La Chine se retrouve sans données en chinois pour entraîner l'IA : le nouveau mur n'est pas celui des puces

**La Chine fait face à un nouveau goulot d'étranglement dans la course à l'IA : la pénurie de données d'entraînement en chinois. Alors que les puces dominent le débat, les experts avertissent que le 1,3 % du contenu web en chinois pourrait freiner le développement de modèles d'IA dans le pays.

• Le chinois ne représente que 1,3 % du contenu web mondial contre 49 % pour l'anglais.
• Pékin prévoit des ensembles de données nationales validées d'ici 2028 pour stimuler l'IA.
• Des éditeurs comme Huaxia interdisent déjà l'utilisation de leurs contenus pour entraîner l'IA.

La course de la Chine en intelligence artificielle (IA) a une nouvelle limite qui ne dépend pas des semi-conducteurs. Alors que les contrôles à l'exportation des États-Unis sur les puces avancées ont attiré l'attention, le pays se retrouve à court de données d'entraînement de haute qualité en chinois. Cette pénurie pourrait être tout aussi limitante, et contrairement au matériel, il n'existe pas de solution technologique simple.

Selon le traqueur internet W3Techs, le chinois ne représente qu'à peine 1,3 % du contenu web mondial. En revanche, l'anglais domine avec presque la moitié, l'espagnol atteignant 6 % et le japonais 5 %. Ce déséquilibre impacte directement la capacité de la Chine à développer des modèles de langage avancés.

Le mur des données global

La pénurie de données n'est pas exclusive à la Chine, mais le géant asiatique en souffre de manière plus intense. Epoch AI estime que l'approvisionnement mondial en texte public de haute qualité pourrait s'épuiser complètement dans six ans. Le cofondateur d'OpenAI, Andrej Karpathy, a averti d'un "mur de données" qui pourrait frapper à la fin de cette décennie.

Les développeurs chinois paient déjà plus par token utile que leurs homologues occidentaux. La raison est simple : leurs modèles doivent travailler avec moins de matériel dans leur langue natale, ce qui augmente le coût de l'entraînement. L'écart est évident dans les performances des modèles chinois par rapport aux américains dans des tâches complexes.

Le problème s'aggrave car l'écosystème numérique de la Chine est fermé. Des plateformes comme WeChat et Douyin ne partagent pas de données avec des développeurs externes, laissant les laboratoires d'IA avec des sources de moindre qualité. Contrairement à l'Occident, où il y a plus d'accès à des données publiques provenant des réseaux sociaux et des forums, la Chine se heurte à des barrières internes.

Cette situation a conduit les experts à considérer que le manque de données est aussi grave que les restrictions sur les puces. Il n'existe pas de solution matérielle qui résolve la pénurie de texte en chinois. Le problème est structurel et nécessite des stratégies à long terme.

La réponse du gouvernement chinois

Pékin traite déjà les données comme une infrastructure stratégique. En juin, l'Administration nationale des données a présenté un plan national pour construire des ensembles de données d'entraînement d'IA validés d'ici 2028. Ceux-ci couvriront des secteurs tels que la fabrication, l'énergie, la santé, les finances, l'agriculture, la conduite autonome et l'IA intégrée.

Yu Xiaohui, président de l'Académie chinoise des technologies de l'information et des communications, affiliée à l'État, a déclaré que "la compétition à l'ère de l'IA ne concerne pas seulement les modèles et la puissance de calcul, mais aussi les systèmes d'approvisionnement en données de haute qualité". Cette vision reflète une prise de conscience officielle de la gravité du problème.

Le scientifique informatique de l'Université de Tsinghua, Sun Maosong, a exhorté les autorités à numériser des archives historiques, des manuscrits anciens, de la littérature scientifique et des dialectes régionaux. Ces sources, jusqu'à présent peu exploitées, pourraient considérablement élargir le corpus disponible pour entraîner des modèles d'IA.

Cependant, la numérisation de matériaux historiques est un processus coûteux et lent. Tous les contenus ne sont pas disponibles au format numérique, et beaucoup nécessitent un traitement spécial. Malgré les efforts gouvernementaux, l'écart avec l'anglais restera énorme à court terme.

Un autre obstacle est la résistance du secteur de l'édition. L'édition Huaxia, par exemple, a récemment ajouté un avertissement à une nouvelle traduction : "Il est interdit d'utiliser le contenu de ce livre pour entraîner une intelligence artificielle. Les contrevenants seront tenus légalement responsables". Cette mesure, répliquée par d'autres éditeurs, réduit encore plus les sources disponibles.

L'avantage américain et le cas du Projet Panama

Aux États-Unis, la situation est radicalement différente. L'entreprise Anthropic, créatrice de Claude, a lancé le Projet Panama, qui a acheté et détruit des millions de livres physiques pour les numériser et les utiliser comme données d'entraînement. Cette stratégie agressive contraste avec la pénurie à laquelle fait face la Chine.

La comparaison illustre comment l'accès aux données est devenu un avantage concurrentiel clé. Alors que les États-Unis disposent d'un vaste corpus en anglais, la Chine ne représente que 1,3 % du contenu web dans sa langue. Cette différence se traduit par des modèles plus puissants et mieux entraînés en Occident.

Le constat est frappant : l'anglais représente 49 % du contenu web, contre 1,3 % pour le chinois. Pour égaler la quantité de données en anglais, la Chine devrait multiplier par presque 40 sa présence numérique. Une tâche titanesque qui ne se réalisera pas du jour au lendemain.

Les experts soulignent que, en plus de la quantité, la qualité du contenu est cruciale. Le texte en chinois disponible sur Internet est souvent moins diversifié et de moindre qualité par rapport à l'anglais. Cela affecte les performances des modèles dans des tâches de raisonnement, de compréhension et de génération de texte.

La pénurie de données a également des implications économiques. Les développeurs chinois doivent investir plus de ressources dans le nettoyage et la curation des données, ce qui alourdit le processus. Par ailleurs, le manque de données limite la capacité d'innovation dans des domaines émergents tels que l'IA appliquée à la médecine ou à l'ingénierie.

Impact sur l'avenir de l'IA chinoise

La pénurie de données en chinois n'affecte pas seulement les laboratoires d'IA, mais aussi la compétitivité du pays sur la scène mondiale. Si la Chine ne parvient pas à surmonter cette barrière, ses modèles resteront en retard par rapport aux américains dans des tâches complexes. Cela pourrait freiner l'adoption de l'IA dans des secteurs critiques de l'économie.

Le gouvernement chinois est conscient du défi et a donc mis en place des plans pour construire des bases de données nationales. Cependant, les solutions mettront des années à se concrétiser. En attendant, les entreprises chinoises recherchent des alternatives telles que la génération de données synthétiques ou l'achat d'entreprises disposant de grands corpus de texte.

Une autre voie est le développement de modèles multilingues qui exploitent des données dans d'autres langues. Mais l'accent sur le chinois est essentiel pour les applications locales, où la précision linguistique est critique. Le manque de données spécifiques en chinois restera un obstacle à la personnalisation et à l'adaptation des modèles.

La nouvelle, rapportée par The Next Web, souligne un point souvent négligé : l'IA ne dépend pas seulement des algorithmes et de la puissance de calcul, mais aussi des données. Et lorsque les données font défaut, même les puissances technologiques trébuchent. La Chine apprend cela de la manière la plus difficile.

En conclusion, la pénurie de données d'entraînement en chinois est un problème structurel qui n'a pas de solution rapide. Contrairement aux puces, qui peuvent être fabriquées avec investissement et temps, les données sont une ressource finie et difficile à créer. La course de la Chine vers la souveraineté en IA fait face à un mur qui ne se brise pas avec des usines ni des décrets.

Ce contenu est fourni à titre informatif uniquement et ne constitue pas un conseil financier, d'investissement, juridique ou fiscal. Les événements, récompenses, promotions en ligne ou informations mentionnées ici ne doivent pas être considérés comme une recommandation, une sollicitation ou une invitation à acheter, vendre, trader ou effectuer toute autre opération sur des actifs crypto. Les actifs crypto sont très volatils et peuvent entraîner des pertes. La disponibilité des services, produits et événements liés à WEEX peut varier selon les régions. Veuillez vous assurer que votre participation respecte les lois et réglementations locales applicables.