Un docteur en IA m’explique pourquoi la bulle va exploser

Le monde de la finance anticipe une explosion dans le domaine de l'intelligence artificielle. Cependant, l'idée d'une intelligence artificielle générale (AGI) en 2026 ou 2027 est clairement réfutée. Mathieu, docteur en entraînement du signal/machine learning/IA et ingénieur Supélec, ayant travaillé dans l'informatique scientifique et la finance, apporte un éclairage crucial sur ces questions. Il souligne que le terme "intelligence artificielle" a été popularisé par Nvidia, remplaçant le "deep learning" pour le rendre plus grand public. Le deep learning, basé sur des réseaux de neurones profonds, est ce qui est couramment utilisé. Cependant, l'IA telle que la connaît le grand public, souvent associée à la science-fiction comme Skynet, est très différente de l'IA actuelle. Un concept clé est celui d'agent, qui est un workflow utilisant des modèles de machine learning. Un agent prend des données en entrée, les pré-traite, utilise un modèle, et produit une sortie, pouvant être réinjectée dans le système en boucle. Mathieu exprime des réserves sur la qualité de certains agents, notamment ceux qui semblent avoir été codés par d'autres IA sans relecture humaine, ce qui peut mener à des problèmes de sécurité, comme des "sandboxes" mal conçues. Le machine learning est défini comme l'art de créer des modèles, qui sont des fonctions "f" prenant des entrées (texte, image, audio) et produisant des sorties. Ces modèles peuvent effectuer de la régression (prédire une nouvelle image) ou de la classification (identifier un objet dans une image). Il existe trois types d'apprentissage : 1. **Supervisé :** Le modèle apprend à partir de données labellisées (ex: "cette image est une pomme"). L'importance des personnes qui labellisent ces données est cruciale. 2. **Non supervisé :** Le modèle explore les données pour y trouver des structures ou des motifs (ex: algorithme K-means pour trouver des clusters). 3. **Par renforcement :** Le modèle apprend par essais et erreurs, souvent en jouant à des jeux ou en écrivant du code, en recevant des récompenses pour les bonnes actions. Ces apprentissages peuvent être continus ou discrets (classification ou régression). Le processus de création d'un modèle implique l'identification et le pré-traitement des données, la division en jeux de test et d'entraînement, puis l'optimisation du modèle pour minimiser l'erreur. Ce pipeline complet, allant des données brutes à une réponse, est utilisé depuis des décennies, notamment dans le domaine médical pour détecter des tumeurs. Des algorithmes comme la régression linéaire, un modèle de machine learning, existent depuis des siècles. La question de savoir si le machine learning est "intelligent" est abordée. Le machine learning effectue principalement de l'interpolation (prédire des valeurs entre des points connus) ou de l'extrapolation (prédire au-delà des points connus), ce qui n'est pas de l'intelligence mais l'application d'une fonction mathématique. La complexité de la fonction choisie influence le comportement du modèle, notamment en termes d'explosions polynomiales ou d'ondulations. Les modèles de langage (LLM) sont une sous-catégorie très spécifique des réseaux de neurones, et non l'intégralité de la boîte à outils du machine learning. Concernant la "bulle" de l'IA, Mathieu estime qu'elle est bien réelle et va éclater cette année ou l'année prochaine. Il pointe du doigt la dépendance aux GPU de Nvidia, les investissements massifs dans les centres de données (coût élevé, problèmes d'eau et d'électricité), et la concurrence chinoise qui rattrape rapidement les modèles américains. Les entreprises comme OpenAI et Anthropic, qui investissent des milliards, sont sous pression pour rentabiliser rapidement leurs investissements, surtout avec les introductions en bourse imminentes. Le discours appelant à la régulation de l'IA est vu comme une stratégie pour ralentir la concurrence et la hype, permettant aux acteurs dominants de consolider leurs positions et de rentabiliser leurs investissements. Mathieu propose de réguler les agents plutôt que l'IA elle-même, en s'inspirant du domaine médical où un diagnostic par IA ne mène jamais à une intervention chirurgicale sans l'aval d'un médecin. La décision finale ne devrait jamais être laissée entièrement à un agent. Cependant, trouver le bon niveau de régulation est complexe, comme le montrent les radars automatiques qui utilisent l'IA pour générer des amendes sans intervention humaine directe. La bulle est déjà en train de se dégonfler, avec des coûts d'exploitation des modèles d'IA astronomiques (ex: Copilot coûte plus de 10 000 dollars par mois à Microsoft pour un revenu de 200 dollars par licence). Cette situation n'est pas tenable indéfiniment. L'idée d'une AGI en 2026 ou 2027 est catégoriquement rejetée. Les algorithmes fondamentaux utilisés aujourd'hui, notamment les réseaux de neurones, n'ont pas fondamentalement changé depuis les années 1970. L'explosion actuelle de l'IA est due à l'avancée des GPU et à la disponibilité massive de données, non à une révolution algorithmique. Les LLM sont des réseaux de neurones très structurés, sans boucles de rétroaction directe dans le modèle qui permettraient une auto-gestion ou auto-modification comme dans le cerveau biologique. Le principal défi est d'ordre mathématique : nous n'avons pas la capacité de résoudre des systèmes modélisant des réseaux neuronaux plus proches de la biologie. Les boucles de rétroaction immédiates, essentielles au fonctionnement du cerveau, sont absentes des modèles actuels. Alors que le cerveau analyse de manière complexe et extrait les informations nécessaires, les systèmes de vision basés sur des réseaux de neurones procèdent par couches successives de raffinage. Atteindre un modèle biologique avec des milliards de neurones est un défi immense, loin des modèles de type "transformer" actuels.