Claude mène 26% de la recherche et jette le pavé dans la mare avec l’“AI slow-down” d’Anthropic, déclenchant un débat sur “AI développant AI” ! Le paradigme de formation RSI catalyse une expansion massive de la demande en puissance de calcul

Selon les informations de Zhitong Finance APP, le leader mondial des applications d’IA, Anthropic, a publié le 17 septembre des données selon lesquelles, jusqu’en août, Claude “prend en charge” 26 % des travaux de R&D en IA, tandis que la part des tâches atteignant ou dépassant le niveau de “collaboration” dépasse 90 %. Au moment où Anthropic et OpenAI concentrent pleinement leurs efforts sur le RSI (Recursive Self-Improvement), le tout nouveau paradigme de formation des grands modèles d’IA, la capacité de recherche des laboratoires d’IA de pointe s'améliore en même temps que leur expansion financière, poussant ainsi les investisseurs mondiaux du secteur de l’IA à élargir leur attention des modèles et produits d’IA purs vers les plateformes de R&D et la capacité fondamentale d’infrastructure de calcul sur le long terme.

Selon une série de récents reportages de médias s'appuyant sur des sources proches du dossier, les discussions autour d’un nouveau tour de table d’OpenAI, autre référence dans le secteur, impliquent désormais une valorisation de 1 200 milliards de dollars, l’entreprise visant quant à elle une valorisation d’environ 1 500 milliards de dollars ; lors de sa levée de fonds de mai, Anthropic avait été valorisée à 965 milliards de dollars post-investissement. Aujourd’hui, les discussions sur une éventuelle IPO évoquent une valorisation d’environ 2 000 milliards de dollars, avec un montant de levée maximum de 100 milliards de dollars, ce qui pourrait amener Anthropic à rivaliser, voire à dépasser, SpaceX en termes de taille d’émission, établissant ainsi un nouveau record historique — la valorisation de 2 000 milliards de dollars évoquée ici correspond à la valorisation prévue lors de l’introduction en Bourse, et non à la capitalisation effectivement atteinte.

La sortie récente du grand modèle Astra par OpenAI a encore élargi le spectre des tâches professionnelles que l’IA peut assumer. Le PDG de Nvidia, Jensen Huang, a même déclaré sur les réseaux sociaux que la venue de GPT-6 Astra signifiait “l’avènement de l’AGI”. Avec, en toile de fond, les solides résultats confirmés de Nvidia et des prévisions tout aussi robustes, tandis que la R&D des grands modèles d’IA entre dans la phase innovante du “Recursive Self-Improvement (RSI)” déclenchant une nouvelle vague de demande en puissance de calcul — en d’autres termes, Astra pourrait accroître les besoins en calcul côté applications business, tandis que le parcours de R&D RSI, où l’IA crée l’IA, pourrait augmenter les investissements dans les expériences, évaluations et entraînements continus sur le long terme, prolongeant ainsi le cycle d’investissement dans l’infrastructure de calcul. C’est pourquoi, jeudi dernier, les actions IA liées à la puissance de calcul à Wall Street ont toutes connu de fortes hausses, l’indice Philadelphia Semiconductor progressant de plus de 3 %.

Il est à noter qu’avant la divulgation par Anthropic d’une contribution de Claude à 26 % des investissements en R&D et de ses visées vers la plus grande IPO jamais réalisée par une entreprise, le PDG d’Anthropic a lancé le week-end dernier un appel tonitruant à un “ralentissement de l’IA”. Le marché a commencé cette semaine à intégrer et à évaluer les risques liés à la discussion sur le ralentissement du développement de l’IA — Anthropic, OpenAI et d’autres leaders mondiaux du secteur de l’IA ont, au cours du week-end, appelé de concert à ralentir le rythme de développement des grands modèles de pointe.

Le débat sur le “ralentissement de l’IA” influe sur l’évaluation par le marché du rythme de la R&D de pointe, des parcours de dépenses d’investissement et de la prime de risque, mais ne signifie pas pour autant l’arrêt de la croissance de la demande actuelle en IA. Le 12 septembre, Dario Amodei a appelé à ralentir le rythme d’amélioration des capacités des modèles, tandis qu’Altman s’est ensuite dit en accord sur la nécessité de contrôler le rythme du développement de pointe ; néanmoins, l’industrie ne s’est pas entendue entièrement sur les mécanismes de coordination, les modalités d’évaluation externe et d’encadrement réglementaire.

Claude domine à lui seul 26 % des activités de R&D ! Anthropic révèle l’investissement massif en R&D IA et sécurité

Un rapport publié jeudi par Anthropic PBC indique qu’un peu plus d’un quart de ses travaux de recherche en intelligence artificielle sont désormais portés par le chatbot IA phare Claude ou sa gamme de produits intelligents, apportant l’indication la plus claire à ce jour que la technologie IA peut effectivement accélérer le développement des modèles futurs.

Selon ce nouveau rapport officiel publié jeudi, Anthropic observe que Claude “domine” 26 % des travaux de R&D de l’entreprise, alors qu’en début d’année, ce taux était proche de zéro. Le développeur d’IA précise en outre que Claude collabore avec les employés dans environ 90 % des processus ou des tâches complexes.

Ces chiffres s’inscrivent dans un rapport plus large visant à permettre au public de suivre les avancées du développement de l’IA, à la suite de préoccupations croissantes quant à la capacité de l’IA à s’auto-améliorer rapidement et à dépasser le contrôle humain.

L’entreprise a également réaffirmé son engagement à faire intervenir des évaluateurs tiers issus de plusieurs organisations au sein de ses bureaux, en leur accordant un accès équivalent à celui de ses propres employés concernant les processus internes, les systèmes et les données, afin d’améliorer la sécurité de l’IA et de renforcer les systèmes de contrôle et de gestion des risques entourant les applications d’intelligence artificielle.

“Les capacités des systèmes d’IA augmentent de façon exponentielle et automatisent désormais de plus en plus leurs propres processus de construction. Alors même qu’on envisage à l’échelle mondiale de ralentir le développement des IA de pointe, le public a besoin de plus d’information”, écrit la société.

Anthropic fait partie des sociétés d’IA qui se concentrent sur le “Recursive Self-Improvement” (RSI). Ce concept désigne la capacité pour un système d’IA d’améliorer ses capacités sans ou quasiment sans intervention humaine. Certaines entreprises voient cela comme l’avenir du développement de l’IA, mais l’avènement de telles IA surpuissantes suscite aussi d’importants débats sur les menaces pour la sécurité.

Dans un article de blog, Anthropic indique avoir tenté de mettre en place un cadre pour suivre les agents intelligents et surveiller la quantité de travail qu’ils accomplissent sur leur plateforme. L’entreprise affirme qu’en août, plus de 30 000 agents intelligents menaient des activités de recherche et d’ingénierie en interne en continu.

Anthropic a également révélé la façon dont elle alloue ses ressources entre l’accélération du développement de l’IA et la garantie de la sécurité de l’IA. Selon ses mesures, en fonction du type de recherche menée, 6 à 12 % des ressources de calcul de la société sont consacrées à la surveillance de la sécurité.

Début septembre, dans un article de blog, le principal concurrent OpenAI a également partagé ses dernières avancées sur l’automatisation de la recherche, précisant qu’après avoir découvert que ses modèles avaient accédé illégalement au système externe de Hugging Face, il avait suspendu une partie de la formation de ses modèles.

La semaine dernière, le départ retentissant d’un salarié d’Anthropic, Jacob Cockson, a aggravé les inquiétudes sur les risques existentielles pour la société liés à l’IA. Dans sa lettre de démission partagée sur les réseaux sociaux, il a accusé les développeurs d’IA de “jouer avec nos vies”.

Ces derniers jours, plusieurs dirigeants d’IA, dont le PDG d’Anthropic Dario Amodei et celui d’OpenAI, Sam Altman, ont appelé à ralentir le rythme de développement de cette technologie pour faire face à des risques de plus en plus imprévisibles — même si leurs avis divergent sur la marche à suivre concrète.

Samedi, Amodei a publié un long texte de 3 800 mots appelant à une régulation gouvernementale et à un soutien généralisé du secteur technologique à des initiatives plus larges de ralentissement de l’IA. Cette position a suscité une réaction virulente de la part du président américain Donald Trump, qui a qualifié ces préoccupations de “supercherie technologique” et rejeté l’idée de nouvelles règles.

D’autres patrons du secteur ont également réagi. Sam Altman et le PDG de Nvidia, Jensen Huang, estiment que les sociétés d’IA ont la capacité de contrôler elles-mêmes le rythme du développement IA en toute sécurité ; tandis que le PDG de Meta Platforms Mark Zuckerberg affirme que les laboratoires d’IA devraient s’appuyer sur des évaluateurs indépendants et des consultants extérieurs en sécurité pour garantir la sûreté des modèles.

De la “recherche assistée par IA” à l’auto-amélioration récursive : un nouveau ressort pour la demande en puissance de calcul ?

La signification de l’investissement dans Astra et le Recursive Self-Improvement (RSI) réside dans le fait que les grands modèles IA de pointe haute performance, tout comme la R&D elle-même, deviennent de nouveaux scénarios de consommation continue de puissance de calcul. OpenAI a révélé le 6 septembre avoir atteint l’objectif d’“automatisation de stage de recherche”, permettant d’accomplir par supervision humaine des tâches qui auraient demandé plusieurs jours à des chercheurs expérimentés ; à la mi-août, un jour de travail humain correspondait à environ 3,1 jours de fonctionnement de ces agents intelligents. Cela mesure la durée d’exécution et non un triplement effectif de la productivité de recherche. Il en découle que l’automatisation de la recherche va également accroître le besoin en génération de code, en évaluation expérimentale et en formation de modèles candidats. Toutefois, le RSI complet n’est pas encore le paradigme dominant : les axes de recherche et l’allocation des ressources demeurent déterminés par l’humain.

Le modèle GPT-6 Astra lancé par OpenAI et la concentration des leaders sur le RSI offrent deux moteurs essentiels capables d’amplifier exponentiellement la demande en puissance de calcul IA : d’une part, des modèles d’IA toujours plus puissants, d’autre part, l’élargissement de l’utilisation des outils IA et les nouveaux besoins en puissance de calcul pour la prochaine génération d’entraînements IA. Ces éléments confortent la tendance haussière de la demande en infrastructure de calcul IA. Rappelons qu’OpenAI a récemment expliqué qu’Astra renforçait ses capacités dans la programmation, la navigation, l’utilisation d’ordinateurs et l’exécution de tâches complexes, augmentant le spectre de tâches effectives du modèle. Son responsable produit a déclaré que la demande pour Astra générait une forte pression sur l’infrastructure ; depuis le 10 septembre, la société a suspendu les nouveaux abonnements et mises à niveau pour la formule Pro 20X à 200 dollars/mois, ce qui n’affecte pas les renouvellements existants.

Au cœur du Recursive Self-Improvement (RSI), se trouve l’idée de faire participer l’IA au développement de modèles d’IA de plus en plus puissants, créant une boucle de rétroaction continue. Ce n’est pas un nouvel algorithme spécifique qui remplacerait le pré-entraînement ou l’apprentissage par renforcement, mais un paradigme qui englobe le design, le code, l’exécution d’expériences, l’évaluation des résultats et l’itération des modèles. Jusqu’ici, ce que montrent publiquement Anthropic et OpenAI relève principalement de l’automatisation supervisée de la R&D, non encore d’une amélioration récursive totalement autonome sans intervention humaine.

En août, Claude “dominait” déjà 26 % des travaux de R&D en IA, la part collaborative atteignant plus de 90 % ; sur les plateformes internes les plus utilisées, environ 30 000 agents intelligents mènent de front des recherches et des travaux d’ingénierie. L’impact sur l’industrie est important : l’IA devient, de simple outil d’appoint occasionnel pour les chercheurs, une véritable ressource participant activement et en continu au processus de R&D. L’activité de recherche elle-même devient alors une source cruciale et durable de demande en calcul inférentiel.

L’accent mis sur le RSI par Anthropic et OpenAI vise avant tout à améliorer l’efficacité du processus itératif de recherche, processus qui requiert davantage d’expériences parallèles et d’agents intelligents fonctionnant en continu. Du point de vue de l’ingénierie, les agents de recherche peuvent proposer et filtrer des solutions, modifier le code d’apprentissage, générer des configurations d’expériences, exécuter des tests et analyser les résultats, ce qui permet d’explorer plus de pistes simultanées ; leurs tâches de réflexion et de programmation nécessitent de la puissance inférentielle, tandis que les vérifications de solutions mobilisent ressources d’entraînement, d’évaluation et de traitement de données.

OpenAI indique qu’à la mi-août, chaque jour de travail humain dans son organisation de recherche équivalait à environ 3,1 jours d’agent intelligent. Pour les chercheurs du groupe médian le plus actif, la consommation quotidienne d’inférence, convertie au tarif API, dépassait 600 dollars par jour; il s’agit ici de métriques en temps de fonctionnement ou en équivalent prix de service API, et non d’un coefficient d’efficacité ou d’un coût interne effectif. L’entreprise signale aussi qu’avec la diminution des autres goulots d’étranglement, les ressources de calcul pourraient devenir une contrainte centrale. La recherche en sécurité représente aussi une charge indépendante : chez Anthropic, selon des mesures réalisées du 13 au 20 juillet, environ 6 % de la puissance de calcul dédiée à la R&D IA, et même 12 % de la puissance de calcul IA, étaient affectés à des travaux liés à la sécurité IA.

Les dernières avancées sur le RSI et le lancement du modèle Astra relancent les discussions sur l’AGI et montrent que lorsque les grands modèles d’IA commencent à assumer de nombreuses tâches de R&D, l’industrie ne se contente plus d’“injecter de la puissance de calcul pour entraîner les modèles”, mais doit désormais “mobiliser de la puissance de calcul pour faire fonctionner des agents de recherche, qui organisent ensuite davantage d’expérimentations”, étendant ainsi la chaîne de besoins en calcul ; l’automatisation de la R&D augmente l’échelle des expérimentations possibles, tout en imposant de nouvelles exigences de capacité, d’efficacité et de fiabilité en matière de calcul disponible.

Le RSI et Astra agissent comme des catalyseurs majeurs du thème d’investissement dans la puissance de calcul IA — il ne s’agit pas seulement de “model size” (paramètres) toujours plus grands, mais aussi d’un élargissement des missions réalisées par l’IA, avec des processus d’exécution de tâches professionnalisés et approfondis : l’inférence tournée vers l’utilisateur final et la recherche orientée développement de modèle élargissent ensemble la demande structurelle à long terme envers l’infrastructure de calcul IA. RSI et Astra fournissent un signal direct du côté de la demande commerciale, permettant d’anticiper désormais deux axes de croissance de la puissance de calcul : “automatisation de la R&D + inférence utilisateur”.

Selon un rapport de prévisions publié par l’institut TrendForce, la production de racks NVL72 devrait croître de plus de 50 % en 2027 par rapport à l’année précédente. L’ensemble des systèmes de racks NVL autour des GPU IA Nvidia (GB200/GB300 et prochaines générations conçues sur l’architecture Vera Rubin) représenteraient plus de 710 milliards de dollars en valeur, soit une hausse de 214 % avec prise en compte de l’augmentation des prix et des upgrades de produits. Sous l’effet de la demande exponentielle générée par Astra et les nouveaux grands modèles, Morgan Stanley prévoit que les dépenses combinées d’investissement dans les data centers des quatre principaux acteurs nord-américains du cloud computing et de l’IA passeront de 917 milliards de dollars en 2026 à 1 470 milliards en 2027, puis 1 640 milliards en 2028 ; la capacité installée devrait quant à elle passer de 35 GW en 2025 à 145 GW en 2028.

Côté architecture des systèmes d’inférence, les tâches complexes impliquent souvent de longs contextes, des appels de modèle multiples, l’exécution d’outils et la validation des résultats : le “Prefill” gère les entrées, le “Decode” génère continuellement des sorties, et le “KV Cache” (mémoire de clés et de valeurs) utilise de plus en plus de mémoire à mesure que le contexte et la concurrence s’élargissent, exigeant une amélioration coordonnée du débit de calcul, de la bande passante et de la capacité mémoire. Une analyse sectorielle ultérieure indique : GPU et TPU traitent le calcul de modèle, les CPU gèrent l’exécution des outils et la planification des tâches, la HBM, la DRAM serveur, le stockage, l’infrastructure réseau hautes performances et les dispositifs de data center photoniques assurent le transport et la gestion efficaces des données — au final, tout ceci nécessite d’énormes clusters de serveurs IA puissants et complets pour garantir la continuité de service.