À la lumière des récents développements chez OpenAI, le discours sur l'IA a évolué vers un débat fondamental : devrions-nous accélérer ou ralentir le développement de l’IA, et comment pouvons-nous aligner les outils d’IA avec les besoins de l’humanité ?
Un aspect majeur de cette conversation concerne la quête de l'intelligence artificielle générale (AGI) — une IA capable d'effectuer n'importe quelle tâche qu'un humain peut accomplir. Cette quête soulève des questions cruciales : l’AGI est-elle atteignable ? Bien que débattre de l’AGI soit essentiel, cela occulte un défi majeur de l’IA : son coût élevé.
L'IA Nécessite Talent, Données et Scalabilité
La révolution d’Internet a démocratisé le logiciel, abaissant les barrières d’entrée principalement aux compétences. Cependant, les avancées en IA se sont développées principalement par une augmentation d’échelle, exigeant une puissance de calcul significative. En conséquence, les grandes entreprises technologiques investissent des milliards pour acquérir des GPU et optimiser leur infrastructure informatique.
Pour construire une IA efficace, les organisations ont besoin d'accès à du talent, des données, et des ressources informatiques évolutives. La demande pour ces ressources augmente rapidement, créant un paysage où seules quelques entités peuvent participer significativement. La plupart des pays, des individus et des petites entreprises n’ont pas la capacité financière de s’engager pleinement, faisant face à des coûts élevés non seulement pour le formation des modèles, mais également pour leur déploiement.
Démocratiser l’IA pour un Accès Plus Large
Des recherches récentes de Coatue indiquent que la demande en GPU ne fait que commencer à augmenter, ce qui pourrait solliciter notre réseau électrique et faire grimper les coûts des serveurs. À mesure que ces systèmes évoluent, leurs capacités ne feront qu'améliorer, mais ils deviendront de plus en plus gourmands en ressources sans solutions innovantes.
Actuellement, seules les entreprises financièrement robustes peuvent développer des capacités d’IA, ce qui engendre des risques notables. Une approche centralisée de l’IA soulève des inquiétudes : si un modèle unique échoue ou rencontre des problèmes de gouvernance, cela peut perturber de nombreuses entreprises qui en dépendent. La dépendance à des systèmes générant des résultats probabilistes présente des risques supplémentaires, car les modèles peuvent produire des résultats imprévisibles, compliquant la gestion et la fiabilité.
Les Dangers de la Centralisation
La centralisation pose des risques en matière de sécurité : les organisations privilégient leurs propres intérêts, rendant la résolution des problèmes de sécurité ou de risque plus compliquée. Dans un monde où l’IA est coûteuse et l’accès limité, les inégalités existantes risquent de se creuser, créant un fossé entre ceux qui ont accès à une IA avancée et ceux qui n'en ont pas.
Pour améliorer les bénéfices de l’IA de manière sécurisée, nous devons réduire les coûts associés aux déploiements d’IA à grande échelle. Cela implique de diversifier les investissements et d'élargir l'accès aux ressources de calcul et au talent.
La propriété des données jouera également un rôle clé dans l’accessibilité de l’IA. Plus les données sont uniques et de haute qualité, plus l’IA devient précieuse et utile.
Rendre l’IA Plus Accessible
Bien que les modèles open-source présentent actuellement des lacunes de performance, leur utilisation devrait croître, surtout si des politiques de soutien sont mises en place. De nombreux modèles peuvent être optimisés pour des applications spécifiques, ouvrant la voie à la création par les entreprises de logiques de routage et de couches d'orchestration efficaces adaptées à divers secteurs.
L'utilisation de modèles open-source permet une approche multi-modèle, renforçant le contrôle malgré les disparités de performance existantes. Nous pourrions voir un avenir où des modèles plus petits et optimisés gèrent des tâches moins complexes, tandis que des modèles plus sophistiqués s'attaquent à des problèmes complexes. Par exemple, un modèle de mille milliards de paramètres est inutile pour des questions de service client basiques.
Pour capitaliser sur le potentiel de l’IA, nous devons passer des démonstrations et des collaborations à des déploiements d’IA évolutifs et durables. Des entreprises émergentes s’attaquent à ce défi en permettant le multiplexage inter-modèles et en réduisant les coûts d’inférence grâce à des technologies spécialisées. Un investissement accru dans ces domaines est essentiel pour réaliser des avancées significatives.
En rendant l’IA plus rentable, nous pouvons attirer davantage d'intervenants dans l’industrie, renforçant la fiabilité et la sécurité des outils d’IA. En fin de compte, cela coïncide avec notre aspiration collective à apporter de la valeur à un public plus large.
Classement
