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

La faim énergétique des modèles de langage, les ambitions chinoises en matière d'étalonnage et une recette étonnamment simple pour les régulateurs — le dernier numéro de l'un des digests les plus influents du monde en IA, Import AI numéro 446, s'est avéré être étonnamment concentré. Trois thèmes, chacun méritant une discussion séparée, forment un tableau unique : l'industrie de l'IA entre dans une phase où les contraintes clés cessent d'être purement algorithmiques.

Commençons par la tendance la plus tangible physiquement — l'énergie nucléaire pour les data centers. Le terme « Nuclear LLMs » semble sortir de la science-fiction, mais derrière lui se cache une logique pragmatique. L'entraînement et l'inférence des plus grands modèles de langage exigent d'énormes quantités d'énergie électrique, et cette demande croît exponentiellement.

Selon diverses estimations, les data centers pourraient consommer jusqu'à 4-6 pour cent de toute l'électricité aux États-Unis d'ici 2027. Les sources renouvelables ne peuvent pas gérer la charge de base, les centrales à gaz créent une empreinte carbone, et l'énergie nucléaire — stable, puissante et relativement propre — apparaît comme la seule option réaliste pour la montée en puissance. Microsoft a déjà conclu un accord pour redémarrer le réacteur Three Mile Island, Amazon investit dans de petits réacteurs modulaires, et Google a signé un contrat avec Kairos Power.

Ce n'est plus une idée marginale — c'est une direction dominante, et Import AI capture le moment où l'énergie devient une ressource aussi stratégique pour l'IA que les données et l'informatique.

Le deuxième thème du numéro est un nouveau benchmark chinois à grande échelle pour évaluer les systèmes d'intelligence artificielle. La Chine construit systématiquement son propre écosystème d'évaluation de l'IA, et cela a des conséquences de grande portée. Les benchmarks ne sont pas simplement des outils techniques.

Ils définissent ce qui est considéré comme un progrès, quelles capacités du modèle sont reconnaissables comme importantes et lesquelles sont ignorées. Quand la Chine crée ses propres normes de mesure, elle forme effectivement un système de coordonnées alternatif pour l'ensemble de l'industrie. Si les benchmarks occidentaux se concentrent traditionnellement sur les tâches pertinentes pour le monde anglophone — de la compréhension textuelle à la résolution d'olympiades mathématiques — les équivalents chinois pourraient mettre l'accent différemment, incluant des tâches spécifiques aux marchés asiatiques, aux langues et aux contextes culturels.

Ce n'est pas simplement une compétition technique, mais une lutte pour définir le concept même d'« IA intelligente ».

Le troisième et peut-être le plus provocateur thème concerne 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 formule une idée trompeusement simple : avant de réglementer l'intelligence artificielle, nous devons apprendre à la mesurer. Cela semble banal, mais en pratique, c'est précisément l'absence de métriques fiables qui transforme toute discussion sur la réglementation de l'IA en un dialogue de sourds.

Les législateurs ne peuvent pas fixer des valeurs seuils pour les systèmes dangereux s'il n'y a pas de moyens convenus pour déterminer qu'un système est dangereux. Les entreprises ne peuvent pas prouver la sécurité de leurs produits s'il n'y a pas de critères de sécurité objectifs. Steinhardt propose une intervention politique concrète : investir dans la création d'outils normalisés pour mesurer les capacités des systèmes d'IA.

Non pas interdire, non pas restreindre, mais d'abord — mesurer. C'est une approche qui peut trouver un soutien dans tout le spectre politique, car elle ne requiert aucun compromis idéologique.

Les trois thèmes du numéro sont connectés par un fil commun qu'il est facile de perdre parmi les détails techniques. L'industrie de l'IA vit un moment de maturation. L'ère où le progrès était déterminé exclusivement par la taille du modèle et le volume de données cède la place à une ère où les facteurs d'infrastructure, géopolitiques et institutionnels deviennent décisifs. Qui fournira l'énergie pour la prochaine génération de modèles ? Qui établira les normes pour leur évaluation ? Qui créera les outils qui permettent à la société de contrôler cette technologie ?

Import AI, édité par Jack Clark — ancien directeur de la politique chez OpenAI et cofondateur d'Anthropic — reste l'une des rares sources capables de voir ces connexions et de les présenter dans un contexte. Le numéro 446 est un rappel que l'avenir de l'IA est décidé non seulement dans les laboratoires, mais aussi dans les centrales électriques, dans les bureaux de normalisation et dans les couloirs du pouvoir. Et ceux qui le comprennent gagnent un avantage stratégique.