Un appel en faveur de modèles d’IA aux poids ouverts, à code source libre et aux corpus ouverts.
Traduction de Public Intelligence par Ben Recht sur Substack, le 27 juillet 2026.
Je félicite Jensen Huang et les chefs de file de l’industrie d’avoir pris position en faveur des grands modèles linguistiques ouverts. L’ensemble du secteur technologique, à l’exception d’Anthropic, s’est désormais rallié à cette cause. Maintenant que le mouvement a pris de l’élan, j’exhorte les signataires à appuyer une initiative encore plus radicale qui nous permettrait de nous démarquer véritablement dans notre concurrence économique avec la Chine : les États-Unis devraient investir massivement dans des modèles non seulement dotés de poids ouverts, mais aussi de code source ouvert et de corpus ouverts.
Permettez-moi de revenir en arrière au cas où vous l’auriez manqué. Vendredi dernier, Huang a publié une courte lettre sur Twitter appelant à des investissements américains dans « un écosystème solide et ouvert » autour de l’intelligence artificielle à code source ouvert. « Le code source ouvert […] a créé une base commune de connaissances sur laquelle des générations d’ingénieurs et d’entrepreneurs américains ont bâti leur souveraineté institutionnelle », explique Huang, qui prédit qu’un phénomène similaire se produira avec l’adoption de l’IA à code source ouvert.
Une partie de cette lettre constituait un appel à l’administration Trump, qui avait laissé entendre qu’elle envisageait d’interdire les logiciels à code source ouvert dans le cadre d’une mesure protectionniste visant à étouffer les machines de traitement du langage chinois en plein essor. Conscients que cela ne profiterait qu’à Anthropic et à OpenAI, et à personne d’autre, les chefs de la direction de toutes les entreprises technologiques, grandes et petites, ont rapidement signé la lettre de Huang vendredi.
Il s’agit d’une évolution remarquable et positive, et je souhaite aborder certains points que Huang a omis. Depuis des années, je plaide avec passion sur ce blogue en faveur d’un investissement accru dans les modèles linguistiques open source. En fait, cet article publié en juillet dernier présente toute une série d’arguments sur ce qui, selon moi, est nécessaire pour que cela se concrétise, et je ne pense pas que quoi que ce soit ait changé depuis.
Je vous invite à lire cet article, mais permettez-moi de résumer ce que j’ai dit pour l’instant. Pour construire un bon modèle linguistique, il faut des gens, de la puissance de calcul et des données. On ne sait pas exactement de quelle quantité de chacun de ces éléments on a besoin, mais la réponse semble être : beaucoup. Nous avons toujours eu les gens, même si la promesse de richesses incalculables a détourné de nombreux jeunes esprits brillants de voies plus éthiques. Mais maintenant que nous avons l’appui de toute l’industrie technologique, je pense que ce fondement est assuré.
Qu’en est-il de la puissance de calcul? Les hyperscalers et leurs partenaires économiques veulent toujours vous faire croire que le déploiement massif de leurs centres de données constitue un fossé qui nous sépare, nous, simples adeptes de l’open source. Mais les modèles chinois ont compliqué la donne et démontré qu’il est possible de s’en sortir à moindre coût. Personne ne dispose d’estimations précises, mais les modèles des entreprises chinoises DeepSeek et Moonshot ont sans doute été entraînés avec moins de dix millions de dollars. Des dizaines de jeunes entreprises d’IA comme « NeoLabs », qui n’ont que peu d’idées concrètes, reçoivent actuellement dix fois cette somme de la part de sociétés de capital de risque. Les bons investisseurs en capital de risque pourraient faire un petit pari sur l’écosystème ouvert pour dynamiser leurs autres investissements. La puissance de calcul nécessaire aux modèles ouverts exigera la création d’un vaste consortium industriel, mais cela ne coûterait à chaque membre du consortium qu’une fraction infime de ses réserves financières. Travaillons ensemble pour établir des ententes de calcul au service du développement de l’open source.
Une fois ces modèles développés en open source, il ne fait aucun doute qu’ils ne feront que gagner considérablement en efficacité. Nous avons constaté à maintes reprises que l’apprentissage automatique est un domaine qui innove grâce à la « reproductibilité sans friction ». La mise à disposition publique de la recherche, du code et des données, évaluée par des tests comparatifs concurrentiels, améliore rapidement les systèmes d’apprentissage automatique. Cela les rend également plus efficaces. Dans un article publié l’année dernière, j’ai expliqué comment des modèles ImageNet de haute qualité, qui ne pouvaient auparavant être entraînés que chez Google, sont devenus accessibles sur un ordinateur de bureau en moins d’un an. Ce genre de gains d’efficacité s’est produit tout au long des années 2010. Le secret qui entoure les laboratoires dans les années 2020 a nui au domaine de l’ingénierie dans son ensemble, même si les résultats obtenus ont été plus qu’impressionnants. Rendons tout public, et nous trouverons comment rendre ces systèmes plus rapides et plus efficaces. C’est garanti.
Cela nous amène à la véritable difficulté : les données. Comme mon ami et collègue Alyosha Efros aime à nous le rappeler, « tout repose sur les données », et les modèles linguistiques sont entraînés à partir de quantités inimaginables de données. La divulgation de documents dans le cadre de poursuites judiciaires a révélé que des entreprises ont entraîné ces modèles à partir de bibliothèques piratées de livres, d’articles universitaires et d’images protégées par le droit d’auteur. Les modèles sont entraînés sur des bases de connaissances collaboratives comme Wikipédia, d’innombrables forums de bénévoles comme Reddit, et l’ensemble du code public sur GitHub. Ils sont entraînés sur la transcription de chaque vidéo que vous publiez sur YouTube. Tout ce travail collectif de la société humaine est mélangé dans des logiciels propriétaires afin que quelques fanatiques puissent s’enrichir. C’est une mauvaise issue!
Les entreprises sont toutes transparentes quant à cette utilisation. Elles ont été reconnues responsables devant les tribunaux. Elles l’ont admis dans des articles qu’elles ont rédigés. Elles prétendent qu’il s’agit d’une utilisation équitable, car l’entraînement a transformé les textes. Très bien, si tel est le cas, alors il est équitable de prendre les résultats de leurs modèles pour en construire de nouveaux. C’est ce qu’on appelle la « distillation ». Les conditions d’utilisation des chatbots ne contredisent pas mon argument. Le fait que l’administration Trump envisage d’interdire la distillation est une parodie de justice.
Mais je vise plus haut. La mesure la plus importante pour créer des modèles open source compétitifs consiste à permettre à l’ensemble de la communauté d’accéder, dans le cadre d’une utilisation équitable, aux mêmes données que celles utilisées par les entreprises. C’est ce qu’on appelle le corpus ouvert. Si des modèles fermés peuvent exister, alors les modèles ouverts devraient bénéficier de conditions équitables. Cela exigera une remise en question, attendue depuis longtemps, de la propriété intellectuelle et de ce que nous devons à ceux qui la créent.
Je pense que tous ces défis sont surmontables. Nous allons devoir : (a) amener les jeunes à s’intéresser à l’open source plutôt qu’à devenir incroyablement riches; (b) amener les milliardaires à collaborer sans que ce soit « le gagnant qui remporte tout »; et (c) mener une longue et difficile discussion sur le droit d’auteur, la propriété intellectuelle et les normes d’utilisation équitable. Mais nous avons déjà prospéré dans un écosystème ouvert avant ChatGPT. Cela ne fait même pas une demi-décennie que nous sommes dans cette période de fermeture. Avec l’appui de l’ensemble de l’industrie technologique, il est temps de rouvrir le jeu.
Fichier Excel des traductions par Gilles en vrac
Fiches avec les premières phrases (et non seulement les titres)
Les caractères gras dans le texte sont de Gilles.