J’arrive avec une question et j’ai une super mauvaise nouvelle, je ne vais pas donner la réponse. Mais c’est une vraie question que je me pose depuis plus d’un an, parce que ça fait déjà des années qu’on parle d’IA. Je me pose honnêtement cette question : est-ce qu’on a les moyens de s’offrir l’IA ? Alors, je ne vais pas rester 30 minutes sans rien dire. D’ailleurs, j’ai tellement de slides qu’il va falloir que j’accélère dès maintenant parce que j’ai plein de trucs à dire sur le truc. En fait, on va explorer cette question plutôt que de répondre.
Au début, nous allons faire un genre d’état des lieux et, dans un deuxième temps, nous allons essayer de faire de la prospective pour voir quels chemins pourraient nous mener où, et, sur ces chemins, quels sont les obstacles qui pourraient nous gêner, nous empêcher de réussir.

Ça c’est moi, Ça fait des années que je fais du numérique. Ça fait même 45 ans que je fais du numérique. J’ai travaillé chez Netscape. J’ai mis le logo juste pour faire frémir les vieux parce que, normalement, ils ont des petits trémolos dans la voix. J’ai longtemps travaillé chez Mozilla, 17 ans, et, maintenant, je suis chez Octo [1]. Pendant tout ce temps-là, j’ai écrit des choses, puis, après, je me suis mis à faire des podcasts et, récemment, je suis retourné à l’écrit puisque j’ai écrit une nouvelle qui s’appelle Vélorutopia : À quoi ressemblerait le monde s’il avait pris le virage climatique ?, une nouvelle utopique qui se passe en 2050 dans un pays où on aurait réussi à prendre le virage climatique. La lecture est gratuite, je vous encourage à y aller. Vous devriez, en plus, vous payer de bonnes tranches de rire si tout se passe bien.
Parallèlement, je travaille bénévolement pour des institutions qui sont listées là, le Conseil national du numérique, le comité de prospective de la CNIL et, récemment, le W3C.
On va commencer.

État des lieux

L’IA générative est incroyable

L’IA générative, c’est incroyable, c’est complètement incroyable. Ça génère du texte, des graphiques, des photos, de la musique, des vidéos. On peut lui parler. On peut lui poser des questions. On a l’impression qu’il sait tout. Parfois, il ne sait pas mais il nous dit qu’il sait. Et il peut même nous lire ce qu’il nous dit. C’est donc aussi un formidable outil d’accessibilité parce que, si on ne sait pas bien écrire, il va écrire à notre place. Il peut nous écouter. Si on a du mal à lire, il va nous lire ses résultats. Et puis c’est un outil d’encapacitation, en ce sens que moi je suis nul en dessin, mais il sait faire des dessins à ma place et plein d’autres trucs, du code éventuellement. Avec une possibilité que j’entrevois, peut-être que je me méprends, mais je me demande si ce n’est pas en train de devenir une interface unique pour tout, un peu comme le smartphone l’est depuis presque 20 ans. Est-ce que ce n’est pas le truc où on va et on pose tous ses problèmes, on les lui déverse et il nous donne des réponses ? Au point même que, récemment, OpenAI a annoncé qu’il mettait des applications dans ChatGPT, interfacées directement au sein de ChatGPT. Finalement, ChatGPT est peut-être en train de devenir une plateforme pour des applications eyt ça change tout en termes de produit.

IA générative ? Mais de quoi parle-t-on ?

On parle tellement d’IA mais on ne sait pas vraiment de quoi on parle. Moi je parle d’IA générative et plus précisément des LLM [Large Language Models], ce qui est en noir à l’écran [Panorama des domaines d’IA], le truc qui a émergé récemment. Je vous rappelle que ChatGPT va fêter ses trois ans la semaine prochaine. Ils ont déjà 800 millions d’utilisateurs actifs par semaine, c’est quand même du délire, jamais aucun produit n’a atteint une telle masse en si peu de temps ! Les gens se précipitent là-dessus. Mais, en fait, ça va s’appuyer, en termes technologiques, sur des choses qui sont aussi du domaine de l’IA, mais qui sont plus anciennes, comme la vision, le travail sur le langage, le travail sur la parole.

De l’attrait irrésistible de l’IA générative

Je parlais donc de ChatGPT qui est complètement irrésistible et pas forcément pour les bonnes raisons. Il y a plein d’individus qui n’ont pas tellement envie d’y aller, mais ils se disent qu’il faut y aller parce que mon collègue Bob va s’y mettre. Et le jour où l’IA va abîmer notre boulot, faire des réductions d’effectifs, eh bien Bob va rester parce qu’il s’est mis à l’IA et pas moi !
Au niveau des patrons des boîtes, c’est « il faut que j’aille sur l’IA parce que, si jamais mes concurrents y vont et trouvent des trucs géniaux, eh bien je vais perdre mon job. » Donc, tout le monde y va, d’où les 800 millions d’utilisateurs de ChatGPT par semaine.

Lu sur LinkedIn

Sur LinkedIn, où il est très important de dire qu’on fait de l’IA, d’ailleurs j’ai un peu l’impression que c’est devenu le seul truc à dire, je lis un jour, ça a été écrit par quelqu’un, mais ça aurait pu être quelqu’un d’autre : « L’IA, c’est formidable, l’IA, l’IA, il n’y a pas de limites ! La seule limite, c’est votre imagination. » Sauf que non, il faut être clair, l’IA, ça n’existe que sur la planète Terre. Probablement. Et si ça existe sur la planète Terre, ça existe dans un monde qui a ses limites. Il y a un concept scientifique qui s’appelle, d’ailleurs, les limites planétaires.

Les limites planétaires [2]

Les scientifiques, j’ai tendance à citer par exemple Richardson et compagnie [Earth beyond six of nine planetary boundaries, Katherine Richardson, Will Steffen, Johan Rockström, et al], citent ces écosystèmes planétaires qui sont un petit peu comme les constantes vitales de la planète et on vérifie que les constantes vitales sont dans la norme. Chez les humains, on va regarder la température, on va regarder la pression sanguine, on va regarder la chimie du sang, etc., un certain nombre de trucs et on regarde si c’est bon ou si ce n’est pas bon. Sur la planète, c’est à peu près pareil.
Au début, ils avaient sept limites planétaires et après ils en ont rajouté. Il y a donc des fourchettes dans lesquelles il faut être. Fourchettes, c’est-à-dire qu’on va utiliser des ressources qui peuvent être régénérées par les écosystèmes planétaires. Et si on dépasse cette extraction de ressources, ou on abîme trop ces ressources, on ne peut pas revenir en arrière facilement, ou ça va prendre des années.
Voilà les neuf limites planétaires actuelles et on va voir ce que ça donnait en 2009.
En 2009, il y avait sept limites connues et trois étaient dépassées.
En 2015, quatre étaient dépassées.
En 2023, six étaient dépassées.
Et là, on vient tout juste de dépasser la septième qui est l’acidification des océans. On a maintenant un petit peu de rouge depuis quelques semaines. Donc, ça ne va pas dans le bon sens !

Une de ces limites, c’est le changement climatique. Je ne vais pas vous bassiner là-dessus, parce qu’on a largement entendu parler du changement climatique.
Pour résumer en deux secondes, ce sont des événements météo extrêmes qui sont plus fréquents et plus puissants. Donc c’est un des impacts de l’IA, on va le voir un petit peu plus loin.

Il faut ralentir d’urgence et on n’y arrive pas vraiment

Ça, c’est un schéma super important. C’est la façon dont ça se passe au niveau du changement climatique.
J’ai une bonne nouvelle et une mauvaise nouvelle.
La bonne, c’est que si on n’avait rien fait en termes de politique, on serait dans cette zone rose, qui nous emmène vers un réchauffement de 4 à 5 degrés. Catastrophique ! littéralement des milliards de morts. Mais on n’y est pas. Ouf ! Il faudrait qu’on soit, éventuellement, entre 1,5 et 2 degrés.
La mauvaise nouvelle c’est qu’on est entre 2,5 et 3,1 degrés. Et, nouvelle mauvaise nouvelle dans la mauvaise nouvelle, grâce à Trump et compagnie, en fait, les estimations remontent à la hausse, parce que, évidemment, quand on dit drill, baby drill, ça a des conséquences.

Effondrement de la biodiversité

Deuxième mauvaise nouvelle qui, elle, est beaucoup moins médiatisée, qui est au moins aussi importante, c’est l’effondrement de la biodiversité. Là, vous avez une courbe. En gros, on voit que 70 % des espèces de vertébrés sont mortes depuis 1970.
Certains d’entre nous n’en ont rien à cirer des bébés pandas et des ours blancs. On n’est pas d’accord, mais ce n’est pas grave, je peux vivre avec.
Le souci de la biodiversité, c’est surtout que les écosystèmes, grâce à la biodiversité, nous fournissent des services qui nous permettent d’avoir de la nourriture, de l’air sain, de l’eau potable et de dépolluer l’air. Et, si on ruine la biodiversité, on abîme l’endroit où on vit et ça réduit nos chances, en tant qu’espèce, de survivre sur le long terme. C’est un très mauvais calcul, pour rester poli.

Déploiement de l’IA et limites planétaires

Quel rapport entre limites planétaires et déploiement de l’IA ? En fait, c’est très simple. Quand vous creusez des mines, quand vous construisez des data centers pour mettre des GPU [Graphical Processing Unit], quand vous fabriquez des serveurs avec des GPU dedans, vous allez, en premier, artificialiser des sols et vous allez consommer énormément d’eau, énormément ! La nouvelle usine TSMC de Taïwan, qui fabrique des GPU, qui est en cours de réalisation, a prévu de consommer 100 000 tonnes d’eau par jour. Une usine ! Ils en fabriquent quatre. Ils ont déjà fabriqué 25 usines. 100 000 tonnes d’eau par jour pour une usine ! Taïwan est en sécheresse depuis quatre ans, ils ne peuvent donc pas arroser leurs rizières, par exemple, juste ça, alors qu’ils sont menacés par la Chine, c’est quand même assez gênant !
En plus, tout ça provoque du changement climatique. Quand Elon Musk fait des data centers qui sont alimentés en électricité par des turbines à gaz, qui se comptent littéralement par dizaines, ça provoque évidemment du changement climatique.

Ces trois choses mises ensemble vont réduire la biodiversité. Et là, ce que vous voyez finalement, c’est l’humanité avec l’IA qui est en train de scier la branche sur laquelle elle est assise collectivement. En fait, on avait déjà commencé à le faire avec le capitalisme, mais là, avec l’IA, ce sont un petit peu des mecs qui débarquent avec une tronçonneuse en disant « je peux accélérer le processus. Chef, j’y vais ou pas ? ». Et nous sommes 800 millions à suivre !

Impact : les mines et les populations du Sud global

Il y a d’autres impacts sociétaux, dont on ne parle pas beaucoup, d’aucuns diraient qu’ils ne sont pas importants, qui arrivent en amont. Par exemple, les mines. Oui, quand il faut trouver des minerais, on creuse des mines et on ne le fait pas chez nous en région parisienne ou en métropole, on le fait loin, donc on s’en fout, mais je ne sais pas si on devrait.
En tout cas, on a des mines industrielles, on a des mines artisanales. Dans les mines artisanales, on fait aussi travailler des enfants.
Et forcément, c’est super intéressant de s’intéresser aux endroits où il y a ces mines et de contrôler le territoire. Je vous encourage à voir, par exemple, le témoignage de David Maenda Kithoko [3] sur ce sujet. Il est frappant.

Impact : les data workers

En amont, il y a aussi la problématique des data workers. C’est-à-dire qu’il faut entraîner les IA, il faut les préciser. Donc toute une génération de jeunes diplômés, en Afrique anglophone, passent leur temps à faire des jobs complètement décérébrants genre à relire des phrases, à réécrire des phrases, à détourer des canards, des planches à voile ou des voitures dans des photos pour annoter des images pour l’IA ou à regarder des vidéos de décapitations ou de viols et dire « non, il ne faut pas les publier. Il ne faut pas accepter de les générer si l’utilisateur les demande. » Et ça, forcément, ça abîme des vies et ça gêne l’économie locale, ce n’est pas comme s’ils faisaient quelque chose de productif derrière.

Impact : fausses informations/deepfakes

En aval, c’est-à-dire après la diffusion de l’IA, on a d’autres soucis dont la problématique des fausses informations.
Là, par exemple, une fausse arrestation de Donald Trump. C’est bizarre, on voit que c’est fait par IA, il y a beaucoup trop de jambes, c’est d’ailleurs à se demander s’ils ne sont pas tous en train de danser le twist. Évidemment, il n’y a pas eu d’arrestation de Trump comme cela, c’est une fausse information, mais il devient de plus en plus difficile de reconnaître la vérité. Et quand on ne sait pas ce qu’on peut croire, Hannah Arendt, qui travaillait sur le sujet, disait : « Avec un peuple qui ne sait pas ce qu’il peut croire, on peut tout faire. »

Impact : reproduction des biais humains

Il y a un autre impact qui est la reproduction des biais humains. S’il y a des biais humains, s’il y a du racisme dans la donnée, après l’IA est raciste.
Sur cette illustration où il y a une main blanche avec un outil, on reconnaît que c’est une main et que c’est un outil. Avec la même main en noir, l’IA pense que c’est une arme de poing. Et pourtant, c’est la même photo. À dire vrai, c’est une main noire au départ qui a été blanchie pour pouvoir faire la comparaison.

Impact : repenser l’apprentissage

Autre impact sur l’apprentissage. Comment fait-on pour apprendre à un moment où tout le monde a pris l’habitude de demander les réponses à l’intelligence artificielle ? Ça ne veut pas dire que l’IA est incompatible avec l’apprentissage. Il y a des tas d’exemples d’IA qui aident à apprendre, d’IA qui peuvent être des professeurs pour aider individuellement des élèves là où un professeur humain n’aurait pas le temps de le faire et ça pourrait être très bien.
Mais si jamais vous faites faire vos devoirs par l’IA, évidemment vous n’apprenez pas, vous ne vous coltinez pas à la difficulté d’apprendre, vous renforcez l’absence de savoir et savoir comment apprendre. Si vous faites ça, vous apprenez moins bien.
Cette citation m’avait fait rire : « Faire faire ses devoirs à ChatGPT, c’est comme aller à la salle avec une grue. » Eh oui, vous avez soulevé des poids, mais vous n’avez pas gagné des muscles !

Impact : externalisation du savoir dans la machine

Celle-là est peut-être ma préférée. Bernard Stiegler [4] philosophe décédé en 2020, disait, en reprenant une définition marxiste du prolétariat, que le savoir-faire des gens a été externalisé dans une machine.
Sur la gauche vous voyez un métier jacquard, inventé en 1802, qui était la première machine automatique. La fileuse, qui était capable de faire des motifs sur un tissu, s’est vue dépossédée de ce savoir-faire parce qu’on l’a mis dans des cartes perforées. Ça a d’ailleurs été tout le mouvement des canuts, etc. Les gens ont balancé les métiers jacquard dans le Rhône, à Lyon, pour se défendre contre cela.
En fait, on se pose la question : avec l’IA, n’est-on pas en train, à force de lui déléguer des choses, d’arrêter d’apprendre ? On lui donne tout le savoir et on passe en mode automatique. Ça pose des soucis.

Impact : l’emploi et la formation des juniors

Et peut-être que ça se voit, en tout cas c’est la thèse de ce chercheur de Stanford [Erik_Brynjolfsson], qui dit qu’avec l’introduction de ChatGPT, on commence à voir une baisse drastique du nombre de certains étudiants, là ce sont les plus jeunes, 22-25 ans, et là les 26-30 ans, pour les métiers du développement de logiciel. Mais oui, parce que vous prenez un développeur senior, vous lui donnez une tâche, il la confie à l’IA, il va prompter intelligemment et il va vérifier que l’IA donne du travail de qualité. Au moment où il prompte, il va être capable de dire « attention à ne pas faire ceci, assure-toi que tu fais cela, etc. », parce qu’il sait, il a déjà fait, il a déjà appris. Alors que le junior, beaucoup plus innocent dans sa pratique, va-t-on dire pudiquement, va prompter comme il peut, de toute façon il n’y connaît rien, il est junior. Après, en sort quelque chose qui est beaucoup moins bien et il ne peut pas le voir, parce que, de toute façon, il est junior, il ne sait pas quelles sont les erreurs qu’il aurait pu faire par le passé, puisqu’il n’en a jamais fait. Ce qui nous amène à cette question : comment forme-t-on des seniors si, dès aujourd’hui, on commence à ne plus embaucher de juniors ? Qu’est-ce que ça veut dire ? Dans 15 ans, il n’y a plus de seniors. Et, en fait, on a complètement donné les clés à l’IA sans le vouloir. C’est possible. C’est un des dangers que je voulais mentionner aujourd’hui.

Impact : conflits d’usage sur l’électricité

Et enfin le problème de la consommation électrique.
Cela est une simulation faite par Deloitte qui dit, en gros, qu’au minimum on multiplie par 4 la consommation électrique des data centers avec l’IA et au mieux ou au pire, je ne sais pas, on multiplie par 9,3.
Le souci c’est quand même qu’on est dans un contexte où, je vous ai déjà parlé du changement climatique, il y a des tas de choses qu’il faudrait arrêter de faire, dont brûler des carburants fossiles, évidemment, en particulier avec la mobilité individuelle et avec l’industrie. Oui, il faut arrêter de mettre du charbon dans les usines, il faut mettre de l’électricité. Et aujourd’hui, on n’arrive déjà pas à alimenter les nouveaux data centers, par exemple dans la Data Center Alley près de Washington D.C. Il faut jusqu’à sept ans pour un nouveau data center pour obtenir de l’électricité et, à l’heure de l’IA, sept ans c’est monstrueux.

Les solutions pour réduire l’impact

Maintenant qu’on a vu ce panorama de tout ce qui pourrait aller mal, on va essayer de passer aux solutions. Qu’est-ce qu’on pourrait faire ? Il y en a une que je voulais poser initialement qui est : en fait, il faut réguler. Le sujet est tellement compliqué que j’ai décidé de l’esquiver parce que je n’ai pas le temps.

Faire de l’IA responsable ?

On va passer directement à la possibilité de faire de l’IA responsable.
Ça pose deux questions ou deux sujets, plus précisément.
Première question : à quoi ça ressemble ? Qu’est-ce que l’usage responsable de l’IA ? Qu’est-ce qui est responsable ? Qu’est-ce qui n’est pas responsable ? Quelle est la boussole ?
La deuxième question : qui est responsable de faire de l’IA responsable ? C’est le PO [Product Owner], oui, c’est quand même lui ! C’est lui qui, à un moment, va dire ce qu’on fait là c’est responsable ou ce n’est pas responsable et, pour être responsable, il faut aller dans cette direction-là et pas dans cette direction-là. Ce n’est pas le data scientist, ce n’est pas l’utilisateur qui est complètement paumé, c’est le PO par défaut.

Utiliser l’outil le plus simple possible à performance équivalente

Il faut savoir que, pour trouver les mêmes résultats, il y a le choix entre plein d’algorithmes parmi les algorithmes de data science. Une étude a été faite et on voit que pour avoir des résultats à peu près identiques, de l’ordre de 98 à 99 %, trois méthodes donnent des résultats corrects :
les réseaux neuronaux, donc la base des LLM, ça marche très bien, meilleur résultat, 98,81, mais une empreinte énorme ;
la régression logistique et le random forest [forêts d’arbres décisionnels] donnent, dans ce cas présent, des résultats qui sont complètement comparables, mais qui consomment respectivement, je crois, 13 et 19 fois moins. Il faudrait donc, quand c’est possible, se tourner vers ce genre d’algorithmes qui sont beaucoup moins consommateurs.
On voit que BerdouilliNB fait encore moins, mais les résultats sont significativement moins bons, donc on l’a retiré de la solution.
Donc c’est peut-être cela en fait, c’est choisir le bon outil algorithmique pour le résultat qu’on attend avec le bon niveau de qualité et la bonne consommation.

Une étiquette énergie pour l’IA ?

Je suis allé en parler à mes camarades d’OCTO et nous sommes allés plus loin. Nous sommes arrivés à quelque chose comme cela, c’est-à-dire faire un genre d’étiquette énergétique du type de solution technologique utilisé.
Si vous faites des trucs hyper classiques, des applications qui consomment peu, c’est formidable, c’est ce qu’on fait déjà, des trucs non critiques, envoyer des e-mails, etc.
Et puis plus vous descendez, plus ce sont des choses compliquées et consommatrices, jusqu’à arriver aux Large Language Models, les LLM, et à ce moment-là, on met en face des cas d’usage.
Des réseaux de neurones, je veux bien, mais OK, il faut que ça sauve des vies.
Des LLM ? OK, je veux bien ! Ça consomme énormément, beaucoup plus, mais, à ce moment-là, on met en correspondance, par exemple, la sécurité des personnes ou la santé à très grande échelle.
Ça ne veut pas dire qu’il ne faut pas utiliser de LLM ou ne jamais faire d’IA, non, mais c’est les utiliser pour des choses qui sont en rapport, finalement, avec l’empreinte que ça amène. L’inconvénient c’est que, trop souvent, on voit des gens qui mettent leurs e-mails dans ChatGPT pour les faire relire, c’est un peu dommage !

Un obstacle important pour faire de l’IA responsable

L’obstacle qui est, je pense, majeur à ce niveau-là, c’est que les gens, en général, n’ont pas été formés correctement au numérique. On a tous appris à l’arrache « il faut aller sur Google pour avoir une réponse. » On cherchait sur Google. Et j’ai peur qu’avec l’attrait des LLM, ça devienne « il faut demander à ChatGPT. » Et on le voit justement parce que ChatGPT fait des réponses sur mesure, gratuitement, en audio, en texte ou en image, depuis n’importe quel appareil, depuis un PC avec un navigateur ou depuis une appli sur son smartphone.
En fait, j’ai peur que les gens ne se posent pas la question à savoir si c’est raisonnable de demander l’heure à ChatGPT et le fassent.
J’ai un petit peu peur aussi que les développeurs fassent pareil. C’est-à-dire que le développeur se dit « en fait c’est bon, j’ai une API vers un LLM, tous mes problèmes vont consister à envoyer ça au LLM. ». Que le LLM soit la réponse unique à toutes les questions que se posent les développeurs.
Tu as un problème de facturation ?, demande à un LLM, alors qu’une facture se fait avec des moyens algorithmiques classiques.

Pourrait-on optimiser l’IA ? (un peu de prospective)

Une autre approche, c’est est-ce qu’on peut optimiser l’IA ? Est-ce qu’on peut avoir le même niveau de résultat en consommant moins de ressources ? Et la réponse est oui, mais pas tout de suite. Pourquoi pas tout de suite ?

Optimiser après la bulle

On optimisera après la bulle. Il faut être clair, aujourd’hui, on est dans une bulle de l’IA. Ça fait au moins six mois que je le dis et maintenant, les gens commencent à être d’accord. On est dans une bulle ! C’est vrai que là, quand même, 500 milliards dépensés comme ça, c’est peut-être beaucoup !
On est clairement dans une bulle spéculative et, à un moment, ça va s’arrêter. Je ne sais pas comment ça va s’arrêter. Je ne sais pas si ça va être brutal, sanglant ou pas, je n’en sais rien, je pense que l’IA va perdurer au-delà de l’éclatement de cette bulle.
Une bulle, c’est un petit peu comme les chaises musicales avec deux chaises au milieu et 100 personnes qui tournent autour. À un moment, la musique s’arrête, tout le monde flippe et il n’y a que les deux qui sont le plus devant qui ont le temps de s’asseoir. Donc la priorité principale, pour tous les acteurs de l’IA aujourd’hui, c’est être dans les deux premiers. C’est pour cela que l’optimisation ne peut pas se faire maintenant. Ce qu’il faut, c’est être au top maintenant. Une fois que la bulle aura éclaté, une fois que les actionnaires vont demander de l’argent, là, oui, on va comprendre, on va revenir à des choses un peu plus saines. On va dire, c’est vrai, un client, ça doit rapporter de l’argent, on doit faire une marge, j’avais oublié le concept, il faut gagner des sous sur le client ! Oui, parce que là, sur les abonnements pros à ChatGPT à 200 dollars par mois, ils perdent de l’argent, il faut le savoir. Donc l’abonnement à 20 dollars aussi et l’abonnement gratuit aussi, forcément ! Donc ça ne peut pas durer indéfiniment. Donc l’optimisation sera essentielle parce qu’il va falloir que fournir le service revienne moins cher que ce qu’on facture aux clients.

Small, decentralized and local is beautifull

Deuxième approche qui me paraît très prometteuse, là, on est dans la prospective. Aujourd’hui, on voit émerger des Small Language Models [5], je suis désolé, cette photo est vraiment exécrable, mais vous aurez peut-être reconnu un Compaq DeskPro des années 90 faisant tourner Windows 98, on est carrément dans l’archéologie numérique et ça fait tourner un modèle qui s’appelle LLaMA, fait par Méta, qui est un LLM. On peut faire tourner des LLM sur des machines qui sont petites et anciennes, donc, on pourrait faire tourner plus largement, en gros, des LLM sur des smartphones, c’est déjà le cas, mais le faire de façon plus efficace. L’intérêt c’est que, du coup, on ne va plus envoyer faire des calculs énormes dans des data centers qui consomment énormément d’énergie, de GPU, etc., mais les faire en local. C’est ce qu’essaye de faire Apple avec un succès mitigé pour l’instant. En tout cas, c’est une possibilité. Je vous rappelle qu’on fait de la prospective, c’est une possibilité qui, à mon avis, mérite d’être visitée. C’est assez intéressant.

Mais effet pervers du renouvellement des terminaux

Avec un inconvénient toutefois. Là ce sont les courbes respectivement du marché du PC qui se cassent la figure depuis 2011, ça fait longtemps, 2011, et là ce sont les smartphones qui se cassent la figure depuis 2016 ou 2017, c’est-à-dire que ça fait des années que tous ces gens-là crèvent de faim et ils ont super envie de nous vendre des nouveaux matériels sous prétexte qu’ils sont compatibles IA. Ce qui est déjà le message marketing d’Apple sur l’iPhone, alors que non, et de Samsung, là, un peu plus, oui. Si on se met à faire de l’IA décentralisée, il faudra faire super attention à ce qu’ils ne se mettent pas à nous fourguer des nouvelles machines toujours plus puissantes, toujours plus dopées à l’IA chaque année.
Il faut savoir qu’aujourd’hui, dans l’empreinte environnementale du numérique, en gros 50 % c’est la fabrication du terminal, c’est donc là, en fait, où on a le plus gros levier. Le réseau, ce n’est que 4 % et le calcul en data center, c’est 46 % de l’empreinte.

Et si le futur était analogique ?

Autre possibilité. Attention, plus on va, plus c’est délirant. On pourrait faire du numérique analogique. Ce n’est plus du numérique binaire, c’est du numérique analogique.
Pourquoi ? Parce qu’on fait de l’IA avec des GPU parce qu’on a des GPU. Mais aujourd’hui des startups font des circuits analogiques et disent « on peut faire du calcul analogique. De toute façon, un réseau de neurones n’a pas besoin d’une grande précision, donc, le calcul analogique peut suffire. » Et il se trouve qu’en électricité, on a deux lois : la loi d’Ohm qui sait faire des multiplications et la loi des nœuds de Kirchhoff qui sait faire des additions. Et c’est cool parce que, en fait, les LLM sont des réseaux neuronaux. Les réseaux neuronaux, c’est essentiellement de la multiplication de matrices et la multiplication de matrices ce sont énormément d’additions qui sont faites en parallèle. Donc, si on commence à faire du numérique analogique, on va peut-être se mettre à diviser par 10 la consommation des puces. En tout cas, ce sont les promesses que font les startups aujourd’hui qui, comme chacun sait, n’engagent que les actionnaires qui y croient.

Et si le futur était biologique ?

Et enfin, la dernière, celle-là est spéciale dédicace pour ceux qui fument de la drogue ou qui lisent de la science-fiction dystopique : c’est utiliser des neurones humains, biologiques, des vrais neurones humains, à base de cellules souches – on n’est pas en train d’aller kidnapper quelqu’un dans le métro pour lui ouvrir le crâne, pour avoir des trucs, je vous rassure, du moins, ils ne disent pas qu’ils font comme ça – et on fait du wetware, donc des ordinateurs biologiques [6] avec plutôt des réseaux de neurones biologiques qui tourneraient.

L’Effet rebond et le paradoxe de Jevons

Tout cela permettrait une optimisation avec, c’est mon dernier slide – je sens qu’ils sont à deux doigts de venir me chercher avec la camisole – slide, mon slide de conclusion : il faut faire attention à l’effet rebond.
Si on se met à optimiser, et on l’a vu dans l’histoire depuis plus de deux siècles, ça coûte moins cher d’utiliser une ressource. Le paradoxe de Jevons, dont Olivier Hamant parlait ce matin [7], qui est en lithogravure ici, a étudié cela avec le charbon. Il s’est rendu compte que les machines à vapeur en consommaient de moins en moins. Du coup, va-t-on consommer moins de charbon ? Pas du tout ! Une machine à vapeur consomme de moins en moins, alors on a commencé à en mettre partout, donc la consommation du charbon a augmenté. Elle continue d’être stable encore aujourd’hui parce qu’en plus, on a rajouté le gaz, le pétrole, l’éolien et le solaire.
Donc, méfions-nous : si on optimise, l’effet rebond guette et il faudra être très vigilants sur le sujet.