latribune.fr
Sébastien Guinard
DR
Par Sébastien Guinard, ingénieur au CEA(*)
L’histoire des technologies des processeurs indique que deux horizons se profilent alors : une révolution technologique, ou une mise en œuvre de plus en plus contrainte de l’IA, avec des implications profondes pour l’allocation du capital, la politique et la géostratégie.
L’IA a d’abord été vendue comme une révolution logicielle. Elle est devenue autre chose : un système industriel lourd, fait de puces, de datacenter et d’électricité. La question n’est plus de savoir jusqu’où l’intelligence des modèles peut aller, mais si les économies sont capables de fournir les infrastructures nécessaires pour les faire fonctionner à grande échelle. Cela change tout. Pendant deux ans, l’hypothèse a été simple : si la demande augmente, il suffit de construire davantage – plus de GPU, hébergés, alimentés, connectés, refroidis. D’où la ruée vers les puces mais aussi vers le foncier, l’eau et l’accès au réseau électrique. C’est une réponse rationnelle à l’architecture qui domine aujourd’hui l’IA. Mais rationnel ne veut pas dire sans contrainte.
Lorsque leur rapidité de calcul a été limitée par la puissance énergétique qu’ils pouvaient supporter, l’industrie a d’abord développé les puces multicœurs. Mais, là encore, une contrainte énergétique a fini par apparaitre : tous les transistors ne pouvaient pas fonctionner simultanément. Les ingénieurs ont alors parlé de « dark silicon » pour désigner la part de la puce contrainte de rester inactive. La solution a alors consisté à développer des « accélérateurs » auxquels appartiennent les célèbres GPU, capables d’accomplir certaines tâches exceptionnellement bien, plutôt que toutes raisonnablement bien. Une boucle fermée s’est alors constituée : un logiciel comme ChatGPT par exemple est spécifiquement développé pour tirer parti d’un GPU et de quelques technologies périphériques ; les progrès et les besoins de l’un entrainent alors ceux des autres. C’est sur ce socle, on parle de stack, que repose aujourd’hui l’IA la plus avancée. Il a produit des progrès extraordinaires. Il a aussi introduit beaucoup de rigidité. Plus on le développe, plus en sortir devient difficile ; plus il absorbe de capital, moins il est contestable. Beaucoup d’acteurs perfectionnent donc les mêmes idées, plutôt que de viser des alternatives disruptives qui exigeraient de lourds investissements initiaux en R&D, en prototypage et en outils de compilation. La réponse à la montée de la demande en IA est donc additive. Tant que les alternatives restent incertaines, les entreprises amplifient l’architecture existante. L’IA est ainsi devenue un ogre nourrit avec de plus en plus de centres de données et d’électricité. Or les réseaux électriques se développent moins vite que le logiciel. L’eau qui refroidit les data center ne coule pas toujours en abondance. Les délais d’autorisation administrative sont longs. Les communautés locales résistent. Les chaînes d’approvisionnement en GPU et en équipements électriques sont sous tension. Au premier coup d’œil, l’IA peut ressembler à du code, mais elle relève en fait plus de la sidérurgie ou de l’aéronautique : intensive en capital, gourmande en ressources et exposée à la géopolitique.
Par analogie avec le « dark silicon », l’ère du « dark AI » décrit un monde où la limite n’est plus notre capacité à imaginer des applications pour l’IA, mais notre capacité à les alimenter en énergie. Tous les modèles qui pourraient être entraînés ne le seront pas. Toutes les inférences de ces modèles ne seront pas exécutées. Toutes les régions, toutes les organisations n’auront pas le même accès à la puissance de calcul. La rareté cessera alors d’être un accident pour devenir un paramètre fondamental de conception et de décision. Cela peut sembler dramatique, mais des formes de rationnement existent déjà : l’entraînement des logiciels les plus avancés se concentre dans une poignée de laboratoires, l’accès aux puces est contraint par l’offre et par les contrôles à l’exportation, et les limites du réseau électrique décident déjà des projets qui seront raccordés en premier. En fait, ce qui vient n’est pas l’irruption soudaine de la rareté, mais la reconnaissance qu’elle devient structurelle.
La première est celle d’une discontinuité : une percée qui permet de dépasser totalement le couplage actuel entre les accélérateurs et les logiciels d’IA les plus sophistiqués. Ce sera difficile. Mais l’histoire des processeurs montre que le progrès ne vient pas toujours de l’extension infinie du concept dominant. Rien pourtant ne garantit que cela arrive encore une fois. La seconde est celle de l’optimisation : distillation, modèles à mélange d’experts, mémoire plus performantes, meilleure co-conception matériel-logiciel… Tout cela compte, car ces approches extraient davantage d’intelligence pour chaque watt et chaque euro investis. Mais une meilleure efficacité ne dispense pas de devoir faire des choix structurants. Dès lors que l’électricité, le foncier et la puissance de calcul deviennent rares, la question primordiale est celle de leur allocation. Quels usages doivent être prioritaires : l’entraînement des modèles les plus avancés, la publicité, l’optimisation industrielle, la défense ou les services publics ? Qui doit bénéficier d’un accès prioritaire : les géants du numérique, les États, les start-up, les universités ou les communautés open source ? Quels territoires accueilleront l’infrastructure, et lesquels dépendront de l’intelligence d’autrui ? Ce ne sont pas des questions subsidiaires, elles dessineront la carte industrielle des décennies à venir. Plus tôt nous l’admettrons, plus tôt nous pourrons choisir notre stratégie.
L’actualité qui compte pour vous, chaque jour dans votre boîte mail.
Le défi est mondial mais les conséquences sont particulièrement importantes pour l’Europe. Il est très peu probable qu’elle remporte une course à l’échelle face aux plus grands groupes technologiques américains ou asiatiques en dépensant davantage. En revanche, elle peut jouer sur des autorisations plus rapides, des réseaux plus intelligents, une coordination renforcée des marchés de l’électricité, un soutien ciblé aux infrastructures de calcul, et une idée plus claire des capacités d’IA qui méritent l’énergie qu’elles consomment. L’erreur serait de débattre de l’IA uniquement au travers du prisme de la réglementation, en ignorant les contraintes réelles qui la sous-tendent. L’illusion centrale tient à ce que l’IA a été vendue comme un pur champ des possibles alors qu’elle relève en pratique d’un simple arbitrage : de l’intelligence contre de l’électricité, impacté par des chaînes d’approvisionnement industrielles, du capital et des choix publics.
Ceci ne condamne pas à être pessimiste mais oblige à être sérieux. La rareté peut nourrir une concurrence néfaste ; elle peut aussi favoriser l’innovation, l’efficacité et la hiérarchisation des priorités. Plus vite les gouvernements et les entreprises admettront que toutes les IA ne peuvent pas fonctionner partout et tout le temps, plus vite ils pourront décider de ce qui doit être prioritairement exécuté - et de ce qui ne doit pas l’être. Faute de quoi, une autre forme d’IA émergera, avec sa part d’ombre également, mais par défaut plutôt que par choix : des modèles qui ne seront jamais entrainés, des fonctionnalités jamais lancées, des régions laissées de côté, des réseaux électriques sous tension et des objectifs climatiques encore moins atteignables.
______
(*) Sébastien Guinard est ingénieur au CEA et y conduit des études de marché et des analyses technologiques sur les enjeux du numérique. Il enseigne à GEM - Alpine Business School.
latribune.fr
