ce que font les entreprises chinoises d’IA.
Au cours de la dernière année, plusieurs entreprises chinoises ont surpris le public en proposant des modèles d’IA presque aussi performants que les meilleurs mis au point par les entreprises américaines, mais proposés à un prix ne représentant qu’un dixième du coût des modèles américains (qui sont pourtant fortement subventionnés).
De plus, les entreprises chinoises ont publié les codes sources de leurs modèles et permettent à quiconque disposant du matériel adéquat de les utiliser en les insérant dans leurs propres systèmes.
The Economist a tenté de comprendre cela :
Comment la Chine obtient un meilleur rapport qualité/prix que l’Amérique en IA (archivé)
Ses investissements sont loin derrière ceux de l’Amérique. Mais pas ses modèles.
La folie américaine de l’IA semble particulièrement prodigue par rapport à la parcimonie chinoise. En 2026, les géants chinois de la technologie devraient investir dans les centres de données moins d’un dixième que leurs homologues américains (voir graphique).
Leurs modèles n’apparaissent que légèrement moins puissants malgré de cette frugalité. K3, un modèle avancé lancé le mois dernier par Moonshot AI, une start-up basée à Pékin, est 95% aussi intelligent (sur des benchmarks largement utilisés) que Fable 5, un modèle frontière d’Anthropic, un autre laboratoire américain de premier plan. Il est également 70% moins cher à utiliser. Le 3 août, Alibaba, un géant chinois de la technologie, a publié un modèle qui aurait obtenu l’un des meilleurs résultats au monde selon certaines mesures.
Les auteurs de The Economist discutent ensuite des coûts moins élevés des centres de données en Chine. Le pays, disent-ils, a également moins de chances d’investir dans du matériel américain hors de prix. Ses acheteurs sont plus avares et la recherche d’applications réelles est plus importante pour la Chine que la quête d’une « singularité » ou d’une « intelligence artificielle générale« , que poursuivent les entreprises américaines.
Tous ces arguments, comme dans la citation de l’article du NY Times, sont principalement des conneries.
Le véritable discriminateur entre les entreprises d’IA américaines et chinoises sont les formules qu’elles utilisent.
Les modèles américains fonctionnent sur des algorithmes qui gaspillent de la capacité de calcul, tandis que les modèles chinois utilisent des méthodes plus intelligentes, qui nécessitent moins de calculs, pour obtenir une qualité similaire.
Les modèles de langage, qui, avec une certaine saisie de texte, produisent une sortie de texte connexe, n’ont rien de nouveau.
La plupart sont basés sur des algorithmes dits de réseau neuronal qui sont une simulation d’une fonction rudimentaire du cerveau humain. Les réseaux de neurones peuvent être entraînés à reconnaître une entrée pour ensuite produire une sortie associée.
Le problème avec les réseaux de neurones et leurs variantes précoces est que leur formation prend beaucoup de temps, ce qui limite la taille des modèles.
En 2018, des chercheurs de Google ont trouvé un moyen élégant de contourner ces handicaps :
Les modèles de transduction de séquences dominantes sont basés sur des réseaux neuronaux complexes récurrents ou convolutifs dans une configuration codeur-décodeur. Les modèles les plus performants connectent également l’encodeur et le décodeur via un mécanisme d’attention. Nous proposons une nouvelle architecture de réseau simple, le Transformateur, basée uniquement sur des mécanismes d’attention, s’affranchissant entièrement de la récurrence et des circonvolutions. Des expériences sur deux tâches de traduction automatique montrent que ces modèles sont de qualité supérieure tout en étant plus parallélisables et en nécessitant beaucoup moins de temps pour s’entraîner.
Les entreprises américaines ont sauté sur le modèle du transformateur. C’était considéré comme une chance de créer des modèles toujours plus grands et meilleurs avec l’espoir qu’un modèle de taille énorme finirait par atteindre ou dépasser les capacités d’un cerveau humain.
L’avantage du modèle de transformateur est que les mathématiques nécessaires pour l’entraîner peuvent être parallélisées. Les puces informatiques conçues pour produire des graphiques ont un matériel spécial pour traiter les pixels. Au lieu d’un pixel à la fois, ils calculent des images complètes en calculant la valeur (couleur) de milliers de pixels en même temps. L’utilisation d’unités de traitement graphique (GPU) permet des opérations parallélisées (matricielles) sur des milliers de paramètres. (Une vidéo de Grant Sanderson, sur les Grands modèles de langage expliqués brièvement (vidéo), en donne une bonne introduction.)
L’inconvénient du modèle de transformateur est le comportement exponentiel de son mécanisme d’attention. Pour digérer une phrase d’entrée, le modèle doit traiter chaque élément qu’il contient par rapport à tous les autres éléments contenus dans le même contexte. C’est une opération exponentielle. Pour un contexte de 500 000 mots d’entrée (c’est-à-dire pour résumer un livre de cette longueur), le modèle nécessitera 250 milliards d’opérations. OpenAI, Anthropic et d’autres utilisent beaucoup d’astuces pour optimiser leur calcul mais ils ne peuvent échapper à la contrainte exponentielle de base de l’algorithme qu’ils utilisent.
C’est la raison pour laquelle l’entrée des modèles de transformateurs actuels est limitée et pourquoi ces modèles ont besoin d’énormes centres de données avec des millions de GPU pour répondre aux questions des utilisateurs.
Faute de capacité de calcul, les développeurs de modèles chinois ont dû emprunter des itinéraires différents. Ils utilisent des réseaux de neurones récurrents et les algorithmes dits de Mémoire Longue à Court Terme (LSTM). Celles-ci sont connues depuis la fin des années 1990 et sont à la base de la plupart des traductions en langage machine. SIRI d’Apple utilise un modèle LSTM.
L’algorithme LSTM présente des inconvénients. Dans sa forme originale, sa formation ne peut pas être parallélisée. Mais il est capable « d’oublier » le contexte inutile et son calcul d’une réponse est (la plupart du temps) linéaire et non exponentiel.
Les algorithmes LSTM étendus, plus récents, permettent de paralléliser l’apprentissage de tels modèles tout en conservant l’avantage d’un algorithme de réponse (presque) linéaire.
Le modèle Kimi récemment révélé de la société chinoise Moonshot.ai est basé sur un algorithme xLSTM (modifié), appelé Kimi Delta Attention. Il divise également le modèle en un réseau de 800 « experts » dont seuls quelques-uns sont activés pour répondre à une question spécifique de l’utilisateur (voir Kimi K3 Expliqué en 13 minutes (vidéo)).
Bien que Kimi n’ait pas encore atteint la taille des paramètres du dernier modèle américain, il a presque les mêmes capacités tout en utilisant beaucoup moins de calcul que nécessaire pour exécuter un modèle OpenAI équivalent.
D’autres fournisseurs d’IA chinois utilisent également des algorithmes similaires qui nécessitent beaucoup moins de calcul que les modèles de transformateurs préférés aux États-Unis.
Les fournisseurs de modèles d’IA américains, OpenAI, Anthropic, Google, Meta et SpaceX, sont tous coincés avec les algorithmes de modèle de transformateur qu’ils utilisent pour construire leurs modèles. C’est ce sur quoi ils s’appuient depuis des années et c’est ce en quoi leurs ingénieurs sont experts. Ils ont promis de construire ou d’acheter une énorme quantité de capacité de calcul parce que c’est ce dont leurs modèles ont besoin.
C’est ce choix d’algorithme qui a créé la bulle américaine de l’IA.
Les modélisateurs chinois, faute de capital-risque illimité, ont dû trouver de meilleurs moyens de résoudre les problèmes. Leur utilisation d’algorithmes différents leur permet de fournir des résultats presque similaires pour beaucoup moins d’argent.
Il y a aussi une différence d’attitude. Là où des financiers américains comme Larry Ellison s’efforcent d’obtenir une intelligence artificielle générale semblable à Dieu, les développeurs et financiers chinois (et certains Européens) sont beaucoup plus intéressés par la résolution des problèmes du monde réel (de l’industrie).
Un robot pour remplir le lave-vaisselle peut fonctionner suffisamment sans pouvoir résoudre des conjectures mathématiques. De plus, son modèle d’IA interne pourra fonctionner sur un GPU local et non avec un centre de données éloigné.
Une abondance de ressources a permis aux développeurs de modèles américains de créer des modèles d’IA généraux énormes, très performants, mais extrêmement coûteux. Ces entreprises n’ont pas encore trouvé de cas d’utilisation qui paieront pour le coût d’exécution de ces modèles.
Au lieu de chercher à atteindre les étoiles, comme le font les entreprises américaines, les Chinois cherchent à résoudre des problèmes concrets.
Des ressources limitées ont forcé les développeurs chinois à trouver de meilleurs algorithmes. Leur orientation principale est basée sur les applications utiles qui généreront des rendements appropriés pour leurs coûts.
À un moment donné, la bulle de l’IA aux États-Unis va exploser. Il y aura beaucoup de dommages collatéraux. Beaucoup de gens perdront leur argent. Il y aura un certain nombre de centres de données vides et inutiles à louer.
Le NY Times et The Economist présument que cela entraînera des problèmes similaires en Chine.
Il est peu probable que ce soit le cas, car l’IA chinoise est basée sur des mathématiques différentes et des modèles économiques différents.
Moon of Alabama
Traduit par Wayan, relu par Hervé, pour le Saker Francophone.