Depuis quelques années, l’intelligence artificielle donne lieu à une course mondiale aux milliards. Les géants technologiques américains investissent massivement dans les centres de données, les processeurs et les infrastructures nécessaires à l’entraînement et au fonctionnement de modèles toujours plus puissants.

Cette fuite en avant soulève pourtant une question simple: la valeur économique créée par l’intelligence artificielle progressera-t-elle au même rythme que les ressources nécessaires à son fonctionnement ?

C’est peut-être là que se situe la prochaine grande bataille de l’IA. Non plus seulement celle de la puissance, mais celle de l’efficacité.

Quand la puissance devient une question économique

Le succès des grands modèles de langage repose largement sur l’architecture Transformer, présentée en 2017 par des chercheurs de Google. Elle a profondément transformé l’IA en permettant de paralléliser une grande partie des calculs nécessaires à l’entraînement de modèles de très grande taille.

Une course à l’échelle s’est alors engagée: davantage de paramètres, davantage de données, davantage d’unités de traitement graphique (UTG, en anglais GPU), davantage de mémoire et, par conséquent, davantage d’énergie et d’infrastructures.

Cette stratégie a produit des résultats spectaculaires. Mais elle pose désormais une question économique fondamentale: jusqu’où peut-on augmenter la puissance d’un modèle sans que le coût de cette puissance ne réduise sa valeur ?

Un modèle extrêmement performant n’est pas nécessairement un modèle économiquement performant.

Une entreprise industrielle qui cherche à anticiper une panne, optimiser une chaîne de production ou assister un opérateur n’a pas nécessairement besoin d’une intelligence artificielle capable de répondre à toutes les questions possibles. Elle a besoin d’un système suffisamment performant, fiable, spécialisé et accessible.

Le meilleur modèle n’est donc pas toujours celui qui possède le plus de paramètres.

Il peut être l’optimisé qui obtient le meilleur résultat avec le moins de ressources.

La contrainte chinoise comme révélateur

L’évolution récente de l’IA chinoise est particulièrement intéressante à cet égard.

Confrontés à des restrictions d’accès à certaines technologies américaines de pointe et à des conditions différentes de financement et d’infrastructure, plusieurs acteurs chinois ont été incités à rechercher davantage d’efficacité.

Il serait toutefois réducteur d’opposer une IA américaine fondée sur les réseaux autoattentifs (Transformers) à une IA chinoise qui aurait choisi une architecture radicalement différente. Les chercheurs des deux pays explorent aujourd’hui des voies multiples: modèles à experts, architectures hybrides, mécanismes d’attention optimisés et méthodes destinées à réduire les coûts d’entraînement ou d’inférence.

Mais le résultat est révélateur. Des entreprises chinoises ont démontré qu’il était possible d’obtenir des performances très élevées avec des coûts nettement inférieurs à ceux des modèles les plus lourds.

Les architectures de type mélange d’experts (Mixture-of-Experts), par exemple, permettent de disposer d’un très grand nombre de paramètres tout en n’en activant qu’une partie pour chaque requête. D’autres travaux cherchent à réduire le coût du traitement des contextes très longs.

Le changement de perspective est essentiel. L’enjeu n’est plus de mobiliser toujours davantage de puissance de calcul, mais de déterminer quelle puissance est réellement nécessaire pour créer une valeur utile.

Vers une nouvelle métrique de l’IA ?

Cette évolution pourrait devenir déterminante dans la prochaine phase de l’intelligence artificielle.

Jusqu’à présent, nous avons surtout comparé les modèles sur leurs performances : raisonnement, programmation, résolutions mathématiques, compréhension du langage ou capacités multimodales.

Nous devrions désormais regarder une autre donnée: combien d’intelligence utile obtenons-nous pour un dollar, un watt ou une unité de calcul ?

Car l’IA entre maintenant dans l’économie réelle.

Un modèle légèrement moins performant, mais beaucoup moins coûteux, peut-être plus intéressant pour une entreprise qu’un modèle de pointe dont chaque requête mobilise des ressources considérables.

Cette logique est particulièrement importante pour l’industrie. Un robot chargé de contrôler une chaîne de production, un système d’analyse documentaire ou un outil embarqué dans une machine n’a pas besoin d’une intelligence générale. Il doit être fiable, spécialisé, rapide et économiquement viable.

L’avenir de l’IA ne sera peut-être pas constitué uniquement de quelques modèles généralistes toujours plus puissants. Il pourrait aussi reposer sur une multitude de modèles spécialisés, conçus pour des usages, des secteurs et des environnements particuliers.

La prochaine bataille de l’IA pourrait ainsi passer de la course aux paramètres à la course au rendement du modèle calculatoire.

Une fenêtre stratégique pour la Francophonie

Cette évolution mérite une attention particulière au Québec, au Canada et plus largement dans l’espace francophone.

Nous ne disposons ni des moyens financiers des centres de données à grande échelle américains ni, dans la plupart de nos territoires, de la capacité industrielle chinoise. Mais faut-il nécessairement chercher à reproduire leur modèle ?

Rien n’est moins sûr.

La Francophonie constitue un espace économique, scientifique et culturel singulier. Elle relie l’Amérique du Nord, l’Europe, l’Afrique, les Caraïbes, l’Asie, l’océan Indien et le Pacifique. Ses territoires présentent des niveaux de développement, des infrastructures et des besoins très différents.

Cette diversité est souvent considérée comme une difficulté. Elle peut aussi devenir un avantage.

Si l’intelligence artificielle doit se déployer dans l’industrie, les services, l’éducation, la recherche, les administrations et les territoires, la performance ne se mesurera plus seulement à la puissance du modèle, mais à sa capacité à répondre efficacement à des besoins et à des contraintes spécifiques.

Une entreprise industrielle québécoise, une PME africaine, une université européenne ou une administration de l’océan Indien n’ont pas nécessairement les mêmes besoins.

Mais elles peuvent partager certaines ressources, certains standards, certaines connaissances et surtout un espace linguistique commun.

La Francophonie pourrait donc devenir davantage qu’un marché pour des technologies conçues ailleurs. Elle pourrait devenir un espace de mutualisation des ressources nécessaires à l’intelligence artificielle.

Cela suppose toutefois de dépasser une conception trop étroite de la langue. L’enjeu n’est pas simplement de traduire en français des modèles conçus dans d’autres environnements linguistiques.

Il est aussi de disposer de ressources permettant de nommer, structurer et faire circuler les connaissances scientifiques et techniques entre les langues.

Cette dimension est souvent sous-estimée. Pourtant, la capacité à développer et à déployer des technologies adaptées à différents environnements suppose aussi de disposer de ressources linguistiques et terminologiques solides.

Ne pas chercher à reproduire les géants

La leçon pour la Francophonie n’est pas qu’il faudrait construire une gigantesque « IA francophone » capable de rivaliser frontalement avec les modèles américains ou chinois.

Ce serait probablement poursuivre la course sur le terrain des autres.

Pour des économies qui ne peuvent ni ne souhaitent rivaliser avec les investissements des géants américains ou chinois, cette évolution ouvre un autre terrain de compétition : celui de la spécialisation.

Industrie, agriculture, santé, administration, éducation, énergie, traduction, recherche : les besoins sont suffisamment spécifiques pour que la meilleure IA ne soit pas nécessairement la plus générale, mais celle qui connaît le mieux son domaine, son environnement et ses utilisateurs.

Notre intérêt pourrait être ailleurs: développer des modèles spécialisés, des ressources linguistiques, des standards communs, des applications adaptées aux besoins des territoires et des entreprises, et favoriser la mutualisation de ce qui peut l’être.

La souveraineté numérique ne se résume pas aux puces, aux centres de données ou à la possession d’un modèle.

Elle concerne aussi notre capacité à maîtriser les données, les connaissances, les langues et les usages qui donnent leur valeur à ces technologies.

C’est peut-être ici que la contrainte peut devenir une stratégie.

Nous n’avons pas nécessairement besoin de disposer de la plus grande puissance de calcul.

Nous devons surtout être capables de choisir les domaines dans lesquels nous voulons investir, les usages que nous voulons maîtriser et les ressources que nous pouvons mutualiser.

Après avoir été une course à la puissance, l’intelligence artificielle pourrait devenir une course à l’efficacité.

Pour la Francophonie, faire mieux avec moins ne serait alors plus une stratégie par défaut. Ce pourrait être un choix stratégique.