Les modèles d'IA chinois suscitent une préoccupation mondiale face aux changements de coûts et stratégiques

Auteur : Stratechery

Traduction : Deep潮 TechFlow

Guide de Shenchao : Kimi K3 entre en concurrence sur le marché des modèles cognitifs — pourquoi Wall Street et la Silicon Valley réagissent-elles de manière exagérée ? Cet article décompose comment, après l’ère de ChatGPT, les jetons (token) ne sont plus des biens, mais l’intelligence elle-même qui devient le véritable bien — et dans cette guerre où le coût marginal prime, les modèles open source chinois, bien qu’ils semblent gratuits, ont en réalité des coûts de service élevés. La panique des laboratoires de pointe provient surtout de leur incapacité à s’adapter aux nouvelles règles du jeu, où l’accent passe de la dépense d’entraînement à l’échelle d’inférence.

J'ai déjà raconté une histoire sur ma première journée dans le cours STRT-431 à la Kellogg School of Management, un cours obligatoire pour tous les nouveaux étudiants en MBA. En consultant les documents du cours et les études de cas, j'ai été déçu de ne voir aucune entreprise technologique sur l'emploi du temps. Je suis allé voir le professeur pour lui demander pourquoi, et sa réponse a été : l'objectif de ce cours n'est pas d'étudier un secteur spécifique, mais de découvrir des principes universels applicables à n'importe quel secteur et n'importe quelle entreprise.

Comme je le dis souvent, je n'étais pas satisfait de cette réponse à l'époque : à mes yeux, la nature même de la technologie, en particulier le coût marginal nul et le coût de transaction nul du logiciel et de sa distribution, est fondamentalement différente. Remplir la formule avec des zéros bouleverse souvent tout. Mais j'ai rapidement réalisé que c'était précisément là mon opportunité. La découverte centrale de la théorie de l'agrégation est que la chaîne de valeur induite par un coût marginal nul est radicalement différente de ce que l'on attendait autrefois d'Internet — dans un monde où le contrôle de la demande est plus important que la distribution de l'offre, on observe une centralisation et une mise à l'échelle.

Cependant, ce qui est fascinant avec l'IA, c'est que les anciens principes universels reviennent en première ligne. Cela s'est le plus clairement manifesté le week-end dernier, avec une vive controverse sur X concernant Kimi K3, un autre modèle open-source lancé en Chine dont les performances approchent désormais les niveaux de pointe. En bref : le coût marginal revient de manière significative, que ce soit en termes d'impact à court terme des modèles gratuits les plus avancés ou de structure industrielle à long terme.

L’un des malentendus les plus courants concernant les modèles de poids open source est qu’ils sont moins chers — voire gratuits. Après tout, vous pouvez télécharger directement les poids et éviter le temps, les coûts et les compétences nécessaires pour créer votre propre modèle. Cela est certes vrai, mais le terme « gratuit » ici fait référence à la somme que vous dépensez en recherche et développement (R&D). La R&D est une dépense fixe, indépendante de vos revenus. Si vous avez dépensé 1 million de dollars en R&D, que vos revenus soient de 100 000 dollars ou de 1 milliard de dollars, vous avez toujours dépensé 1 million de dollars en R&D (ce qui bien sûr affecte votre rentabilité).

Ce qui est lié au revenu, c'est le COGS — le coût des marchandises vendues — et pour l'IA, ce COGS est réel, ce qui n'était pas le cas dans l'industrie du logiciel depuis longtemps. Plus précisément, exécuter une inférence sur un modèle — que ce soit Kimi ou Fable — coûte de l'argent, et les fournisseurs d'IA dépensent pour l'inférence une somme qui, dans la plupart des modèles économiques, est directement liée au revenu. Reprenant l'exemple précédent, générer 100 millions de dollars de revenus par rapport à 100 000 dollars de revenus peut nécessiter 1 000 fois plus de COGS. Plus précisément, si le coût en tokens pour générer 1 dollar de revenu est de 50 cents, alors 100 millions de dollars de revenus correspondront à 50 millions de dollars de COGS, tandis que 100 000 dollars de revenus n'auront que 50 000 dollars de COGS.

Le point important sur les modèles de poids open source est qu'ils ne sont pas un service gratuit. Le coût de Kimi K3 est de 3 $ par million de jetons d'entrée et de 15 $ par million de jetons de sortie. Cela est moins cher que Sol, qui facture 5 $ par million de jetons d'entrée et 30 $ par million de jetons de sortie, mais cela pourrait ne pas être le bon critère de mesure.

Le PDG de NVIDIA, Jensen Huang, a décrit ce que NVIDIA construit comme une « usine à jetons ». Du point de vue de NVIDIA, cette affirmation est tout à fait logique. Les GPU de NVIDIA ne sont pas conçus pour des modèles spécifiques : ils génèrent des jetons, et le font de la manière la plus rapide et la plus efficace possible. Cela a conduit à l'émergence de métriques telles que le nombre de jetons par seconde, le temps jusqu'au premier jeton, le nombre de jetons par watt et le coût par jeton, que Jensen Huang considère comme les fondements des décisions à venir.

Ce cadre avait du sens dans le premier paradigme de l'IA — l'ère de ChatGPT — où les jetons étaient directement livrés à l'utilisateur final. Toutefois, le deuxième paradigme de l'IA, l'ère du raisonnement, bouleverse cette mesure. Le raisonnement implique une explosion des jetons de chaîne de pensée, et différents modèles nécessitent des quantités variées de jetons de raisonnement pour obtenir la bonne réponse. Par exemple, il a été rapporté que Kimi utilise nettement plus de jetons que Sol, annulant ainsi son avantage prix. Les agents introduisent une dynamique similaire : certains modèles sont plus efficaces en termes de nombre de jetons nécessaires pour exécuter des flux de travail d'agent.

Cela signifie que les jetons ne sont pas des marchandises. La caractéristique définissant une marchandise est qu’elle est interchangeable : un gallon de pétrole est équivalent à un autre gallon de pétrole, une tonne de cuivre est équivalente à une autre tonne de cuivre, un boisseau de blé est équivalent à un autre boisseau de blé. Mais un jeton d’un modèle est différent d’un jeton d’un autre modèle. Ce qui est interchangeable, c’est ce qui est construit à partir des jetons : l’intelligence. Autrement dit, si Kimi et Sol génèrent tous deux la bonne réponse, alors cette réponse est interchangeable. La différence dans le nombre de jetons nécessaires pour générer une réponse correcte entraîne une variation du COGS.

Le COGS intelligent est une fonction de plusieurs facteurs différents :

L'espace occupé par le modèle : les poids et l'état d'exécution déterminent la quantité de mémoire coûteuse et d'accélérateurs nécessaires pour héberger chaque instance du service.

Efficiency of reasoning: Architecture choices (such as mixture-of-experts models) reduce computational cost per generated token

Efficiency mémoire : Le choix de l’architecture réduit les besoins en cache KV, permettant plus de requêtes simultanées et une meilleure utilisation du GPU

Efficacité du service : le traitement par lots, l’ordonnancement, le cache de préfixes et autres optimisations d’inférence maximisent l’utilisation et partagent le travail entre les requêtes

Token efficiency: The fewer tokens required to reach the correct answer, the lower the reasoning cost

Cela est crucial, car nous approchons rapidement un état où l'intelligence constitue un bien pour de nombreuses tâches économiquement bénéfiques. Par exemple, quiconque développe une application CRUD de base peut utiliser des modèles provenant de plusieurs fournisseurs pour y parvenir. Sur un marché de biens, la voie vers la rentabilité ne consiste pas à fixer des prix plus élevés — vous pouvez (ou pourrez bientôt) créer la même application en utilisant plusieurs modèles — mais à posséder une structure de coûts supérieure.

Il convient de clarifier le mécanisme, car comme je l'ai souligné il y a plusieurs mois dans « La durabilité d'Amazon », les dynamiques des marchés de biens ne sont pas familières aux professionnels de la technologie :

Sur les marchés de biens, tout le monde paie le même prix, car tout le monde vend le même produit. Ce prix est déterminé par l'offre et la demande.

La demande pour un bien est une fonction de sa prix élastique : plus le bien est bon marché, plus la demande est élevée, et inversement.

L'offre d'un bien est une fonction du coût marginal de production de ce bien.

Il est essentiel de comprendre que les coûts marginaux de production varient selon les fournisseurs. En pratique, cela signifie que le fournisseur avec la structure de coûts la moins efficace vend ses produits à son coût marginal (s’il parvient encore à produire). Le profit de tous les autres dépend de la différence entre leur structure de coûts et celle du fournisseur marginal.

Par exemple :

Le fournisseur A peut produire 10 unités de produit à un coût de 10 dollars par unité.

Le fournisseur B peut produire 10 unités du produit à un coût de 15 dollars par unité.

Supplier C can produce 10 units of the product at a cost of $20 per unit.

Supposons que l'élasticité-prix entraîne une demande de 25 unités à un prix de 20 $, ce qui signifie :

Le fournisseur A vendra 10 unités à 20 dollars, réalisant un profit de 10 dollars par unité.

Le fournisseur B vendra 10 unités à 20 $, gagnant 5 $ par unité.

Le fournisseur C vendra 5 unités à 20 $, avec un profit de 0 $ par unité.

Ce n'est pas tout à fait exact : le fournisseur C assume la pénurie parce que les fournisseurs A et B peuvent légèrement réduire leurs prix, ce qui affecte bien sûr la demande (élastique), mais cela illustre le problème. Le fournisseur A a un très bon commerce, le fournisseur B a un commerce correct, et le fournisseur C est en faillite.

Le risque de faillite est l’endroit où les coûts fixes reviennent au premier plan : le fournisseur C supporte à la fois des coûts fixes (comme des dépenses potentielles en recherche et développement) et une dette pour financer les équipements nécessaires à la production des biens. Il ne peut pas fixer ses prix en fonction de ces coûts — rappelez-vous que le prix d’équilibre du marché est proche du coût marginal de l’unité dont le coût est le plus élevé pour satisfaire la demande — mais ces coûts peuvent absolument forcer le fournisseur à quitter le marché. Si le fournisseur fait faillite, les prix augmenteront jusqu’à ce qu’un autre fournisseur décide d’entrer (ou qu’un autre fournisseur s’élargisse).

Revenons au modèle. À présent, toutes les analyses ci-dessus ne s'appliquent plus, car la demande pour les modèles de pointe dépasse l'offre, qui est limitée par le manque de puissance de calcul. Cette pénurie de puissance de calcul signifie non seulement que des fournisseurs de puissance de calcul comme NVIDIA peuvent réaliser des marges très élevées, mais aussi que les clients de NVIDIA, tels que SpaceXAI, peuvent revendre cette puissance de calcul à des entreprises comme Anthropic avec des marges élevées. Dans le même temps, Anthropic peut payer ces primes, car elle peut revendre les jetons à des prix encore plus élevés.

Cependant, ce n'est pas seulement la demande excédentaire qui confère à Anthropic d'importantes marges bénéficiaires : Anthropic et OpenAI pourraient détenir le coût unitaire le plus bas pour les unités d'intelligence de pointe, grâce à la capacité de leurs modèles, à l'échelle de leurs services et à l'efficacité des jetons. Ils proposent des modèles à des niveaux de capacité spécifiques plusieurs mois avant leurs concurrents, tout en appliquant leurs meilleurs modèles pour optimiser ces coûts.

Il est également à noter que le marché ne considère pas encore l'intelligence comme une marchandise : la demande est spécifiquement orientée vers Anthropic et OpenAI, tandis que la demande pour des modèles moins performants est bien moindre (ce qui permet à SpaceXAI et Meta de vendre leur capacité à Anthropic). Une façon de réfléchir à la poussée de l'optimisation des coûts est de considérer qu'elle est une fonction du niveau d'intelligence défini pour les tâches à accomplir, permettant ainsi aux acheteurs d'intelligence de créer un marché où l'intelligence devient une marchandise. Toutefois, à long terme, quel que soit l'acteur en pointe, il sera le mieux placé pour dominer les marchés non de pointe, qui ne sont que des modèles de pointe décalés de n mois — c'est-à-dire les mois pendant lesquels les fabricants de modèles de pointe ont continué à optimiser leurs coûts de service.

Tout cela dit, je pense que la réaction générale envers Kimi et les modèles chinois est assez exagérée, du moins du point de vue économique. Il existe maintenant un parapluie de prix, qui est le résultat indirect du manque de puissance de calcul. Je doute fortement que les modèles chinois offrent des services moins chers sur la base du coût marginal ; ils semblent simplement moins chers parce que l’offre d’Anthropic et d’OpenAI est tellement limitée qu’ils facturent des prix bien supérieurs à ce qu’ils seraient s’il y avait une offre suffisante pour répondre à la demande en intelligence.

Pourquoi les fabricants de modèles semblent-ils si paniqués face aux modèles chinois ?

Tout d'abord, je considère que le laboratoire de pointe s'ancrage dans un monde où le coût d'entraînement domine sa modélisation financière. Tant que l'entraînement consomme plus de GPU que l'inférence, il est essentiel de maximiser les revenus d'inférence afin d'aider à financer le prochain cycle d'entraînement, ce qui implique de facturer l'inférence à un prix très élevé.

Cependant, à l'avenir, je prévois que la croissance du marché de l'inférence sera bien plus rapide que celle des coûts d'entraînement (ce qui suppose que les coûts d'entraînement continueront d'augmenter fortement), ce qui signifie qu'ils pourront vraiment compenser par la quantité. Il y a huit mois encore, il n'était pas clair que cela deviendrait une réalité, mais la libération du paradigme des agents est si immense que les laboratoires de pointe devraient être plus confiants : non seulement ils pourront survivre à des prix plus bas, mais aussi prospérer (dès lors qu'ils disposeront d'une puissance de calcul suffisante).

Ensuite, l'intelligence artificielle n'est pas un bien parfait, en partie parce que l'utilisation de l'intelligence artificielle la rend plus intelligente. Plus précisément, toute personne qui exécute une inférence collecte également des données, qui sont ensuite utilisées pour améliorer le modèle de la prochaine itération. D'une part, c'est la raison pour laquelle les laboratoires de pointe réduisent les prix et augmentent l'utilisation lorsqu'ils mettent en ligne davantage de puissance de calcul. D'autre part, c'est pourquoi des entreprises comme Microsoft deviennent de plus en plus obsédées par l'aide aux entreprises pour exécuter leurs propres modèles. Si les modèles chinois constituent une alternative viable, cela devient encore plus faisable.

Troisièmement, un autre moyen pour les laboratoires de pointe de se démarquer non seulement des modèles chinois, mais aussi entre eux, est de continuer à s'intégrer vers le haut dans l'expérience client. Claude Code et Codex se sont révélés étonnamment addictifs. Quel que soit l'outil avec lequel vous commencez, il s'agira probablement de celui que vous continuerez à utiliser, surtout pour les utilisateurs non techniques. À long terme, cette nécessité de monter en gamme signifie que les modèles de pointe constituent effectivement une menace pour les fournisseurs de logiciels, y compris Microsoft. D'autre part, dans la mesure où les entreprises de logiciels qui possèdent déjà l'expérience client peuvent accéder à des modèles compétitifs, elles seront en mesure de résister à l'érosion des laboratoires de pointe.

Enfin, le point de vue idéologique d'Anthropic ne peut être ignoré. Il s'agit d'une entreprise qui croit que seule elle peut être chargée de l'IA, et la présence de substituts open source pèse sur cette hypothèse de manière fatale.

Kimi n'est pas le seul nouveau modèle chinois. Bloomberg rapporte :

Le cours de l'action d'Alibaba Group Holding Limited a augmenté de 5,4 % lundi, après que l'entreprise a lancé une préversion de son modèle phare Qwen3.8 Max, qu'elle a qualifié de second derrière le Fable 5 d'Anthropic. Ce lancement dimanche intervient quelques jours seulement après la sortie par la start-up Moonshot AI d'un nouveau produit puissant, qui a bouleversé le marché et suscité des inquiétudes aux États-Unis concernant la capacité de la Chine à rattraper les leaders mondiaux tels qu'Anthropic et OpenAI. Qwen3.8 Max, doté de 2,4 billions de paramètres, rejoint la catégorie des poids lourds aux côtés du Kimi K3 de Moonshot AI. Ce dernier, avec 2,8 billions de paramètres, peut rivaliser avec les meilleurs produits du marché, et Alibaba a fixé des attentes tout aussi élevées.

Les développeurs peuvent désormais accéder à Qwen3.8 Max via la plateforme de codage d'Alibaba (y compris Qoder). Alibaba prévoit de bientôt ouvrir les poids de ce modèle, étendant ainsi l'accès au-delà de la version préliminaire. L'intérêt pour ces systèmes et modèles d'intelligence artificielle fabriqués en Chine est tel que Moonshot a été contraint d'interrompre l'acceptation de nouvelles abonnements dimanche soir pour faire face à une demande écrasante.

Le cours de l'action d'Alibaba Group Holding Limited a augmenté jusqu'à 5,4 % lundi, après que l'entreprise a lancé une version préliminaire de son modèle phare Qwen3.8 Max, qu'elle a déclaré être le deuxième derrière le Fable 5 d'Anthropic PBC. Cette publication dimanche n'a eu lieu que quelques jours après que Moonshot AI ait dévoilé un nouveau produit puissant, ce qui a secoué le marché et suscité des inquiétudes aux États-Unis concernant la capacité de la Chine à rattraper des leaders mondiaux tels qu'Anthropic et OpenAI. Qwen3.8 Max possède 2,4 billions de paramètres et rejoint la catégorie des modèles de poids lourd avec le Kimi K3 de Moonshot. K3, qui compte 2,8 billions de paramètres, peut rivaliser avec les meilleurs produits du marché, et Alibaba a fixé des attentes tout aussi élevées.

Les développeurs peuvent désormais accéder à Qwen3.8 Max via la plateforme de codage d'Alibaba, y compris Qoder. Alibaba prévoit de bientôt rendre les poids du modèle accessibles, élargissant ainsi l'accès au-delà de la version préliminaire. La demande pour ces systèmes et modèles d'intelligence artificielle fabriqués en Chine est si élevée que Moonshot a été contraint de suspendre l'acceptation de nouvelles abonnements dimanche soir pour faire face à une demande écrasante.

Il est à noter que Qwen3.8 Max ouvrira également ses poids. Alibaba avait arrêté de publier les poids de ses modèles les plus avancés plus tôt cette année, mais semble avoir changé d'avis ; je soupçonne que ce changement est lié au discours de Xi Jinping sur l'IA de la semaine dernière, qui a renforcé l'accent mis sur l'approche d'ouverture des poids :

Nous devons adhérer au principe d’ouverture et de bénéfice mutuel pour promouvoir le développement axé sur l’innovation. En tant que nouveau moteur de la croissance économique mondiale et accélérateur de la transition des moteurs de croissance, l’intelligence artificielle passe du monde numérique au monde physique. Nous devons saisir cette opportunité historique rare, encourager l’open source, l’ouverture, la collaboration et le partage. Nous devons favoriser l’innovation technologique, le développement industriel et les applications concrètes de l’intelligence artificielle. Nous devons coordonner la modernisation et la transformation des industries traditionnelles, le renforcement des industries émergentes et la planification prospective des industries futures, afin que tous les secteurs puissent tirer profit de l’intelligence artificielle.

La stratégie chinoise est évidente : marchandiser vos complémentaires. Notez que Xi Jinping a explicitement lié l'ouverture à l'IA « passant du monde numérique au monde physique » ; le monde physique est un monde dominé par la Chine, dont le leadership dans des domaines tels que la robotique bénéficiera grandement des modèles d'IA largement accessibles.

De même, la Chine ne souhaite pas que les États-Unis obtiennent un avantage asymétrique en matière d'IA ; il serait encore mieux si la Chine pouvait affaiblir les laboratoires de pointe américains tout en renforçant tous les éventuels adversaires des États-Unis, et elle peut également tirer parti de l'innovation liée à un écosystème ouvert.

De même, ne vous attendez pas à ce que la Chine prenne des mesures contre les attaques par distillation sur les laboratoires de pointe. Il est erroné de attribuer tous les succès des laboratoires chinois à la distillation, mais il est tout aussi erroné de prétendre que la distillation n’a pas conféré aux laboratoires chinois un avantage considérable. Cet avantage s’est véritablement manifesté au cours de la dernière année, car l’apprentissage par renforcement après l’entraînement est devenu de plus en plus crucial pour les performances des modèles. Les laboratoires chinois n’ont pas besoin de construire des environnements d’apprentissage par renforcement depuis zéro ; ils peuvent simplement utiliser les modèles des laboratoires de pointe comme enseignants pour obtenir des améliorations rapides à un coût bien plus faible (ce n’est pas la seule raison pour laquelle le coût de développement des modèles chinois est plus bas, mais c’est une raison majeure).

Il est intéressant de noter que l’un des cas d’utilisation les plus importants des modèles chinois en Occident est lui-même la distillation. Par exemple, Thinking Machines, qui vient de publier des modèles à poids ouverts, s’appuie sur des modèles chinois pour résoudre le problème de démarrage à froid en apprentissage par renforcement. Dean Meyer et Konstantine Buhler ont publié un excellent article sur X expliquant que la distillation signifie que les modèles occidentaux à poids ouverts sont fondamentalement désavantagés par rapport aux modèles chinois :

La distillation ne suffit pas à expliquer l'ensemble de l'avance de la Chine dans les modèles ouverts. Les laboratoires chinois disposent de chercheurs de niveau mondial, d'une grande puissance de calcul, de modèles pré-entraînés puissants, d'une conception synergique logiciel-hardware et de capacités d'entraînement postérieur en constante amélioration. Toutefois, la distillation réduit le coût du dernier écart entre des bases puissantes et des systèmes proches de la pointe. Même si la distillation représente une part modeste de la capacité totale des modèles chinois, elle occupe une part importante dans l'avantage relatif des modèles ouverts chinois par rapport aux États-Unis.

Le nouveau mécanisme d'application de la loi rendra la distillation à grande échelle plus difficile, plus lente et plus coûteuse pour les entreprises chinoises. Toutefois, l'application de la loi ne peut éliminer la distillation soutenue par des acteurs étatiques. Ainsi, chaque avancée de l'Occident crée un autre enseignant pour les laboratoires chinois. Les constructeurs occidentaux doivent reproduire indépendamment ces capacités ou attendre d'apprendre des modèles chinois. Ce décalage confère aux laboratoires chinois un avantage structurel récurrent par rapport aux entreprises occidentales.

Cela mérite d'être répété : puisque les fabricants occidentaux de modèles à poids ouverts doivent respecter les conditions d'utilisation des laboratoires de pointe, ils sont (1) moins performants que leurs alternatives chinoises et (2) finissent par distiller des distillats qui ne font que passer par les laboratoires chinois. Ne serait-il pas préférable que les fabricants occidentaux de modèles à poids ouverts puissent accéder directement à la source ?

À cet égard, une question encore plus intéressante se pose : pourquoi cela est-il vraiment mauvais ? Après tout, les grands modèles linguistiques ne sont-ils pas simplement une distillation de l'ensemble des connaissances disponibles sur l'Internet ouvert, collectées et distillées par des laboratoires de pointe pour créer des modèles qui sont eux-mêmes en cours de distillation ? Qui est vraiment lésé ici ?

En réalité, ce paradoxe est la solution. Je crois que les modèles à poids ouverts favorisent l'innovation (et, selon ce qui précède, je pense que les laboratoires de pointe n'auront pas de problème), mais dépendre de la Chine pose problème. Les États-Unis devraient adopter une loi (1) précisant que la collecte de données à des fins d'entraînement de modèles relève de l'utilisation équitable, et (2) interdisant au moins aux entreprises américaines les clauses de service interdisant la distillation. Empêcher la distillation — qui revient en réalité à interroger une API — est presque impossible ; les États-Unis devraient opter pour une autre voie, en privilégiant une nouvelle politique du droit d'auteur qui protège les laboratoires tout en garantissant que les connaissances qu'ils acquièrent stimulent l'innovation des autres.

L'article élimine constamment les réactions exagérées à l'égard de Kimi K3 et des modèles chinois à poids ouvert ; cependant, il existe une raison légitime de s'inquiéter : la cybersécurité. Considérez cette histoire de The Stack :

Hugging Face a déclaré que son infrastructure de production a été infiltrée la semaine dernière par un système d'agents IA « autonomes ». L'équipe de sécurité de la plateforme a initialement été bloquée dans sa réponse à l'incident (IR) par les protections du modèle de pointe américain non identifié, « qui ne pouvaient pas distinguer les répondants à l'incident des attaquants », ont-ils déclaré. En conséquence, les défenseurs de Hugging Face ont recours au modèle open source GLM 5.2 du laboratoire chinois Z.ai — en l'exécutant sur leur propre infrastructure pour analyser les plus de 17 000 journaux ou traces laissés par les attaquants.

Pour Hugging Face, basée à New York, il s'agit d'une reconnaissance publique remarquable, alors que l'entreprise permet aux utilisateurs de collaborer sur des modèles, des jeux de données et des applications, ayant atteint ce printemps le seuil de 100 millions de dollars de revenus annuels récurrents. Dans un rapport d'événement, l'entreprise conseille aux défenseurs de « se préparer à l'avance avec un modèle performant pouvant être exécuté sur votre propre infrastructure [notre italique], afin d'éviter le verrouillage par les garde-fous et d'empêcher les attaquants de faire sortir vos données et vos identifiants de votre environnement. »

Il est difficile de surestimer à quel point la réaction de panique du gouvernement Trump face à la publication de Fable par Anthropic était erronée, surtout car elle a exacerbé la pire tendance d'Anthropic : supposer que seuls eux peuvent être dignes de confiance pour utiliser une IA puissante. Dans un monde où il n'existerait qu'une seule IA, il pourrait être justifié de réserver les capacités de cybersécurité les plus puissantes au gouvernement américain et à des alliés de confiance ; toutefois, ce n'est pas le monde dans lequel nous vivons.

Des modèles capables de mener des attaques cybernétiques contre les infrastructures existantes existent déjà et existeront encore plus, et ces modèles seront — déjà — largement accessibles. La meilleure défense — en fait, la seule défense réalisable — consistera à garantir que les défenseurs puissent également accéder aux meilleurs modèles. Or, en raison des instructions du gouvernement Trump, les défenseurs sont effectivement interdits d’utiliser Fable ou Sol pour la cybersécurité ; cela signifie que la meilleure alternative consiste à utiliser des modèles provenant d’un pays qui tente depuis des années de affaiblir nos défenses cybernétiques. C’est fou !

La meilleure approche est d’être clair : tout d’abord, assouplir les restrictions imposées à Fable et Sol en matière de cybersécurité, puis garantir un environnement de concurrence équitable entre les fabricants américains de modèles à poids ouverts et la Chine. Oui, les laboratoires de pointe feront du bruit, mais le gouvernement doit comprendre que céder à leur hystérie a conduit les États-Unis à une situation où les entreprises américaines dépendent de la Chine pour leur défense. Laissez les laboratoires de pointe gagner en faisant mieux ; ne laissez pas qu’ils définissent la sécurité ou la protection, ni ne leur permettez de retirer l’échelle du savoir collectif humain. La Chine a déjà suffisamment d’avantages ; leur laisser porter la bannière de l’ouverture et de l’innovation reviendrait à renoncer à notre plus grand atout.