L’IA se rapproche de l’âge de raison

Au moment de son lancement, il y a un peu plus de deux ans, nous déclarions que la plateforme d’intelligence artificielle (IA) d’OpenAI, ChatGPT, était sans doute l’innovation technologique la plus importante depuis des générations. Les progrès ultérieurs de l’IA n’ont fait que renforcer ce point de vue. Une évolution plus récente, que nous considérons comme tout aussi révolutionnaire, a été moins remarquée : les modèles d’IA commencent à démontrer des capacités de raisonnement.

Compte tenu de la rapidité de l’innovation – et de nos attentes pour 2025, qui pourrait être une année charnière – nous considérons que le moment est opportun pour faire le point sur l’IA et sur la manière dont elle pourrait changer fondamentalement la façon dont nous interagissons avec la technologie et remodeler l’économie mondiale.

Retour en arrière

We have come very far, very fast. ChatGPT was quickly embraced as a horizontal platform that could alter the utility of technology. Use cases have started to mature across functions, ranging from customer support and content creation to coding and marketing. Not limited to services, AI is also being deployed in biology and life sciences. Other foundational models have joined ChatGPT, including Claude, Google’s Gemini, Llama, and Mistral. These platforms have been in competition during AI’s training phase, and thus far the scaling laws – the function of data inputs and computing capacity yielding magnified results – have held.

L’avènement du modèle d’inférence « test-time »

Après une phase d’entraînement intense, de nombreux modèles d’IA sont sur le point de passer à leur phase d’inférence plus opérationnelle. Cette phase s’est avérée plus intéressante que prévu. L’objectif ultime de ces modèles est de parvenir à l’intelligence artificielle générale (IAG). Cette quête a pris une nouvelle dimension fin 2024 avec la mise en service de la plateforme Strawberry d’OpenAI, qui associe le raisonnement et la mémoire à de grands modèles de langage (LLM).

Qu’est-ce que cela signifie ? Plutôt que d’interpréter des données et de prédire la « prochaine étape », les modèles d’IA abordent les problèmes de manière itérative afin d’identifier la meilleure solution ou la meilleure voie à suivre. Les modèles peuvent désormais apprendre à chaque itération, chaque étape supplémentaire produisant des données qui peuvent être référencées dans les utilisations futures, ce qui devrait conduire à une précision exponentielle. Cette avancée est appelée inférence « test-time », et nous pensons qu’elle sera particulièrement utile pour les fonctions très complexes telles que les mathématiques, la physique, le codage et d’autres applications où la meilleure réponse est prioritaire par rapport à la plus rapide.

L’inférence « test-time » s’apparente à un programme informatique développé par DeepMind (Alphabet) pour jouer à des jeux de société. Contrairement à d’autres programmes, AlphaGo de DeepMind n’intégrait pas d’informations préchargées ; il ne pouvait apprendre que de manière itérative en jouant à des jeux et a rapidement été en mesure de vaincre les humains.

Dans un cadre professionnel, une startup spécialisée dans l’IA a cherché à déployer la technologie pour exécuter des tâches parajuridiques. Elle a rapidement progressé vers des tâches d’association, et l’on peut supposer qu’un partenaire IA n’est pas loin derrière. Dans le monde universitaire, les projets de recherche qui rassemblaient auparavant quelques chercheurs diplômés peuvent désormais déployer des dizaines de bots d’IA.

Ces progrès en matière de raisonnement ont changé la donne. Au départ, on s’attendait à ce que les lois d’échelle diminuent au fur et à mesure que la phase d’entraînement de l’IA arrivait à maturité. Au lieu de cela, un nouvel ensemble de lois d’échelle est apparu, en partie grâce aux données produites dans le cadre de l’inférence « test-time ». Pour rester dans l’exemple universitaire, au cours des deux dernières années, les plateformes d’IA sont passées d’un niveau lycéen à un niveau étudiant, et fournissent aujourd’hui des résultats comparables à ceux d’un doctorant. La vitesse à laquelle cela s’est produit nous a permis, pour la première fois, d’avoir une visibilité sur ce qu’il faudra pour parvenir à l’AGI – une percée qui pourrait se produire au cours des trois prochaines années.

Une course effrénée ?

Jusqu’à présent, le déploiement de l’IA s’est fait de manière relativement ordonnée. Des avancées récentes pourraient changer la donne. Plutôt que de réduire les dépenses d’investissement au fur et à mesure que la phase d’entraînement arrive à maturité, les niveaux d’investissement pourraient être maintenus à mesure que les plateformes d’IA s’efforcent d’obtenir une capacité de calcul suffisante pour effectuer l’inférence « test-time ».

À ce stade, les plateformes doivent être plus proches du client, et la prochaine génération d’innovateurs en matière d’IA est déjà financée pour construire sur ces bases. Conscients de l’ampleur de l’opportunité, les éditeurs de logiciels cherchent à intégrer l’IA dans leurs offres, et les sociétés de services explorent activement les moyens d'exploiter l’IA pour développer leurs activités et améliorer leur efficience. La phase d’expérimentation est terminée, place désormais à la phase des résultats et de la monétisation.

La généralisation de l’IA

Il est possible qu’à mesure que la phase d’entraînement de l’IA arrive à maturité, les lois d’échelle présentent des performances décroissantes, ce qui réduirait la demande d’infrastructures à forte intensité de capital.

Le scénario le plus probable est l’apparition de nouvelles lois d’échelle complémentaires qui, selon nous, maintiendraient les investissements liés à l’IA à un niveau élevé. Cet argument est étayé par le fait que l’opportunité de l’IA passe du marché des logiciels (650 milliards de dollars) au secteur des services (plusieurs milliers de milliards de dollars). La demande de puissance de calcul devrait être encore plus soutenue à mesure que l’IA intègre davantage de données ambiantes et multimodales, telles que la voix et les images.

Le potentiel de l’IA devient de plus en plus visible, et des acteurs extérieurs aux services et à la recherche revendiquent leur place. Les gouvernements développent une « IA souveraine » pour protéger les données, augmenter les rendements économiques et maintenir un certain degré d’indépendance technologique. Dans l’industrie, les entreprises cherchent à déployer l’IA pour optimiser les processus de fabrication, concevoir des usines et intégrer des robots améliorant l’efficience de toutes leurs opérations.

Le point de vue d'un investisseur

L’intensité informatique étant susceptible d’augmenter avec le déploiement de l’inférence « test-time », les récents niveaux d’investissement impressionnants des géants de la Tech pourraient se maintenir au cours des deux prochaines années. Cette situation est favorable aux fabricants d’unités de traitement graphique (GPU), de circuits intégrés spécifiques à une application (ASIC) et d’autres segments faisant partie intégrante de l’infrastructure de l’IA. L’introduction de la prochaine génération de GPU – nettement plus puissants – ne fera que renforcer cette tendance.

En ce qui concerne les logiciels, le passage de l’entraînement de l’IA au raisonnement devrait profiter à la fois aux entreprises de logiciels d’infrastructure et aux entreprises de logiciels d’application. Ces derniers pourraient voir leur demande augmenter à mesure que les fournisseurs exploitent l’IA pour proposer des solutions pour les processus et les flux d’activité à forte valeur ajoutée. Les sociétés Internet sont également susceptibles de bénéficier de facteurs favorables étant donné qu’elles détiennent des LLM et qu’elles sont présentes à l’échelle mondiale.

En dehors du secteur technologique, l’approvisionnement en énergie est un problème qui doit être résolu compte tenu de l’intensité énergétique des plateformes d’IA. Les géants de la tech envisagent de multiples solutions pour éviter les goulets d’étranglement énergétiques, notamment le déploiement de sources d’énergie dédiées sur site, la colocalisation à proximité de centrales nucléaires et l’étude de la faisabilité de réacteurs nucléaires à petits modules et de piles à combustible.

L’IA a attiré l’attention des investisseurs depuis la publication de ChatGPT. Les premières itérations pouvaient sembler à la fois sophistiquées et rudimentaires, produisant parfois des résultats douteux, voire comiques. Une phase d’entraînement intense a permis d’affiner ces modèles, et l’avènement du raisonnement pourrait déboucher sur des capacités qui étaient considérées comme théoriques il y a seulement quelques mois.

La rapidité avec laquelle cela se produit signifie qu’il y a peu de segments de l’économie mondiale et des marchés financiers qui ne ressentiront pas l’impact du déploiement de l’IA. Bien qu’il s’agisse d’un phénomène à long terme, nous pensons que les investisseurs peuvent raisonnablement s’attendre à ce que le thème de l’IA se traduise par une monétisation à court ou moyen terme.

Informations importantes

Les secteurs technologiques peuvent être considérablement affectées par l’obsolescence des technologies existantes, la brièveté des cycles de production, la chute des prix et des bénéfices, la concurrence des nouveaux arrivants sur le marché et la conjoncture économique dans son ensemble Un investissement centré sur une seule industrie pourrait être plus volatil que la performance d’investissements moins concentrés et que le marché dans son ensemble.

Les secteurs de l'énergie peuvent sensiblement pâtir des fluctuations des prix de l'énergie, de l'offre et de la demande de combustibles, des initiatives de conservation, du succès des projets d'exploration, des réglementations fiscales et d'autres réglementations gouvernementales.

Des investissements concentrés sur un seul secteur ou une seule région seront plus sensibles à des facteurs influant ces segments et pourraient s'avérer plus volatils que des investissements moins concentrés ou que le marché dans son ensemble.