JS Denain, chercheur senior chez Epoch AI et responsable de son équipe Insights, estime que les données publiques actuelles ne suffisent pas à établir une accélération imminente des progrès de l’IA. Dans un entretien avec Nathan Lambert, il revient sur les incertitudes qui entourent cette trajectoire et sur l’écart entre les modèles chinois et les modèles américains.
- JS Denain juge les données publiques insuffisantes pour annoncer une accélération imminente de l’IA.
- Il situe le retard des meilleurs laboratoires chinois entre quatre et huit mois.
- Sans distillation, cet écart s’élargirait nettement selon lui.
- Il reste incertain mais inquiet face au lien entre auto-amélioration récursive et risque existentiel.
Une accélération encore incertaine
Des billets publiés par OpenAI et Anthropic examinent l’effet de l’IA sur ses propres progrès, une dynamique appelée auto-amélioration récursive (RSI). Pour JS Denain, le fait le plus marquant du billet d’OpenAI est la hausse des dépenses Codex des chercheurs, qui progressent de 2X par mois selon la courbe présentée. Il note toutefois que cette mesure ne porte peut-être que sur Codex, et non sur l’usage de ChatGPT, et qu’elle ne constitue pas une preuve solide d’une explosion logicielle dans les six mois à venir.
Interrogé sur le lien entre RSI et risque existentiel, il se dit très incertain, mais inquiet. Il cite l’estimation d’Evan Hubinger, selon laquelle le risque d’extinction atteindrait au moins 10 %, sur une période non précisée, et juge cette estimation raisonnable sur une décennie. Il ne dispose pas, selon lui, d’informations internes qui justifieraient une inquiétude beaucoup plus forte.
Un retard de quatre à huit mois
JS Denain situe l’écart entre les meilleurs laboratoires chinois et OpenAI ou Anthropic entre quatre et huit mois, en comparant les dates de sortie publique. Il estime qu’un écart de deux mois relèverait davantage d’un surajustement aux tests. Nathan Lambert, lui, juge que des modèles comme Kimi K3 et GLM 5.2 seraient plus proches, à deux, trois ou quatre mois.
La distillation, qui consiste à entraîner un modèle à partir des réponses d’un autre, pourrait jouer un rôle plus important que prévu. Denain estime que, si elle était stoppée, l’écart passerait d’environ six mois à huit ou neuf mois dans un horizon de six à douze mois. Nathan Lambert reste plus réservé : selon lui, sans distillation, l’écart serait assez proche, et la différence de calcul pèserait davantage.
Une analyse d’offres d’emploi, menée avec Cheryl Wu et publiée en juin, suggère par ailleurs qu’au moins certains laboratoires chinois construisent leurs propres centres de données plutôt que de louer du calcul.
Sécurité et données
Nathan Lambert évoque un incident selon lequel trois personnes auraient utilisé des modèles Claude publics pour accéder à des systèmes internes d’OpenAI. JS Denain dit en avoir eu brièvement connaissance, sans savoir si le problème relève des garde-fous des modèles ou de la sécurité des entreprises. Il juge que les modèles ouverts sont moins protégés, mais aussi moins puissants.
Enfin, Denain explique qu’Epoch a été créée parce que ni l’industrie ni le monde académique ne proposaient de ressource publique et suivie sur les grandes tendances de l’IA. Il relève que les données d’entraînement restent beaucoup plus difficiles à suivre que le calcul, alors que les introductions en Bourse, en se multipliant, pourraient améliorer l’information disponible.
