Présentation

Le rapport AI 2027 décrit un scénario où, à la fin 2025, la société fictive OpenBrain lance les plus grands datacenters jamais construits. L’objectif affiché est d’entraîner un modèle d’intelligence artificielle nommé Agent‑0 avec une capacité de calcul estimée à 4 × 10^27 FLOP, soit environ mille fois la puissance de calcul utilisée pour GPT‑4. Le texte précise que ce chiffre représente le total de FLOP consommés pendant la phase d’entraînement, ce qui place OpenBrain bien au‑delà des exigences actuelles du secteur.

Architecture et exigences de calcul

OpenBrain prévoit trois paliers de capacité : 3 × 10^23 FLOP, 2 × 10^25 FLOP et enfin 4 × 10^27 FLOP. Chaque palier correspond à une génération de matériel et de réseaux interconnectés, conçus pour réduire la latence entre les nœuds de calcul. Le passage du deuxième au troisième palier implique une multiplication par 200 du nombre de GPU ou d’accélérateurs spécialisés, ainsi qu’une augmentation proportionnelle de la consommation énergétique. Le rapport ne détaille pas les architectures exactes (GPU, TPU ou ASIC), mais il indique que la densité énergétique doit rester compatible avec les contraintes thermiques des datacenters de nouvelle génération.

Scénario d’adoption et limites économiques

Le texte décrit deux phases d’utilisation des agents IA. À mi‑2025, les « stumbling agents » offrent des fonctions de type assistant personnel (commande de repas, gestion de feuilles de calcul). Leur fiabilité reste faible, et les incidents de mauvaise exécution sont fréquents sur les réseaux sociaux. Le coût d’accès aux meilleurs agents est de plusieurs centaines de dollars par mois, ce qui restreint leur adoption aux entreprises disposant de budgets importants. En fin 2025, OpenBrain lance Agent‑0, un modèle capable de contribuer à la recherche IA elle‑même. Le rapport indique que plus de 100 experts, dont des spécialistes en gouvernance et en technique IA, ont participé à plus de 25 exercices de simulation pour valider ce scénario. Malgré ces efforts, la transparence sur les métriques de performance (précision, taux d’erreur) reste limitée.

Implications pour la compétition IA

OpenBrain se positionne dans une course avec un concurrent chinois fictif nommé DeepCent et d’autres acteurs américains. La capacité à automatiser le cycle R&D est présentée comme le facteur décisif : chaque itération de modèle réduit le temps de recherche de plusieurs mois. Le rapport souligne que les modèles sont continuellement mis à jour, rendant la notion de « fin d’entraînement » floue. Cette dynamique crée un risque de sur‑investissement dans le calcul, car les marges de gain marginales diminuent à mesure que les FLOP augmentent. En outre, la concentration de puissance de calcul entre quelques acteurs pourrait accentuer les déséquilibres géopolitiques et les vulnérabilités de sécurité, notamment si les modèles sont exploités pour générer des contenus autonomes à grande échelle.