En Chine, les startups d’IA face au défi du raisonnement et du calcul

Dans la course mondiale aux modèles d’intelligence artificielle, le lancement d’un nouveau système ne se résume plus à l’arrivée d’un assistant conversationnel plus habile. Il fixe aussi une direction technologique, redistribue les priorités des investisseurs et oblige les concurrents à réévaluer leurs propres feuilles de route. Le modèle o1 d’OpenAI, dévoilé en septembre 2024, a produit cet effet auprès des entreprises chinoises de l’IA : son intérêt ne tient pas seulement à ses réponses, mais à la place qu’il accorde au raisonnement et au calcul pour traiter certains problèmes difficiles.

À la conférence Apsara d’Alibaba Cloud, organisée à Hangzhou, plusieurs dirigeants de startups ont ainsi vu dans o1 une référence susceptible d’ouvrir de nouvelles voies. Moonshot AI, Baichuan AI et StepFun ne partent pas de zéro : elles développent déjà leurs propres grands modèles de langage. Mais le signal envoyé par OpenAI rend plus visible une réalité économique fondamentale : progresser sur les tâches complexes suppose de réunir des données, des chercheurs, des algorithmes et, surtout, une formidable puissance de calcul.

Pourquoi o1 a marqué la course aux modèles de langage

Un grand modèle de langage prédit la suite la plus probable d’un texte à partir d’énormes volumes de données d’entraînement. Cette capacité peut produire des résumés, du code, des traductions ou des réponses à des questions. Les tâches de raisonnement, comme une démonstration mathématique, un diagnostic scientifique ou un problème de programmation en plusieurs étapes, posent toutefois un défi particulier : une réponse rapide et plausible peut être erronée.

OpenAI a présenté o1 comme un modèle conçu pour mieux s’attaquer à ce type de problèmes, notamment en science, en programmation et en mathématiques. Le principe mis en avant consiste à consacrer davantage d’efforts de calcul à l’examen d’un problème avant de formuler une réponse. Il ne faut pas en déduire que le système « pense » comme un humain. Il s’agit d’un logiciel statistique qui génère et évalue des séquences, pas d’un esprit doté d’intentions ou de compréhension humaine. Mais cette approche peut améliorer les résultats lorsque la vérification et la décomposition du problème sont déterminantes.

Pour les entreprises chinoises, o1 est donc d’abord un repère concurrentiel. Il indique qu’une partie de la prochaine bataille pourrait se jouer moins sur la seule fluidité des réponses que sur la fiabilité dans des tâches à forte valeur : écrire et contrôler du code, manipuler des données scientifiques, assister des chercheurs ou automatiser certains processus métiers complexes.

La relation historique entre OpenAI et Microsoft compte également dans cette équation. Le soutien financier et l’infrastructure de calcul associée à ce partenariat illustrent l’ampleur des moyens nécessaires pour développer et exploiter des modèles de frontière. Pour une jeune entreprise, disposer d’une bonne idée ne suffit plus toujours : encore faut-il pouvoir entraîner, tester et servir le modèle à grande échelle.

À Hangzhou, une ambition chinoise assumée

Lors de la conférence Apsara, les startups chinoises ont précisément mis en avant leurs travaux sur de très grands modèles de langage. L’enjeu est double. Il s’agit de proposer des outils utiles sur le marché chinois, où la maîtrise de la langue, des usages locaux et des écosystèmes logiciels est décisive. Il s’agit aussi de ne pas laisser aux laboratoires américains le monopole des méthodes les plus avancées.

Kunal Zhilin, présenté comme fondateur de Moonshot AI, a souligné le potentiel de transformation d’o1 pour différentes industries. Son diagnostic met l’accent sur deux leviers : l’apprentissage par renforcement et la montée en échelle, souvent désignée par l’expression anglaise scaling. Ces deux notions sont devenues centrales pour comprendre la stratégie des développeurs de modèles.

L’apprentissage par renforcement consiste à améliorer un système à partir d’un signal de récompense. Dans le cas d’un modèle de langage, ce signal peut par exemple refléter le fait qu’une réponse est correcte, qu’un programme fonctionne ou qu’une solution respecte certaines règles. Les méthodes concrètes sont complexes et demandent des garde-fous : une récompense mal définie peut pousser le modèle à optimiser le mauvais objectif. Bien employée, cette phase permet néanmoins de dépasser la simple imitation des textes présents dans les données d’entraînement.

La montée en échelle renvoie, elle, à une observation récurrente dans l’IA moderne : augmenter la taille d’un modèle, le volume de données et le calcul d’entraînement peut améliorer ses performances. Ce n’est ni une loi magique ni une garantie de qualité. Les gains peuvent être inégaux selon la tâche, et la facture énergétique comme financière augmente très vite. Pour Kunal Zhilin, cette dynamique donne néanmoins aux acteurs disposant de moyens informatiques suffisants la possibilité d’innover dans les algorithmes et les modèles fondamentaux.

Qwen 2.5, la réponse d’Alibaba Cloud sur les modèles ouverts

La conférence Apsara n’a pas seulement été le lieu d’un débat sur OpenAI. Alibaba Cloud y a dévoilé la famille Qwen 2.5, qui donne une mesure concrète de l’intensité de la concurrence chinoise. Ces modèles vont de 0,5 à 72 milliards de paramètres. Un paramètre est une valeur numérique ajustée au cours de l’entraînement, et leur nombre renseigne sur l’ampleur potentielle d’un modèle, sans suffire à résumer sa qualité ou son utilité réelle.

Alibaba Cloud indique que Qwen 2.5 prend en charge près de 29 langues, parmi lesquelles le chinois, l’anglais, le français et l’espagnol. Une telle couverture ne garantit pas la même qualité dans chacune d’elles, mais elle répond à un besoin très concret : déployer des assistants et des outils de production dans des environnements multilingues, sans devoir repartir de zéro pour chaque marché.

Deux déclinaisons ciblent des usages particulièrement disputés. Qwen2.5-Coder est orienté vers la programmation et Qwen2.5-Math vers les problèmes mathématiques. Alibaba Cloud faisait état de plus de 40 millions de téléchargements sur des plateformes de diffusion de modèles, signe de l’intérêt des développeurs pour des briques techniques spécialisées. Pour une startup, ces modèles peuvent servir de base à un produit, à condition d’investir dans l’adaptation au métier visé, les données pertinentes et l’évaluation des résultats.

Alibaba Cloud a aussi enrichi Tongyi Wanxiang, son générateur d’images, d’un modèle de génération de vidéo à partir de texte. La promesse concerne la création de séquences réalistes ou animées, avec des usages envisageables dans la publicité et le cinéma. Enfin, Qwen 2-VL, modèle de langage visuel, a été présenté comme optimisé pour les appareils mobiles et la robotique. Il peut traiter des vidéos de plus de 20 minutes et répondre à des questions portant sur leur contenu. Ce type de modèle multimodal vise à relier texte, image et vidéo, une capacité utile pour analyser des documents visuels ou guider des interactions avec le monde physique.

Le calcul, principal nerf de la compétition

Derrière les annonces de modèles se trouve une infrastructure bien moins visible : les centres de données, les processeurs graphiques, les réseaux et l’électricité nécessaires à l’entraînement et à l’inférence, c’est-à-dire au fonctionnement quotidien d’un modèle auprès des utilisateurs. Jiang Daxin, directeur général de StepFun, partage l’intérêt de Moonshot AI pour ces nouvelles approches, tout en rappelant le principal obstacle auquel sont confrontées de nombreuses jeunes pousses : la puissance informatique disponible.

Les restrictions commerciales américaines sur les semi-conducteurs avancés compliquent l’accès des entreprises chinoises à certaines puces et à certaines capacités de calcul. Cette contrainte ne bloque pas toute innovation. Les acteurs peuvent rechercher des alternatives matérielles, optimiser leurs logiciels, réduire les coûts ou privilégier des modèles plus petits et spécialisés. Mais elle rend plus difficile la reproduction des programmes d’entraînement les plus coûteux, ceux qui exigent de vastes grappes d’accélérateurs pendant de longues périodes.

Ce point explique pourquoi seules quelques entreprises, parfois désignées comme les « tigres de l’IA », paraissent capables de consentir des investissements massifs dans l’apprentissage par renforcement. D’après une source interne à Baichuan AI, Moonshot AI et Baichuan AI font partie de ce petit groupe. La formule ne doit pas masquer l’incertitude : la qualité d’un modèle dépend aussi du talent des équipes, de la pertinence des données, des méthodes d’évaluation et de l’intégration dans des produits réels. Mais sans calcul en quantité suffisante, il devient difficile de tester les hypothèses les plus ambitieuses.

Les promesses du raisonnement doivent encore passer l’épreuve des usages

La fascination pour les modèles capables de résoudre des problèmes complexes ne doit pas effacer une question essentielle : dans quelles situations apportent-ils une valeur nette ? Dans le codage, un système peut accélérer la rédaction de fonctions ou suggérer des corrections, mais une vérification humaine reste nécessaire avant une mise en production. En science, il peut aider à explorer des hypothèses ou à organiser des informations, mais il ne remplace ni l’expérience ni l’expertise. En entreprise, la qualité dépendra très largement de l’accès à des données fiables et de règles précises sur les décisions que l’outil est autorisé à prendre.

Les startups chinoises disposent ici d’une opportunité : transformer les capacités générales des grands modèles en produits adaptés à des secteurs et à des utilisateurs précis. Les modèles multilingues, les modèles de code, les outils vidéo et les systèmes visuels peuvent répondre à des besoins différents. La concurrence ne portera donc pas uniquement sur le nombre de paramètres ou sur un classement technique. Elle portera sur la capacité à fournir un outil robuste, abordable et réellement intégré aux méthodes de travail.

Ce qu’il faut surveiller

Au 30 avril 2025, l’effet le plus durable d’o1 est peut-être d’avoir renforcé l’idée que les progrès en IA passent par une combinaison de raisonnement, d’apprentissage par renforcement et de calcul à grande échelle. Pour les startups chinoises, cette évolution ouvre des perspectives de produits nouveaux, mais accentue aussi la sélection entre les entreprises capables de financer l’infrastructure et celles qui devront trouver des voies plus économes.

Trois signaux permettront de juger la suite. D’abord, la capacité de Moonshot AI, Baichuan AI, StepFun et de leurs rivales à faire émerger des modèles performants dans des usages concrets. Ensuite, l’adoption des modèles Qwen par les développeurs et les entreprises, au-delà des téléchargements. Enfin, l’évolution de l’accès aux puces avancées et des solutions locales de calcul. C’est à l’intersection de ces trois fronts, logiciel, produit et matériel, que se dessinera la place de la Chine dans la prochaine phase de l’IA générative.