La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Une croissance économique fulgurante mais discrète
L'économie de l'intelligence artificielle aux États-Unis connaît une expansion spectaculaire, avec une croissance annuelle de 2 000 %. Cependant, cette progression reste difficile à discerner dans les statistiques du produit intérieur brut (PIB) global. Un rapport rédigé par des économistes de l'Université de Virginie, d'Anthropic et de la Banque du Canada met en lumière cette dynamique, tout en s'interrogeant sur les raisons de son invisibilité.
Estimation du PIB de l'IA
Selon les prévisions, le PIB nominal de l'IA pourrait atteindre environ 250 milliards de dollars d'ici 2025, avec une croissance annuelle réelle ajustée à la qualité de 2 600 %. Malgré cela, plusieurs facteurs contribuent à sa faible visibilité dans les statistiques économiques globales.
Facteurs d'invisibilité
Bien que la construction de centres de données soit en plein essor, elle n'a pas encore un impact suffisant pour influencer significativement le PIB. De plus, l'inférence de l'IA, qui constitue l'impact économique principal, voit ses revenus nominaux augmenter modérément, car les prix par unité diminuent presque aussi rapidement que la production ajustée à la qualité augmente.
Mesurer l'économie de l'IA
Trois méthodes principales permettent de mesurer l'économie de l'IA :
-
Dépenses informatiques nominales : Les dépenses informatiques aux États-Unis sont passées de 37 milliards de dollars en 2023 à 90 milliards de dollars en 2024, puis à 219 milliards de dollars en 2025.
-
Capacité de calcul brute : Grâce aux innovations en matière de puces, la capacité réelle augmente de plus de 200 % par an.
-
Production d'IA ajustée à la qualité : Celle-ci a connu une croissance de 2 290 % en 2024 et de 2 271 % en 2025.
L'économie de l'IA est donc beaucoup plus vaste que ne le suggèrent les mesures conventionnelles.
Recommandations pour une meilleure mesure
Les auteurs du rapport suggèrent plusieurs pistes pour améliorer la mesure de l'économie de l'IA :
- Comptes satellites de l'IA : Créer des mesures spécifiques à l'IA pour mieux éclairer les calculs du PIB.
- Amélioration des données : Encourager la collaboration entre agences statistiques, entreprises et universités pour enrichir les données disponibles.
- Intégration dans les projections économiques : Les décideurs devraient inclure les mesures de capacité productive de l'IA dans leurs prévisions économiques à moyen terme.
Travailler sur l'IA tout en observant les données économiques actuelles donne l'impression que quelque chose d'important est sous la surface, semblable à une scène du film Les Dents de la mer où le requin approche.
Défis de la supervision de l'IA
La supervision des systèmes d'IA, notamment en matière d'alignement automatisé, présente des défis complexes. Un article du UK AI Security Institute souligne que cette recherche, bien que prometteuse, est loin d'être simple.
Complexités de l'alignement automatisé
- Pression d'optimisation : L'IA est souvent optimisée pour obtenir l'approbation humaine, ce qui peut entraîner des erreurs non intuitives.
- Volume de recherche : Les systèmes automatisés pourraient traiter des ensembles de données bien plus vastes que ceux utilisés par les humains.
Interventions proposées
Pour améliorer la supervision, plusieurs interventions sont suggérées :
- Mesure : Reproduire des projets de recherche et évaluer les performances des agents.
- Généralisation : Tester divers proxies d'entraînement pour comprendre la généralisation.
- Supervision évolutive : Développer et tester de nouveaux protocoles de supervision.
La capacité à superviser des systèmes plus intelligents que les humains soulève des questions fondamentales sur le contrôle de l'avenir.
Giant Permissive Image Corpus : Une ressource précieuse
Des chercheurs de l'Université de Stanford, de Radical Numerics, de l'Université du Michigan et de Salesforce Research ont lancé le Giant Permissive Image Corpus (GPIC), un ensemble de données comprenant 100 millions d'images avec des légendes. Toutes ces images sont sous licence permissive, ce qui les rend disponibles pour la recherche et l'utilisation commerciale.
Détails du GPIC
Le GPIC se compose de 100 millions d'images d'entraînement, 200 000 validations et 1 million d'exemples de test. Ce corpus représente une ressource inestimable pour les chercheurs et les startups, facilitant le développement et l'innovation dans le domaine de l'IA.
