LLM nucléaires, benchmarks chinois et politique de la mesure : l'essentiel d'Import AI 446

L'appétit énergétique des modèles de langage, les ambitions chinoises en matière de benchmarks et une recette étonnamment simple pour les régulateurs : le numéro 446 d'Import AI, l'une des newsletters les plus influentes du monde de l'intelligence artificielle, se révèle d'une densité surprenante. Ces trois sujets, qui mériteraient chacun un traitement à part, dessinent un tableau cohérent : l'industrie de l'IA entre dans une phase où ses principales contraintes ne sont plus purement algorithmiques.

Commençons par la tendance la plus tangible : le nucléaire au service des data centers. L'expression « Nuclear LLMs » évoque la science-fiction, mais elle recouvre une logique très pragmatique. L'entraînement et l'inférence des plus grands modèles de langage exigent des quantités colossales d'électricité, et ce besoin croît de façon exponentielle.

Selon diverses estimations, les data centers pourraient consommer d'ici 2027 jusqu'à 4-6 % de toute l'électricité des États-Unis. Les énergies renouvelables ne suffisent pas à couvrir la charge de base, les centrales à gaz laissent une empreinte carbone, et le nucléaire, stable, puissant et relativement propre, apparaît comme la seule option réaliste pour passer à l'échelle. Microsoft a déjà signé un accord pour relancer un réacteur de Three Mile Island, Amazon investit dans les petits réacteurs modulaires et Google a conclu un contrat avec Kairos Power.

L'idée n'a plus rien de marginal : elle est devenue une tendance de fond, et Import AI saisit le moment où l'énergie devient pour l'IA une ressource aussi stratégique que les données et le calcul.

Deuxième sujet du numéro : un nouveau benchmark chinois de grande ampleur pour évaluer les systèmes d'intelligence artificielle. La Chine bâtit méthodiquement son propre écosystème d'évaluation de l'IA, avec des conséquences considérables. Les benchmarks ne sont pas de simples outils techniques.

Ils définissent ce qui compte comme un progrès, quelles capacités d'un modèle sont jugées importantes et lesquelles sont ignorées. En créant ses propres standards de mesure, la Chine construit de fait un système de référence alternatif pour l'ensemble du secteur. Les benchmarks occidentaux se concentrent traditionnellement sur des tâches pertinentes pour le monde anglophone, de la compréhension de texte aux problèmes d'olympiades mathématiques ; leurs équivalents chinois pourraient placer les priorités ailleurs, en intégrant des tâches propres aux marchés, aux langues et aux contextes culturels asiatiques.

Il ne s'agit pas seulement d'une compétition technique, mais d'une lutte pour définir ce qu'est une « IA intelligente ».

Le troisième sujet, sans doute le plus provocateur, porte sur les travaux de Jacob Steinhardt, professeur à l'université de Californie à Berkeley et l'un des chercheurs les plus cités dans le domaine de la sécurité de l'IA. Steinhardt avance une idée faussement simple : avant de réguler l'intelligence artificielle, il faut apprendre à la mesurer. Cela ressemble à une évidence, mais en pratique, c'est justement l'absence de métriques fiables qui transforme tout débat sur la régulation de l'IA en dialogue de sourds.

Les législateurs ne peuvent pas fixer de seuils pour les systèmes dangereux s'il n'existe aucune méthode partagée pour établir qu'un système est dangereux. Les entreprises ne peuvent pas prouver la sûreté de leurs produits en l'absence de critères de sécurité objectifs. Steinhardt propose une intervention politique concrète : investir dans des outils standardisés de mesure des capacités des systèmes d'IA.

Ne pas interdire, ne pas restreindre, mais d'abord mesurer. Une approche qui pourrait rallier des soutiens des deux côtés de l'échiquier politique, puisqu'elle n'exige aucun compromis idéologique.

Ces trois sujets partagent un fil conducteur qu'il est facile de perdre de vue derrière les détails techniques. L'industrie de l'IA traverse une phase de maturité. L'époque où le progrès dépendait uniquement de la taille des modèles et du volume de données cède la place à une ère où les facteurs d'infrastructure, géopolitiques et institutionnels deviennent décisifs. Qui fournira l'énergie à la prochaine génération de modèles ? Qui définira les standards de leur évaluation ? Qui créera les outils permettant à la société de contrôler cette technologie ?

Import AI, dirigée par Jack Clark, ancien directeur des politiques publiques d'OpenAI et cofondateur d'Anthropic, reste l'une des rares sources capables de percevoir ces liens et de les mettre en contexte. Le numéro 446 rappelle que l'avenir de l'IA ne se joue pas seulement dans les laboratoires, mais aussi dans les centrales électriques, les instances de normalisation et les couloirs du pouvoir. Et ceux qui l'ont compris disposent d'un avantage stratégique.