Lorsque les agents d'IA commencent à s'approcher voire à remplacer le travail intellectuel humain, comment le prix de la puissance de calcul doit-il être réévalué ?
Dans son dernier article de blog, le célèbre podcasteur technologique Dwarkesh Patel lance une prédiction audacieuse : si les revenus des laboratoires d'IA continuent de croître à un rythme élevé (comme Anthropic atteignant 1 000 milliards de dollars d'ici la fin de l'année prochaine), tandis que l'offre de puissance de calcul ne progresse qu'environ 3 fois par an, le prix du calcul pourrait augmenter de plus de 10 fois.
Le prix de la main-d'œuvre au silicium, H100 + IA = un ingénieur logiciel de la Silicon Valley à 250 000 $
Pendant des décennies, la puissance de calcul était perçue comme un « outil ». Des ordinateurs plus rapides, plus de serveurs, un cloud computing moins cher.
Mais l'ère de l'IA est en train de vivre un changement de paradigme : les GPU ne sont plus seulement des pièces de machines, ils pourraient devenir les porteurs d'une main-d'œuvre numérique.
Si une puce H100 peut héberger un agent d'IA au niveau d'un programmeur de haut niveau, sa valeur ne devrait plus être calculée sur la base du « prix par heure de serveur », mais sur la base de la valeur du travail humain qu'elle remplace.
Imaginez un « ingénieur logiciel numérique » qui ne dort jamais, répond instantanément et possède un niveau technique équivalent à celui des meilleurs humains. Combien seriez-vous prêt à payer en salaire annuel ?
Dans la Silicon Valley, le salaire annuel moyen d'un ingénieur logiciel dépasse 250 000 $. Pourtant, pour héberger un agent intelligent (Agent) d'un niveau d'intelligence équivalent, il suffirait peut-être de la puissance de calcul équivalente à une seule carte graphique NVIDIA H100.
Faisons maintenant un calcul :
Si cette H100 pouvait parfaitement remplacer un ingénieur logiciel humain à 250 000 $ par an, alors d'un point de vue purement commercial et économique, le loyer annuel théorique de cette H100 devrait être fixé à plus de 250 000 $.
Mais à l'heure actuelle, le prix de location au comptant d'une H100 sur le marché, annualisé, n'est que d'environ 16 000 $. Une différence de 15 fois.
C'est le plus grand « trou noir d'arbitrage de main-d'œuvre » auquel l'humanité sera confrontée.
Lorsque la vitesse de reproduction de l'intelligence dans le monde virtuel dépasse de loin les limites de fabrication du monde physique, une contradiction éclate :
La vitesse de croissance de la valeur de l'intelligence numérique dépasse de loin la vitesse d'expansion des infrastructures de calcul physique.
Cet écart de valorisation de 15 fois va provoquer une réaction violente : Dans les années à venir, le prix réel de la puissance de calcul pourrait subir une super-inflation de 10 fois, voire plus.
Naturellement, une question se pose : le salaire annuel des ingénieurs logiciels va-t-il chuter drastiquement ?
Dwarkesh Patel a également envisagé cette question :
Mais si nous croyons la théorie économique standard sur la main-d'œuvre, alors la valeur marginale de la puissance de calcul (et donc son prix marginal) devrait devenir extrêmement élevée.
L'IA gagne de l'argent plus vite qu'elle ne peut être fabriquée
Ces dernières années, l'industrie de l'IA suivait une logique simple : des modèles plus grands, plus de données, plus de GPU, des capacités accrues.
Mais aujourd'hui, une nouvelle contradiction émerge : la vitesse de croissance de l'IA dépasse la vitesse de croissance de l'offre de puissance de calcul.
Prenez Anthropic par exemple. Au cours de la dernière année, ses revenus commerciaux ont augmenté d'environ 10 fois.
Avec ce taux de croissance, d'ici la fin de l'année, ses revenus annualisés pourraient atteindre 100 à 150 milliards de dollars. Si cette tendance se poursuit, l'année suivante, elle devra faire face à une question folle : Comment soutenir des « perspectives » de l'ordre du billion (mille milliards) de dollars ?
Une seule réponse : plus d'intelligence. Et plus d'intelligence signifie : plus d'entraînement, plus d'inférence, plus de GPU.
Cependant, le problème est que l'offre de puissance de calcul ne croît pas au même rythme.
Actuellement, l'expansion de la puissance de calcul physique des laboratoires leaders de l'industrie ne peut maintenir qu'une croissance d'environ 3 fois par an.
Il en résulte un immense décalage :
Le monde numérique veut parcourir 10 kilomètres, mais le monde physique ne peut fournir qu'une route de 3 kilomètres. Que faire pour la distance restante ?
Seules trois options : Premièrement, augmenter la marge bénéficiaire. Deuxièmement, augmenter le prix de la puissance de calcul. Troisièmement, investir plus de puissance de calcul dans l'activité d'inférence.
La troisième voie est en réalité celle que de nombreux laboratoires d'IA sont les moins enclins à suivre.
Parce que gagner de l'argent via l'inférence, c'est essentiellement juste prouver : « Le modèle économique de l'IA est viable. »
Puis continuer à lever des fonds, acheter plus de GPU, et entraîner la prochaine génération de modèles.
Le véritable cycle de la Silicon Valley est :
Gagner de l'argent n'est pas une fin en soi, c'est juste un moyen d'acheter plus de capacité de calcul.
Parce que tous les laboratoires croient réellement ceci : le modèle le plus avancé d'aujourd'hui pourrait, dans un an, sembler aussi puissant mais obsolète que le téléphone d'hier.
Cela ramène la solution aux deux premières options : une flambée des marges bénéficiaires, ou une hausse du prix unitaire de la puissance de calcul.
Si cette différence devait être absorbée entièrement par la marge bénéficiaire, d'ici la fin de l'année prochaine, la marge des laboratoires de pointe devrait atteindre un niveau moyen-élevé d'environ 95 %.
Dans l'histoire du commerce, à part quelques rares moments de monopole technologique absolu, c'est presque un fantasme.
Ainsi, tous les indices et toute la logique convergent finalement vers la même issue : le prix unitaire de la puissance de calcul est sur le point de connaître une hausse sans précédent.
Les GPU sont en train de passer de serveurs à des usines de la nouvelle ère
Beaucoup ne l'ont pas encore réalisé : la compétition en matière d'IA entre dans l'ère des infrastructures.
Les guerres d'Internet d'autrefois se disputaient : les utilisateurs, le trafic, les points d'entrée. L'ère de l'IA se dispute : l'électricité, les puces, les centres de données, les super-clusters de calcul.
Pourquoi ? Parce que les meilleurs laboratoires d'IA ne peuvent pas dépendre de serveurs cloud ordinaires.
Ils ont besoin de : Clusters de GPU dédiés ; Une structure réseau stable ; Un taux d'utilisation extrêmement élevé ; La sécurité des données et des modèles.
Ce n'est plus la location de serveurs ordinaires, c'est la location de lignes de production d'intelligence future.
Un cas typique : Google et Anthropic louant des ressources GPU massives à SpaceX.
Selon des rapports, le cluster d'environ 110 000 GPU de Google coûte 900 millions de dollars de loyer par mois.
Cela revient à un prix de location par heure par GPU presque le double du prix unitaire de location au comptant actuel sur le marché. Et n'oublions pas que le prix actuel au comptant est déjà 40 % plus élevé que son point bas de début d'année.
Pourquoi ?
Parce que la puissance de calcul de pointe ressemble de plus en plus à une ressource stratégique comme l'énergie ou le réseau électrique.
Imaginez la révolution industrielle, une usine possède une machine à vapeur, l'autre non.
L'écart entre elles n'est pas de 10 %, c'est une différence de génération dans le mode de production.
Les GPU de l'ère de l'IA sont en train de devenir cette nouvelle « machine à vapeur ».
Pourquoi le prix de la puissance de calcul pourrait-il devenir aussi incontrôlable ?
La réponse se trouve dans la formule physique de l'offre – une formule verrouillée par les limites physiques de TSMC et des fabricants de machines de lithographie.
Le mythe, souvent évoqué dans l'industrie, d'une « croissance de la puissance de calcul de 3 fois par an », une fois décomposé, n'est qu'une combinaison tendue de trois multiplicateurs poussés à leurs limites :
Taux de croissance annuel de la puissance de calcul (3x) ≈ 1,4x (itération de la loi de Moore) × 1,2x (construction de nouvelles fonderies) × 1,8x (accaparement des capacités de procédés avancés).
Et chacun de ces trois multiplicateurs atteint son plafond.
Loi de Moore : chaque réduction est plus difficile que la précédente, les fuites et les limites atomiques rendent l'itération périlleuse.
Le cycle de construction des nouvelles fonderies est long, la vitesse de livraison des machines de lithographie EUV à haute NA bloque toute la chaîne, insoluble au moins jusqu'en 2030.
Ces deux dernières années, le seul moteur de croissance de la puissance de calcul a été l'accaparement des capacités – les puces d'IA ont arraché les procédés avancés de TSMC aux téléphones et aux PC.
Mais ce dernier multiplicateur va bientôt revenir à zéro. D'ici fin 2027, les puces d'IA consommeront 86 % de la capacité N3 de TSMC, passant de 60 % à 86 % – ce n'est pas une croissance, c'est une saturation absolue au sens physique, sans plus de marge.
Sur trois multiplicateurs, deux sont au sommet, le dernier est sur le point de s'écraser contre un mur. L'histoire de l'offre de puissance de calcul est déjà terminée.
Et plus la puissance de calcul est chère, moins on ose utiliser de modèles bon marché.
L'intuition dit : si la puissance de calcul est chère, il faut utiliser des modèles légers, des versions open source réduites, être économe.
Mais l'économie de l'IA fonctionne exactement à l'inverse.
La logique centrale est l'effet Alchian-Allen : lorsque tous les biens supportent un coût fixe supplémentaire, le plus cher finit par sembler plus rentable.
Dans l'IA, ce « coût supplémentaire » est l'amortissement de la puissance de calcul – il faut le payer quel que soit le modèle utilisé.
Faisons le calcul : une H100 coûte 20 $ de l'heure.
- Le modèle le plus puissant : 1 heure pour terminer, 25 $ (20 de puissance + 5 de prime).
- Un modèle médiocre : frais de licence 0, mais l'intelligence est insuffisante, les essais et erreurs traînent pendant 2 heures, 40 $.
Conclusion : utiliser un modèle médiocre coûte finalement plus cher. Il brûlera de la puissance de calcul et une ressource encore plus précieuse – le temps – dans des tentatives infructueuses.
Ainsi, plus la puissance de calcul est chère, plus les modèles les plus puissants ont de latitude pour facturer des primes exorbitantes. Puisqu'il faut payer la puissance de calcul de toute façon, dépenser un peu plus pour utiliser le plus intelligent, c'est faire de vraies économies.
Les modèles médiocres n'ont aucun avenir.
En fin de compte, les capitaux de toute la société seront aspirés comme par un trou noir vers une poignée d'oligopoles au niveau du billion (mille milliards) de dollars capables de produire les modèles absolument les plus puissants.
La puissance de calcul est aussi une ressource, va-t-elle forcément monter ?
Bien sûr, certains ne sont pas d'accord.
Dans les commentaires, Eric Xu présente une objection intéressante : la logique d'un loyer annuel de 250 000 $ ne tient que dans le domaine purement numérique. Dès qu'on touche au monde physique, comme les délais d'approbation des essais cliniques ou les processus décisionnels des achats publics, le plafond de monétisation de l'IA pourrait n'atteindre aucunement 250 000 $, mais se rapprocher plutôt de 50 000 $.
Trevor, un ingénieur logiciel senior, souligne : les contenus de faible qualité n'ont nul besoin d'un modèle de pointe, ils se tourneront vers des alternatives moins chères, plutôt que de disparaître purement et simplement. En d'autres termes, ce qui pourrait être nettoyé, c'est le prix, pas le contenu lui-même.
L'histoire ne donne pas non plus raison à Dwarkesh. En 1980, le biologiste de Stanford Paul Ehrlich et l'économiste Julian Simon ont parié sur le fait que le prix de cinq métaux augmenterait en dix ans.
Dix ans plus tard, les cinq avaient tous baissé, Ehrlich a perdu et a payé. « Les ressources vont forcément augmenter », ceux qui ont parié ainsi dans l'histoire ont le plus souvent perdu.
La réponse de Dwarkesh est : l'élasticité de l'offre de puissance de calcul est bien inférieure à celle des matières premières. Une mine de cuivre peut augmenter sa production stimulée par un prix élevé, une machine de lithographie EUV ne le peut pas – TSMC lui-même n'a pas de capacité excédentaire à libérer. Dans les années où l'offre ne progresse que de 3 fois par an, il n'y a pas de substitut.
Il est intéressant de noter que Dwarkesh lui-même admet : cette prédiction, ses semblables dans l'histoire se sont presque toutes révélées fausses.
Peut-être que la puissance de calcul deviendra un jour aussi bon marché que le sable, mais avant que ce jour n'arrive, nous devrons traverser une course aux armements et une inflation de la puissance de calcul des plus impitoyables.
Références :
https://www.dwarkesh.com/p/why-compute-might-get-10x-more-expensive
https://x.com/dwarkesh_sp/status/2082482530209411419
Cet article provient du compte public WeChat « New Zhiyuan », auteur : ASI Apocalypse ; éditeur : David
