DeepSeek R1 relance le débat : les modèles ouverts dépassent-ils les systèmes fermés ?

Le succès soudain de DeepSeek R1 dérange un récit bien installé dans l’intelligence artificielle : celui selon lequel seuls les laboratoires américains les mieux financés peuvent produire les modèles les plus performants. Le 20 janvier 2025, l’entreprise chinoise DeepSeek a publié un modèle spécialisé dans le raisonnement, accompagné de poids téléchargeables et d’un rapport technique. Quelques jours plus tard, ses résultats nourrissent déjà un débat plus large sur l’avenir de l’IA : faut-il fermer les modèles les plus avancés, ou les rendre accessibles pour accélérer l’innovation ?

Pour Yann LeCun, scientifique en chef de l’IA chez Meta, la leçon ne se résume pas à une compétition entre la Chine et les États-Unis. Le chercheur y voit surtout la démonstration de la puissance de la recherche ouverte : DeepSeek a pu s’appuyer sur des idées rendues publiques par d’autres équipes, les prolonger, puis partager à son tour ses travaux. Une circulation des méthodes qui contraste avec la stratégie de laboratoires comme OpenAI ou Anthropic, dont les modèles les plus puissants sont accessibles via des services en ligne, mais dont les poids et une grande partie de la recette de fabrication ne sont pas publics.

DeepSeek R1, un modèle de raisonnement publié le 20 janvier

DeepSeek R1 n’est pas un assistant conversationnel généraliste conçu uniquement pour écrire des textes fluides. Il appartient à la catégorie des modèles dits de raisonnement. Face à un problème de mathématiques, de programmation ou de logique, ce type de système est entraîné à consacrer davantage de calcul à l’analyse, à explorer plusieurs pistes et à vérifier sa réponse avant de la formuler.

Cette approche est devenue un axe majeur de la course aux grands modèles de langage. OpenAI avait notamment mis en avant cette famille de capacités avec son modèle o1. DeepSeek R1 arrive donc sur un terrain très disputé, avec une particularité essentielle : ses poids sont publiés sous licence MIT, ce qui permet à des développeurs, chercheurs et entreprises de les télécharger, de les étudier et de les adapter à leurs besoins.

Le modèle complet repose sur une architecture à mélange d’experts. Elle compte 671 milliards de paramètres au total, mais n’en active qu’environ 37 milliards pour chaque token, c’est-à-dire chaque fragment de texte traité. Cette organisation vise à réserver les calculs les plus lourds aux parties pertinentes du réseau, au lieu de mobiliser l’ensemble des paramètres à chaque étape.

Les chiffres de 600 milliards de paramètres et de 14,8 billions de tokens parfois associés à DeepSeek renvoient à des ordres de grandeur proches, mais ils doivent être précisés. DeepSeek décrit une architecture de 671 milliards de paramètres pour la base de R1, tandis que les 14,8 billions de tokens correspondent au volume d’entraînement communiqué pour DeepSeek-V3, le modèle de base dont dérive R1.

Que disent réellement les benchmarks de DeepSeek R1 ?

L’annonce a attiré l’attention parce que DeepSeek R1 rivalise avec OpenAI o1 sur plusieurs évaluations réputées difficiles. Dans les résultats communiqués par DeepSeek, R1 dépasse la version o1-1217 sur certains exercices de mathématiques et de code, tout en restant en retrait sur un test scientifique exigeant.

Ces scores sont importants, mais ils ne signifient pas qu’un modèle est objectivement meilleur dans toutes les situations. Un benchmark mesure une tâche précise, selon un protocole déterminé. Les résultats peuvent changer en fonction des instructions données au modèle, du nombre de tentatives autorisées, des outils utilisés ou de la manière dont les réponses sont vérifiées.

En outre, les tableaux comparatifs publiés par un éditeur de modèle constituent une indication utile, pas un verdict indépendant et définitif. Pour une entreprise ou un développeur, la vraie comparaison dépendra aussi de critères très concrets : fiabilité des réponses, vitesse, coût d’utilisation, protection des données, longueur des documents traités, qualité dans une langue donnée et facilité d’intégration dans un produit.

L’élément le plus marquant n’est donc pas seulement la place de R1 dans un classement. C’est qu’un modèle dont les poids sont accessibles puisse se situer au niveau des meilleures offres fermées sur des tâches de raisonnement très médiatisées.

Pourquoi Yann LeCun y voit une victoire de l’ouverture

Yann LeCun défend depuis longtemps l’idée que la recherche ouverte est indispensable au progrès de l’intelligence artificielle. Son interprétation du cas DeepSeek est claire : l’entreprise chinoise n’aurait pas produit R1 en partant de rien. Comme tous les laboratoires, elle a bénéficié d’articles scientifiques, de techniques d’optimisation, de logiciels et d’idées diffusés au sein de la communauté internationale.

La publication de R1 alimente à son tour ce cycle. Des équipes extérieures peuvent évaluer le modèle, chercher ses faiblesses, l’exécuter sur leurs propres machines, l’adapter à une langue ou à un métier, ou encore entraîner des modèles plus petits à partir de ses réponses. DeepSeek a ainsi mis à disposition plusieurs versions distillées de R1, plus légères, destinées à être utilisées avec des ressources informatiques moins considérables que le modèle complet.

Cette possibilité de réutilisation est le cœur de l’argument de LeCun. Une avancée fermée peut être exploitée par son détenteur et ses clients. Une avancée plus ouverte peut, elle, être inspectée et prolongée par un nombre beaucoup plus large d’acteurs. Cela ne garantit ni une innovation plus sûre ni une meilleure qualité dans tous les cas, mais cela réduit la dépendance à une poignée de fournisseurs.

Il faut toutefois employer les mots avec précision. Un modèle peut être qualifié d’« ouvert » parce que ses poids sont disponibles, sans que la totalité de son processus de fabrication le soit. La pleine reproductibilité supposerait aussi de disposer des données d’entraînement, de leur méthode de sélection, de tous les réglages et de l’infrastructure utilisée. Dans l’IA, « open source » recouvre donc des degrés d’ouverture différents.

Modèles ouverts et fermés : deux stratégies, pas deux mondes étanches

Les modèles propriétaires gardent des atouts solides. Leur éditeur contrôle l’infrastructure, peut appliquer des garde-fous centralisés, corriger rapidement un comportement indésirable et proposer un service prêt à l’emploi. Pour de nombreuses organisations, payer une API et confier la maintenance à un fournisseur est plus simple que d’héberger un modèle en interne.

À l’inverse, les modèles dont les poids sont accessibles donnent davantage de contrôle à l’utilisateur. Une entreprise peut les déployer dans son propre environnement, les ajuster sur ses données et limiter l’envoi d’informations sensibles à un prestataire extérieur. Cette autonomie peut être déterminante dans des secteurs réglementés ou pour des applications où la confidentialité est centrale.

L’ouverture ne résout cependant pas tous les problèmes. Exécuter un modèle de la taille de DeepSeek R1 demande une infrastructure coûteuse. Le télécharger ne rend pas automatiquement son utilisation bon marché. Les entreprises doivent aussi savoir l’intégrer, le surveiller, le mettre à jour et évaluer ses réponses. Enfin, un accès élargi peut faciliter les usages légitimes comme les usages détournés, ce qui alimente les débats sur la sécurité des modèles.

Le coût, l’autre sujet qui fragilise les certitudes

DeepSeek a également retenu l’attention par l’efficacité revendiquée de ses méthodes de développement. L’entreprise met en avant des choix techniques visant à obtenir de hautes performances avec une mobilisation plus ciblée des ressources de calcul. Son architecture à mélange d’experts, qui n’active qu’une fraction des paramètres à chaque token, fait partie de ces leviers.

Il serait néanmoins réducteur de comparer uniquement un chiffre de coût d’entraînement avec les investissements annoncés par les géants américains. Le coût d’un modèle dépend de nombreux éléments : achat ou location de puces, données, énergie, salaires des chercheurs, essais qui n’aboutissent pas, infrastructure réseau, sécurité et déploiement auprès des utilisateurs. Les montants rendus publics ne couvrent pas toujours les mêmes postes.

La véritable pression exercée par DeepSeek est ailleurs : si un acteur plus récent peut atteindre ce niveau sur certains tests avec une stratégie technique efficace, les laboratoires établis doivent justifier leurs dépenses colossales non seulement par la puissance brute de leurs modèles, mais aussi par la qualité de leurs produits, leur fiabilité et leur capacité à les rendre utiles au plus grand nombre.

Meta poursuit son pari sur les modèles accessibles

La position de Yann LeCun s’inscrit dans la stratégie de Meta. Le groupe diffuse les poids de ses modèles Llama sous une licence propre et mise sur un vaste écosystème de développeurs, de chercheurs et de partenaires. Cette approche ne correspond pas à une ouverture totale au sens strict, notamment parce que Meta ne publie pas l’ensemble de ses données d’entraînement. Elle tranche néanmoins avec celle d’OpenAI et d’Anthropic pour leurs modèles les plus avancés.

Ce pari n’empêche pas Meta d’investir massivement dans l’infrastructure. Le 24 janvier 2025, Mark Zuckerberg a indiqué que le groupe prévoyait entre 60 et 65 milliards de dollars d’investissements en capital en 2025, largement orientés vers l’IA et les centres de données. Ce montant rappelle une réalité souvent occultée par le mot « open source » : publier des modèles n’élimine pas la nécessité de disposer d’immenses capacités de calcul pour les entraîner à la frontière technologique.

Meta peut espérer plusieurs bénéfices de cette diffusion : améliorer Llama grâce aux retours de la communauté, imposer ses outils dans l’écosystème, attirer des développeurs et réduire la dépendance du marché à des solutions rivales. Le succès de DeepSeek offre un argument supplémentaire à cette vision, sans pour autant faire disparaître la valeur commerciale des services fermés.

Ce qu’il faut surveiller après DeepSeek R1

À la date du 25 janvier 2025, DeepSeek R1 ne permet pas de déclarer la fin des modèles propriétaires. Les offres fermées conservent une avance dans certains usages, un contrôle accru de leur distribution et des moyens considérables. De leur côté, les modèles accessibles ne sont pas tous également ouverts, simples à installer ou adaptés à tous les publics.

Mais R1 modifie le rapport de force symbolique. Il montre qu’une publication de poids et de méthodes peut accompagner des performances de premier plan sur des tâches de raisonnement. Il rappelle aussi que les progrès de l’IA naissent rarement dans l’isolement : ils reposent sur des années de recherche partagée, puis sur la capacité de chaque équipe à assembler, optimiser et appliquer ces connaissances.

Les prochains mois diront si les évaluations indépendantes confirment durablement les performances de DeepSeek dans des conditions variées, si les développeurs adoptent réellement ses versions distillées et si les acteurs occidentaux ajustent leur degré d’ouverture. Plus que l’opposition simpliste entre modèles chinois et américains, ou ouverts et fermés, c’est la capacité à combiner performance, coût maîtrisé, transparence et sécurité qui décidera de la suite de la compétition.