La course à l’intelligence artificielle est sur le point de devenir physique

Pendant plusieurs années, l’histoire de l’intelligence artificielle a été racontée presque entièrement dans le langage des logiciels. Les modèles deviennent de plus en plus capables, plus rapides et plus spécialisés. Des milliards de dollars sont injectés dans les modèles de base, les laboratoires de recherche et les startups qui promettent de réorganiser entirement des industries. Les gouvernements ont publié des stratégies nationales d’intelligence artificielle et chaque salle de réunion du pays a débattu des feuilles de route d’intégration. La conversation a été large, prospective et, à certains égards, incomplète.

L’intelligence artificielle n’est pas de la magie. Elle ne vit pas dans le nuage dans un sens métaphorique. Chaque modèle formé, chaque requête répondue, chaque image générée dépend d’infrastructures physiques – des centres de données consommant d’énormes quantités d’énergie, des systèmes de refroidissement fonctionnant en continu, des câbles à fibres optiques transportant des données à travers les continents, des postes de transformation reliant tout à des réseaux électriques fonctionnels.

Le coût énergétique élevé de l’inférence

Nous avons mené une enquête auprès de plus de 200 décideurs seniors en intelligence artificielle aux États-Unis, et les données confirment ce que beaucoup dans l’industrie ont reconnu. Près de 29 % des organisations déclarent que les coûts énergétiques limitent déjà leur capacité à mettre à l’échelle l’intelligence artificielle. Plus d’un quart (28 %) déclarent que l’augmentation des prix de l’électricité les a contraints à ralentir ou à suspendre les activités de formation d’intelligence artificielle. Les retards de connexion au réseau, les limitations de refroidissement, les pénuries de connectivité et les goulets d’étranglement de planification sont tous cités comme des obstacles croissants. La couche d’infrastructure, longtemps considérée comme le problème de quelqu’un d’autre, est devenue le problème de tous.

Ceci n’est pas entièrement surprenant en rétrospective. L’échelle à laquelle l’intelligence artificielle moderne opère est vraiment extraordinaire. La formation d’un grand modèle de frontière peut consommer autant d’électricité que des centaines de foyers en un an – une seule exécution de formation de GPT-4 consomme environ 50 GWh d’électricité – équivalent à la consommation annuelle de 40 000 foyers américains. L’exécution d’inférence sur des millions d’utilisateurs quotidiens nécessite des centres de données d’une taille et d’une densité qui auraient semblé implausibles il y a une décennie. Et la demande est en accélération, poussée par la prolifération des applications d’intelligence artificielle, l’expansion des systèmes agents et l’intégration croissante de l’intelligence artificielle dans les opérations commerciales de base. La consommation d’électricité des centres de données augmente à un rythme d’environ 15 % par an – plus de quatre fois plus vite que la consommation totale d’électricité dans tous les autres secteurs combinés. Le monde physique est invité à absorber une courbe exponentielle, et il n’a jamais été conçu pour le faire aussi rapidement.

La stratégie change pour le monde physique

Ce qui rend le moment actuel particulièrement révélateur, c’est où les contraintes apparaissent réellement. La terre, il s’avère, n’est pas le problème principal. Seulement environ 14 % des entreprises dans notre recherche identifient la disponibilité des terres comme leur principal défi. Le problème plus difficile est tout ce qui doit se produire après avoir trouvé le terrain. Un site sans capacité de réseau est inutile ; sans autorisation de planification, vous êtes bloqué ; et s’il n’y a pas de connectivité résiliente, la construction d’intelligence artificielle ne peut pas fonctionner. Le goulet d’étranglement n’est pas l’espace – c’est le processus complexe et lent de transformation de l’espace physique en environnements de calcul opérationnels. Cette distinction est importante car elle est beaucoup plus difficile à résoudre uniquement avec de l’argent.

Cela redefinit également la façon dont nous devrions penser la compétitivité nationale en matière d’intelligence artificielle. La conversation a longtemps porté sur les talents de recherche, le volume d’investissement et la course pour former les modèles les plus capables. Mais la stratégie d’infrastructure émerge comme une variable tout aussi décisive. Dans les régions où la planification est plus rapide, où la politique énergétique est plus alignée sur la demande industrielle et où l’investissement privé dans les infrastructures à grande échelle est plus mature, l’intelligence artificielle peut simplement mettre à l’échelle plus rapidement. Les États-Unis ont des avantages structurels qui sont souvent sous-estimés. Ils ne sont pas des avantages glamour – ils impliquent la planification du réseau, la réforme de zonage et la coordination des services publics – mais ils sont de plus en plus importants.

La géopolitique ajoute une autre couche de complexité. Environ un tiers (33 %) des entreprises interrogées déclarent qu’elles envisagent activement de relocaliser les charges de travail d’intelligence artificielle dans d’autres régions ou pays en raison de préoccupations géopolitiques. Aux côtés des contraintes pratiques de puissance et de planification, les organisations évaluent maintenant également la souveraineté, la résilience des chaînes d’approvisionnement et la stabilité politique des environnements dans lesquels elles déployeront des calculs. Le résultat est une réorganisation de l’endroit où les investissements dans les infrastructures d’intelligence artificielle s’écoulent – vers les régions dotées d’une énergie renouvelable abondante, d’une capacité de réseau disponible et de voies réglementaires plus rapides, quelle que soit leur position sur une carte technologique traditionnelle.

La première phase de la révolution de l’intelligence artificielle a été définie par ce qui était possible dans les logiciels. La prochaine phase sera définie par ce qui est réalisable dans le monde physique – par le travail peu glamour et fastidieux de construction d’infrastructures énergétiques, de sécurisation de l’approvisionnement énergétique et de navigation dans la complexité bureaucratique du déploiement industriel à grande échelle.

C’est là que les États-Unis auront un avantage que aucune capacité de modèle ne peut facilement surmonter. L’avenir de l’intelligence artificielle dépend du maintien du réseau. C’est moins excitant que ce que les titres laissent entendre. C’est également plus important.