Altman a proposé de calculer le coût de l’intelligence autrement : 20 ans de nourriture contre un centre de données

Vingt watts. C'est exactement ce que le cerveau humain consomme pendant le travail actif — moins qu'une ampoule à incandescence faible. Pendant des décennies, ce fait a servi de point fort dans les débats sur l'inefficacité de l'IA : pourquoi construire des centres de données de la taille d'une petite ville quand la nature a résolu le même problème avec un kilo et demi de tissu neural et une poignée de glucose ? Sam Altman a décidé qu'il était temps de reconsidérer les termes de cette comparaison.

Le chef d'OpenAI a avancé une thèse provocatrice : comparer la consommation d'énergie d'un cerveau en fonctionnement et d'un réseau de neurones en fonctionnement est de la tromperie intellectuelle. Le calcul correct, selon Altman, devrait inclure toute l'énergie dépensée pour créer l'intelligence, pas seulement pour l'utiliser. Pour les humains, cela signifie environ vingt ans d'alimentation continue, de sommeil, d'apprentissage — des milliers et des milliers de calories transformées en connexions synaptiques. Si nous allons plus loin, nous devons tenir compte de millions d'années d'évolution, au cours desquelles d'innombrables organismes sont nés, ont consommé des ressources et sont morts, afin que la sélection naturelle produise finalement une créature capable de raisonner sur des abstractions.

L'argument n'est pas nouveau dans les cercles académiques, mais de la part du chef de la plus grande entreprise d'IA du monde, il a sonné différemment — comme un récit stratégique. Le contexte ici est critique. OpenAI et ses concurrents font face à une pression croissante concernant l'empreinte énergétique des grands modèles de langage.

Selon diverses estimations, l'entraînement d'un seul grand modèle au niveau de GPT-4 a consommé une énergie comparable à la consommation annuelle de plusieurs milliers de ménages. Chaque demande adressée à un chatbot consomme plusieurs fois plus d'électricité qu'une requête de recherche typique. La construction de nouveaux centres de données pour les charges de travail de l'IA est devenue l'une des questions les plus brûlantes de la politique énergétique — du Texas à la Scandinavie.

Dans ces conditions, tout argument capable de reformuler la discussion acquiert non seulement une importance philosophique mais aussi pratique.

D'un point de vue scientifique, la position d'Altman contient un noyau rationnel, mais aussi des exagérations notables. En effet, si nous considérons le cerveau comme un produit de l'apprentissage, son « budget d'entraînement » est colossal. Un enfant consomme en moyenne de 1000 à 2500 kilocalories par jour, et une partie importante de cette énergie au cours des premières années de la vie va précisément au développement du système nerveux.

Sur vingt ans, cela représente environ 15–18 millions de kilocalories — approximativement 17–21 mégawatts-heure lorsqu'ils sont convertis en énergie électrique. Le chiffre est impressionnant, mais reste néanmoins des ordres de grandeur inférieur à ce qui est dépensé pour l'entraînement des modèles de pointe lorsqu'on tient compte des pertes de refroidissement, de transmission de données et d'infrastructure. Quant à l'évolution — l'inclure dans le calcul est techniquement possible, mais alors pour l'IA, nous devrions tenir compte de toute l'histoire de l'informatique, des premières machines à tubes au-delà des clusters modernes de GPU, ce qui rend la comparaison dénuée de sens.

Les critiques d'Altman ne se sont pas fait attendre. De nombreux chercheurs ont souligné une différence fondamentale : le cerveau est un système universel qui gère simultanément le corps, traite les informations sensorielles, soutient la vie émotionnelle et résout les tâches intellectuelles. Un grand modèle de langage fait exactement une chose — génère du texte (ou, dans la variante multimodale, génère aussi des images).

Comparer leurs « coûts d'entraînement » revient à comparer le coût de la construction d'une ville entière avec celui de la construction d'un, bien que très impressionnant, gratte-ciel. D'autres commentateurs ont été plus durs, qualifiant la déclaration d'Altman de tentative de normaliser la consommation énergétique illimitée de l'industrie de l'IA à un moment où la société commence à poser des questions inconfortables.

Cependant, il y a une couche plus profonde à cette discussion. Le simple fait que le chef d'OpenAI raisonne publiquement sur le prix de l'intelligence signale un changement dans la pensée industrielle. Il y a quelques années, les entreprises préféraient ne pas discuter de l'énergie, espérant que les progrès dans l'efficacité des puces et des algorithmes résoudraient le problème d'eux-mêmes. Maintenant, la stratégie change : au lieu de nier l'ampleur de la consommation, les leaders de l'industrie essaient de redéfinir le système de coordonnées dans lequel cette consommation est évaluée. Si l'intelligence est un produit coûteux par définition, alors les coûts énergétiques élevés cessent d'être un bug et deviennent une fonctionnalité.

Cette manœuvre narrative aura des conséquences bien au-delà des réseaux sociaux. Les régulateurs en Europe et aux États-Unis élaborent déjà des normes d'efficacité énergétique pour les systèmes d'IA. La manière dont l'industrie définira la comparaison de base — qu'il s'agisse du coût d'une seule requête, du coût de l'entraînement d'un modèle ou du coût total de création de l'intelligence « à partir de zéro » — affectera directement la rigueur des futures réglementations. Altman, consciemment ou non, fixe le cadre de ces débats.

Une chose est certaine : l'époque où les entreprises d'IA pouvaient simplement ignorer la question des ressources a pris fin. Maintenant, elles doivent non seulement construire des modèles mais aussi construire des arguments pour expliquer pourquoi ces modèles valent l'énergie dépensée. Et la persuasion de ces arguments déterminera non seulement la réputation d'OpenAI mais aussi le rythme de développement de toute l'industrie dans les années à venir.