Signaler un abus

@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...