SABRAN

@Jean Keim
C’était une manière de faire le lien entre mon article et celui-ci :
https://philippesilberzahn.com/2025/08/25/quand-le-systeme-vacille-la-fin-du-modele-mental-de-l-ascenseur-social-et-ses-consequences/

@MONTAG451
Ce que je peux vous dire, c’est que ce n’est pas moi qui ait supprimé votre post de 7h49...

@pemile

Le clash entre Monsieur Phi (Thibaut Giraud) et Luc Julia est né d’une **audition au Sénat** où ce dernier, présenté comme un expert de l’IA, a tenu des propos remplis d’approximations techniques sur les grands modèles de langage (LLM) modernes (comme la « fiabilité à 64% » ou la confusion entre paramètres et données).

La polémique relève d’un **décalage profond entre deux époques de l’IA** :

1. **L’IA Symbolique (années 1990) :** C’est le domaine de prédilection de Luc Julia. Expert en systèmes à base de règles (comme l’« Architecture d’Agents Ouverts », un ancêtre conceptuel de Siri), il a un parcours légitime dans la recherche.
2. **L’IA Moderne (LLM) :** Basée sur l’apprentissage profond et les statistiques, elle fonctionne sur des principes radicalement différents. Son audition a révélé que Luc Julia analyse cette nouvelle IA avec un vieux prisme, menant à des erreurs factuelles et un discours trompeur.

Le cœur du problème est donc que **sa légitimité est fondée sur une expertise passée**, qu’il laisse s’embellir (en s’attribuant le titre de « co-créateur de Siri », bien qu’il n’ait rejoint le projet qu’après son rachat par Apple), et qu’il utilise pour parler avec autorité de sujets qu’il ne maîtrise plus en détail.

En résumé, ce clash est bien plus qu’une simple querelle d’ego. C’est le révélateur :
* D’un **problème de fond sur la qualité de l’expertise** entendue par nos institutions.
* Du **décalage générationnel** dans un domaine technologique qui évolue à une vitesse vertigineuse.
* De l’importance cruciale de **vulgarisateurs rigoureux** comme Monsieur Phi pour exercer un contre-pouvoir nécessaire face aux discours approximatifs de certains experts médiatiques.

@pemile

Vous avez raison de souligner que la “bulle” ne se limite pas à l’économie, mais touche aussi au discours technologique autour de l’AGI. Depuis quelques années, on entend un narratif récurrent : « chaque nouvelle génération de LLM nous rapproche de l’intelligence générale ». Pourtant, de nombreux chercheurs rappellent que cette logique du scaling à outrance (plus de données, plus de paramètres, plus de GPU) risque de conduire à un mur. Les modèles actuels excellent dans la prédiction statistique du langage, mais cela ne signifie pas qu’ils développent une compréhension profonde ou une capacité de raisonnement généralisée.

Ce scepticisme est renforcé par trois limites visibles :

1. Limite technique : augmenter la taille des modèles améliore la performance, mais avec des rendements décroissants (chaque progrès coûte exponentiellement plus cher).

2. Limite matérielle : la disponibilité des puces avancées (GPU) et la consommation énergétique posent un problème structurel.

3. Limite cognitive : les LLM, par construction, restent des systèmes de prédiction sans véritable représentation du monde.

L’exemple de la Chine illustre bien ce paradoxe. Privée d’accès aux superpuces par les restrictions américaines, elle ne peut pas se lancer dans une course purement quantitative comparable à OpenAI ou Google. Résultat : plusieurs laboratoires chinois ont innové du côté algorithmique et logiciel pour “faire plus avec moins” : modèles compressés, quantization, distillation, meilleure sélection de données… Et malgré des ressources matérielles plus limitées, certains de leurs modèles obtiennent des performances compétitives.

Cela laisse penser que la trajectoire de l’IA ne dépendra pas uniquement de la force brute (toujours plus de calculs), mais aussi — et peut-être surtout — de la capacité à concevoir des architectures plus sobres, plus efficaces et conceptuellement différentes. En d’autres termes, l’avenir ne sera pas dicté par le seul scaling, mais par une rupture intellectuelle : une manière nouvelle d’organiser la mémoire, l’apprentissage et le raisonnement des machines.

En ce sens, la bulle est effectivement double :

• économique, car des dizaines de milliards sont investis sans retour immédiat ;

• scientifique, car les annonces d’un “progrès continu vers l’AGI” peuvent masquer les limites structurelles des approches actuelles.

Mais comme l’histoire de la Chine le montre, la contrainte peut être une force : les limites du scaling pourraient accélérer l’exploration de nouvelles voies, et donc faire émerger la véritable prochaine étape de l’IA...