Beaucoup de gens pensent que la bulle de l'IA n'existe que depuis aujourd'hui.

En réalité, l'histoire de l'IA a déjà connu une frénésie capitalistique très typique.
C'est la bulle des « systèmes experts » des années 1980.
Le contexte de cette vague d'IA était qu'après le premier hiver de l'IA, l'industrie avait enfin trouvé une voie qui semblait commercialisable.
Les premiers chercheurs en IA voulaient directement créer une intelligence générale, mais la traduction automatique, le raisonnement général, la robotique, etc., n'ont pas atteint les attentes, et les financements et la confiance ont rapidement refroidi.
Alors, dans les années 1980, l'industrie de l'IA a changé de cap :
Puisque l'intelligence générale est trop difficile, commençons par l'intelligence verticale.
L'expérience des médecins, ingénieurs, chimistes, experts financiers, experts en maintenance d'équipements a été décomposée en règles précises et écrite dans l'ordinateur.
Si A et B se produisent en même temps, alors le diagnostic est C.
Si une combinaison de symptômes apparaît, alors un certain diagnostic est recommandé.
Si une commande présente un conflit de configuration, le système le corrige automatiquement.
Voilà ce qu'est un système expert.
Ce n'est pas un grand modèle entraîné sur d'énormes données comme aujourd'hui, mais une base de connaissances compilée manuellement, associée à un moteur d'inférence.
À l'époque, ce n'était vraiment pas un simple concept.
Le système XCON/R1 de DEC est l'un des cas commerciaux les plus classiques. Il a aidé DEC à configurer automatiquement des commandes complexes de mini-ordinateurs, à réduire les erreurs de configuration et à améliorer l'efficacité de livraison, devenant plus tard un cas emblématique de la commercialisation réussie des systèmes experts.
Dès que ce cas a émergé, l'imagination du marché a été complètement enflammée.
Les entreprises ont commencé à croire :
Si un système expert peut remplacer une partie du jugement d'un ingénieur, ne pourrait-il pas aussi remplacer le diagnostic d'un médecin ?
S'il peut configurer des ordinateurs, ne pourrait-il pas aussi configurer des usines, gérer des chaînes d'approvisionnement, prendre des décisions financières, ou faire du raisonnement juridique ?
Ainsi, les capitaux ont afflué.
Les grandes entreprises ont créé des départements IA, IBM, DEC, GE, GM et d'autres ont investi dans les systèmes experts.
Les startups ont également commencé à émerger, spécialisées dans l'ingénierie de la connaissance, les logiciels de systèmes experts, les moteurs d'inférence et les solutions sectorielles.
Plus intéressant encore, la bulle de l'IA s'est rapidement étendue au matériel.
Parce qu'à l'époque, de nombreux logiciels d'IA utilisaient le langage Lisp, qui nécessitait des ressources informatiques et un environnement de développement élevés, une série d'entreprises de machines Lisp optimisées pour l'IA ont vu le jour.
Symbolics, Lisp Machines Inc., Texas Instruments et d'autres ont participé à cette vague de matériel spécialisé pour l'IA.
Cela ressemble beaucoup à un reflet historique d'aujourd'hui :
À l'époque, les systèmes experts ont stimulé les machines Lisp.
Aujourd'hui, les grands modèles stimulent les GPU, la HBM, les modules optiques, les commutateurs, les centres de données, l'électricité et le refroidissement liquide.
Dans chaque vague d'IA, ceux qui gagnent de l'argent en premier ne sont souvent pas les applications, mais les vendeurs de pelles.
Mais le problème s'est révélé précisément après un déploiement à grande échelle.
Le principal goulot d'étranglement des systèmes experts est l'acquisition de connaissances.
La véritable connaissance experte n'est pas un manuel.
De nombreux jugements reposent sur l'expérience, l'intuition, les conditions limites et des années d'essais et d'erreurs.
Les experts eux-mêmes ne peuvent pas toujours exprimer clairement toutes les connaissances tacites.
Même s'ils les expriment, il est difficile de les écrire complètement sous forme de règles.
Ainsi, les entreprises ont découvert que construire un système expert était bien plus lent et bien plus coûteux que prévu.
Le deuxième problème est le coût de maintenance.
Les processus d'entreprise ne sont pas statiques.
Les produits changent, les clients changent, les réglementations changent, les chaînes d'approvisionnement changent, l'environnement de marché change.
Chaque fois que le monde réel change, la base de règles doit être modifiée.
Avec un grand nombre de règles, des conflits, des omissions et des chevauchements apparaissent au sein du système.
Finalement, de nombreuses entreprises n'ont pas acheté une machine à générer de l'argent, mais un labyrinthe de règles sans fin à réparer.
Le troisième problème est la fragilité.
Les systèmes experts peuvent bien fonctionner dans le cadre couvert par les règles.
Mais dès qu'ils rencontrent des cas limites, des informations floues ou incomplètes, ils échouent facilement.
Ils n'ont pas de véritable sens commun.
Ils n'apprennent pas activement.
Ils ont du mal, comme un humain, à comprendre les changements de contexte.
Une démonstration peut être impressionnante, mais un système d'entreprise doit faire face à un monde réel qui change chaque jour.
C'est le grand fossé entre le laboratoire et l'environnement de production.
Le quatrième problème est l'effondrement économique du matériel.
Les machines Lisp étaient au départ l'infrastructure de l'IA.
Mais à la fin des années 1980, les stations de travail généralistes et les ordinateurs personnels sont devenus rapidement plus puissants, moins chers et avec un écosystème plus vaste.
Lorsque des ordinateurs généralistes moins chers pouvaient également exécuter les logiciels concernés, les machines Lisp spécialisées et coûteuses ont perdu leur justification commerciale.
Ainsi, le marché des machines Lisp s'est effondré rapidement.
La chaîne matérielle a d'abord été revalorisée, puis les éditeurs de logiciels et les sociétés de conseil en IA ont également subi des pressions.
De nombreuses entreprises de systèmes experts ont fait faillite, ont été acquises ou se sont reconverties, et l'IA est redevenue un mot que les marchés financiers ne voulaient pas entendre.
C'est le deuxième hiver de l'IA.
Mais il y a un détail très important :
Les systèmes experts n'étaient pas complètement inutiles.
Ils n'ont pas disparu, mais ont été absorbés dans les logiciels d'entreprise, les moteurs de règles, les systèmes de gestion des risques, les systèmes de gestion des connaissances, les scripts de service client, les systèmes d'automatisation des processus.
La technologie a survécu.
La bulle est morte.
C'est là l'essentiel que les investisseurs en IA devraient méditer encore et encore aujourd'hui.
Le grand modèle d'aujourd'hui n'est bien sûr pas un système expert.
Les LLM ne sont pas une base de règles manuelles ; ils proviennent de données massives, de réseaux de neurones, de Transformers, de puissance de calcul et d'apprentissage par renforcement.
Leur généralité, leur compétence linguistique, leur capacité de codage et leur multimodalité dépassent de loin les systèmes experts de l'époque.
Il n'est donc pas rigoureux d'assimiler simplement le grand modèle d'aujourd'hui à un système expert.
Mais ce qui est vraiment similaire dans l'histoire, ce n'est pas la voie technologique, mais la structure psychologique du marché financier.
Chaque vague d'IA traverse trois étapes similaires :
Première étape, une véritable percée technologique se produit.
Deuxième étape, les capitaux croient qu'elle peut transformer toutes les industries.
Troisième étape, les entreprises découvrent que transformer une technologie en un système stable, contrôlable, auditable et rentable est bien plus difficile que prévu.
Le grand modèle d'aujourd'hui entre également dans cette troisième étape.
Du côté des consommateurs, il y a une utilisation, mais le paysage du trafic n'a pas encore été complètement réécrit.
Du côté des entreprises, il y a des projets pilotes, mais beaucoup restent au stade de pilote, sans entrer dans de véritables systèmes de production à grande échelle.
Les agents sont attrayants, mais dans les tâches à long processus, les erreurs individuelles s'accumulent.
Même si le taux de précision par étape semble élevé, à mesure que le processus s'allonge, le taux de succès global diminue nettement.
Dans des domaines comme l'industrie, la finance, la médecine, le droit et les chaînes d'approvisionnement, ce qui importe n'est pas une réponse impressionnante ponctuelle, mais la fiabilité de bout en bout, la gestion des exceptions, le contrôle des accès, l'attribution des responsabilités, les enregistrements d'audit et une couverture humaine.
Ces éléments ne peuvent pas être résolus par une conférence de lancement de modèle.
Ainsi, le plus grand risque de l'IA aujourd'hui n'est pas que la technologie n'ait pas de valeur.
Bien au contraire, l'IA a une grande valeur.
La vraie question est :
Les flux de trésorerie qu'elle génère sont-ils suffisants pour soutenir les dépenses d'investissement et les valorisations de ce cycle ?
Si les entreprises constatent que le retour sur investissement de l'IA reste flou, la vitesse de contraction des budgets pourrait être très rapide.
Si les fournisseurs de cloud constatent que les revenus d'inférence ne couvrent pas l'amortissement, les coûts d'électricité et des centres de données, les prévisions de dépenses d'investissement pourraient être révisées à la baisse.
Si la couche applicative ne présente pas de boucle de paiement suffisamment forte, la chaîne matérielle commencera à échanger des attentes de demande à la baisse.
L'histoire ne se répète pas simplement.
Mais les marchés financiers poussent souvent une véritable percée technologique vers des attentes de profit trop élevées, de manière similaire.
La leçon des années 1980 n'est pas que « l'IA est une arnaque ».
La véritable leçon est :
Une révolution technologique peut être vraie.
Le rythme de commercialisation peut être lent.
Les investissements en infrastructure peuvent être prématurés.
La valorisation des actions peut être erronée.
Ces quatre choses peuvent coexister.
Les systèmes experts n'ont finalement pas disparu, mais la bulle des systèmes experts a éclaté.
Le grand modèle d'aujourd'hui ne disparaîtra probablement pas non plus.
La vraie question est :
Dans cette frénésie d'infrastructure IA, quelles entreprises deviendront l'infrastructure de demain, et quelles ne sont que les machines Lisp de ce cycle ?