Futur de l’IA : Prométhée ou Thémis ?

Frédéric Worms

Bienvenue dans la salle Jaurès de l’École normale supérieure. Je suis très heureux de vous accueillir à l’invitation du Grand Continent, qui organise les Mardis, et en ma qualité de directeur de cette école. Ce Mardi est particulièrement important, pour éclairer en temps réel une actualité qui bouge à toute vitesse sur tous les sujets, et aussi, maintenant, au carrefour de la géopolitique, des sciences politiques et de toutes les disciplines liées à l’intelligence artificielle. 

Je suis donc particulièrement reconnaissant de cet événement qui se situe à une croisée des chemins stratégique entre les enjeux portés par le Grand Continent et les projets de l’ENS, comme avec notre projet commun d’Institut géopolitique d’études avancées, mais aussi avec les autres grands sujets portés par l’École, notamment en matière d’intelligence artificielle. 

Anne Bouverot, qui est présente aujourd’hui et qui préside le conseil d’administration de l’École normale supérieure, suit de très près nos projets en intelligence artificielle et notre stratégie interdisciplinaire en la matière. 

La semaine prochaine, l’ENS organise la Nuit des données. Tous les deux ans, nous organisons une Nuit des sciences et des lettres sur un sujet transversal et en plein développement. Il y a deux ans, c’était l’énergie. Cette année, ce sont les données. Le Grand Continent anime d’ailleurs une table ronde. 

Dans cette école, il y a bien sûr des hellénistes. Quand ils voient Prométhée et Thémis, je pense qu’ils et elles savent de quoi il est question, notamment de l’interrogation sur l’humain. Prométhée n’est qu’une des figures de la sagesse grecque concernant les mystères de l’être humain. C’est lui qui donne des forces aux humains en volant le feu. Il ne sait pas quoi en faire. Son frère Épiméthée, qui vient après Prométhée, s’aperçoit qu’on a oublié les humains dans la distribution des qualités naturelles des animaux. Ils n’ont pas de griffes, pas assez de dents, pas de fourrure. On leur donne donc l’intelligence, qui est aussi dangereuse que le feu. 

Pour répondre à cette énigme de l’être humain qui domine tous les éléments, sauf la mort, il faut y répondre par la justice. Au cours de cette discussion, vous opposerez peut-être Prométhée et Thémis, la déesse de la justice, mais je vous invite évidemment à les concilier. L’énigme de l’humain se double aujourd’hui de celle de l’intelligence artificielle. Elle ne se situe pas en dehors de l’humain, mais à une nouvelle étape, c’est certain. 

Il est certainement nécessaire d’avoir ce débat ce soir pour montrer qu’il existe des visions opposées qu’il faut faire débattre. Nos scientifiques sont ébranlés par les étapes prométhéennes de la recherche elle-même. Ce débat entre Prométhée et Thémis est nécessaire, et nous sommes très heureux d’en être l’un des acteurs grâce au Grand Continent, à vos exposés et à votre présence. Nous continuerons tout au long de cette année qui s’annonce intense.

Victor Storchan

Avec Prométhée, nous voulons insister sur le moment présent pour replacer la situation stratégique dans laquelle nous nous trouvons dans son contexte, et mettre l’accent sur deux points. 

Premièrement, il est extrêmement urgent d’agir, sans quoi nous serons durablement déclassés, et ce, assez rapidement. Nous ne parlons pas d’un horizon de dix ans, mais plutôt de deux à trois ans. Deuxièmement, il nous reste encore une fenêtre d’opportunité pour agir, qui peut se refermer. 

Pour résumer, en mathématiques par exemple, l’IA est passée en deux ans de la résolution de problèmes du secondaire à la médaille d’or aux Olympiades internationales de mathématiques, puis à Navier-Stokes cet été. On voit donc le progrès.

Victor Storchan

Navier-Stokes est l’un des problèmes du millénaire. Si vous demandez à des chercheurs en équations aux dérivées partielles (EDP) ou en mathématiques plus généralement, ils ont tous, à un moment ou un autre, étudié ce problème, qui était considéré comme très difficile à résoudre. Sans l’IA, il aurait encore fallu des dizaines d’années pour trouver un contre-exemple. L’IA va donc entraîner une période de progrès scientifiques majeurs, et la France doit pouvoir y participer. 

Un deuxième exemple en cyber : on voit que l’IA devient extrêmement capable d’exploiter des vulnérabilités dans ce domaine. Les Gardiens de la Révolution utilisent Claude, par exemple, pour préparer leurs attaques contre les Américains ; ils n’utilisent pas de modèles ouverts. C’est donc un très bon indicateur de comprendre que la frontière donne un avantage. 

Pour ces tâches non bornées, c’est-à-dire des tâches où il faut toujours plus d’intelligence pour être à la pointe de la recherche, en cyber, sur des enjeux stratégiques, la différence entre des modèles extrêmement performants et les autres, par exemple les Chinois, est très importante. 

Le coût de l’inaction est énorme en matière de risque. C’est comme si l’on pariait contre les grands laboratoires d’IA que sont Google, Nvidia et OpenAI. C’est ce que l’on fait d’ailleurs actuellement en France. 

Il y a donc un double problème. Le premier est économique. L’argument d’Arthur Mensch à l’Assemblée nationale était le suivant : si l’on considère que 10 % de la masse salariale européenne est concernée — un chiffre extrêmement conservateur — et que le travail de ces personnes sera totalement transformé dans les prochains mois, voire dans la prochaine année, pour certains peut-être sur des postes de travail remplacés, cela représente environ 5 points de PIB, autant en balance commerciale qu’on va donner en rente très durable aux Américains. 

Prométhée est un sprint.

Victor Storchan

Vous pouvez imaginer des agents IA américains qui remplaceraient les travailleurs européens sur des postes de travail à la frontière pour effectuer des tâches extrêmement complexes. Je pense que le risque de voir des tâches qui nécessitent justement d’avoir une intelligence à grande échelle, de pouvoir utiliser 100 fois plus de tokens, se produire est bien réel. 

Le deuxième risque, dont nous avons parlé, est évidemment le risque pour la sécurité nationale. 

Un dernier point à aborder avant d’entrer dans le détail de Prométhée : nous disposons d’une fenêtre d’opportunité ! Il est très important de rappeler qu’il y a des laboratoires d’IA qui n’étaient pas à la pointe il y a quelques mois et qui ont rattrapé leur retard. C’est le cas de Reflection, xAI et Meta, par exemple. De plus, il est essentiel de pouvoir parler aux ingénieurs qui sont à la pointe de la technologie. Ce sont eux qui voient en premier les prochaines générations et les prochaines capacités des modèles en interne, et qui constatent également que ces modèles présentent des problèmes de contrôlabilité et d’alignement.

Victor Storchan

La frontière est le passage à l’échelle efficace de ces modèles dans ces laboratoires, le fait d’avoir les meilleures capacités de modèles pour la plupart des tâches. 

Dans le paysage de l’IA, ce sont les Américains, OpenAI et Anthropic, qui sont en tête, suivis par les Chinois, les fast-followers. 

La vertu d’être à la frontière, c’est-à-dire d’avoir le meilleur modèle, c’est de pouvoir fixer les prix. On observe une transition très rapide du revenu des laboratoires et de la rentabilité de la vente de tokens à la frontière.

Anne Bouverot

J’ai longtemps été d’avis qu’être à la frontière n’était peut-être pas si important, que c’était suffisant pour la France et pour l’Europe d’avoir de très bons modèles plus petits et de pouvoir les appliquer au cas par cas pour les entreprises ou les choses pertinentes pour nos besoins. À quoi bon cette course au gigantisme à l’américaine ? 

Ces deux dernières années, on voit que les capacités de ces modèles se développent de manière vraiment impressionnante. Tout ce qui concerne la cyber, les maths et le codage sont des capacités très importantes. Les modèles à la frontière, comme OpenAI, Anthropic et quelques autres, sont ceux qui le font le plus. 

Pourquoi est-il important de se dire que l’on ne va pas juste laisser cela aux Américains et simplement acheter leur modèle ? À mon avis, il y a deux raisons. La première, c’est qu’aux États-Unis, on a de plus en plus tendance à fermer les modèles et à créer un duopole, voire un oligopole de quelques fournisseurs qui, comme on l’a vu cet été, peuvent décider de couper l’accès, ou d’abord le donner aux entreprises américaines, puis l’ouvrir plus largement après, même si les utilisateurs payent. Pour utiliser un mot du Grand Continent, il s’agit d’une vassalisation très claire. 

Ce n’est pas seulement l’aspect du risque économique et du prix qui est important. Aujourd’hui, beaucoup de gens disent qu’ils utilisent des modèles chinois qui sont un peu moins performants, mais beaucoup moins chers. Si demain les États-Unis fermaient leur modèle, la Chine pourrait décider de faire exactement la même chose et nous pourrions nous retrouver sans rien. La question de la sécurité nationale face aux cyberattaques est donc vraiment un sujet. 

Puis, nous nous retrouverons peut-être face à des Américains qui diront, et on a très clairement vu cette tendance, que pour nous donner accès, non seulement ce sera le prix que fixeront Sam Altman, Dario Amodei et autres, mais il faudra aussi enlever un certain nombre d’irritants, comme l’AI Act, le RGPD ou d’autres régulations.

Anne Bouverot

Exactement. Là, on est un peu dans la dystopie, mais on a déjà clairement vu le fait de négocier l’arrêt de la régulation en échange de l’accès aux modèles. 

Voici, en termes pas trop techniques, pourquoi il est important de parler de la frontière.

Victor Storchan

L’effort pour Prométhée est tout à fait considérable. Au total, l’enveloppe globale devrait atteindre 620 milliards d’euros. La plupart de ces financements seraient privés, avec un effort de 1,5 point de PIB par an pendant trois ans pour l’État. Ce serait donc un sprint. Ensuite, dans un scénario probable, le projet devient autoporteur, ce qui représente environ 130 milliards d’euros pour les finances de l’État. 

Néanmoins, il faut aussi pouvoir évaluer le prix de l’inaction, de ne rien faire et de se retrouver complètement mains liées vis-à-vis des Américains. Il faut également comprendre comment le montage a été effectué pour expliquer que, globalement, on peut être gagnant dans tous les cas.

Victor Storchan

95 % de cet argent serviront à financer les centres de données, donc le computing, la puissance de calcul, qui atteindra 12 gigawatts d’ici 2029, et nous replacera sur une trajectoire de laboratoire à la pointe de la technologie. 

La capacité de calcul est absolument critique, comme le montre la différence entre les modèles chinois et américains. OpenAI a une bonne métrique pour l’entraînement dans les laboratoires : le nombre d’expériences par chercheur, et donc la quantité de puissance de calcul qui lui est allouée. Ce nombre a explosé depuis le début de l’année, à mesure qu’OpenAI a acquis de la puissance de calcul. C’est ce qui explique la différence de performance entre les modèles : les chercheurs chinois sont aussi brillants que les chercheurs américains, mais la différence de puissance de calcul explique la différence de performance. 

Le retard est d’environ six mois. On n’a toujours pas vraiment de modèle chinois comparable. On en aura certainement un avant décembre, mais pour l’instant ce n’est pas le cas.

Victor Storchan

Le reste sert évidemment à payer les chercheurs du laboratoire, afin de pouvoir être compétitif et de débaucher des personnes extrêmement compétentes et rares dans la Silicon Valley, qui travaillent actuellement dans les laboratoires d’IA. 

C’est ce que j’entendais par la stratégie de rattrapage de certains laboratoires, comme xAI, Meta et Reflection : il faut pouvoir attirer des personnes qui connaissent les méthodes. Nous ne sommes pas du tout dans une réflexion de recherche sur une dizaine d’années, mais dans un sprint où l’on fait du rattrapage technologique. Il faut donc aller chercher les personnes qui connaissent les recettes de pré-entraînement, de post-entraînement, etc., pour fabriquer ces modèles. Ceux-là sont très rares. Il faut des gens très forts pour réussir ce pari, et il faut les payer.

Victor Storchan

C’est une excellente question, et c’est pour cette raison que Prométhée a été conçu comme une fusée à deux étages. D’un côté, il y a le laboratoire et de l’autre, la capacité de calcul, ou « compute ». Aujourd’hui, nous sommes dans un monde en pénurie durable de capacité de calcul. 

Dans le scénario où le laboratoire ne fonctionne pas, dans le sens où il crée des modèles et n’arrive pas à rattraper la frontière — c’est évidemment le principal risque de Prométhée —, nous disposons de 12 gigawatts de capacité de calcul que nous pouvons utiliser ou louer, et sur lesquels nous pouvons aussi mettre des modèles open source. C’est un avantage considérable dans le rapport de force. Il faut comprendre que vendre de l’électricité est moins profitable que vendre de la puissance de calcul, soit environ un facteur 20, qui est lui-même moins profitable que vendre des tokens à la frontière, soit environ un facteur 50. Donc, ne pas réussir à vendre des tokens à la frontière nous fait redescendre d’un cran, mais pouvoir louer des capacités de calcul est, dans un contexte de pénurie mondiale, un avantage très important.

Lenny Benbara

Nous partageons de nombreux objectifs avec la proposition Prométhée, dont nous endossons une partie de la logique dans l’un des scénarios technologiques possibles que nous avons appelé « l’échappée », c’est-à-dire une progression continue des modèles de frontières exponentielle. 

Il existe un autre scénario technologique possible qui me semble être celui vers lequel nous nous dirigeons : la commoditisation, ou la banalisation de l’IA. L’idée est qu’il y a un resserrement des écarts entre toute une série de modèles se situant à la frontière ou juste en dessous. Dans ce cas, les modèles d’IA deviendraient un service parmi d’autres, achetable en concurrence, comme vous pouvez le faire avec vos fournisseurs d’électricité. 

C’est très important, car si l’on observe effectivement une amélioration exponentielle des performances de ces modèles de pointe, alors le plan Prométhée nous semblerait être un atout indispensable. À l’inverse, si la courbe de progrès est plus logarithmique, ou du moins pas exponentielle, alors l’Europe pourra mettre en concurrence toute une série de modèles. 

Il y a par ailleurs d’autres sujets dans les enjeux technologiques, comme ce qu’on appelle la couche d’orchestration. Qu’est-ce qui permet aux modèles de fonctionner aujourd’hui ? Qui définit où se trouvent les données, les protocoles opérationnels, etc. ? Ce sont des enjeux software extrêmement importants d’un point de vue économique. 

Depuis un peu plus d’un an, c’est là que la valeur semble se diriger concrètement : la couche d’orchestration. Son importance réside dans le fait qu’à travers une sorte d’operating system des modèles, on peut, avec un logiciel, changer le modèle sous-jacent en fonction des besoins, des tâches, etc., afin de réduire les coûts ou d’atteindre plus facilement les objectifs. C’est ce que font de plus en plus les entreprises. Toutes les couches applicatives par-dessus les modèles sont donc un enjeu clé. 

L’idée que la courbe serait forcément exponentielle ne nous a donc pas convaincus. Les machines de Turing et le calcul discret ont leurs propres limites. Je suis assez sceptique vis-à-vis de l’ensemble des discours sur le « AI doom » qui ont beaucoup circulé aux États-Unis. 

Pour resituer le contexte, j’ai contribué à cette note en tant qu’économiste. D’autres spécialistes de l’IA y ont également participé. Nous l’avons réalisée pour un think tank appelé Global Trade Policy Observatory. Dans ce cadre, nous nous sommes intéressés aux paramètres technologiques que j’ai évoqués, mais aussi au bouclage macroéconomique plus large. 

La question du scénario technologique à venir est donc extrêmement importante. Il nous a semblé que faire Prométhée était un pari qui ne tenait pas dans le scénario de la banalisation de l’IA. 

Il me semble que nous pouvons nous rejoindre assez largement sur le point suivant : l’essentiel pour l’Europe, en tout cas pour les prochaines années, est de se concentrer sur les infrastructures qui ont une valeur dans l’ensemble des scénarios. Ces infrastructures sont en effet les infrastructures de calcul pour l’inférence, c’est-à-dire pour faire tourner les modèles au niveau local. Cela permettrait également de stocker les données localement, et non pas aux États-Unis, et de protéger la valeur pour qu’elle reste en Europe. 

Nous considérons que ce sont ces infrastructures qu’il faut privilégier, car à l’heure actuelle, nous n’avons pas vraiment de modèle économique à la frontière. Si l’on regarde les modèles de frontière actuels, l’adoption de Fable, par exemple, stagne depuis des semaines. On commence à voir apparaître un usage massif de modèles considérés comme étant sous la frontière, comme Opus, voire des modèles chinois ou OpenAI, qui progressent en termes d’usage. De la même façon, l’accélération de l’adoption de l’IA qu’on nous promet ne semble pas vraiment se réaliser pour des raisons simples. Il y a des frictions dans l’économie. 

Deuxièmement, de nombreux projets d’IA sont abandonnés en cours de route et ne sont pas menés à bien d’un point de vue industriel. 

Troisièmement, utiliser un modèle frontière est probablement exagéré pour toute une série de tâches. La question se pose donc de savoir comment ces laboratoires, qui ont réalisé des dépenses absolument considérables, vont rentabiliser leurs investissements. Il y a donc une question de modèle économique. Procéder à un tel investissement nous semble douteux si l’on se situe par exemple dans le scénario de la banalisation, puisque cet actif pourrait être déprécié. Autrement dit, on aurait investi des milliards et, finalement, on se retrouverait avec un actif qui ne vaut pas tant que ça, parce qu’il y a beaucoup de modèles très proches de la frontière.

Lenny Benbara

C’est compliqué parce que, évidemment, nous partageons cette préoccupation pour tous les usages décisifs, comme ceux dans la défense ou la cybersécurité. Si vous constatez une banalisation, l’écart sera finalement faible entre les modèles qui se trouvent à la frontière ou qui lui sont proches. Si vous avez une accélération, cela devient un sujet clé. C’est pour cette raison que, dans la note, nous reprenons en quelque sorte le projet Prométhée. Si en effet il y a une accélération, alors pour ces enjeux-là, il faudra certainement mettre le maximum d’efforts. Mais à l’heure actuelle, nous ne pouvons pas trancher. 

Par ailleurs, pour réaliser le projet Prométhée 1, c’est-à-dire entraîner un modèle de frontière, il faut beaucoup de puces. Il est peu probable que les États-Unis laissent tranquillement apparaître un nouveau modèle de frontière concurrent du leur, d’autant que le modèle économique de la frontière est déjà assez instable. Par conséquent, cette « kill switch » américaine pourrait apparaître dans le domaine des puces achetées pour l’entraînement.

Lenny Benbara

Ce que nous proposons, c’est une stratégie pour le débat et la négociation avec les Américains, afin de maximiser nos atouts et d’éviter d’être déconnectés des modèles de frontières, ainsi que de subir les contrôles à l’export américain. Il s’agit de construire une coalition qui intègre également des acteurs clés dans le domaine des semi-conducteurs, comme Séoul et Tokyo, sachant que nous disposons déjà d’atouts européens sur le sujet. C’est un sujet clé qui est en fait l’infrastructure sous-jacente à tout ce dont on parle actuellement.

Jamal Atif

Je vous écoute en tant qu’observateur et je suis très intéressé par les deux propositions. Lorsque j’ai lu Prométhée, j’ai trouvé qu’il y avait un parti pris assumé et un chiffrage. Toutes les critiques qu’on peut émettre sont déjà traitées dans le texte. Il est d’une qualité exceptionnelle. En quelque sorte, il m’a converti. 

Dans notre domaine, nous n’avons pas de réponse sur la notion de frontière. Ce ne sont que des observations empiriques. Les lois d’échelle sont des observations empiriques. La science et les mathématiques sous-jacentes sont en cours d’élaboration, mais il est impossible de dire ce que sera la frontière et comment on y arrivera. Mais comme tout le monde, nous observons l’émergence de modèles très performants. 

J’étais de ceux qui avaient parié, il y a des années, que la première des souverainetés était de maîtriser la science et la technologie sous-jacentes, indépendamment de ce qui a pu se passer par la suite. Ensuite, nous aurons une discussion macroéconomique sur les mécanismes de conception et la stratégie d’investissement dans un monde incertain. Mais d’abord, il nous faut maîtriser ces connaissances.

Pour l’instant, nous sommes dans l’empirisme, et nous sommes aussi dans un moment où il y a beaucoup de bruit et où le signal est difficile à comprendre, car nous sommes confrontés à des entités qui font du marketing de la peur — une façon de lever des fonds. Cela se produit souvent lors d’opérations boursières. 

Il y a donc beaucoup de bruit, mais il y a quand même un peu de signal. Dans nos pratiques, nous avons tous vu venir que les problèmes mathématiques allaient être résolus. Quand on parle de résoudre des problèmes de maths, on fait référence à des modèles capables de trouver des contre-exemples. Donc, certains problèmes de maths sont adaptés. Avant, on parlait de problèmes plutôt moyennement difficiles. Là, nous sommes sur un problème du millénaire, donc un problème réputé très difficile. Sur ce point, l’évolution va s’accélérer.

Jamal Atif

Faire une preuve. Je vous invite également à lire la tribune de Marc Mézard, l’ancien directeur de l’École normale supérieure, sur les mathématiques de l’intelligence artificielle. Souvent, on réduit les mathématiques au raisonnement et à la démonstration. Une façon de faire une preuve pour démontrer quelque chose, c’est de trouver un contre-exemple. Trouver un contre-exemple constitue donc une preuve. Ce sont donc des outils capables de trouver des contre-exemples. 

Il est très intéressant de voir ce qui s’est passé récemment. À peu près 1 000 agents IA ont exploré tout l’espace des possibilités pour trouver le contre-exemple à une conjecture : des équations permettant de modéliser tout ce qui concerne les fluides. La modélisation des fluides est utilisée dans l’aéronautique et dans de nombreuses autres applications.

Lenny Benbara

Il y a eu une énorme polémique sur ce problème mathématique Navier-Stokes, le laboratoire OpenAI ayant été accusé d’avoir pillé des recherches menées dans des espaces protégés.

Jamal Atif

Oui, il y a une polémique sous-jacente. 

Par ailleurs, il y a un triptyque : le compute, les talents et les données. Il faut maîtriser les trois. Quand on parle de « compute », l’énergie est aussi un facteur très important, par ailleurs. 

Pour la petite anecdote, Sébastien Bubeck, qui est au sein de cette polémique, est un pur produit de l’école française. Il a fait sa thèse à Lille dans une équipe Inria, puis a fait sa vie aux États-Unis en passant de Microsoft à OpenAI. C’est quelqu’un que l’on connaît très bien. Il a été accusé d’avoir réentraîné son modèle de preuve sur des données d’ingénieurs d’Anthropic qui travaillaient déjà sur ce problème. C’est cela, la polémique. Mais ce n’est pas une polémique sur la preuve en elle-même, qu’elle serait fausse, mais sur la façon de se conduire. 

Il y a aussi un certain marketing de ces entreprises qui disent : « On fait tomber les maths. » Dans l’imaginaire collectif, ce serait à ce moment-là que l’on aurait atteint un niveau de raisonnement assez élevé. 

En 1957, Logic Theorist constituait le premier modèle d’intelligence artificielle. À l’époque, c’était symbolique, bien entendu, mais ce modèle avait redémontré un livre de logique de Whitehead et Russell. Déjà à l’époque, certains avaient affirmé qu’un niveau d’intelligence très élevé avait été atteint. Les maths font donc un peu partie du Graal. 

Oui, le codage est tombé, les maths aussi, sur bien des aspects, mais attention, les mathématiques, ce n’est pas seulement faire de la preuve, il y a d’autres volets.

Jamal Atif

Je me situe entre les deux, mais il faut quand même être cohérent dans les politiques publiques. La question de savoir quelle politique publique on applique en France est une vraie question. D’ailleurs, est-ce qu’on le fait uniquement en France ? Réfléchit-on à une autonomie stratégique, c’est-à-dire à ce que l’on peut contrôler pour avoir notre mot à dire ? Tout cela a été très bien traité dans les deux propositions. 

Dans les modèles de décision dans un monde incertain, il faut allier exploitation et exploration. Il faut exploiter, mais aussi explorer autre chose. 

Il faut aussi que je parle de là où je suis. Aujourd’hui, l’IA est partie prenante de nos pratiques scientifiques. Sans parler des modèles de langue, les modèles issus de DeepMind font partie de l’arsenal des chercheurs en biologie. Lors de la conception de nouvelles molécules ou de nouveaux matériaux, l’IA est au cœur du processus. Et dans mon institut, quand les chercheurs essaient de travailler sur des équations quantiques, ils utilisent l’IA pour simplifier les choses. L’IA est partout.

Jamal Atif

Pendant un moment, il y avait pas mal de modèles provenant de DeepMind qui étaient plus adaptés à la biologie. Mais aujourd’hui, on constate que ces modèles de frontière ont également cette capacité. Dès lors, nous disposons d’une grammaire adaptée et les modèles se sont adaptés. Le vivant a désormais sa grammaire.

Victor Storchan

Concernant la commoditisation, il est très important d’écouter les Chinois, par exemple. Les Chinois sont en effet dans la position de fast-follower et ouvrent les modèles pour essayer de rattraper leur retard. Tous les cofondateurs des laboratoires chinois le disent très bien dans toutes leurs interviews et dans leurs rapports techniques : ils accusent un retard assez significatif. En regardant et en lisant les rapports techniques des modèles, comme KIMI, ils disent clairement qu’ils ont six mois de retard aussi en ce qui concerne l’interaction avec l’utilisateur. C’est quelque chose qu’ils reconnaissent eux-mêmes. Il y a un véritable écart entre les modèles chinois et les modèles à la frontière.

Victor Storchan

Utiliser les modèles à la frontière permet d’obtenir des performances et une intelligence significativement meilleures dans l’exécution de la tâche qu’avec un modèle ouvert. Dans les laboratoires d’IA, ils utilisent évidemment leurs propres modèles. Même les Chinois, qui n’ont pas accès directement aux modèles américains, utilisent massivement ces derniers via différents routeurs, et non pas leurs propres modèles. 

Sur le plan économique, il est intéressant d’avoir en tête le concept de compute multiplier. Si un laboratoire a un coût de production du token 10 fois inférieur, il peut réaliser une marge énorme, disons 80 %, et rester extrêmement compétitif par rapport à un modèle ouvert qui n’a pas le même facteur de compute multiplier. Les laboratoires chinois veulent aussi générer des revenus et être rentables. Pour l’instant, en termes de revenus annuels, la comparaison est la suivante : les laboratoires américains sont entre 40 et 65 milliards, et les laboratoires chinois, dans le meilleur des cas, plutôt à 1 milliard ou 1,6 milliard. Avec cette notion de compute multiplier, il est possible d’être plus performant, moins cher et de dégager des marges. On le voit par exemple avec Astra, qui a un reasoning médium, donc même pas la version la plus avancée d’Astra, le modèle d’OpenAI, est Pareto dominant par rapport à GLM 5.3, un modèle chinois très récent.

Lenny Benbara

Évidemment, il y a un modèle économique basé sur l’inférence et il y a des marges, mais la frontière n’est pas un état, c’est une course. Il s’agit donc d’investissements permanents qui augmentent de façon géométrique tous les 3 à 6 mois. Cela implique que l’ensemble de ces marges viennent couvrir des CAPEX monstrueux. 

C’est la raison pour laquelle le modèle économique est remis en question aux États-Unis en ce moment même, car il impliquerait de maintenir ces investissements considérables sur le long terme. Il y a les crédits défaut de swap qui augmentent sur les hyperscalers américains ayant conclu des accords avec Anthropic et OpenAI. Ces crédits défaut de swap sont une mesure du risque de crédit, et donc de défaut, sur les GAFAM américaines, en somme. C’est le premier point. 

Deuxièmement, OpenAI communique beaucoup depuis quelques semaines, alors qu’il a repoussé son IPO. Anthropic fait son marketing de la peur et annonce certes des revenus positifs, mais ajustés. On ne sait donc pas ce qu’ils ont réellement dépensé. 

Il y a donc beaucoup de doutes. Ils semblent tous assez inquiets. Les taux sur la dette américaine sont en hausse. Les coûts de financement aussi sont en train d’augmenter. Il y a en outre une concurrence entre le financement de la dette américaine et celui de ces acteurs. 

En termes de rentabilité, les projections pour l’avenir soulèvent beaucoup de questions. Si l’on maintient ce rythme d’investissement, il y aura beaucoup de cash flow négatifs l’an prochain pour les hyperscalers. 

Concernant les Chinois, il y a certes toujours un écart, qui semble toutefois assez étroit et se resserrer. Les Chinois ne vont-ils pas, à un moment donné, disposer de la base d’infrastructures en matière de puces et de semi-conducteurs pour développer leur propre modèle de frontière ? Ils ont objectivement intérêt à porter un coup décisif aux Américains par des surcapacités. Ils le font déjà dans d’autres secteurs de l’économie. Là, ils le feraient en bradant les prix dans l’IA, ce qui rendrait cette économie américaine non rentable. C’est l’un des signaux qui émergent depuis quelques mois, comme avec KIMI cet été, mais aussi avec GLM, où l’on voit qu’ils gagnent des parts de marché. 

Cela pose donc des questions sur le bouclage de ce modèle économique. On en saura plus lorsque les documents d’introduction en bourse d’OpenAI et Anthropic seront disponibles, et que l’on pourra consulter les détails comptables de ces entreprises, qui à l’heure actuelle maintiennent une opacité rare sur leurs données.

Anne Bouverot

On peut effectivement se dire qu’il y a un scénario de commoditisation, qu’ils n’auront pas assez d’argent, et c’est précisément ce que nous faisons depuis quelques années. En Europe, on se dit que ce ne sera pas très grave si l’on garde un retard de plus de six mois et que la situation se stabilisera à un moment. Peut-être que c’est vrai, mais peut-être pas. Si ce n’est pas le cas, le fait de ne rien faire représente un risque vraiment important. C’est pour cette raison que les deux propositions sont très intéressantes. 

Je vais partager deux exemples de cas dans lesquels nous avons collectivement fait des choses de cet ordre-là, et qui ont d’ailleurs été très coûteuses. Un exemple scientifique est le CERN en physique. Le CERN est une machine qui permet de faire de la recherche en physique que la France, et très peu de pays, ne peuvent pas se payer seuls. L’Europe a donc décidé, avec quelques partenaires, de financer le CERN et d’avoir des tranches qui arrivent après, parce qu’on a considéré, et on considère toujours, que c’est important d’être à la pointe de la recherche en physique. La Chine a l’équivalent. Les États-Unis, pour diverses raisons, ne sont pas sûrs que la science soit toujours aussi importante, donc ils se posent la question.

Pour donner un autre exemple complètement différent, dans le domaine militaire, la France a décidé il y a longtemps de développer un avion de combat, le programme Rafale. Économiquement, ce n’est pas un bon calcul. On aurait intérêt à acheter les avions militaires américains. Mais on a collectivement décidé qu’on ne voulait pas faire cela, qu’on voulait avoir une puissance militaire française. Ensuite, on a commencé à dire qu’on voulait des programmes européens. Cette réalisation est en train de tâtonner un peu en ce moment. 

En tout cas, c’est le moment de se demander pourquoi, par le passé, nous avons considéré qu’il était important de développer un certain nombre de capacités. 

Ce qu’on cherche à faire, c’est s’assurer que la France et l’Europe, plus largement avec l’Allemagne, l’Italie, la Finlande, etc., aient le contrôle et la continuité d’accès à ces capacités d’IA de frontière ou juste en dessous de la frontière. 

Concernant le débat Prométhée-Thémis : je pense qu’il faut en tout cas commencer le plus vite possible.

Victor Storchan

Juste un mot pour rassurer les gens qui s’inquiètent de l’état de santé de Google, Nvidia et compagnie : quand on regarde le ratio dette sur EBITDA, tout va très très bien.

Jamal Atif

Dans la ruée vers l’or, ce sont ceux qui vendent les pelles qui ont gagné le plus. Le modèle de Google s’est stabilisé effectivement, mais quel est votre point de vue sur OpenAI et Anthropic ?

Victor Storchan

Selon moi, entre 2023 et 2025, on doutait de leur capacité à générer des revenus. Maintenant qu’ils annoncent des marges brutes se situant entre 60 et 80 %, la donne change. Cela confirme le fait que si l’on connaît les prix des API tokens, on peut comprendre quel est le compute multiplier, qui doit être aux alentours de 6 par rapport au modèle chinois. 

Si l’on regarde sur trois ans, on constate que si une dynamique de commoditisation était en place, le prix de la frontière devait s’écrouler. Le prix de l’IA s’effondre, mais à capacité donnée. Donc, vous fixez une capacité, vous regardez l’année suivante, et dans deux ans, cela s’écroule. Mais à la frontière, je parlais d’un facteur 50 entre la vente des tokens et l’électricité. Pour des tokens produits par 1 mégawatt d’énergie, le facteur 50 correspond à peu près à ce que l’on observe aujourd’hui. 

Quand on regarde les années précédentes, l’année dernière, il y a deux ans, quelle est la trajectoire ? La trajectoire est en hausse. Le prix de la frontière a augmenté, ce qui indique déjà qu’en tendance, les laboratoires d’IA se porteront très bien.

Lenny Benbara

Le prix peut augmenter, mais les gains deviennent alors marginaux et décroissants. Cela n’est pas du tout contradictoire. On peut tout à fait observer une hausse du prix de la frontière tout en réduisant le gain de capacité au dollar équivalent investi dans la poursuite de la frontière. Cela ne tranche pas le scénario actuel concernant la commoditisation.

J’aimerais rapidement revenir plus généralement sur la question de savoir si l’on a besoin d’un projet, si l’on doit se lancer, si l’on doit y aller. C’est vrai, mais c’est le cas dans différents domaines. 

On parle d’un secteur de l’économie avec une chaîne d’approvisionnement très compliquée. Derrière, il y a les semi-conducteurs, sujet absolument décisif, et les fonderies, qui coûtent très cher. Il y a de nombreux enjeux, en plus de l’innovation technologique potentielle, car en ce moment, on travaille essentiellement avec du silicium. Mais il y a aussi de la R&D dans l’informatique, avec d’autres types de puces qui pourraient être révolutionnaires et nous permettre de rattraper le retard que nous avons sur les acteurs qui ont accumulé un savoir-faire spécifique dans le silicium. Il y a aussi le quantique. Il y a eu beaucoup de polémiques cyber cet été, mais le jour où il y aura le Q-Day, nous pourrions potentiellement rencontrer de très gros problèmes cryptographiques pour notre économie, nos infrastructures, etc. 

Les défis sont donc nombreux et il va falloir choisir où concentrer nos efforts, comment gérer nos dépendances, ce que nous allons relocaliser et ce que nous allons devoir acheter. Le débat se pose sur l’ensemble des briques de notre économie aujourd’hui, et nous savons que nous ne pourrons pas tout rapatrier. 

Comment allons-nous créer une souveraineté continentale et nationale dans des domaines industriels fondamentaux alors que nous savons que nous resterons interdépendants de puissances qui pourraient être hostiles ou agressives sur le plan industriel ?

Anne Bouverot

Je suis d’accord, mais je voulais quand même donner quelques chiffres pour donner un ordre de grandeur. Si l’on considère ce que l’Europe dépense annuellement dans le domaine de la technologie et du numérique, soit une grande partie de cette chaîne de valeur, cela représente environ 300 milliards par an. C’est ce qui va aux États-Unis. Les projections de croissance sont de 30 à 50 % par an en fonction des domaines, car on est justement dans un système de dépendance extrêmement fort. 

On peut avoir très peur du fait que Prométhée et Thémis coûtent très cher, que nos finances publiques sont limitées, même si l’on agit au niveau de l’Europe, et donc décider de continuer comme avant. Pourtant, au lieu de continuer à envoyer cet argent vers les États-Unis, contrat après contrat, entreprise après entreprise, on aimerait en prendre une partie pour investir et acheter plutôt que de continuer à louer. De toute façon, on va payer. Bien sûr, on ne passera pas d’une dépendance de 80 ou 90 % au cloud et à l’IA américains à un modèle entièrement français ou européen. Mais comment construire pas à pas un peu plus d’autonomie ? L’équation est toujours difficile à intégrer dans le budget d’un pays, mais globalement, on est en train de payer, et on va payer de plus en plus.

Jamal Atif

J’ai une question, car les propositions d’aujourd’hui m’intéressent beaucoup. 

Demain, l’IA agentique, qui est moins centralisée, va faire son apparition. En termes techniques, il y aura du MARL (multi-agent reinforcement learning). Un grand nombre d’agents IA sera orchestré qui agiront dans le monde. C’est là que l’on voit le chemin déjà tracé avec deux tendances. La première est celle où l’on va avoir des agents IA qui agissent. Pourtant, il faut leur donner l’autorisation d’agir. Il y a donc quelque part un contrôle que l’on peut garder. D’un autre côté, il y a ce que les amis de la Silicon Valley nous vendent comme le « recursive self-improvement ». Cela signifie que les prochains modèles ne seront pas construits par des humains, mais par les modèles eux-mêmes. Pour ceux qui s’intéressent au domaine, il suffit de relire Ray Kurzweil qui a écrit un livre dans lequel on retrouve la courbe de la singularité, et que l’on retrouve également dans ce phénomène d’aujourd’hui. 

Parmi ces deux tendances, l’une est très incertaine, mais l’autre est à peu près certaine. On aura des agents IA qui se coordonneront, peut-être même parfois collaboreront, et deviendront plus stratèges. Il y a même un modèle économique sous-jacent. L’économie théorique connaît bien ces problèmes. 

Alors, ma question est la suivante : comment, dans ce monde qui vient, prendre un pas d’avance et contrôler les infrastructures tout en ayant des modèles de frontières qui discutent entre eux ?

Victor Storchan

En ce qui concerne les IA multiagents, on observe actuellement une transition : on passe d’un modèle de chat où un humain échange avec un modèle à un modèle où l’IA travaille très longtemps, toute une nuit, un jour, 10 jours, 2 mois, 3 mois, etc., sur un problème qu’on lui soumet. Elle peut donc également utiliser un nombre de tokens absolument délirant. Ce type de workload, c’est-à-dire de tâches pour l’IA, est assez différent et demande de nouvelles manières de déployer ces modèles pour qu’ils soient efficaces quand ils consomment plus de tokens. On voit que l’accélération de la consommation de tokens dépasse très largement la capacité globale du monde à construire des capacités de calcul. 

Pour revenir à Prométhée, dans un scénario où le laboratoire d’IA ne livre pas de modèles à la frontière, avec tous ces systèmes multiagents qui vont travailler dans l’économie, on a besoin de data centers qui puissent faire tourner ces modèles beaucoup plus longtemps. C’est le scénario où le laboratoire ne fonctionne pas et où les 12 gigawatts de centres de données sont quand même extrêmement utiles et peuvent nous enrichir.

Lenny Benbara

C’est également notre conviction. Pour terminer sur une convergence, c’est peut-être l’élément central à construire.