OpenAI a donc lancé Astra, un modèle qui a notamment reçu les éloges du fondateur de Nvidia.
Astra a fait un bond spectaculaire dans les benchmarks et vient notamment de résoudre un problème mathématique vieux de plus de 90 ans, même si des soupçons existent concernant l’utilisation des notes d’un mathématicien qui travaillait déjà sur le sujet ou bien encore d’un entrainement spécial pour réussir les benchmarks.
Pendant des décennies, des mathématiciens du monde entier ont tenté de résoudre ce problème.
10 000 agents et 88 heures plus tard, c’était plié par l’IA d’OpenAI.
Alors, AGI ou pas AGI ?
Bien entendu, le débat passionne. Et comme à chaque avancée majeure, certains s’empressent de publier des prompts sur lesquels Astra a échoué afin de s’en moquer.
Exactement comme lors de la sortie de ChatGPT 3.5.
C’est ne rien comprendre à l’état actuel de l’IA.
Pour environ 21 euros par mois, vous pouvez souscrire à un abonnement OpenAI et utiliser Astra.
21 euros.
Et vous pensez sérieusement qu’une éventuelle AGI, à peine atteinte, serait immédiatement mise à votre disposition sans limitation pour ce prix ?
Comprendre le business model de l’IA
Les abonnements grand public, comme celui à une vingtaine d’euros chez OpenAI, sont largement mutualisés & optimisés économiquement.
Le coût réel des infrastructures nécessaires pour faire fonctionner les meilleurs modèles peut être très supérieur au prix payé individuellement par un utilisateur.
Les fournisseurs d’IA dans le cloud jouent donc en permanence avec de nombreux paramètres afin de maîtriser leurs coûts.
Au moment où vous appuyez sur le bouton de validation, vous ne savez pas précisément quelles ressources de calcul vont être mobilisées pour traiter votre demande.
- Combien de temps de calcul ?
- Quel niveau de raisonnement ?
- Combien de ressources GPU ?
- Combien d’étapes internes ?
Vous avez probablement déjà remarqué que, selon les moments, une IA peut sembler particulièrement lente ou limitée puis devenir extrêmement rapide et pertinente quelques heures plus tard.
Il ne faut donc pas systématiquement confondre l’expérience obtenue dans une interface grand public avec les capacités maximales qu’il est techniquement possible d’obtenir d’un modèle.
Il existe aussi une contrainte économique.
Les erreurs de l’IA
Vous avez certainement déjà entendu cette phrase : « Les prompts, c’est terminé, ce sont les boucles qui comptent désormais. »
L’idée derrière cette formule est relativement simple.
Pour améliorer la qualité d’un livrable, il est souvent beaucoup plus efficace de faire travailler l’IA plusieurs fois sur le même problème plutôt que de lui demander de produire immédiatement une réponse parfaite.
- Une première étape génère une réponse
- Une deuxième vérifie les erreurs
- Une troisième critique la réponse
- Une quatrième recherche des améliorations
- Une cinquième produit éventuellement une nouvelle version
En multipliant les vérifications, les critiques et les itérations, on peut à la fois réduire le nombre d’erreurs et augmenter fortement la qualité du résultat final.
Mais il existe évidemment une contrepartie.
Chaque nouvelle étape consomme davantage de calcul.
Et donc davantage d’argent.
Un simple prompt envoyé depuis un abonnement grand public ne déclenche pas nécessairement une architecture composée de dizaines d’agents, de vérifications et de boucles successives.
Ce que ce fonctionnement de l’IA implique
La qualité d’une réponse peut donc varier en fonction de nombreux facteurs : modèle utilisé, ressources disponibles, longueur du raisonnement, outils activés, nombre d’itérations ou encore charge des infrastructures.
Dans mon agence SEO Aseox, nous utilisons l’IA quotidiennement.
Nous avons notamment pris l’habitude de privilégier certains traitements le matin car nous avons parfois observé de meilleures performances lorsque les États-Unis dorment encore.
Est-ce systématique ? Non.
Mais cela illustre surtout un point important : lorsqu’un service dépend d’énormes infrastructures partagées entre des millions d’utilisateurs, les conditions d’utilisation peuvent évoluer.
Et cela pose d’ailleurs une vraie question lorsque l’on commence à monitorer automatiquement les citations, mentions ou réponses obtenues dans les LLM.
Une réponse obtenue aujourd’hui à 9 heures sera-t-elle exactement la même demain à 18 heures ?
Pas nécessairement.
Les API et l’IA
Les utilisateurs les plus avancés peuvent aller beaucoup plus loin grâce aux API.
Ils peuvent décider d’utiliser davantage de tokens, des modèles plus coûteux, plusieurs appels successifs, plusieurs agents ou des systèmes complexes de vérification.
Autrement dit, ils peuvent décider de dépenser beaucoup plus de calcul et beaucoup plus d’argent sur un même problème.
La différence de qualité entre un simple prompt et un véritable système agentique peut alors devenir considérable.
Mais là encore, cela ne signifie pas nécessairement que l’on dispose d’une AGI.
L’IA chez les fabricants
S’il existe un jour une forme d’AGI réellement opérationnelle, il est probable que ses premières versions les plus puissantes ne fonctionneront pas comme un chatbot classique ouvert à des centaines de millions d’utilisateurs.
Elles fonctionneront d’abord dans les laboratoires des fabricants de modèles sur des infrastructures disposant de ressources considérables.
- Énormément de GPU.
- Énormément de mémoire.
- Énormément d’énergie.
Et potentiellement des milliers d’agents capables de travailler simultanément pendant des heures ou des jours sur un même problème.
L’avenir de l’AGI
Il faut donc comprendre que l’AGI, si elle existe réellement sous une forme exploitable aura probablement un coût important.
L’intelligence artificielle n’est pas magique.
Derrière chaque réponse, il y a du calcul.
Et derrière ce calcul, il y a des processeurs, des datacenters et de l’énergie.
Grossièrement, nous pourrions peut-être arriver demain à des raisonnements de ce type :
« Oui, nous pouvons rechercher une molécule susceptible de traiter la maladie XXXX. »
Mais la réponse pourrait être accompagnée de contraintes très concrètes :
- XXX heures de calcul
- X milliers d’agents simultanés
- XXXX GPU mobilisés
- Et un coût total de XXXX euros
Autrement dit, la question ne sera peut-être plus uniquement :
« Est-ce que l’IA est capable de résoudre ce problème ? »
Mais plutôt :
« Combien sommes-nous prêts à dépenser pour qu’elle essaie de le résoudre ? »
L’IA pour le grand public
Pour le grand public, une grande partie de la bataille est presque déjà gagnée.
Pour de nombreux besoins informationnels du quotidien, les modèles actuels sont déjà largement suffisants.
- Résumer un document
- Traduire un texte
- Expliquer un concept
- Corriger un email
- Générer du code simple
- Analyser des données
- Chercher une information
Ces usages vont devenir de plus en plus banals.
Entre les modèles open source, les assistants intégrés aux systèmes d’exploitation et les LLM directement embarqués dans les navigateurs, l’intelligence artificielle généraliste de base risque progressivement de perdre une grande partie de sa valeur marchande.
La vraie valeur se déplacera probablement vers autre chose : les données, les outils, les infrastructures, les agents spécialisés et surtout la puissance de calcul disponible.
L’AGI au niveau étatique
Et c’est probablement là que le sujet devient réellement stratégique.
Il pourrait apparaître un monde à deux vitesses.
D’un côté :
Les pays disposant de beaucoup d’énergie bon marché.
- De très nombreux GPU
- Des datacenters
- Des ingénieurs
Et des meilleurs modèles.
De l’autre :
Les autres ^^
Comme si certains pays disposaient déjà de voitures pendant que les autres circulaient encore à cheval.
Pendant longtemps, disposer de pétrole, de centrales électriques, d’usines ou de capacités industrielles constituait un avantage stratégique majeur.
Demain, disposer de gigantesques capacités de calcul pourrait devenir tout aussi important.
Ne pas préparer dès maintenant les infrastructures énergétiques, les datacenters et les capacités de calcul nécessaires aux prochaines générations d’intelligence artificielle serait donc une erreur stratégique majeure.
PS : Vous l’avez désormais compris, quand Jensen parlait d’AGI, il ne parlait pas de ce dont vous avez accès ^^