Jacob Coxon, ancien chercheur chez OpenAI puis chez Anthropic, a récemment expliqué pourquoi il a quitté l’entreprise après seulement quatre mois. La raison principale, selon lui, réside dans un slide présenté lors du road‑show de l’introduction en bourse d’Anthropic. Ce graphique montre la quantité de calcul requise par l’entreprise pour entraîner ses modèles au fil du temps, avec un axe compressé qui rend difficile la visualisation d’une augmentation de 10× ou 100×.
Un graphique qui surprend
Malgré la compression, la courbe reste très pentue, ce qui, d’après Coxon, indique que l’efficacité algorithmique s’améliore non seulement rapidement, mais à un rythme accéléré. "C’est un tracé insensé et je suis surpris qu’ils l’aient rendu public", a‑t‑il écrit. Cette accélération se traduirait, selon lui, par la capacité de réentraîner le modèle Mythos avec une fraction du calcul initialement nécessaire.
Mythos, un point dans une dynamique superexponentielle
Mythos, présenté au printemps comme un saut de capacité majeur, ne serait pas un cas isolé. Coxon le situe comme un point d’une courbe superexponentielle, où chaque amélioration algorithmique réduit de façon drastique les besoins en puissance de calcul. Cette tendance, s’il est vrai, rendrait les modèles de grande taille de plus en plus abordables pour les acteurs disposant de ressources limitées.
Vers une pause de la course aux modèles de pointe ?
Fort de ces observations, Coxon propose de suspendre le développement de modèles de pointe l’an prochain. L’idée, selon lui, est de donner aux concurrents le temps de rattraper leur retard, ce qui « commodatiserait l’intelligence au niveau humain ». Il estime qu’une telle pause n’impacterait que les leaders du secteur comme OpenAI et Anthropic, tout en réduisant les risques associés aux Intelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. auto‑améliorées.
Ce que cela signifie pour les utilisateurs
Pour les développeurs et les entreprises, une baisse du coût de calcul ouvre la porte à de nouveaux usages. Des modèles capables de performances proches de l’état‑de‑l’art pourraient être déployés plus largement, même par des structures n’ayant pas les moyens d’investir dans des datacenters massifs. En pratique, on pourrait voir davantage d’applications personnalisées, de services de traitement du langage ou de génération de contenus à moindre coût.
Limites et incertitudes
Toutefois, il reste prudent de ne pas considérer ces affirmations comme des faits établis. Le slide d’Anthropic ne détaille pas les conditions exactes du réentraînement, ni les éventuels compromis en termes de précision ou de robustesse du modèle. De plus, l’idée d’une pause volontaire de la course aux IA soulève des questions de gouvernance et de compétitivité internationale, qui ne seront pas résolues simplement par un accord entre quelques acteurs.
En attendant que le débat se précise, l’industrie surveille de près les annonces d’Anthropic. Si les gains d’efficacité annoncés se concrétisent, ils pourraient redéfinir les stratégies d’investissement dans le domaine de l’intelligence artificielle, tout en alimentant le débat éthique autour d’une éventuelle régulation du développement rapide des modèles de grande taille.





