IA pas que la taille qui compte
Les leaders de l’IA générative ont, depuis l’arrivée de ChatGPT, mené une course au plus gros modèle. Mais OpenAI et ses concurrents ont de plus en plus de mal à créer des modèles qui dépassent les performances de leurs précédents. La course à l’entrainement de modèles de plus en plus gros ne suffit plus.
Les entreprises de l’IA génératives qui se sont concentrées sur la création de modèles toujours plus gros pour toujours plus de capacités commencent à voir les limites de cette stratégie arriver.
Le média américain The Information raconte que le nouveau modèle d’OpenAI, Orion, dont la sortie a été annoncée pour décembre prochain par The Verge et immédiatement démenti par Sam Altman, devrait apporter à lui seul une augmentation de performance beaucoup moins importante que le saut qu’avait pu avoir lieu entre GPT-3 et GPT-4. Orion n’est pourtant pas une nouvelle version de GPT-4 comme GPT-4o mais vraiment un nouveau modèle de l’entreprise et pourrait donc être considéré comme GPT-5 (même si OpenAI ne le publiera peut-être pas sous cette nomenclature).
Un Orion moins géant que prévu
Nous savons depuis quelque temps que les benchmarks des modèles de langage nous désinforment et ont tendance à nous faire croire à une évolution difficile à mesurer. Mais certains chercheurs d’OpenAI, selon The Information, pensent que les performances d’Orion ne seront pas meilleures dans ces comparaisons de modèles pour certaines tâches comme la génération de code.
Comme le disent nos confrères, cela remet en cause l’application aux modèles de langage de ce que certains appellent les « lois d’échelle » (scaling laws). Celles-ci voudraient qu’en entrainant les modèles avec des données toujours plus importantes sur des machines de plus en plus puissantes, on obtiendrait forcément des modèles plus puissants. Tadao Nagasaki, responsable d’OpenAI au Japon, s’appuyait pourtant encore très récemment sur ces « lois d’échelle » pour vanter la progression inexorable des modèles de son entreprise.
Des ressources presque épuisées ?
Une des hypothèses évoquées pour expliquer ce ralentissement serait que les entreprises d’IA génératives ont déjà puisé dans les plus grosses sources de textes de qualité et finalement presque épuisé les ressources sur lesquelles elles comptaient pour améliorer indéfiniment leurs modèles.
Le problème pour OpenAI, dans ces circonstances, est qu’utiliser un modèle plus gros demande plus d’énergie et coûte inévitablement plus cher.
La destruction du mythe du « plus c’est gros, mieux c’est » était déjà bien entamée, mais l’élaboration d’Orion chez OpenAI semble bien la confirmer.
Interrogé par Reuters, Ilya Sutskever, co-fondateur d’OpenAI ensuite parti créer la Safe Superintelligence, confirme que, pour lui, l’intensification du pré-entrainement a maintenant atteint un plateau. Lui-même a pourtant plaidé longtemps pour s’appuyer sur toujours plus de données et de puissance de calcul pour faire progresser les IA génératives.
À notre niveau, nous avons également exploré la question de l’importance des données d’entrainement sur les IA et les dangers du surapprentissage. En faire toujours plus n’est effectivement pas synonyme d’être toujours meilleur, loin de là même.
- [Tuto] Intelligence artificielle : l’importance des données d’entrainement
- [Tuto] Intelligence artificielle : les dangers du surapprentissage, comment l’éviter
Des besoins d’optimisation
Ces entreprises prennent de plus en plus en compte d’autres techniques pour améliorer les réponses de leurs IA. Des chercheurs de Google et de l’université de Berkeley ont exploré cet été les moyens d’améliorer les performances des modèles pendant la phase d’inférence, c’est-à-dire après la phase d’entrainement, quand le modèle doit répondre à des questions des utilisateurs. Selon Reuters, la technique aurait été utilisée par OpenAI pour GPT-4o.
Ces entreprises essayaient déjà d’optimiser leurs modèles. Chez OpenAI, les sparse autoencoders, « méthode qui permet d’identifier une poignée de « caractéristiques » dans le réseau neuronal qui sont importantes pour produire un résultat donné », ont été utilisés pour optimiser les résultats de GPT-4, par exemple. Mais il semble que ces entreprises vont devoir redoubler d’effort et s’appuyer d’autant plus sur la recherche en cours pour améliorer les performances de leurs modèles.
Ce plafond de verre de la course aux modèles toujours plus gros pose aussi des questions sur la place de NVIDIA dans cette industrie. Cette course au « toujours plus » plaçait le producteur de GPU dans une situation idéale de pourvoyeur de puissance inévitable pour créer des modèles toujours plus puissants. Mais il est donc possible que les besoins en calcul ne suivent pas l’évolution prévue et que les espoirs de certains investisseurs soient quelque peu douchés.