Kimi K3 : Moonshot AI défie l'Occident avec un modèle rival

Kimi K3 : Moonshot AI défie l'Occident avec un modèle rival

Le modèle Kimi K3 de Moonshot AI, qui serait proche de rivaliser avec les meilleurs modèles occidentaux, soulève de nouveaux doutes quant à l'efficacité des contrôles à l'exportation américains. Même un stratège d'OpenAI est impressionné.

Une semaine auparavant, la société de recherche SemiAnalysis avait déclaré que les laboratoires chinois étaient "tout simplement trop pauvres en calcul pour atteindre véritablement la frontière", une affirmation mise en avant par l'employée de Deepmind, Anika Somaia. Quelques jours plus tard, Moonshot AI, une startup comptant environ 300 employés, a lancé Kimi K3, qui, selon les premières évaluations, est comparable à l'Opus 4.8 d'Anthropic, mais reste en deçà des modèles de pointe comme le Fable 5 d'Anthropic et le GPT-5.6 Sol d'OpenAI. L'ampleur de cet écart reste floue.

Somaia soutient que le consensus occidental, des contrôles à l'exportation à la course à l'investissement de centaines de milliards des hyperscalers, repose sur une seule hypothèse : que la puissance de calcul détermine la capacité.

Cependant, la rareté a forcé l'innovation. La pile Mooncake de Moonshot AI pour l'entraînement de l'IA a été développée précisément parce que la startup ne disposait pas de suffisamment de GPU, explique Somaia. "Un petit laboratoire avec du goût peut compresser le calcul nécessaire pour créer un modèle de pointe, même s'il ne peut pas se permettre d'en servir un."

Dylan Patel, fondateur de la société d'analyse matérielle SemiAnalysis, est d'accord. "Ce qu'ils ont réalisé avec une petite équipe extrêmement talentueuse, une forte recherche en apprentissage par renforcement, architecture et données compense une grande partie du déficit de calcul," écrit-il. Mais Patel souligne également que les entreprises chinoises peuvent facilement louer des GPU en dehors de la Chine, rendant une partie des restrictions à l'exportation inutiles.

Un chercheur de Google Deepmind qualifie Kimi K3 de "terriblement bon"

Les laboratoires d'IA occidentaux accusent souvent les entreprises chinoises de vol de données par le biais de la distillation, où un modèle d'IA plus petit apprend à partir des résultats d'un plus grand et profite ainsi du travail des autres, menaçant les modèles économiques des laboratoires d'IA occidentaux. Jusqu'à présent, la distillation a été l'explication privilégiée pour comprendre comment les laboratoires chinois restent compétitifs malgré un calcul réduit.

Pour Kimi K3, cette explication ne semble pas tenir. "Ces résultats semblent impossibles à expliquer uniquement par la distillation," écrit Michiel Bakker, chercheur en IA au MIT et chez Google Deepmind, qualifiant le modèle de "terriblement bon". Le modèle phare de Google, Gemini 3.5 Pro, a quant à lui été retardé pendant des mois selon Bloomberg, car il ne parvient pas à atteindre les objectifs de performance, notamment dans le codage, son principal cas d'utilisation. La stratégie d'IA de l'entreprise fait à nouveau l'objet de critiques, et Google fait face à des vents contraires réglementaires dans la recherche en IA, notamment en Allemagne.

Dean W. Ball, responsable des futurs stratégiques chez OpenAI et ancien conseiller gouvernemental, qualifie Kimi d'"excellent modèle" qui, lors de sessions de codage basées sur des agents, égalerait "les meilleurs modèles publics de Q1 2026." Mais il note également qu'il semble "très gourmand en tokens", ce qui rend "pas évident pour moi que ce modèle soit réellement bon marché à exécuter."

Il n'a pas tort. Selon Artificial Analysis, Kimi K3 coûte en moyenne 0,94 $ par tâche. C'est proche de GPT 5.6 Sol à 1,04 $, mais environ la moitié du coût de l'Opus 4.8 à 1,80 $. Il reste moins cher que les meilleurs modèles occidentaux, mais l'écart s'est réduit par rapport à la version précédente et il est beaucoup plus coûteux que les anciens modèles chinois à poids ouverts.

Un stratège d'OpenAI met en garde contre le "communisme total de l'IA"

Cependant, Ball dit être surpris que le gouvernement chinois permette la publication de modèles aussi puissants en open-source. Il attribue 75 % de cela à une cécité stratégique, affirmant que le PCC est "très à la manière de Yann LeCun" dans son évaluation des risques liés à l'IA et ne voit pas de menaces existentielles.

Le reste est dû à un manque de capacité de calcul pour l'inférence côté client, ce qui rend la stratégie à poids ouverts un sous-produit involontaire des contrôles à l'exportation américains. Les entreprises savent également que presque personne ne paierait pour des modèles chinois en dessous de la frontière, affirme Ball.

Les modèles à poids ouverts sont "inherently decelerationist", soutient Ball, car ils ralentissent davantage l'investissement dans l'IA. Un résultat possible d'un monde dominé par eux serait un "communisme total de l'IA", avec l'IA comme bien public fourni par l'État en tant qu'infrastructure numérique. C'est ce que la Chine propose, selon Ball, qui qualifie ce scénario de "paysage dystopique".

Le fait qu'un stratège d'OpenAI critique aussi sévèrement les modèles à poids ouverts n'est pas sans intérêt personnel. Son entreprise repose sur un modèle commercial fermé et fait face à une pression croissante sur les prix de la part de fournisseurs comme Moonshot AI et Deepseek.

Brouillard réglementaire plutôt que bans directs

Ball prédit que l'administration Trump créera un risque réglementaire autour de l'utilisation des modèles chinois à poids ouverts. Il n'est pas nécessaire d'interdire l'open source, soutient-il, le qualifiant de "l'un des motifs les plus stupides de la discussion sur la politique de l'IA." Les autorités n'auraient qu'à créer suffisamment d'incertitude par le biais de "lois douces", comme faire en sorte que la Réserve fédérale émette des avertissements sur les potentielles portes dérobées dans les modèles d'IA chinois. Le raisonnement n'aurait même pas besoin d'être bien fondé.

L'objectif est un juste milieu avec suffisamment de risque pour dissuader les entreprises réglementées d'utiliser des modèles chinois, sans effrayer les hyperscalers au point que les startups migrent vers des fournisseurs moins réputés. Ball s'attend à ce que le gouvernement déploie une version de cette stratégie.

Une IA plus efficace peut encore signifier une demande accrue de calcul

Les progrès de Kimi ne signifient pas nécessairement qu'une puissance de calcul moindre est requise, mais si c'était le cas, les énormes infrastructures des entreprises technologiques américaines sembleraient inutiles, ce qui pourrait déclencher un krach boursier. L'inverse est cependant plus probable. Le paradoxe de Jevons suggère que des modèles plus efficaces entraînent un déploiement accru de l'IA, ce qui pourrait en réalité générer encore plus de demande pour la puissance de calcul.

Selon SemiAnalysis, Kimi K3 possède 2,8 trillions de paramètres et est si grand qu'il ne tient pas sur un seul Nvidia DGX B200, même avec la quantification FP4. Il nécessite des systèmes plus puissants comme le GB300 NVL72 ou B300, chacun avec 288 Go de mémoire par GPU.

Encore une fois, les parallèles avec Deepseek sont difficiles à ignorer. À l'époque, les sceptiques prédisaient un surplus de calcul et avaient brièvement ébranlé les marchés. Au lieu de cela, la demande de puissance de calcul a augmenté à mesure que les modèles de raisonnement prenaient de l'ampleur, ironiquement alimentée en partie par les propres modèles de Deepseek. Comme le dit le PDG de Google Deepmind, Demis Hassabis, "Personne au monde ne sait ce qui se passera ensuite."