Les coûts de calcul pour l'IA pourraient augmenter jusqu'à 15 fois alors que la demande dépasse la croissance de l'offre

Auteur : Dwarkesh Patel

Compilé par Shenchao TechFlow

DeepChain introduction : Lorsque les capacités des modèles d'IA rattraperont celles des ingénieurs logiciels de premier plan, le prix de location raisonnable d'une H100 dépassera 250 000 dollars par an — soit 15 fois le prix spot actuel. Ce n'est pas une prédiction lointaine, mais une tendance réelle poussée par la tension structurelle entre une croissance du chiffre d'affaires d'Anthropic multipliée par 10 et une croissance de la puissance de calcul multipliée par 3. Pour les investisseurs, celui qui obtiendra en premier la puissance de calcul et qui parviendra à entraîner le modèle le plus efficace déterminera la prochaine configuration de la concurrence.

Je veux essayer une approche minimaliste : me fixer 2 heures pour écrire rapidement un article de blog. Beaucoup de sous-problèmes importants ne seront pas approfondis, mais sans cela, de nombreux sujets qui m’intéressent resteront en suspens, sans avancement.

Aujourd'hui, je souhaite aborder la situation de la puissance de calcul des laboratoires d'IA au cours des prochaines années.

Les revenus d'Anthropic augmentent de dix fois par an. À ce rythme, les revenus d'Anthropic devraient probablement se situer entre 100 et 150 milliards de dollars d'ici la fin de cette année. Si cette tendance se poursuit, ils devront atteindre un chiffre d'affaires de 1 000 milliards de dollars d'ici la fin de l'année prochaine. Bien sûr, il n'existe aucune raison absolue pour que cette tendance se maintienne — cela dépend fondamentalement des capacités de l'IA. Mais supposons qu'elle se maintienne réellement : quelles conditions devraient alors être remplies dans ce monde ?

La puissance de calcul du laboratoire augmente de 3 fois par an. Pour qu'un laboratoire atteigne une croissance des revenus de 10 fois alors que la puissance de calcul n'augmente que de 3 fois, au moins deux des trois éléments suivants doivent se produire simultanément : un, une augmentation de la marge bénéficiaire du laboratoire ; deux, une hausse du prix de la puissance de calcul ; trois, une part plus importante de la puissance de calcul du laboratoire dédiée à l'inférence.

Je comprends que ces trois phénomènes se produisent essentiellement en même temps : premièrement, la marge bénéficiaire d'Anthropic est passée de 40 % en 2025 à probablement plus de 80 % pour son activité d'inférence Fable cette année (bien que la marge sur les ressources marginales puisse être différente, comme je l'expliquerai plus tard) ; deuxièmement, le prix spot des ressources informatiques a augmenté de plus de 40 % depuis le creux de février de cette année, et le prix réellement payé par les laboratoires pourrait être encore plus élevé (je reviendrai dessus) ; troisièmement, selon les données d'Epoch, OpenAI a consacré environ un quart de ses dépenses en ressources informatiques en 2024 à l'inférence, et ce pourcentage est désormais certainement proche de 50 %, voire supérieur.

Les laboratoires ne souhaitent pas vraiment emprunter la troisième voie (consacrer de plus en plus de puissance de calcul à l'inférence). Une blague résume bien cela : le revenu issu de l'inférence sert à convaincre les investisseurs de vous accorder davantage de fonds pour acheter encore plus de puissance de calcul et entraîner des modèles plus grands. Si vous consacrez la majeure partie de votre puissance de calcul à l'inférence, vous déclarez en quelque sorte que l'avancement de l'IA est au point mort — car il n'est plus rentable d'investir davantage dans l'entraînement, et votre activité se résume essentiellement à celle d'un fournisseur de services cloud. Les grands laboratoires ne partagent pas cet avis — ils estiment que les modèles qu'ils déployent aujourd'hui sembleront très obsolètes dans un an, et qu'ils exercent cette activité actuelle pour accumuler des cas d'usage commerciaux, afin de soutenir la poursuite de l'entraînement de modèles plus intelligents.

Il reste donc deux options : une, augmenter la marge bénéficiaire des laboratoires ; deux, rendre la puissance de calcul plus chère. Si les deux ou trois premiers laboratoires devancent largement leurs concurrents, la première option sera plus marquée. Sur le marché, la marge bénéficiaire dépend de la différence entre votre solution et la suivante la plus optimale. Pour que le premier effet domine, la marge bénéficiaire devra atteindre plus de 90 % d’ici la fin de l’année prochaine. Cela me semble assez absurde. Mais je pense effectivement qu’il est possible que les revenus des laboratoires d’IA continuent à croître à un rythme étonnant.

Ainsi, pour expliquer comment le monde peut devenir réel où les revenus exploseront jusqu’à 1 billion de dollars d’ici la fin de l’année prochaine, il reste un dernier effet : une augmentation massive des prix de la puissance de calcul. Comme je l’ai dit, cela a déjà commencé. Si nous examinons le niveau de puissance de calcul réellement requis par les laboratoires, la hausse des prix sera encore plus frappante — ils ne peuvent évidemment pas compter sur des instances现货, ils doivent garantir la sécurité des poids des modèles et des données des utilisateurs, tout en disposant d’une échelle suffisante pour obtenir une bonne utilisation et une flexibilité optimales. Voyons à quel point ce marché est fou : le prix auquel Google et Anthropic louent de la puissance de calcul à SpaceX. Selon les rapports, Google dépense 900 millions de dollars par mois pour louer 110 000 GPU, un mélange de GB200 et GB300. Cela équivaut à environ deux fois le prix现货 de ces GPU. Or, le prix现货 actuel est déjà 40 % plus élevé qu’en février.

Je veux souligner une conclusion fondamentale : à mesure que les modèles d'IA deviennent de plus en plus puissants, la valeur générée par la même puissance de calcul augmente également. Si un ingénieur logiciel véritablement à niveau humain pouvait fonctionner sur un appareil de niveau H100, selon les salaires du marché actuel pour les ingénieurs logiciels, le loyer annuel de cet H100 devrait dépasser 250 000 dollars américains — soit 15 fois le prix spot actuel.

Bien sûr, si soudainement 10 millions d'ingénieurs logiciels supplémentaires apparaissent, la valeur marginale des ingénieurs diminuera naturellement, donc ce H100 ne produira peut-être pas réellement 15 fois le chiffre d'affaires actuel. Mais je ne suis pas certain que ce raisonnement soit valable. Si l'on applique cet argument aux humains plutôt qu'à l'IA, il s'agit du classique "paradoxe de la masse salariale". Les économistes considèrent généralement que les immigrants hautement qualifiés n'abaissent pas les salaires à long terme, car la spécialisation et l'innovation augmentent la valeur de la main-d'œuvre. Peut-être que ce choc d'offre de main-d'œuvre est trop important et trop rapide pour que cette règle empirique s'applique. Mais si nous adhérons au jugement économique standard sur la main-d'œuvre, alors la valeur marginale de la main-d'œuvre (ainsi que le prix marginal de la puissance de calcul) devrait rester à un niveau étonnamment élevé.

What will happen in this world?

Les modèles de pointe deviennent de plus en plus capables d'extraire de la valeur à partir de la puissance de calcul, ce qui rend la course de plus en plus difficile. Si, d'ici 2028, le génie logiciel est entièrement automatisé et que le coût de la puissance de calcul est 15 fois supérieur à aujourd'hui, il sera extrêmement difficile de concurrencer les laboratoires de pointe pour accéder à la puissance de calcul sans revenus.

Si vous parvenez à entraîner le modèle le plus performant et le plus efficace, votre marge bénéficiaire sera bien supérieure à ce qu'elle est aujourd'hui. C'est l'effet Alchian-Allen : lorsqu'un coût fixe est ajouté à deux biens de qualité différente, le bien de meilleure qualité devient relativement plus avantageux, ce qui fait dévier la demande en sa faveur. Lorsque le prix de l'H100 atteint 20 dollars l'heure, utiliser un modèle plus faible et moins efficace devient extrêmement coûteux et absurde — car vous devez brûler davantage de tokens et consommer davantage de puissance de calcul coûteuse pour obtenir le même résultat. Ainsi, celui qui parvient à entraîner un modèle de haut niveau plus économe en puissance de calcul peut appliquer une prime très élevée. Puisque la puissance de calcul sous-jacente coûte déjà autant, pourquoi ne pas dépenser un peu plus pour utiliser le modèle le plus efficace qui fonctionne sur la même puissance de calcul ?

De nombreuses applications AI actuellement populaires seront éliminées par le prix. L'IA est actuellement relativement bon marché, du moins moins chère que la main-d'œuvre humaine, en partie parce qu'elle ne peut pas encore accomplir beaucoup de choses que les meilleurs humains peuvent faire. Un jour, ce ne sera plus le cas. À ce moment-là, le coût de produire des contenus vidéo courts de mauvaise qualité avec des GPU sera trop élevé pour être rentable.

Cependant, ce type de prévision présente des similitudes avec les erreurs passées de jugement concernant la rareté. Je pense au pari de Simon-Ehrlich : Paul Ehrlich a parié que, dans la décennie précédant 1990, le prix d’un panier de matières premières augmenterait plutôt que de diminuer. Ce pari est célèbre dans les débats d’économie populaire, car il aurait démontré que la vision malthusienne d’Ehrlich était réfutée — il aurait sous-estimé le rôle des signaux du marché et de l’intelligence humaine dans l’économie des ressources rares (bien que certaines analyses soulignent qu’Ehrlich aurait gagné si le pari avait porté sur une autre décennie).

Je suppose que le référentiel des matières premières ne convient pas à la puissance de calcul, car l'offre de puissance de calcul est beaucoup moins élastique que l'extraction métallique et beaucoup moins capable d'absorber des chocs de demande massifs ou de trouver des solutions de remplacement. Une croissance annuelle de la puissance de calcul de trois fois est le produit de trois facteurs : un facteur de 1,4 issu de la loi de Moore, un facteur de 1,2 issu de la construction de nouvelles usines de puces (limité jusqu'en 2030 par la disponibilité des équipements EUV), et un facteur de 1,8 issu de l'IA qui prend les quotas de wafers avancés aux autres appareils (ce facteur atteindra un plafond vers 2027, lorsque la part de l'IA dans les wafers N3 passera de 60 % à 86 %). Aucun de ces trois facteurs ne peut facilement être augmenté davantage, et le dernier atteindra même son pic dans un ou deux ans avec la saturation des quotas de wafers.

Ce que je veux dire, c’est qu’à un moment donné dans le futur, la puissance de calcul deviendra à nouveau moins chère. Un jour, les robots pourront transformer directement le sable de silice des plages et les gisements de cuivre souterrains en ordinateurs, et à ce moment-là, le prix de la puissance de calcul devrait retomber à un niveau proche du coût des matières premières et des outils. Ce que je discute actuellement, c’est simplement cette phase-ci — la puissance de calcul pour l’IA augmente seulement de 3 fois par an, un rythme qui ne suit absolument pas l’effet de hausse des prix causé par la croissance annuelle de la valeur de l’IA.

Au passage, les revenus d'Anthropic augmentent de 10 fois par an, tandis que la puissance de calcul ne croît que de 3 fois, ce qui indique que le modèle économique présente une économie d'échelle extrêmement forte. Logiquement, cela a du sens — lorsqu'on entraîne un modèle, vous supportez un coût d'apprentissage unique, qui peut ensuite être réparti entre tous les utilisateurs (contrairement au travail humain, où chaque instance doit être formée depuis le début). Je ne souhaite pas vivre dans un monde où l'intelligence présente une telle économie d'échelle (car je crains la concentration du pouvoir). Mais la réalité semble être exactement celle-là.