Lorsque les agents d'IA commencent à approcher ou à remplacer le travail intellectuel humain, comment le prix de la puissance de calcul devrait-il être réévalué ?
Dans son dernier article de blog, le célèbre podcasteur technologique Dwarkesh Patel présente une hypothèse audacieuse : si les revenus des laboratoires d'IA continuent de croître à un rythme soutenu (par exemple, si Anthropic atteint 1 000 milliards de dollars d'ici la fin de l'année prochaine) tandis que l'offre de puissance de calcul n'augmente que d'environ trois fois par an, les prix de la puissance de calcul pourraient augmenter de plus de dix fois.
Le coût de la main-d'œuvre en silicium, H100 + IA = 250 000 $ pour un programmeur de la Silicon Valley
Au cours des dernières décennies, la puissance de calcul a été considérée comme un « outil ». Les ordinateurs sont devenus plus rapides, les serveurs plus nombreux et le cloud computing plus abordable.
Mais une transformation de paradigme est en cours à l'ère de l'IA : les GPU ne sont plus simplement des composants des machines, mais pourraient devenir des vecteurs de main-d'œuvre numérique.
Si une H100 peut héberger un agent IA proche du niveau d’un programmeur de premier plan, alors sa valeur ne devrait plus être calculée selon le prix par heure de serveur, mais selon la valeur du travail humain qu’elle remplace.
Imaginez qu’il existe un « ingénieur logiciel numérique » qui ne dort jamais, répond toujours instantanément et possède un niveau technique équivalent au meilleur des humains : combien seriez-vous prêt à lui payer annuellement ?
Dans la Silicon Valley, le salaire annuel moyen du marché pour un ingénieur logiciel dépasse 250 000 dollars. Toutefois, héberger un agent doté d'un niveau d'intelligence équivalent ne nécessiterait peut-être que la puissance de calcul d'une seule carte graphique NVIDIA H100.
Maintenant, faisons le calcul :
Si cette H100 peut remplacer parfaitement un programmeur humain rémunéré 250 000 dollars par an, alors, du point de vue strictement commercial et économique, le loyer annuel théorique de cette H100 devrait être fixé au-dessus de 250 000 dollars.
Mais à l'heure actuelle, le prix de location à terme de l'H100 sur le marché spot équivaut à environ 16 000 dollars par an. Il y a un écart de 15 fois entre les deux.
C'est cela que nous allons affronter : le plus grand « trou noir d'arbitrage du travail » de l'histoire de l'humanité.
Lorsque la vitesse de reproduction de l'intelligence dans le monde virtuel dépasse largement les limites de fabrication du monde physique, la contradiction éclate :
La valeur de l'intelligence numérique augmente à un rythme bien plus rapide que l'expansion des infrastructures de calcul physique.
Cet écart de valorisation de 15 fois déclenchera une réaction violente : au cours des prochaines années, le prix réel de la puissance de calcul pourrait faire face à une super-inflation de 10 fois ou plus.
Bien sûr, une question se pose : les salaires annuels des ingénieurs logiciels vont-ils fortement diminuer à l'avenir ?
Cette question, Dwarkesh Patel l'a également prise en compte :
Mais si nous croyons la théorie économique standard sur le travail, alors la valeur marginale de la puissance de calcul (et donc son prix marginal) devrait devenir extrêmement élevée.
La vitesse à laquelle l'IA génère des revenus dépasse désormais la vitesse à laquelle l'IA est fabriquée.
Au cours des dernières années, l'industrie de l'IA a suivi une logique simple : des modèles plus grands, plus de données, plus de GPU, des capacités plus puissantes.
Mais maintenant, un nouveau paradoxe émerge : la croissance de l'IA dépasse la croissance de l'offre de puissance de calcul.
Prenez Anthropic comme exemple. Au cours de la dernière année, ses revenus commerciaux ont augmenté d'environ 10 fois.
À ce rythme de croissance, son revenu annuel pourrait atteindre 100 à 150 milliards de dollars d'ici la fin de l'année. Si cette tendance se poursuit, l'année prochaine, il devra faire face à une question folle : comment soutenir un potentiel de marché de mille milliards de dollars ?
Il n'y a qu'une seule réponse : plus d'intelligence. Et plus d'intelligence signifie : plus d'entraînement, plus d'inférence, plus de GPU.
Cependant, le problème réside dans le fait que la puissance de calcul n'a pas augmenté au même rythme.
L'expansion de la puissance de calcul physique des laboratoires leaders de l'industrie ne peut actuellement maintenir qu'une croissance d'environ 3 fois par an.
Un grand déséquilibre se produit alors :
Le monde numérique veut courir 10 kilomètres, mais le monde physique ne fournit que 3 kilomètres de route. Que faire pour le reste de la distance ?
Il n'y a que trois choix : premièrement, augmenter la marge bénéficiaire. Deuxièmement, augmenter le prix de la puissance de calcul. Troisièmement, affecter davantage de puissance de calcul aux activités d'inférence.
La troisième voie est en réalité celle que les nombreux laboratoires d'IA préfèrent éviter.
Parce que gagner de l'argent avec l'inférence vise essentiellement à prouver que le modèle économique de l'IA est viable.
Ensuite, lever davantage de financements, acheter plus de GPU et continuer à entraîner le prochain modèle.
Le véritable cycle de la Silicon Valley est :
Gagner de l'argent n'est pas la fin, mais seulement un moyen d'acheter plus de puissance de calcul.
Parce que ce en quoi tous les laboratoires croient vraiment, c'est que les modèles les plus avancés d'aujourd'hui pourraient, dans un an, ressembler aux téléphones d'hier : puissants, mais obsolètes.
Cela ramène la solution aux deux premières options : l'explosion de la marge bénéficiaire ou l'augmentation du prix unitaire de la puissance de hachage.
Si l'on compte entièrement sur la marge bénéficiaire pour absorber cet écart, la marge bénéficiaire du laboratoire de pointe devra atteindre environ 95 %, soit la fourchette moyenne à élevée, d'ici la fin de l'année prochaine.
Dans l'histoire du commerce, sauf pour quelques rares nœuds de monopole technologique absolu, c'est presque de la fantaisie.
Ainsi, toutes les pistes et la logique convergent vers une même issue : le prix unitaire de la puissance de minage va connaître une hausse sans précédent.
Les GPU passent du statut de serveurs à celui d'usines de la nouvelle ère.
Beaucoup ne réalisent pas encore : la concurrence dans l'IA entre dans l'ère de l'infrastructure.
Autrefois, la guerre internet portait sur les utilisateurs, le trafic et les points d'entrée. À l'ère de l'IA, la lutte porte sur l'électricité, les puces, les centres de données et les grappes de supercalcul.
Pourquoi ? Parce que les meilleurs laboratoires d'IA ne peuvent pas compter sur des serveurs cloud classiques.
Ils nécessitent : un cluster GPU dédié ; une infrastructure réseau stable ; une utilisation extrêmement élevée ; la sécurité des données et des modèles.
Ce n'est plus simplement la location d'un serveur ordinaire, c'est la location d'une ligne de production intelligente du futur.
Un exemple typique : Google et Anthropic louent de grandes quantités de ressources GPU à SpaceX.
Selon des rapports, le location mensuelle du cluster de 110 000 GPU de Google atteint 900 millions de dollars.
En termes équivalents, le coût horaire de location d'une seule GPU est presque deux fois supérieur au prix actuel de location au comptant sur le marché. Et n'oubliez pas que ce prix au comptant est déjà supérieur de 40 % au creux de début d'année.
Why?
Car la puissance de calcul de pointe devient de plus en plus une ressource stratégique, comme l'énergie ou le réseau électrique.
Imaginez la révolution industrielle, une usine possède une machine à vapeur, une autre n'en a pas.
Leur écart n'est pas de 10 %, mais une différence de génération dans le mode de production.
Les GPU de l'ère de l'IA deviennent également cette nouvelle « machine à vapeur ».
Pourquoi le prix de la puissance de calcul a-t-il atteint un tel niveau de déséquilibre ?
La réponse réside dans la formule physique de l'offre — cette formule est fermement verrouillée par les limites physiques de TSMC et des géants de la lithographie.
Le mythe largement répandu dans l'industrie selon lequel la puissance de calcul augmente de trois fois par an n'est en réalité qu'un assemblage forcé de trois facteurs à la limite de leurs capacités :
Croissance annuelle de la puissance de calcul (3x) ≈ 1,4x (itération de la loi de Moore) × 1,2x (construction de nouvelles usines de puces) × 1,8x (saisie de capacité en procédés avancés).
Et ces trois multiplicateurs approchent chacun leur plafond.
La loi de Moore : chaque réduction de taille est plus difficile que la précédente ; les fuites et les limites atomiques rendent chaque itération périlleuse.
La construction de nouvelles usines de puces prend beaucoup de temps, et la lenteur de la livraison des machines de lithographie EUV à haute NA bloque toute la chaîne, sans solution avant 2030 au moins.
Au cours des deux dernières années, le seul moteur de la croissance de la puissance de calcul a été la concurrence pour les capacités de production — les puces AI ont arraché les processus avancés de TSMC aux téléphones et ordinateurs personnels.
Mais ce dernier multiplicateur va bientôt s'annuler. D'ici la fin de l'année 2027, les puces IA absorberont 86 % de la capacité N3 de TSMC, passant de 60 % à 86 % — ce n'est pas une croissance, c'est une saturation absolue au sens physique, sans plus aucune marge.
Trois multiplicateurs, deux ont déjà atteint leur sommet, le dernier est sur le point de heurter un mur. L'histoire de l'offre de puissance de calcul est terminée.
Plus la puissance de calcul est chère, moins les gens osent utiliser des modèles bon marché.
L'intuition dit : lorsque la puissance de calcul devient chère, il faut utiliser des modèles légers et des versions open source optimisées, et faire des économies.
Mais l'économie de l'IA est exactement l'inverse.
La logique fondamentale est l'effet Alchian-Allen : lorsque tous les biens sont soumis à un coût additionnel fixe, les produits chers deviennent relativement plus avantageux.
Dans l'IA, ce « coût supplémentaire » est la dépréciation des ressources de calcul — il faut le payer quel que soit le modèle utilisé.
Faites le calcul : H100 coûte 20 dollars par heure.
- Modèle le plus puissant : 1 heure, 25 $ (20 de puissance + 5 de prime).
- Modèle médiocre : frais d'autorisation à 0, mais pas assez d'intelligence, essais et erreurs répétés pendant 2 heures, 40 dollars.
Conclusion : utiliser un modèle médiocre coûte plus cher. Il gaspille de la puissance de calcul et des ressources encore plus précieuses — le temps.
Ainsi, plus la puissance de calcul est chère, plus les modèles les plus puissants ont de latitude pour facturer des primes exorbitantes. Puisqu’il faut payer pour la puissance de calcul de toute façon, dépenser un peu plus pour utiliser le plus intelligent revient vraiment à faire des économies.
Model médiocre, pas d'issue.
À la fin, les fonds de la société entière seront aspirés, comme un trou noir, vers un très petit nombre d'oligopoles de mille milliards capables de créer les modèles absolument les plus puissants.
La puissance de calcul est aussi une ressource, pas forcément sujette à une hausse des prix ?
Bien sûr, certains s'y opposent.
Dans les commentaires, Eric Xu a soulevé une objection intéressante : la logique d'un loyer annuel de 250 000 dollars ne tient que dans le domaine purement numérique. Dès qu'on entre dans le monde physique — par exemple, les délais d'approbation des essais cliniques ou les processus décisionnels des marchés publics — le plafond de rentabilisation de l'IA pourrait ne jamais atteindre 250 000 dollars, mais se situer plutôt autour de 50 000 dollars.
L'ingénieur logiciel senior Trevor a souligné que les contenus de mauvaise qualité n'ont pas besoin de modèles de pointe ; ils se tourneront vers des alternatives moins chères plutôt que de disparaître directement. Autrement dit, ce qui sera éliminé, ce pourrait être le prix, et non le contenu lui-même.
L’histoire ne donne pas raison à Dwarkesh. En 1980, le biologiste de Stanford Paul Ehrlich et l’économiste Julian Simon ont parié que cinq métaux augmenteraient de prix dix ans plus tard.
Dix ans plus tard, les cinq avaient tous baissé, Ehrlich a reconnu sa défaite et a payé. « Les ressources vont inévitablement augmenter en prix » — historiquement, la plupart des personnes qui ont parié ainsi ont perdu.
La réponse de Dwarkesh est : L'élasticité de l'offre de puissance de calcul est bien inférieure à celle des matières premières. Les mines de cuivre peuvent augmenter leur production sous l'effet de prix élevés, mais pas les machines de lithographie EUV — TSMC n'a pas non plus de capacité supplémentaire à libérer. Au cours de ces dernières années, où l'offre n'augmente que de trois fois par an, il n'existe aucun substitut.
Il est intéressant de noter que Dwarkesh admet lui-même : cette prédiction, les précédentes du même type ont presque toutes échoué.
Peut-être que la puissance de hachage deviendra un jour aussi bon marché que le sable, mais avant ce jour-là, nous devrons traverser la course aux armements la plus féroce et l'inflation de la puissance de hachage.
Références :
https://www.dwarkesh.com/p/why-compute-might-get-10x-more-expensive
https://x.com/dwarkesh_sp/status/2082482530209411419
Cet article provient du compte WeChat « Nouvelle Intelligence », auteur : Apocalypses de l'ASI ; éditeur : David