AMI – Intelligence Artificielle Avancée – La Fin de la Mise à l'Échelle : Pourquoi Yann LeCun ne croit plus aux LLM

600 milliards pour une approche erronée ? Le « parrain de l’IA » parie contre LLaMA, ChatGPT et consorts.

L'annonce a fait l'effet d'une bombe dans le secteur technologique en novembre 2025. Yann LeCun, l'un des trois pères fondateurs de l'apprentissage profond et directeur scientifique de Meta, annonçait son départ après douze ans au sein de l'entreprise pour fonder sa propre start-up. Cette décision dépasse largement le simple choix de carrière d'un scientifique. Elle marque un tournant fondamental dans l'industrie mondiale de l'intelligence artificielle et révèle le fossé grandissant entre les intérêts du marché à court terme et la vision scientifique à long terme.

LeCun, lauréat du prix Turing en 2018 avec Geoffrey Hinton et Yoshua Bengio, est considéré comme l'architecte des réseaux neuronaux convolutifs, qui constituent aujourd'hui le socle des systèmes modernes de traitement d'images. Son départ intervient alors que l'ensemble du secteur investit des centaines de milliards de dollars dans de vastes modèles de langage, une technologie que LeCun qualifie depuis des années d'impasse fondamentale. Avec sa nouvelle entreprise, ce scientifique, aujourd'hui âgé de 65 ans, entend explorer ce qu'il appelle l'Intelligence Artificielle Avancée, une approche radicalement différente, fondée sur des modèles du monde et partant de la perception physique, et non du texte.

Les implications économiques de cette évolution sont immenses. Meta a investi à elle seule plus de 600 milliards de dollars dans l'infrastructure de l'IA ces trois dernières années. OpenAI a atteint une valorisation de 500 milliards de dollars, malgré un chiffre d'affaires annuel de seulement 10 milliards de dollars. L'ensemble du secteur s'est engagé dans une voie que l'un de ses plus importants pionniers qualifie désormais publiquement d'impasse. Pour comprendre les conséquences économiques de cette évolution, il est indispensable d'analyser en profondeur les structures techniques, organisationnelles et financières de la révolution actuelle de l'IA.

Convient à:

• Meta investira 600 milliards de dollars américains pour construire une infrastructure d'IA aux États-Unis.

L'architecture d'une bulle

L'architecture Transformer, introduite par des chercheurs de Google en 2017, a transformé le paysage de l'IA à un rythme sans précédent. Cette approche a permis, pour la première fois, de traiter efficacement des volumes massifs de texte et d'entraîner des modèles de langage aux capacités inédites. OpenAI s'est appuyé sur ces fondements avec sa série GPT qui, avec ChatGPT en novembre 2022, a démontré au grand public, pour la première fois, le potentiel de ces technologies. Le succès fut immédiat. En quelques mois, des dizaines de milliards de dollars ont afflué dans le secteur.

Cependant, depuis fin 2024, des signes de plus en plus nombreux indiquent que ce développement exponentiel atteint ses limites. OpenAI développe depuis plus de 18 mois le successeur de GPT-4, appelé en interne Orion ou GPT-5. L'entreprise aurait mené au moins deux campagnes d'entraînement à grande échelle, chacune ayant coûté environ 500 millions de dollars. Les résultats sont décevants. Alors que GPT-4 représentait un bond en avant considérable par rapport à GPT-3, les améliorations apportées par Orion à GPT-4 sont marginales. Dans certains domaines, notamment la programmation, le modèle ne montre pratiquement aucun progrès.

Cette évolution contredit fondamentalement les lois d'échelle, ces principes empiriques qui, jusqu'à récemment, guidaient l'ensemble du secteur. L'idée de base était simple : plus un modèle est grand, plus les données d'entraînement sont nombreuses et plus la puissance de calcul est importante, plus le gain de performance suit une fonction puissance prévisible. Ce principe semblait universellement valable et justifiait les investissements astronomiques de ces dernières années. Or, il s'avère que ces courbes s'aplatissent. Un nouveau doublement des investissements n'entraîne plus le doublement des performances escompté.

Les raisons de cette situation sont nombreuses et techniquement complexes. Un problème majeur réside dans la quantité de données disponibles. GPT-4 a été entraîné avec environ 13 000 milliards de jetons, soit la quasi-totalité du contenu accessible au public sur Internet. Pour GPT-5, il n'existe tout simplement pas assez de nouvelles données de haute qualité. OpenAI a réagi en recrutant des développeurs de logiciels, des mathématiciens et des physiciens théoriciens pour générer de nouvelles données en écrivant du code et en résolvant des problèmes mathématiques. Cependant, même si 1 000 personnes produisaient 5 000 mots par jour, il faudrait des mois pour générer seulement un milliard de jetons. Le passage à l'échelle à partir de données générées par des humains est tout simplement impossible.

En guise d'alternative, les entreprises s'appuient de plus en plus sur les données synthétiques, c'est-à-dire les données générées par d'autres modèles d'IA. Mais un nouveau danger se profile : l'effondrement des modèles. Lorsque ces derniers sont entraînés de manière récursive sur des données générées par d'autres modèles, de petites erreurs s'amplifient au fil des générations. Il en résulte des modèles de plus en plus déconnectés de la réalité, dans lesquels les groupes minoritaires disparaissent de manière disproportionnée. Une étude publiée dans Nature en 2024 a montré que ce processus se produit étonnamment vite. Les données synthétiques ne sont donc pas une solution miracle, mais comportent au contraire des risques importants.

La transition énergétique et les limites de la croissance

Outre la barrière des données, il en existe une seconde, plus fondamentale encore : la barrière énergétique. L’entraînement de GPT-3 a consommé environ 1 300 mégawattheures d’électricité, soit l’équivalent de la consommation annuelle de 130 foyers américains. GPT-4 a nécessité environ 50 fois cette quantité, soit 65 000 mégawattheures. La puissance de calcul requise pour entraîner de grands modèles d’IA double environ tous les 100 jours. Cette croissance exponentielle engendre rapidement des limitations matérielles.

Les centres de données qui entraînent et exploitent ces modèles consomment déjà autant d'électricité que de petites villes. L'Agence internationale de l'énergie prévoit que la consommation d'électricité des centres de données augmentera de 80 % d'ici 2026, passant de 20 térawattheures en 2022 à 36 térawattheures en 2026. L'intelligence artificielle est le principal moteur de cette croissance. À titre de comparaison, une simple requête ChatGPT consomme environ dix fois plus d'énergie qu'une recherche Google. Avec des milliards de requêtes par jour, cela représente des quantités colossales.

Cette situation contraint les entreprises technologiques à prendre des mesures radicales. Microsoft a déjà signé des contrats avec des fournisseurs d'énergie nucléaire. Meta, Amazon et Google investissent conjointement plus de 1 300 milliards de dollars dans les années à venir pour construire l'infrastructure nécessaire. Mais ces investissements se heurtent à des limites physiques et politiques. Les États-Unis ne disposent tout simplement pas d'infrastructures énergétiques suffisantes pour alimenter les centres de données d'IA prévus. Les analystes estiment que des projets d'une valeur de 750 milliards de dollars pourraient être retardés d'ici 2030 en raison des goulets d'étranglement des infrastructures énergétiques.

À cela s'ajoute la dimension géopolitique. Les besoins énergétiques de l'industrie de l'IA intensifient la concurrence pour les ressources et accroissent la dépendance aux énergies fossiles. Alors que les décideurs politiques exigent la neutralité climatique, l'industrie de l'IA fait grimper la consommation d'énergie. Cette tension va s'aggraver dans les années à venir et pourrait entraîner des interventions réglementaires visant à limiter la croissance du secteur.

Le mur architectural et l'alternative de LeCun

Le troisième obstacle est peut-être le plus fondamental : la limite architecturale. Yann LeCun soutient depuis des années que l’architecture Transformer présente des limitations intrinsèques qu’une simple mise à l’échelle ne saurait surmonter. Sa critique porte sur le fonctionnement fondamental des grands modèles de langage. Ces systèmes sont entraînés à prédire le mot suivant dans une séquence. Ils apprennent des schémas statistiques dans d’immenses corpus textuels, mais ils ne développent pas une véritable compréhension de la causalité, des lois physiques ou de la planification à long terme.

LeCun aime illustrer ce problème par une comparaison : un enfant de quatre ans a assimilé davantage d’informations sur le monde par la perception visuelle que les modèles de langage les plus performants par le biais du texte. Un enfant comprend intuitivement que les objets ne disparaissent pas, que les objets lourds tombent et que les actions ont des conséquences. Il a développé un modèle du monde, une représentation interne de la réalité physique, qu’il utilise pour faire des prédictions et planifier ses actions. Les modèles de langage sont dépourvus de cette capacité fondamentale. Ils peuvent produire des textes d’une cohérence impressionnante, mais ils ne comprennent pas le monde.

Cette limitation se manifeste régulièrement dans les applications pratiques. Si l'on demande à GPT-4 de visualiser un cube en rotation, il échoue à une tâche que n'importe quel enfant pourrait accomplir sans difficulté. Face à des tâches complexes nécessitant une planification en plusieurs étapes, les modèles échouent fréquemment. Ils ne peuvent pas tirer d'enseignement fiable de leurs erreurs, car chaque erreur de prédiction peut potentiellement se propager et s'amplifier. Les modèles autorégressifs présentent une fragilité fondamentale : une erreur en début de séquence peut compromettre l'ensemble du résultat.

L'alternative proposée par LeCun est un modèle du monde basé sur l'architecture prédictive d'intégration conjointe (JOP). L'idée principale est que les systèmes d'IA ne devraient pas apprendre par la prédiction de texte, mais plutôt en prédisant des représentations abstraites d'états futurs. Au lieu de générer pixel par pixel ou jeton par jeton, le système apprend une représentation structurée et compressée du monde et peut l'utiliser pour simuler mentalement différents scénarios avant d'agir.

Sous la direction de LeCun, Meta a déjà développé plusieurs implémentations de cette approche. I-JEPA pour les images et V-JEPA pour les vidéos présentent des résultats prometteurs. Ces modèles apprennent les composantes de haut niveau des objets et leurs relations spatiales sans nécessiter une acquisition intensive de données. Leur entraînement est également nettement plus économe en énergie que celui des modèles conventionnels. L'objectif est de combiner ces approches en systèmes hiérarchiques capables de fonctionner à différents niveaux d'abstraction et sur différentes échelles de temps.

La différence cruciale réside dans la nature du processus d'apprentissage. Alors que les modèles linéaires (LLM) effectuent essentiellement une reconnaissance de formes poussée à l'extrême, les modèles du monde visent à appréhender la structure et la causalité de la réalité. Un système doté d'un modèle du monde robuste peut anticiper les conséquences de ses actions sans avoir à les mettre en œuvre. Il peut apprendre à partir de quelques exemples seulement, car il comprend les principes sous-jacents, et non de simples corrélations superficielles.

Dysfonctionnement organisationnel et crise existentielle de Meta

Le départ de LeCun n'est cependant pas uniquement une décision scientifique, mais aussi le résultat de dysfonctionnements organisationnels chez Meta. En juin 2025, le PDG Mark Zuckerberg annonçait une restructuration majeure des divisions d'IA. Il créait Meta Superintelligence Labs, une nouvelle entité dont l'objectif affiché était de développer une intelligence artificielle générale. Cette unité était dirigée par Alexandr Wang, l'ancien PDG de Scale AI, une société de préparation de données, âgé de 28 ans. Meta avait investi 14,3 milliards de dollars dans Scale AI et recruté plus de 50 ingénieurs et chercheurs issus de la concurrence.

Cette décision a bouleversé la structure existante. L'équipe de recherche fondamentale en IA de LeCun, qui avait consacré des années au développement de PyTorch et des premiers modèles Llama, a été marginalisée. FAIR s'est orientée vers la recherche fondamentale avec un horizon de cinq à dix ans, tandis que les nouveaux laboratoires de superintelligence se concentraient sur le développement de produits à court terme. Selon certaines sources, le chaos règne de plus en plus au sein des départements d'IA de Meta. Les jeunes talents récemment recrutés ont exprimé leur frustration face à la bureaucratie d'une grande entreprise, tandis que les équipes établies ont vu leur influence décliner.

La situation s'est aggravée suite à plusieurs restructurations en seulement six mois. En août 2025, Superintelligence Labs a de nouveau été réorganisé, cette fois en quatre sous-unités : un mystérieux laboratoire (dont la nature reste à définir) dédié aux nouveaux modèles, une équipe produit, une équipe infrastructure et FAIR. Une nouvelle vague de licenciements a suivi en octobre, avec environ 600 employés placés en congé sans solde. Le motif invoqué : réduire la complexité organisationnelle et accélérer le développement de l'IA.

Ces restructurations constantes contrastent fortement avec la stabilité relative de concurrents tels qu'OpenAI, Google et Anthropic. Elles révèlent une incertitude fondamentale chez Meta quant à sa stratégie. Zuckerberg a reconnu que Meta est à la traîne dans la course à la domination de l'IA. Llama 4, lancé en avril 2025, a été une déception. Si le modèle Maverick a démontré une bonne efficacité, ses performances ont été catastrophiques sur des scénarios plus longs. Des accusations ont émergé selon lesquelles Meta aurait optimisé ses performances en entraînant spécifiquement ses modèles sur des questions de test courantes, gonflant ainsi artificiellement les résultats.

Pour LeCun, la situation est devenue intenable. Sa vision d'une recherche fondamentale à long terme se heurtait à la pression d'obtenir des succès commerciaux rapides. Le fait qu'il soit de facto subordonné à Wang, beaucoup plus jeune, a probablement contribué à sa décision. Dans sa lettre d'adieu, LeCun souligne que Meta restera partenaire dans sa nouvelle entreprise, mais le message est clair : la recherche indépendante qu'il juge essentielle n'est plus possible au sein des structures de l'entreprise.

Ici, vous apprendrez comment votre entreprise peut mettre en œuvre des solutions d’IA personnalisées rapidement, en toute sécurité et sans barrières d’entrée élevées.

Une plateforme d'IA gérée est une solution complète et sans souci pour l'intelligence artificielle. Au lieu de gérer une technologie complexe, une infrastructure coûteuse et des processus de développement longs, vous recevez une solution clé en main adaptée à vos besoins, proposée par un partenaire spécialisé, souvent en quelques jours.

Les principaux avantages en un coup d’œil :

⚡ Mise en œuvre rapide : De l'idée à la mise en œuvre opérationnelle en quelques jours, et non en quelques mois. Nous proposons des solutions concrètes qui créent une valeur immédiate.

🔒 Sécurité maximale des données : Vos données sensibles restent chez vous. Nous garantissons un traitement sécurisé et conforme, sans partage de données avec des tiers.

💸 Aucun risque financier : vous ne payez qu'en fonction des résultats. Les investissements initiaux importants en matériel, logiciels ou personnel sont totalement éliminés.

🎯 Concentrez-vous sur votre cœur de métier : concentrez-vous sur ce que vous faites le mieux. Nous prenons en charge l'intégralité de la mise en œuvre technique, de l'exploitation et de la maintenance de votre solution d'IA.

📈 Évolutif et évolutif : Votre IA évolue avec vous. Nous garantissons une optimisation et une évolutivité continues, et adaptons les modèles avec souplesse aux nouvelles exigences.

En savoir plus ici :

• La solution d'IA managée - Services d'IA industrielle : la clé de la compétitivité dans les secteurs des services, de l'industrie et de l'ingénierie mécanique

L'anatomie économique de la formation des ampoules

Les développements chez Meta sont symptomatiques d'une dynamique économique plus large au sein de l'industrie de l'IA. Depuis la percée de ChatGPT fin 2022, un boom des investissements sans précédent s'est produit. Au cours du seul premier trimestre 2025, 73,1 milliards de dollars ont été injectés dans les startups d'IA, soit 58 % de l'ensemble des investissements en capital-risque. OpenAI a atteint une valorisation de 500 milliards de dollars, devenant ainsi la première entreprise privée à franchir ce seuil sans jamais avoir été rentable.

Les valorisations sont totalement disproportionnées par rapport aux revenus réels. OpenAI a généré 10 milliards de dollars de revenus annuels en 2025 pour une valorisation de 500 milliards de dollars, soit un ratio cours/chiffre d'affaires de 50. À titre de comparaison, même au plus fort de la bulle Internet, rares étaient les entreprises à atteindre de tels multiples. Anthropic est valorisée à 170 milliards de dollars pour un chiffre d'affaires de 2,2 milliards de dollars, soit un ratio cours/bénéfice d'environ 77. Ces chiffres témoignent d'une surévaluation massive.

La structure de financement circulaire qui s'est mise en place est particulièrement problématique. Nvidia investit 100 milliards de dollars dans OpenAI, qui est en retour obligé d'acheter pour des dizaines de milliards de dollars de puces Nvidia. OpenAI a conclu des accords similaires avec AMD, pour des montants également de plusieurs dizaines de milliards de dollars. Microsoft a investi plus de 13 milliards de dollars dans OpenAI et héberge son infrastructure sur Azure. Amazon a investi 8 milliards de dollars dans Anthropic, qui utilise en retour AWS comme plateforme cloud principale et ses propres puces d'IA.

Ces montages rappellent étrangement le financement circulaire de la fin des années 1990, lorsque des entreprises technologiques se vendaient du matériel et comptabilisaient ces transactions comme des revenus sans générer de réelle valeur économique. Les analystes évoquent un réseau de relations commerciales de plus en plus complexe et opaque, alimentant une bulle spéculative de mille milliards de dollars. Les parallèles avec l'éclatement de la bulle Internet et la crise financière de 2008 sont frappants : des mécanismes de financement opaques et non conventionnels, difficiles à appréhender et à évaluer pour les investisseurs.

À cela s'ajoute la concentration des capitaux. Les sept plus grandes entreprises technologiques américaines ont vu leur consommation d'énergie augmenter de 19 % en 2023, tandis que la consommation médiane des entreprises du S&P 500 est restée stable. Environ 80 % des gains boursiers américains en 2025 étaient attribuables aux entreprises liées à l'intelligence artificielle. Nvidia est devenue à elle seule l'action la plus achetée par les investisseurs particuliers, qui ont investi près de 30 milliards de dollars dans le fabricant de puces en 2024.

Cette concentration extrême comporte des risques systémiques. Si les prévisions de rendement s'avèrent irréalistes, un krach boursier pourrait avoir des conséquences considérables. JPMorgan estime que les émissions d'obligations de qualité liées à l'IA pourraient à elles seules atteindre 1 500 milliards de dollars d'ici 2030. Une grande partie de cette dette repose sur l'hypothèse que les systèmes d'IA généreront des gains de productivité massifs. Si cette hypothèse ne se concrétise pas, une crise du crédit se profile à l'horizon.

Convient à:

• Meta mise tout sur la superintelligence : des investissements de plusieurs milliards de dollars, des centres de données gigantesques et une course risquée à l'IA

La guerre des talents et les bouleversements sociaux

Les tensions économiques se font également sentir sur le marché du travail. Le ratio entre les postes vacants en IA et les candidats qualifiés est de 3,2 pour 1. On compte 1,6 million de postes à pourvoir, contre seulement 518 000 candidats qualifiés. Cette pénurie extrême fait exploser les salaires. Les spécialistes en IA peuvent augmenter leur revenu annuel de plusieurs dizaines de milliers de dollars en acquérant des compétences en Python, TensorFlow ou dans des frameworks d'IA spécialisés.

La concurrence est féroce. Grandes entreprises technologiques, startups bien financées et même gouvernements se disputent les mêmes experts de haut niveau. OpenAI a connu un exode de cadres ces derniers mois, notamment son cofondateur Ilya Sutskever et sa directrice technique Mira Murati. Nombre de ces talents lancent leur propre startup ou rejoignent des concurrents. Meta recrute activement chez OpenAI, Anthropic et Google. Anthropic recrute chez Meta et OpenAI.

Cette dynamique a plusieurs conséquences. Premièrement, elle fragmente le paysage de la recherche. Au lieu de travailler à des objectifs communs, de petites équipes au sein de différentes organisations se disputent les mêmes découvertes. Deuxièmement, elle fait grimper les coûts. Les salaires exorbitants des spécialistes en IA ne sont supportables que pour les entreprises bien capitalisées, ce qui exclut les plus petites du marché. Troisièmement, elle retarde les projets. Les entreprises signalent que des postes restent vacants pendant des mois, perturbant ainsi les délais de développement.

Les implications sociétales dépassent largement le secteur technologique. Si l'IA représente véritablement la prochaine révolution industrielle, un bouleversement majeur du marché du travail est imminent. Contrairement à la première révolution industrielle, qui a principalement touché le travail manuel, l'IA cible les tâches cognitives. Ce ne sont pas seulement les tâches simples de saisie de données et de service client qui sont menacées, mais potentiellement aussi des professions hautement qualifiées telles que programmeur, designer, avocat et journaliste.

Une étude du secteur de la gestion d'actifs prévoit une baisse de 5 % de la part des revenus issus du travail, en raison de l'IA et du big data. Ce chiffre est comparable aux mutations survenues lors de la révolution industrielle, qui avaient entraîné une diminution de 5 à 15 %. La différence cruciale réside dans le fait que la transformation actuelle s'opère sur quelques années, et non sur plusieurs décennies. Les sociétés disposent de très peu de temps pour s'adapter.

Calcul en temps réel et changement de paradigme

Alors que les lois de mise à l'échelle pour le pré-entraînement atteignent leurs limites, un nouveau paradigme a émergé : la mise à l'échelle des calculs lors des tests. Les modèles o1 d'OpenAI ont démontré qu'il est possible d'obtenir des gains de performance significatifs en investissant davantage de puissance de calcul pendant l'inférence. Au lieu de simplement augmenter la taille du modèle, ces systèmes lui permettent de réfléchir plus longtemps à une requête, d'explorer plusieurs pistes de résolution et d'auto-vérifier ses réponses.

Cependant, la recherche montre que ce paradigme présente également des limites. La mise à l'échelle séquentielle, où un modèle itère plusieurs fois sur le même problème, n'entraîne pas d'améliorations continues. Des études sur des modèles comme Deepseeks R1 et QwQ démontrent que des processus de réflexion plus longs ne produisent pas automatiquement de meilleurs résultats. Souvent, le modèle corrige des réponses correctes en remplaçant les réponses incorrectes, plutôt que l'inverse. La capacité d'auto-correction nécessaire à une mise à l'échelle séquentielle efficace est insuffisamment développée.

Le passage à l'échelle parallèle, qui consiste à générer plusieurs solutions simultanément et à sélectionner la meilleure, donne de meilleurs résultats. Cependant, là aussi, le gain marginal diminue à chaque doublement de la puissance de calcul investie. La rentabilité chute rapidement. Pour les applications commerciales qui doivent répondre à des millions de requêtes par jour, les coûts deviennent prohibitifs.

La véritable avancée réside peut-être dans la combinaison de différentes approches. Les architectures hybrides, qui associent les Transformers aux modèles d'espace d'état, promettent d'unir les atouts des deux. Les modèles d'espace d'état, comme Mamba, offrent une complexité linéaire en inférence, tandis que les Transformers excellent dans la capture des dépendances à long terme. De tels systèmes hybrides pourraient rééquilibrer le rapport coût-qualité.

Architectures alternatives et avenir après les Transformers

Parallèlement aux modèles du monde, plusieurs architectures alternatives émergent et pourraient remettre en question la domination des Transformers. Les modèles à espace d'états ont réalisé des progrès significatifs ces dernières années. S4, Mamba et Hyena démontrent qu'un raisonnement efficace sur de longs contextes, avec une complexité linéaire, est possible. Alors que la complexité des Transformers augmente de façon quadratique avec la longueur de la séquence, celle des modèles à espace d'états est linéaire, tant pour l'entraînement que pour l'inférence.

Ces gains d'efficacité pourraient s'avérer cruciaux lors du déploiement de systèmes d'IA en production. Le coût de l'inférence a souvent été sous-estimé. L'entraînement représente un investissement ponctuel, tandis que l'inférence est continue. ChatGPT fonctionne 24h/24 et 7j/7. Avec des milliards de requêtes quotidiennes, même de faibles gains d'efficacité se traduisent par des économies considérables. Un modèle nécessitant deux fois moins de puissance de calcul pour une qualité équivalente bénéficie d'un avantage concurrentiel majeur.

Le défi réside dans la maturation de ces technologies. Les transformateurs bénéficient d'une avance de près de huit ans et d'un vaste écosystème d'outils, de bibliothèques et d'expertise. Les architectures alternatives doivent non seulement être techniquement supérieures, mais aussi utilisables en pratique. L'histoire des technologies regorge de solutions techniquement supérieures qui ont échoué sur le marché faute d'un écosystème adéquat.

Il est intéressant de noter que la concurrence chinoise mise également sur des approches alternatives. DeepSeek V3, un modèle open source doté de 671 milliards de paramètres, utilise une architecture de type « mix-of-experts » où seuls 37 milliards de paramètres sont activés par jeton. Ce modèle atteint des performances comparables à celles de ses concurrents occidentaux lors des tests de performance, mais son entraînement a coûté beaucoup moins cher. Le temps d'entraînement n'a été que de 2,788 millions d'heures sur GPU H800, soit nettement moins que pour les modèles comparables.

Cette évolution démontre que le leadership technologique n'est pas nécessairement l'apanage des acteurs les plus puissants financièrement. Des choix architecturaux judicieux et des optimisations peuvent compenser un manque de ressources. Dans le paysage mondial de l'IA, cela se traduit par une multipolarité croissante. La Chine, l'Europe et d'autres régions développent leurs propres approches, qui ne se contentent pas de copier les modèles occidentaux.

La réévaluation et l'inévitable gueule de bois

La convergence de tous ces facteurs laisse présager une réévaluation imminente du secteur de l'IA. Les valorisations actuelles reposent sur l'hypothèse d'une croissance exponentielle continue, tant en termes de performance des modèles que d'adoption commerciale. Or, ces deux hypothèses sont de plus en plus remises en question. La performance des modèles stagne, tandis que les coûts continuent de s'envoler. Bien que l'adoption commerciale progresse, la monétisation demeure un défi.

OpenAI, valorisée à 500 milliards de dollars, devrait atteindre un chiffre d'affaires annuel d'au moins 100 milliards de dollars et devenir rentable dans les années à venir pour justifier cette valorisation. Cela impliquerait une multiplication par dix en quelques années seulement. À titre de comparaison, il a fallu plus de dix ans à Google pour passer de 10 à 100 milliards de dollars de chiffre d'affaires. Les attentes envers les entreprises d'IA sont démesurées.

Les analystes mettent en garde contre un possible éclatement de la bulle de l'IA. Les parallèles avec la bulle Internet sont frappants. Hier comme aujourd'hui, on observe une technologie révolutionnaire au potentiel immense. Hier comme aujourd'hui, on constate des valorisations irrationnellement élevées et des montages financiers complexes. Hier comme aujourd'hui, les investisseurs justifient ces valorisations absurdes en arguant que la technologie va tout changer et que les critères d'évaluation traditionnels ne sont plus pertinents.

La différence cruciale : contrairement à de nombreuses entreprises internet, les sociétés d’IA actuelles proposent des produits fonctionnels et à forte valeur ajoutée. ChatGPT n’est pas un projet fantôme, mais une technologie utilisée quotidiennement par des millions de personnes. La question n’est pas de savoir si l’IA a de la valeur, mais si elle en a suffisamment pour justifier les valorisations actuelles. La réponse est très probablement non.

La réévaluation sera brutale. Les fonds de capital-risque ont investi 70 % de leurs capitaux dans l'IA. Les fonds de pension et les investisseurs institutionnels y sont fortement exposés. Une chute significative des valorisations de l'IA aurait des conséquences financières considérables. Les entreprises qui dépendent de financements bon marché auraient soudainement beaucoup de mal à lever des fonds. Des projets seraient interrompus et des employés licenciés.

La perspective à long terme et la voie à suivre

Malgré ces perspectives sombres à court terme, le potentiel à long terme de l'intelligence artificielle demeure immense. L'engouement actuel ne change rien à l'importance fondamentale de cette technologie. La question n'est pas de savoir si l'IA tiendra ses promesses, mais comment et quand. Le passage de LeCun du développement de produits à court terme à la recherche fondamentale à long terme ouvre la voie.

La prochaine génération de systèmes d'IA sera probablement différente des modèles de langage actuels. Elle combinera des éléments de modèles du monde, des architectures alternatives et de nouveaux paradigmes d'apprentissage. Elle s'appuiera moins sur une mise à l'échelle par force brute et davantage sur des représentations structurées et efficaces. Elle apprendra du monde physique, et non plus seulement du texte. Enfin, elle comprendra la causalité, et non seulement les corrélations.

Cette vision exige toutefois du temps, de la patience et la liberté de mener des recherches fondamentales. Or, ces conditions sont difficiles à réunir dans le contexte actuel du marché. La pression pour obtenir un succès commercial rapide est immense. Les rapports trimestriels et les évaluations occupent une place prépondérante. Les programmes de recherche à long terme, dont les résultats peuvent prendre des années à se concrétiser, sont difficiles à justifier.

La décision de LeCun de fonder une start-up à 65 ans est un acte remarquable. Il aurait pu prendre une retraite bien méritée, couronnée de succès et d'une place assurée dans l'histoire. Au lieu de cela, il a choisi la voie semée d'embûches d'une vision rejetée par l'industrie dominante. Meta restera partenaire, ce qui signifie que son entreprise disposera de ressources, du moins dans un premier temps. Mais son véritable succès dépendra de sa capacité à démontrer, dans les années à venir, la supériorité de l'intelligence artificielle avancée.

La transformation prendra des années. Même si LeCun a raison et que les modèles mondiaux sont fondamentalement supérieurs, il leur reste à être développés, optimisés et industrialisés. L'écosystème doit être mis en place. Les développeurs doivent apprendre à utiliser les nouveaux outils. Les entreprises doivent migrer de leurs modèles LLM vers les nouveaux systèmes. Historiquement, ces phases de transition ont toujours été difficiles.

De l'engouement à la réalité : la stratégie à long terme en matière d'IA

Le départ de Yann LeCun de Meta représente bien plus qu'un simple changement de personnel. Il symbolise la tension fondamentale entre vision scientifique et pragmatisme commercial, entre innovation à long terme et exigences du marché à court terme. La révolution actuelle de l'IA est à un tournant. Les succès faciles liés à la mise à l'échelle sont désormais épuisés. Les prochaines étapes seront plus difficiles, plus coûteuses et plus incertaines.

Pour les investisseurs, cela signifie qu'il est indispensable d'examiner avec un regard critique les valorisations exorbitantes des champions actuels de l'IA. Pour les entreprises, cela signifie que l'espoir de gains de productivité miraculeux grâce à l'IA risque d'être déçu. Pour la société, cela signifie que la transformation sera plus lente et plus inégale que ne le laisse présager l'engouement actuel.

Parallèlement, les fondements restent solides. L'IA n'est pas une mode passagère, mais une technologie fondamentale qui transformera durablement la quasi-totalité des secteurs de l'économie. Les parallèles avec la révolution industrielle sont pertinents. Comme alors, il y aura des gagnants et des perdants, des excès et des corrections, des bouleversements et des ajustements. La question n'est pas de savoir si l'architecture transformatrice a atteint ses limites, mais plutôt à quoi ressemblera la prochaine phase et qui la façonnera.

Le pari de LeCun sur l'intelligence artificielle avancée et les modèles du monde est audacieux, mais pourrait s'avérer visionnaire. Dans cinq ans, nous saurons si cette rupture avec les méthodes traditionnelles était la bonne décision ou si l'industrie a persévéré dans la même voie. Les années à venir seront cruciales pour le développement à long terme de l'intelligence artificielle et, par conséquent, pour l'avenir économique et sociétal.

Secteurs d'activité : B2B, digitalisation (de l'IA à la XR), ingénierie mécanique, logistique, énergies renouvelables et industrie

En savoir plus ici :

• Centre d'affaires Xpert

Un pôle thématique avec des informations et une expertise :

• Plateforme de connaissances sur l'économie mondiale et régionale, l'innovation et les tendances sectorielles
• Recueil d'analyses, d'impulsions et d'informations contextuelles issues de nos domaines d'intervention
• Un lieu d'expertise et d'information sur les évolutions actuelles du monde des affaires et de la technologie
• Plateforme thématique pour les entreprises qui souhaitent en savoir plus sur les marchés, la numérisation et les innovations du secteur

☑️ Notre langue commerciale est l'anglais ou l'allemand

☑️ NOUVEAU : Correspondance dans votre langue nationale !

 

Je serais heureux de vous servir, vous et mon équipe, en tant que conseiller personnel.

Vous pouvez me contacter en remplissant le formulaire de contact ou simplement m'appeler au +49 89 89 674 804 (Munich) . Mon adresse e-mail est : wolfenstein ∂ xpert.digital

J'attends avec impatience notre projet commun.

 

 

☑️ Accompagnement des PME en stratégie, conseil, planification et mise en œuvre

☑️ Création ou réalignement de la stratégie digitale et digitalisation

☑️ Expansion et optimisation des processus de vente à l'international

☑️ Plateformes de trading B2B mondiales et numériques

☑️ Pionnier Développement Commercial / Marketing / RP / Salons

Xpert.Digital possède une connaissance approfondie de diverses industries. Cela nous permet de développer des stratégies sur mesure, adaptées précisément aux exigences et aux défis de votre segment de marché spécifique. En analysant continuellement les tendances du marché et en suivant les évolutions du secteur, nous pouvons agir avec clairvoyance et proposer des solutions innovantes. En combinant expérience et connaissances, nous générons de la valeur ajoutée et donnons à nos clients un avantage concurrentiel décisif.

En savoir plus ici :

• Utilisez l'expertise 5x de Xpert.Digital dans un seul forfait - à partir de seulement 500 €/mois