Le patron d’OpenAI, Sam Altman, a déclaré que les gens devraient cesser d’exécuter de grands programmes d’IA sur leurs propres PC, car cela gaspille une mémoire précieuse que les entreprises peuvent utiliser plus efficacement dans de gigantesques centres de données.
Points clés à retenir
Sam Altman a déclaré que les gens ne devraient pas exécuter de grands modèles d’IA en local et a qualifié l’inférence sur ordinateur de bureau de gaspillage de mémoire
Il a soutenu que la DRAM, une ressource rare, est mieux utilisée dans les centres de données que sur les ordinateurs personnels
Altman a déclaré qu’il était « terrible » d’avoir de la RAM « qui reste dans votre ordinateur » alors que de grands systèmes infonuagiques peuvent la mutualiser et en planifier l’utilisation
Ses remarques présentent le calcul local comme inefficace par rapport aux centres de données centralisés et remettent en question l’exécution de modèles sur du matériel personnel
Dans un entretien avec The Verge, le PDG d’OpenAI a soutenu que la DRAM rare — les puces mémoire utilisées pour stocker les données actives des modèles — est mieux employée dans les centres de données que sur les ordinateurs personnels.
Il a dit qu’il était « terrible » d’avoir de la RAM « posée sur son bureau » alors que de grands systèmes cloud peuvent la mutualiser et la répartir plus efficacement.
Sam Altman lance une attaque frontale contre l’essor des modèles locaux
Les propos d’Altman vont à l’encontre d’un mouvement croissant de développeurs et d’entreprises qui promeuvent l’inférence locale et les modèles à poids ouverts, capables de fonctionner sur du matériel personnel. Sa position présente le calcul local comme inefficace par rapport aux centres de données centralisés et remet en question l’idée que l’exécution de modèles sur des ordinateurs portables, des ordinateurs de bureau et des appareils en périphérie soit intrinsèquement émancipatrice.
Ses remarques dépassaient également la question de l’efficacité matérielle : Altman a déclaré que les utilisateurs ne devraient pas posséder leurs propres modèles, transformant une réponse sur la chaîne d’approvisionnement face aux pénuries de RAM en un argument plus large en faveur d’un contrôle centralisé du déploiement. Cela compte dans un débat qui divise déjà le marché entre les entreprises privilégiant le cloud et les concepteurs de modèles à poids ouverts. Les sources qui circulent s’accordent sur le fond de ses propos, même si elles mettent l’accent sur différents aspects de l’échange.
À lire aussi : OpenAI surprend l’un de ses propres modèles d’IA en train d’essayer d’accéder à Internet
Pourquoi la mémoire est devenue le principal champ de bataille
Les grands modèles de langage consomment beaucoup de mémoire pendant l’inférence, car les poids du modèle et le contexte actif doivent rester accessibles pendant que le système génère du texte. Si la RAM se fait rare dans toute la chaîne d’approvisionnement, Altman estime que la centralisation de ces ressources peut offrir un meilleur taux d’utilisation que des millions d’ordinateurs personnels partiellement inactifs.
Cet argument favorise les entreprises disposant de grands clusters et d’une demande régulière, mais il renforce aussi les inquiétudes concernant la résilience, les prix et le contrôle des utilisateurs. Si l’inférence reste concentrée dans les centres de données, les entreprises qui les exploitent gardent une emprise plus forte sur la disponibilité des services, l’application des règles et l’accès même aux modèles.
Quelle sera la prochaine étape du déploiement de l’IA ?
La conséquence immédiate n’est ni le lancement d’un produit ni un changement de politique chez OpenAI. C’est une prise de position publique plus claire de la part de l’un des PDG les plus en vue du secteur de l’IA, à un moment où les logiciels de modèles locaux et les PC dotés d’IA gagnent tous deux du terrain.
La prochaine phase de ce débat devrait porter sur des facteurs économiques mesurables, notamment la disponibilité des puces, les marges du cloud, la latence et la capacité des petits modèles locaux à préserver leur qualité lorsqu’ils fonctionnent avec une mémoire limitée.
À lire ensuite : Samsung engrange 107,4 billions de wons de bénéfices grâce à la demande de mémoire pour l’IA