Les plus grandes entreprises technologiques augmenteront leurs dépenses en intelligence artificielle à plus de 500 milliards de dollars au début de la décennie suivante, alimentée en partie par la méthodologie de l'IA de Deepseek et Openai.
Microsoft Corp., Amazon.com Inc., et Meta Platforms Inc., collectivement connues sous le nom d' hyperscalers , devraient dépenser 371 milliards de dollars pour les centres de données d'IA et les ressources informatiques en 2025, soit une augmentation de 44% par rapport à l'année précédente. D'ici 2032, ce chiffre devrait atteindre 525 milliards de dollars.
Historiquement, une grande partie de l'investissement dans l'IA était allée dans des centres de données et des puces pour former ou créer de nouveaux modèles d'IA considérablement complexes. Maintenant, les entreprises veulent adopter une approche différente. Suite à cela, les entreprises technologiques devraient faire passer davantage de dépenses vers l'inférence ou le processus de gestion de ces systèmes après leur formation.
Comment Deepseek et Openai façonnent les tendances de dépenses de l'IA
Deepseek, Openai et plusieurs autres sociétés de la Chine ont introduit de nouveaux modèles de raisonnement, intensifiant la concurrence entre les entreprises qui n'ont pas encore adopté une approche similaire.
Ces systèmes imitent la résolution de problèmes humains en prenant plus de temps pour traiter et calculer les réponses aux requêtes utilisateur.
La montée en puissance de Deepseek, qui a affirmé qu'elle pourrait créer un modèle compétitif à un coût moins cher par rapport à certains de ses meilleurs concurrents américains, a soulevé des préoccupations concernant les investissements intenses dans le développement de l'IA dans le secteur technologique américain. En conséquence, certaines entreprises technologiques de premier plan préfèrent les systèmes d'IA plus efficaces qui peuvent fonctionner sur moins de puces.
Cependant, les modèles de raisonnement présentent également de nouvelles chances de profiter des logiciels et éventuellement de modifier davantage de coûts de développement après le déploiement du modèle. Cela encouragera probablement plus d'investissement dans cette stratégie et augmentera les dépenses en IA en général.
Analyste chez Bloomberg Intelligence, Mandeep Singh, a écrit: «La croissance des dépenses en capital pour la formation de l'IA pourrait être beaucoup plus lente que nos attentes antérieures.»
Cependant, il a noté que l'accent mis sur Deepseek encouragera probablement les entreprises technologiques à «augmenter les investissements» dans l'inférence, ce qui en fait le segment de marché avec le taux de croissance le plus rapide de l'IA générative.
Selon les rapports, plus de 40% des budgets d'IA d'hyperscaleurs cette année devraient se rendre à la formation; Cependant, en 2032, ce pourcentage tombera à seulement 14%. En revanche, près de la moitié de toutes les dépenses annuelles de l'IA peuvent être allouées à des investissements axés sur les inférences.
D'un autre côté, Singh a écrit que Google d'Alphabet Inc. semble mieux positionné pour faire ce pivot rapidement, grâce à ses puces internes qui gèrent la formation et l'inférence. D'autres sociétés technologiques, comme Microsoft et Meta, peuvent ne pas avoir autant de flexibilité car elles se sont si appuyées sur les puces Nvidia Corp.
Comment les modèles de raisonnement remodèlent l'IA avec une pensée structurée et logique
Les modèles de raisonnement sont des modèles linguistiques spécialisés conçus pour résoudre des problèmes grâce à un raisonnement logique explicite qui est apparu comme un nouveau paradigme dans l'IA, surmonter les LLM conventionnelles dans les tâches difficiles en décomposant les problèmes, en «pensant» avant de répondre et en améliorant itérativement les solutions.
Historiquement, les LLM à usage général pourraient générer des réponses simples. Avec l'introduction de modèles de raisonnement, les réponses suivent un processus de réflexion plus structuré et le processus d'arrivée à cette réponse est indiqué. Cependant, alors que certains modèles affichent clairement leur phase de raisonnement logique, d'autres non.
La phase de raisonnement montre comment le modèle peut décomposer le problème énoncé en problèmes plus petits (décomposition), essayer différentes approches (idéation), choisir les meilleures approches (validation), rejeter les approches non valides (peut-être en arrièretracKing) et enfin choisir la meilleure réponse (exécution / résolution).
Cryptopolitan Academy: Vous voulez développer votre argent en 2025? Apprenez à le faire avec DeFi dans notre prochaine webclass. Enregistrez votre place
