Ça existait déjà avant le boom des LLMs (cf. Deepl) avec des modèles bien moins énergivores.
Deepl c'est de l'IA, deep learning sur un gros corpus de texte, je ne suis pas sûr que tu puisses sauter directement à une conclusion sur le coût écologique respectif des deux approches. Les performances restent très différentes (par exemple, Deepl n'est pas promptable, tu ne peux pas lui donner des instructions sur le style, etc).
Mais il me semble que c’est une part minime de l’usage des LLMs à qui les utilisateurs préfèrent déléguer leur intelligence par flemme et/ou par bêtise.
C'est faux, et tu le sais. Tu pourrais répondre ça à n'importe quel usage utile d'un LLM, donc je ne vois pas où ça n'amène.
La gestion des bugs et des failles de sécurité dans le code, les LLM modernes sont plus performants, plus fiables, et plus rapides que les humains. Vouloir gérer ça "à la main" c'est la même chose que de faire la vaisselle à la main au lieu d'acheter un lave vaisselle : c'est une démarche idéologique, que tu as le droit de défendre, mais c'est faux de prétendre que c'est "mieux fait" ou que c'est de la flemme (à moins de considérer par essence que tout gain de productivité c'est de la flemme). Au passage, ton humain il mange, il pollue, il chauffe l'hiver et climatise l'été, il se déplace, etc., et son bilan environnemental n'est pas jojo; comme il doit bosser 15 jours pour faire moins bien ce que Claude fait en 10 minutes, pas sûr que le bilan de l'humain soit si positif que ça...
La fois où j’avais vu passer un truc comme ça, le LLM n’avais fait qu’une part minime du travail, laissant le travail à une IA spécialisée dans ce genre de taches.
Et le pire, c'est que ça n'est pas une IA spécialisée qui a résolu un problème majeur en maths, c'est la prochaine version grand public d'OpenAI.
Je pense qu'on n'a pas réalisé à quel point ce truc était gros. C'est vraiment un écrabouillement définitif de l'argument du perroquet stochastique.
Dans le domaine scientifique, ça permet surtout à quelques profiteurs de se lancer dans l’IA en monopolisant les capacités de calcul et les financements des labos sans jamais obtenir de résultats particulièrement intéressants
Désolé, mais ça, ça ressemble à de la fumisterie. Si tu ne sais pas, ça n'est pas grave, mais on devrait tous laisser à Donald Trump l'exclusivité de l'invention d'un monde imaginaire qui colle à son idéologie, sans considération pour la réalité.
L'AI a déja radicalement transformé la recherche scientifique dans de nombreux domaines, en fournissant des outils pour des tâches qui jusqu'ici étaient soit extrêmement chronophages (typiquement, la segmentation d'images ou de volumes, le tracking vidéo...), soit totalement impossibles (la prédiction de la structure 3D des protéines). D'une manière générale, il y a peu de disciplines où on ne fait pas d'analyse d'image, d'analyses statistiques non-linéaires, de prédiction de structure moléculaire, qui sont des domaines où les algorithmes de machine learning sont dorénavant incontournables. Si tu rajoutes maintenant le fait que les LLM savent faire l'intermédiaire entre un énoncé en langage naturel et un assistant de preuve, tu rajoutes les maths et la modélisation; dans quelques années il ne restera plus beaucoup de recherche scientifique qui n'utilisera pas un algo IA quelque part dans l'analyse.
[^] # Re: Syndrome de la Tourette
Posté par arnaudus . En réponse au lien Quand l’IA corrige l’IA : un bac de philo très augmenté. Évalué à 3 (+0/-0).
Deepl c'est de l'IA, deep learning sur un gros corpus de texte, je ne suis pas sûr que tu puisses sauter directement à une conclusion sur le coût écologique respectif des deux approches. Les performances restent très différentes (par exemple, Deepl n'est pas promptable, tu ne peux pas lui donner des instructions sur le style, etc).
C'est faux, et tu le sais. Tu pourrais répondre ça à n'importe quel usage utile d'un LLM, donc je ne vois pas où ça n'amène.
La gestion des bugs et des failles de sécurité dans le code, les LLM modernes sont plus performants, plus fiables, et plus rapides que les humains. Vouloir gérer ça "à la main" c'est la même chose que de faire la vaisselle à la main au lieu d'acheter un lave vaisselle : c'est une démarche idéologique, que tu as le droit de défendre, mais c'est faux de prétendre que c'est "mieux fait" ou que c'est de la flemme (à moins de considérer par essence que tout gain de productivité c'est de la flemme). Au passage, ton humain il mange, il pollue, il chauffe l'hiver et climatise l'été, il se déplace, etc., et son bilan environnemental n'est pas jojo; comme il doit bosser 15 jours pour faire moins bien ce que Claude fait en 10 minutes, pas sûr que le bilan de l'humain soit si positif que ça...
Tu n'as pas suivi l'actualité.
https://www.reddit.com/r/math/comments/1tj534d/openais_internal_model_disproves_unit_distance/
De nombreuses sommités en maths sont sur le cul, des médailles Field ont clairement écrit que leur monde avait subitement changé.
https://mathoverflow.net/questions/511484/is-this-an-even-worse-moment-for-a-math-career
Et le pire, c'est que ça n'est pas une IA spécialisée qui a résolu un problème majeur en maths, c'est la prochaine version grand public d'OpenAI.
Je pense qu'on n'a pas réalisé à quel point ce truc était gros. C'est vraiment un écrabouillement définitif de l'argument du perroquet stochastique.
Désolé, mais ça, ça ressemble à de la fumisterie. Si tu ne sais pas, ça n'est pas grave, mais on devrait tous laisser à Donald Trump l'exclusivité de l'invention d'un monde imaginaire qui colle à son idéologie, sans considération pour la réalité.
L'AI a déja radicalement transformé la recherche scientifique dans de nombreux domaines, en fournissant des outils pour des tâches qui jusqu'ici étaient soit extrêmement chronophages (typiquement, la segmentation d'images ou de volumes, le tracking vidéo...), soit totalement impossibles (la prédiction de la structure 3D des protéines). D'une manière générale, il y a peu de disciplines où on ne fait pas d'analyse d'image, d'analyses statistiques non-linéaires, de prédiction de structure moléculaire, qui sont des domaines où les algorithmes de machine learning sont dorénavant incontournables. Si tu rajoutes maintenant le fait que les LLM savent faire l'intermédiaire entre un énoncé en langage naturel et un assistant de preuve, tu rajoutes les maths et la modélisation; dans quelques années il ne restera plus beaucoup de recherche scientifique qui n'utilisera pas un algo IA quelque part dans l'analyse.