Le lundi 27 janvier 2025, Nvidia a perdu près de six cents milliards de dollars de capitalisation en une seule séance, la plus forte baisse quotidienne jamais enregistrée par une entreprise. La cause n’était ni un produit raté ni un scandale. C’était une bonne nouvelle sur l’efficacité : un laboratoire chinois, DeepSeek, venait de publier un modèle à la hauteur de la frontière en annonçant une fraction du calcul d’entraînement habituel. Si l’intelligence pouvait s’obtenir avec moins de matériel, raisonnait le marché, le monde aurait besoin de moins de matériel. En quelques heures, Satya Nadella, dont l’entreprise dépensait des dizaines de milliards par an en GPU, publiait un diagnostic de quelques mots portant un nom du XIXe siècle : « Le paradoxe de Jevons frappe encore ! »

Il avait raison, et le marché a fini par lui donner raison. Vingt mois plus tard, la mémoire manque, le stockage manque, et les puces qui changent l’électricité en produits de matrices sont réservées des années à l’avance par les rares entreprises capables de les payer. L’efficacité censée soulager la demande l’a nourrie. Cette boucle mérite un regard plus attentif que celui d’une courbe boursière, car elle dit quelque chose du genre de machine que nous construisons et du genre de raison qui la construit.

I. Une machine qui ne fait que multiplier

Un processeur graphique a été conçu pour ombrer des pixels : des millions de petits calculs identiques menés en même temps plutôt que l’un après l’autre. Cette propriété l’a rendu idéal pour les réseaux de neurones, dont l’opération centrale est la multiplication de grandes matrices. Comme je l’écrivais à propos du perceptron, les GPU n’ont pas rendu l’apprentissage profond possible ; les algorithmes existaient depuis des décennies. Ils l’ont rendu assez bon marché pour qu’on l’essaie, puis assez bon marché pour qu’on le passe à l’échelle.

Ce que fait le GPU, il le fait avec une spécialisation extrême. Un accélérateur moderne effectue de l’ordre d’un million de milliards de multiplications en basse précision par seconde, et presque chaque choix d’ingénierie, de la mémoire empilée contre la puce à la précision de son arithmétique, sert cette seule opération. Il ne raisonne pas, ne se souvient pas, ne désire rien. Il multiplie, additionne et déplace des nombres entre la mémoire et les unités de calcul, et l’essentiel de son coût part dans le déplacement.

Rien de cela ne disqualifie ce qui tourne au-dessus. Un système fait de multiplications peut produire des comportements utiles, comme un système fait de neurones qui s’activent ou non produit les nôtres. Mais le mot IA nous invite à imaginer un esprit dans la machine, et le matériel raconte une histoire plus plate. Nous avons bâti une capacité démesurée pour un type de calcul, et nous sommes convenus d’appeler intelligence son résultat lorsqu’il réussit les épreuves que nous avons choisies. La capacité est une relation mesurée entre un système et une tâche. L’intelligence, quoi qu’elle se révèle être, est une affirmation sur ce qui se tient derrière la mesure. Le GPU vend la première et se voit créditer de la seconde.

II. Le moteur félicifique

Jeremy Bentham proposa en 1789 de trancher les questions morales par l’arithmétique. Plaisirs et peines avaient des dimensions mesurables (intensité, durée, certitude, proximité, étendue), et le bon acte était celui qui produisait la plus grande somme. Il appela la méthode calcul félicifique. Sa force tenait à la réduction de tout à une seule quantité, comparable et maximisable. Ses critiques, à commencer par John Stuart Mill, l’héritier de Bentham lui-même, objectèrent que certains biens diffèrent par nature et non seulement par degré : « mieux vaut être Socrate insatisfait qu’un imbécile satisfait ». Un scalaire unique ne peut pas contenir cette phrase.

L’entraînement d’un réseau de neurones est un calcul félicifique au sens le plus littéral que l’expression ait jamais eu. Chaque modèle est façonné par une fonction de perte, un nombre unique qui mesure à quel point il se trompe, et tout l’appareil de GPU, de mémoire et d’énergie existe pour faire baisser ce nombre. Ce que la perte ne mesure pas, l’entraînement ne le voit pas. Ce n’est pas un défaut propre à l’apprentissage automatique ; c’est le prix de l’optimisation. On ne maximise que ce qu’on a d’abord réduit à une quantité.

Max Horkheimer a nommé cette attitude dans Eclipse of Reason (1947), paru en français sous le titre Éclipse de la raison : la raison instrumentale, celle qui demande comment atteindre une fin efficacement et tient pour hors de sa compétence la question de savoir quelles fins valent d’être atteintes. Max Weber avait décrit la même dérive comme l’extension de la rationalité en finalité dans des institutions qui oublient peu à peu à quoi servaient les moyens. En France, Jacques Ellul poussa l’idée plus loin dans La Technique ou l’Enjeu du siècle (1954) : la technique, écrivait-il en substance, est la recherche de la méthode absolument la plus efficace dans tous les domaines, et elle ne connaît pas d’autre critère. Le GPU est peut-être l’objet le plus utilitariste de notre temps, en ce sens précis : un instrument d’une compétence extraordinaire dont la seule valeur incorporée est le débit. Le progrès mesuré comme échelle, la puissance mesurée en opérations par seconde, l’intelligence mesurée comme un score sur un benchmark. Chacune de ces mesures est légitime. Ensemble, elles forment un registre auquel il manque une colonne.

III. Une pénurie faite d’abondance

La colonne manquante apparaît d’abord comme un prix. La mémoire qui accompagne un accélérateur d’IA, la mémoire à haute bande passante ou HBM, est faite de puces de DRAM empilées et consomme environ trois fois la surface de plaquette par gigaoctet de la mémoire ordinaire. Quand les trois fabricants qui produisent presque toute la DRAM du monde ont réorienté leurs lignes vers elle, le reste du marché s’est trouvé à sec. En 2026 la production de HBM était vendue un an à l’avance, et Bloomberg rapportait certains prix de mémoire ordinaire à plus de dix fois leur niveau de janvier 2025. Le stockage à semi-conducteurs a suivi. Un ordinateur portable, un téléphone, le serveur d’imagerie d’un hôpital : tous disputent désormais les mêmes plaquettes qu’un cluster d’entraînement, et perdent.

Le deuxième signe est l’énergie. Le rapport Energy and AI de l’Agence internationale de l’énergie estimait que les centres de données avaient consommé environ 415 térawattheures en 2024, autour d’un et demi pour cent de l’électricité mondiale, et en prévoyait près de 945 en 2030, à peu près la consommation actuelle du Japon. Les chiffres ont de larges marges d’erreur, l’agence le souligne elle-même ; la direction, non.

Le troisième signe est le temps. Le silicium d’un GPU peut fonctionner de longues années, mais sa vie économique est plus courte, car chaque génération rend moins compétitive la capacité de la veille pour les travaux les plus exigeants. De combien plus courte : c’est aujourd’hui une querelle comptable de plusieurs centaines de milliards de dollars. Les grands fournisseurs de cloud amortissent leurs serveurs sur cinq ou six ans, tandis que leurs critiques soutiennent que les accélérateurs de pointe ne rapportent que deux ou trois ans. Les deux peuvent avoir raison, puisqu’une puce retirée de l’entraînement peut continuer à servir une inférence moins chère. Mais la querelle elle-même est révélatrice. Une industrie bâtie sur la mesure ne parvient pas à s’accorder sur la durée de vie de son instrument central.

Mis ensemble, les trois signes dessinent la boucle. L’infrastructure existe pour accélérer le calcul ; la demande d’accélération dépasse l’offre de mémoire, de stockage, d’énergie et de puces ; la réponse est davantage de capacité, qui accroît la demande qu’elle devait satisfaire. Plus de capacité devient la solution d’un problème créé en partie par l’hypothèse que plus de capacité est toujours la solution.

IV. Jevons à la corbeille

William Stanley Jevons remarqua le phénomène en 1865. Dans The Coal Question, il observait que la machine à vapeur plus efficace de James Watt n’avait pas réduit la consommation britannique de charbon ; elle l’avait multipliée, parce que le travail meilleur marché trouvait de nouveaux usages plus vite que les économies ne s’accumulaient. « C’est une pure confusion d’idées », écrivait-il, « de supposer que l’usage économe du combustible équivaut à une consommation moindre. C’est tout le contraire qui est vrai. » Le paradoxe de Jevons n’est pas une loi ; il se vérifie quand la demande est élastique et échoue quand elle sature. L’éclairage et le calcul sont les cas d’école où il s’est vérifié, et le message de Nadella pariait que l’IA les rejoindrait.

L’historien Jean-Baptiste Fressoz a donné à cette intuition sa profondeur historique dans Sans transition (2024) : les énergies ne se remplacent pas, elles s’additionnent. Le monde n’a jamais brûlé autant de bois qu’au siècle du charbon, ni autant de charbon qu’au siècle du pétrole. Rien n’indique que le calcul obéisse à une autre règle.

La question de savoir quand le cycle s’arrête ne se règle donc pas par la seule efficacité. L’efficacité par opération a énormément progressé et progressera encore : arithmétique de plus basse précision, modèles plus clairsemés, distillation en réseaux plus petits, puces conçues pour l’inférence plutôt que pour l’entraînement. Mais les gains faciles sont derrière nous. La loi d’échelle de Dennard, qui permettait de réduire les transistors sans augmenter la puissance par unité de surface, s’est épuisée au milieu des années 2000, et la croissance des calculs par joule documentée par Jonathan Koomey, la loi de Koomey, a ralenti depuis. Le plancher physique, la limite de Landauer sur l’énergie nécessaire pour effacer un bit, se situe très en dessous du matériel actuel ; il reste donc de la marge. Un cerveau humain fonctionne avec une vingtaine de watts, ce qui prouve que des compromis très différents entre puissance et capacité existent, sans nous dire comment les construire.

Même une percée ne mettrait pas fin au cycle à elle seule. Si la puce de demain offrait dix fois plus de calcul par watt, la logique de Jevons veut que nous dépensions l’économie en dix fois plus de calcul. Le cycle s’arrête de deux manières. Soit une contrainte s’impose que l’argent ne dissout pas (un réseau électrique qu’on ne peut étendre, une eau qu’une région ne peut céder, un capital qui cesse d’attendre un rendement), soit la demande change parce que quelqu’un décide qu’un certain calcul ne vaut pas la peine.

V. Ce que nous choisissons de calculer

Cette seconde issue est celle que la raison instrumentale n’atteint pas, car ce n’est pas une question de moyens. L’efficacité comme prouesse technique demande combien de calcul on obtient par watt. L’efficacité comme choix social demande quels calculs méritent le watt, et cette question n’a pas de fonction de perte. Elle exige une valeur qui ne soit pas le débit : à quoi sert une tâche, qui paie ses sous-produits, ce que la plaquette et le mégawatt auraient pu faire d’autre.

J’ai déjà plaidé pour le modèle le moins puissant qui sert la question : un petit modèle sur un portable, suffisant pour presque tout ce que nous lui demandons, face à un système de pointe dont nous utilisons rarement la portée. C’était une préférence personnelle. À l’échelle d’une industrie, elle devient un test : un système organisé autour de résultats mesurables peut-il reconnaître les coûts qu’il laisse hors de la métrique ? Charles Goodhart a prévenu qu’une mesure devenue objectif cesse de bien mesurer. L’économie des GPU démontre en grand le corollaire : un objectif poursuivi à une échelle suffisante finit par fixer le prix de tout ce qui l’entoure, y compris la mémoire de l’ordinateur d’un écolier et l’électricité d’une commune qui se trouve à côté d’un centre de données.

Bentham, à sa demande, fut disséqué après sa mort, et son squelette, vêtu de ses habits et surmonté d’une tête de cire, siège toujours dans une vitrine de l’University College de Londres. L’auto-icône devait montrer qu’une vie pouvait servir jusqu’au bout. Elle montre aussi autre chose : une philosophie si sûre de sa somme qu’elle n’a jamais demandé à quoi servait la somme. Les machines que nous construisons feront cette somme plus vite que tout ce qui les a précédées. Qu’elles la fassent vers quelque chose qui vaille d’être désiré n’a jamais été une question à laquelle les machines pouvaient répondre.

Pour aller plus loin