(Nikolaus Skene)
Parfois, vous avez envie d’un vin blanc.
Parfois d’un rouge.
Et après le sport, une bière est aussi un vrai délice.
Personne n’aurait l’idée de tout commander en même temps précisément à ce moment-là.
Aucun sommelier au monde ne dirait : « Aucun problème, je vous apporte du vin blanc, du vin rouge, de la bière, un steak, une serviette, un massage, un coup de téléphone à votre mère et, par précaution, des vacances au ski. »
Notre cerveau est nettement plus efficace sur ce point.
Il décide en fonction du contexte. De la situation. En économisant l’énergie.
Il n’active que les régions qui sont pertinentes à cet instant. Le reste demeure « calme ».
Et c’est précisément là que se trouve une différence souvent négligée entre l’intelligence humaine et l’intelligence artificielle actuelle.
Et c’est là que ChatGPT entre en jeu.
ChatGPT fonctionne fondamentalement autrement.
Peu importe ce dont vous avez envie à cet instant – il demande toujours tout.
Pas seulement la bière après le sport, mais en même temps la bière, le vin blanc, le vin rouge, le steak, la recette, la chaîne d’approvisionnement, le bilan CO₂, la région viticole, le sport pratiqué et la signification philosophique de la soif.
La raison pour laquelle nous ne le remarquons pas :
Cela se produit extrêmement rapidement.
Les « régions » inutiles sont écartées en quelques millisecondes et, au bout du compte, une réponse à peu près raisonnable est produite. Mais la puissance de calcul nécessaire est gigantesque.
Le cerveau humain serait totalement dépassé sous cette forme.
Et c’est précisément pourquoi la consommation électrique des systèmes d’IA actuels constitue un sérieux sujet de critique.
DeepSeek va déjà un peu plus loin sur ce point.
Il tente d’« activer » plus précisément différentes parties du modèle, en fonction de ce qui est probablement pertinent à cet instant. Pas tout, toujours, en même temps. Mais de manière plus sélective. Plus sensible au contexte.
Et puis arrive HuggingGPT.
HuggingGPT n’est pas un nouveau modèle.
C’est une idée architecturale.
L’idée centrale :
Un grand modèle de langage comme ChatGPT n’est plus utilisé comme un génie universel, mais comme un contrôleur. Comme un chef d’orchestre. Comme un planificateur.
Il écoute l’utilisateur, comprend son intention – puis la décompose en tâches partielles concrètes.
Ces tâches partielles ne sont pas résolues par le même modèle, mais transmises de manière ciblée à des spécialistes : modèles d’image, modèles audio, classificateurs, systèmes de synthèse vocale, reconnaissance d’objets, segmentation. Tous des modèles qui existent déjà, par exemple dans l’écosystème Hugging Face.
Ce qui compte, ce n’est pas seulement ce qui est fait, mais dans quel ordre.
HuggingGPT planifie les dépendances.
Certaines tâches doivent être effectuées en série, tandis que d’autres peuvent être exécutées en parallèle. Les résultats d’un modèle servent d’entrée au suivant. Ce n’est qu’à la fin que le contrôleur rassemble tout et formule une réponse.
Une demande simple comme « Décris cette image en détail » est automatiquement décomposée en classification d’image, reconnaissance d’objets, segmentation, légendage et modèles de questions-réponses visuelles – puis seulement réunie.
Ce n’est pas une nouvelle intelligence.
Mais c’est une autre manière de travailler intelligemment.
Et c’est là que HuggingGPT devient vraiment intéressant :
Le système ne passe pas à l’échelle grâce à des modèles toujours plus grands, mais grâce à la coordination. Grâce à la sélection. Grâce à la division du travail. Grâce au contexte.
Soudain, l’IA ne ressemble plus à un étudiant universel dépassé, qui doit tout savoir faire en même temps, mais à une équipe bien organisée.
Ça « grince » encore par-ci par-là : latence accrue, dépendance à la capacité de planification du contrôleur, limites de tokens, instabilités. HuggingGPT n’est pas un produit fini. C’est un modèle de réflexion.
Mais un modèle qui indique une direction importante :
S’éloigner de « plus grand, plus rapide, tout en même temps ».
Pour aller vers « juste, sélectif, efficace ».
Et nous revoilà à la consommation électrique. L’une des principales critiques justifiées adressées à l’IA actuelle concerne son appétit énergétique. Si l’intelligence ne naît plus d’un parallélisme maximal, mais d’une orchestration ciblée, nous nous rapprochons peut-être d’une manière de penser machinique plus efficace.
Ce que cela signifie à long terme – y compris pour le travail humain, l’intelligence humaine et la pertinence humaine – est une autre discussion.
Pour un autre samedi.
Aujourd’hui, une observation suffit :
Il faut à nouveau davantage « hugger ».
Pas tout en même temps.
Mais la bonne chose, au bon moment.
(Nikolaus Skene vit et travaille à San Francisco, conseille des entreprises sur les questions d’IA et organise depuis plusieurs années des visites dans la Silicon Valley et d’autres hauts lieux du développement technologique