Après GPT-6, l'histoire de la puissance de calcul qui monte en flèche a-t-elle de nouveau un sens ?

Après la sortie de GPT-6 Astra le 3 septembre, les valeurs des semi-conducteurs et des mémoires ont rebondi en premier. Le 4 septembre, le SOXX a progressé de 3,5 % en une seule journée, Micron a augmenté de 6,1 % et SanDisk a bondi de 11,9 % ; le 7 septembre, le KOSPI sud-coréen a grimpé de 4,61 %, Samsung Electronics a progressé de 5,7 % et SK hynix d'environ 8 %.
Auparavant, les inquiétudes concernant une surchauffe des dépenses d'investissement dans l'IA et un pic de la demande de puissance de calcul avaient fait fluctuer les secteurs concernés pendant un certain temps. MarketWatch a même décrit cette hausse comme Astra « ravivant le marché des puces mémoire ».

Tae Kim, auteur de « The Nvidia Way » et ancien journaliste technologique pour Barron's, a fourni une explication plus radicale : l'IA pourrait entrer dans le quatrième cycle de croissance exponentielle de la demande de puissance de calcul au cours des quatre dernières années.

Les trois premiers cycles provenaient du Chatbot, du Raisonnement et de l'Agent de codage, tandis que le quatrième cycle pourrait être l'Utilisation de l'ordinateur, qu'Astra a mis en avant cette fois-ci. La logique de Kim est que le Chatbot a permis à des centaines de millions de personnes de commencer à consommer de la puissance de raisonnement, le Raisonnement a exigé plus de calcul pour chaque réponse, et l'Agent de codage a transformé le modèle d'une « réponse unique » en un travail continu pendant des dizaines de minutes, voire des heures. Désormais, l'Utilisation de l'ordinateur étend les agents fonctionnant en continu des programmeurs aux travailleurs du savoir ordinaires utilisant Excel, Blender, CAD, Power BI et les navigateurs.

Kim se concentre depuis longtemps sur les investissements dans Nvidia et les semi-conducteurs, et sa newsletter Key Context est centrée sur les jugements d'investissement technologique, avec des articles récents plutôt positifs envers l'infrastructure de l'IA.

Ainsi, « le quatrième cycle de croissance exponentielle » est avant tout une hypothèse d'investissement proposée par les haussiers de la puissance de calcul de l'IA, et non une règle industrielle déjà validée. Cependant, son timing est assez subtil.

Avant la sortie d'Astra, le paradigme des agents venait de subir une vague de scepticisme sur le « plafonnement des capacités » : les tâches courtes devenaient de plus en plus performantes, mais dès qu'on entrait dans des environnements logiciels réels, à long terme et à plusieurs étapes, la fiabilité diminuait sensiblement, ce qui a également conduit aux doutes susmentionnés sur le pic de la demande de puissance de calcul. Si le plafond des capacités des agents ne peut être brisé, l'histoire de la croissance continue de la puissance de calcul devient intenable.

Astra peut-il vraiment briser ce plafond ?

Chaque journée de travail humain correspond à 3,1 journées de travail d'Agent

Les trois premiers cycles de « croissance exponentielle » de la puissance de calcul de l'IA font référence à l'augmentation significative de la quantité de calcul qu'un utilisateur peut consommer à chaque changement de paradigme d'utilisation au cours des dernières années.

ChatGPT a introduit le raisonnement sur le marché grand public pour la première fois ; les modèles de Raisonnement ont commencé à accepter d'effectuer des calculs internes plus longs pour une seule question ; à l'époque de l'Agent de codage, une simple instruction pouvait déclencher une boucle continue de lecture de code, de modification, de test, de vérification des erreurs et de re-modification.

En même temps, les agents ont commencé à briser la limitation physique selon laquelle « une personne ne peut travailler que 8 heures par jour ».

Le 6 septembre, OpenAI a justement divulgué un ensemble de données internes. À la mi-août de cette année, parmi les chercheurs de l'entreprise, ceux au 50e percentile utilisaient des Agents de codage pour consommer des quantités de raisonnement équivalant à plus de 600 $ par jour sur la base des prix de l'API publique ; les chercheurs au 90e percentile dépassaient 7 000 $ par jour. Selon la compilation des données d'OpenAI par Business Insider, la valeur médiane en juillet n'était que d'environ 162 $, soit une augmentation de près de 3,7 fois en un peu plus d'un mois. Figure : À la mi-août, chaque journée de travail humain dans le département de recherche d'OpenAI correspond à 3,1 journées de travail d'Agent ; la quantité médiane de raisonnement utilisée par les chercheurs par jour dépasse 600 $ sur la base des prix de l'API.

Cela convertit l'utilisation interne en prix d'API, ce qui se rapproche davantage de « l'intensité de raisonnement d'un utilisateur unique ».

Avant juin, le temps de fonctionnement total de tous les agents du département de recherche d'OpenAI n'avait pas dépassé les heures de travail des chercheurs eux-mêmes ; à la mi-août, chaque journée de travail humain correspond à 3,1 journées de travail d'Agent. De plus en plus de chercheurs exécutent également plusieurs agents simultanément.

Cela signifie qu'après le paradigme des agents, plusieurs « processus numériques » capables de travailler en parallèle commencent à émerger derrière un seul utilisateur, n'étant plus contraints par la limitation physique de la « vitesse de saisie humaine ». Désormais, une personne peut faire travailler trois ou quatre agents en continu, voire permettre aux agents de créer des sous-agents.

L'unité de mesure de la demande de puissance de calcul pourrait donc devenir : combien d'agents fonctionnent simultanément derrière un utilisateur, et combien d'heures ces agents travaillent chaque jour.

L'Utilisation de l'ordinateur élargit l'espace de travail

Bien que l'Agent de codage croisse rapidement, il a encore une frontière claire ; la plupart de ceux qui exécutent plusieurs tâches d'agents sont encore des programmeurs, qui ne représentent qu'une petite partie de la population mondiale des travailleurs du savoir.

L'Utilisation de l'ordinateur élargit encore davantage l'espace. Après la sortie d'Astra, Kim a effectué lui-même un test. Il ne savait pas utiliser Blender auparavant, alors il a demandé à Astra de faire des recherches sur la navette spatiale, d'ouvrir Blender et de réaliser une modélisation 3D sur un Mac. Environ 10 minutes plus tard, un modèle rotatif a été créé.

Le dialogue ordinaire suit à peu près « entrée---raisonnement---sortie » ; l'Agent de codage devient « lire le code---raisonner---modifier---tester---re-raisonner » ; l'Utilisation de l'ordinateur évolue encore vers « regarder l'écran---comprendre l'interface---décider des actions---exécuter---attendre les résultats---réobserver---valider---corriger les erreurs ».

Une tâche qui prend dix minutes à un humain peut impliquer des dizaines de cycles de compréhension visuelle, de raisonnement et d'invocation d'outils derrière l'IA.

Une fois que cette capacité entre dans Excel, Salesforce, SAP, Power BI, Photoshop, CAD et divers systèmes internes d'entreprise, la base d'utilisateurs potentiels s'étend à presque tous les travailleurs du savoir assis devant un ordinateur.

C'est le cœur de ce que Kim appelle le « quatrième cycle de demande » :

L'Agent de codage veut consommer le temps d'ordinateur des programmeurs, tandis que l'Utilisation de l'ordinateur vise à consommer le temps d'ordinateur de tous les cols blancs.

Mais jusqu'à présent, cela reste une simple possibilité.

OpenAI n'a pas divulgué le volume des tâches d'Utilisation de l'ordinateur après la sortie d'Astra, ni publié de courbes quotidiennes pour l'utilisation de jetons par utilisateur, l'utilisation du GPU ou le débit de raisonnement. Par conséquent, on ne peut pas prouver de manière définitive qu'« Astra a entraîné le quatrième cycle de croissance de la puissance de calcul ».

La puissance de calcul a-t-elle vraiment commencé à se resserrer ?

Après la sortie d'Astra, Tencent Technology a remarqué que certaines communautés de développeurs ont signalé un retour difficile à quantifier mais digne d'intérêt : l'expérience utilisateur semblait commencer à différer selon les régions et les comptes.

Certains développeurs de la région Asie-Pacifique ont signalé que récemment, les réponses de ChatGPT et de Codex ont ralenti, et que la stabilité des tâches complexes n'est pas aussi bonne que celle des comptes américains. La communauté a pris l'habitude d'appeler cette expérience « abêtissement ».

Au moins une partie de cela n'est pas entièrement subjective.

Le 4 septembre, la page de statut officielle d'OpenAI a signalé une dégradation des performances des services dans la région Asie-Pacifique, affectant plusieurs produits, notamment ChatGPT, Work et Codex Cloud. Quatre jours plus tard, OpenAI a annoncé un accord pluriannuel avec l'opérateur de centres de données soutenu par Nvidia, Firmus, pour obtenir une puissance de calcul dédiée de deux centres de données en Malaisie.

De même, il n'existe actuellement aucune preuve qu'OpenAI ait réduit les budgets de raisonnement des modèles pour les utilisateurs d'Asie-Pacifique ou soit passé à des modèles plus faibles en raison de la charge accrue d'Astra.

Le soi-disant « abêtissement » dans la région Asie-Pacifique peut au moins mélanger trois facteurs différents : les problèmes d'infrastructure et de routage régionaux, le contrôle des risques au niveau des comptes et les limites de débit, et l'ordonnancement dynamique des ressources pendant les périodes de pointe. Ceux-ci peuvent se manifester du côté de l'utilisateur par des performances plus lentes, des taux d'échec plus élevés, des interruptions d'invocation d'outils, voire de moins bonnes réponses finales pour les tâches complexes.

Cependant, ce retour fournit encore un autre moyen d'observer la pression sur la puissance de calcul de l'IA.

À mesure que les modèles deviennent de plus en plus capables de consommer du calcul en continu, la tension de l'offre peut d'abord se manifester par des fluctuations de latence, de taux d'échec et de qualité de service entre les différentes régions et les différents comptes.

Le problème est que ce jugement manque actuellement d'un ensemble de données les plus critiques :

Existe-t-il des différences stables dans la latence du premier jeton, le temps de raisonnement total, les taux de réussite des outils et les taux d'achèvement final des tâches pour le même modèle, le même forfait et la même tâche dans différentes régions.

Tant que ces données ne sont pas obtenues, l'« abêtissement » ne peut être qu'un indice, et non une preuve de tension de la puissance de calcul.

Figure : Le 8 septembre, un utilisateur a partagé une invite de GPT-6 Astra indiquant « capacité pleine », déclarant que ses quatre comptes étaient incapables de fonctionner normalement, et le système suggérait de passer à d'autres modèles. Tibo a plaisanté dans un retweet en disant « nous sommes de retour », considérant la « pleine charge du modèle » comme un signal de demande renouvelée d'IA.

Le marché des capitaux a recommencé à parier

Bien que la courbe réelle d'utilisation de la puissance de calcul après la sortie d'Astra n'ait pas été rendue publique, le marché des capitaux a déjà négocié sur l'histoire selon laquelle « la demande d'IA n'a pas encore atteint son pic ».

MarketWatch a rapporté qu'après la sortie d'Astra, l'ETF iShares Semiconductor a augmenté d'environ 3,5 %, les sociétés liées aux mémoires comme Samsung, SK hynix et Kioxia affichant des performances encore plus fortes. Les médias étrangers ont même directement décrit cette activité de marché comme Astra « ravivant le marché des puces mémoire ».

Il est notable que l'aspect le plus frappant de cette hausse n'est pas Nvidia, mais les mémoires.

Si l'Utilisation de l'ordinateur devient réellement une charge de travail soutenue pour l'exécution d'agents, l'augmentation nécessaire ne concernera pas seulement le calcul GPU. Des contextes plus longs, le cache KV, les agents concurrents, les machines virtuelles, les navigateurs et les environnements logiciels pourraient continuer à faire grimper la demande de HBM, de DRAM, de CPU, de réseau et de stockage.

Ainsi, les transactions récentes sur le marché des capitaux ne portent pas entièrement sur le fait que « GPT-6 soit plus puissant » ; la logique principale reste : un modèle plus intelligent conduira-t-il les utilisateurs à être prêts à acheter plus de calcul ?

C'est aussi là que cette vague d'histoires d'infrastructure d'IA diffère le plus des logiciels traditionnels.

Plus les logiciels traditionnels sont optimisés, moins un utilisateur individuel peut avoir besoin de ressources serveur.

À l'inverse, l'IA générative peut présenter le « paradoxe de Jevons » inverse : plus le modèle est efficace et plus le taux de réussite des tâches est élevé, plus les gens sont disposés à déléguer à l'IA des travaux plus nombreux, plus longs et plus complexes, ce qui conduit finalement à une augmentation de la consommation totale de puissance de calcul.

Cependant, il convient d'être prudent, car le marché des capitaux a aussi ses propres « intérêts ».

L'infrastructure de l'IA a déjà connu une vague de croissance et d'ajustement significatifs avant cela, et les valeurs des semi-conducteurs ont également subi un repli notable cette année en raison de la surchauffe des dépenses d'investissement et de la baisse des flux de trésorerie disponibles des fournisseurs de cloud. Par conséquent, les quelques jours de rebond apportés par Astra ne peuvent qu'indiquer que les investisseurs recommencent à parier, mais cela ne suffit pas à prouver que le quatrième cycle de demande de puissance de calcul a réellement émergé.

Un calcul économique

Le jugement de Kim dépend en fin de compte de trois questions plus pratiques.

La première est toujours la fiabilité.

Les opérations commerciales réelles ne sont pas une démonstration unique. Qu'un Agent puisse faire fonctionner un ERP, des modèles financiers ou des logiciels d'ingénierie en continu pendant plusieurs heures tout en maintenant l'exactitude lorsque des fenêtres contextuelles, des changements de permissions et des mises à jour de données surviennent est une question totalement différente.

La deuxième est le coût.

À l'avenir, combien coûtera réellement l'accomplissement du travail équivalent à une heure d'utilisation humaine de l'ordinateur avant l'Utilisation de l'ordinateur ?

Si l'IA peut accomplir une tâche de 50 $ pour un employé à 10 $, la demande peut facilement exploser ; si cela coûte 100 $, le potentiel du marché est totalement différent.

Le chiffre de 600 $/jour d'OpenAI indique que si les Agents peuvent créer une demande énorme, cela suggère également que ce mode de travail peut encore être très coûteux aujourd'hui.

La troisième question : l'Utilisation de l'ordinateur finira-t-elle par éliminer une partie de sa propre demande ?

Actuellement, les modèles doivent regarder les écrans et trouver des boutons parce que les logiciels existants sont conçus pour les humains. Une fois que Salesforce, Microsoft, Adobe ou les systèmes internes d'entreprise commenceront à ouvrir directement des API, des MCP et des interfaces d'Agent, de nombreuses tâches n'auront plus besoin de simuler des actions de souris et de clavier.

Le résultat le plus probable est une fusion de l'Utilisation de l'ordinateur et de l'Utilisation d'outils : là où il existe des interfaces structurées, elles seront appelées directement ; pour les anciens systèmes sans interface ou difficiles à modifier, les opérations visuelles continueront.

Ainsi, le marché réellement ouvert par l'Utilisation de l'ordinateur n'est peut-être pas de « faire cliquer l'IA sur les ordinateurs comme les humains pour toujours », mais plutôt, par cette approche « mon maître humain m'a autorisé à cliquer sur votre logiciel, donc vous ne pouvez pas me contrôler », de permettre aux Agents de percer l'écosystème d'applications existant. Les Agents peuvent enfin entrer dans les derniers grands environnements de travail que l'automatisation ne pouvait pas couvrir auparavant.

C'est aussi la partie que Kim appelle le « quatrième cycle de croissance exponentielle » qui mérite vraiment d'être vérifiée : « L'Utilisation de l'ordinateur est-elle un tremplin, ou est-ce vraiment un autre changement de paradigme ? »

Après GPT-6, l'histoire de la puissance de calcul devenue de plus en plus difficile à articuler en raison des blocages des Agents est-elle à nouveau cohérente ?

Le marché des capitaux a recommencé à parier.

Après l'explosion de l'IA générative, le marché continue de donner tort aux baissiers de la « croissance de la puissance de calcul ». Cette fois-ci sera-t-elle différente ?