L'essor de l'IA : une tempête parfaite entre technologie, interaction et confiance

L'explosion de l'IA après ChatGPT n'est pas le résultat d'un seul facteur, mais d'une tempête parfaite combinant avancée technologique (Scaling Law) , révolution de l'interaction (interface de chat) et confiance (investissements et talents) .

En bref : La Scaling Law a fourni la « carte » (nous disant que ça allait marcher), ChatGPT a fourni la « voiture » (rendant l'IA accessible au grand public), et la confiance a apporté le « carburant » (fonds et puissance de calcul).

Voici une analyse détaillée :

1. Moteur central : La Scaling Law (loi de mise à l'échelle) a-t-elle été largement appliquée ?

Oui, la Scaling Law est le « fondement physique » de cette explosion, mais elle est en train d'évoluer.

• Son rôle (certitude) : Avant ChatGPT, la R&D en IA ressemblait à de l'« alchimie » : personne ne savait si augmenter la puissance de calcul rendrait l'IA plus intelligente. La Scaling Law (L(N)≈N−α) a prouvé que la performance du modèle suit une loi de puissance avec la puissance de calcul, la quantité de données et le nombre de paramètres. Cela signifie qu'en investissant suffisamment de ressources, le modèle deviendra forcément plus performant. Cette prévisibilité a permis aux grandes entreprises d'oser investir des milliards de dollars pour entraîner un modèle.

• Son état actuel (de l'entraînement à l'inférence) :

• Première phase (Pre-training Scaling) : Ces dernières années, tout le monde s'est concentré sur l'augmentation de la taille des modèles (plus de GPU, plus de données).

• Deuxième phase (Inference Scaling) : Récemment (comme OpenAI o1, DeepSeek R1), la Scaling Law s'est étendue à la phase d'inférence. En permettant au modèle de « réfléchir un peu plus longtemps » (Chain of Thought), on obtient des gains d'intelligence significatifs sans avoir à réentraîner un modèle géant. C'est le nouveau point de croissance de l'explosion actuelle.

2. Catalyseur de l'explosion : Pas seulement la confiance, mais une « révolution de l'interaction »

La confiance seule ne peut soutenir une prospérité durable. Le plus grand changement apporté par ChatGPT est d'avoir réduit à zéro la barrière d'entrée de l'IA.

• LUI (Language User Interface) : Avant, utiliser l'IA nécessitait de connaître Python et de savoir utiliser des API. ChatGPT a fait du « langage naturel » un langage de programmation. Cette accessibilité a permis à des personnes de tous horizons (médecins, avocats, artistes) d'essayer directement l'IA, déclenchant instantanément une explosion au niveau des applications.

• La « course aux armements » déclenchée par la confiance : Parce que la Scaling Law a donné confiance, des capitaux mondiaux ont afflué vers les infrastructures (GPU NVIDIA). Le succès de cette « esthétique de la force brute » a brisé le goulot d'étranglement de l'IA spécialisée (Narrow AI) qui se limitait à la « reconnaissance faciale » ou aux « algorithmes de recommandation » pendant des décennies, pour se tourner vers l'IA générale (AGI) .

3. Où se situent les principales explosions ? (Domaines d'application)

L'explosion actuelle n'est pas uniforme, mais se concentre dans les domaines où les capacités de « génération » et de « raisonnement » peuvent le mieux remplacer le coût marginal du travail humain :

A. Développement logiciel (l'explosion la plus complète)

• Phénomène : GitHub Copilot, Cursor, Bolt.new, DeepSeek.

• Changement : La programmation est le domaine où la pénétration de l'IA est la plus élevée. L'IA ne se contente plus de compléter du code, elle peut désormais écrire un projet entier à partir de zéro. Le code est essentiellement un langage logiquement rigoureux, le plus adapté aux capacités des LLM.

B. Industrie du contenu et de la création (explosion de productivité)

• Phénomène : Midjourney (image), Sora/Runway (vidéo), Suno (musique).

• Changement : Le coût marginal tombe à zéro. Avant, il fallait 3 jours pour dessiner une affiche, maintenant il faut 30 secondes. Cela a complètement transformé les processus de production dans la publicité, les actifs de jeux, la prévisualisation de films (Pre-viz).

C. Connaissance d'entreprise et recherche (explosion du RAG)

• Phénomène : Perplexity, bases de connaissances internes d'entreprise, Notion AI.

• Changement : La recherche traditionnelle par « mots-clés » devient obsolète, remplacée par la « compréhension sémantique ». Les entreprises n'ont plus besoin que leurs employés parcourent des manuels PDF de 500 pages ; ils peuvent poser une question à l'IA et obtenir une réponse précise.

D. Recherche scientifique (AI for Science)

• Phénomène : AlphaFold 3 (biologie), GNoME (science des matériaux).

• Changement : C'est l'application de la Scaling Law dans des domaines non linguistiques. La capacité de l'IA à prédire les structures des protéines accélère la découverte de nouveaux médicaments, ce qui est la contribution la plus concrète de l'IA au bien-être humain.

4. Résumé : Technologie ou confiance ?

C'est une boucle de rétroaction positive :

1. La Scaling Law a prouvé que la voie était ouverte (base technologique).

2. ChatGPT a prouvé que le produit était utilisé (validation commerciale).

3. La confiance a conduit à des investissements de plusieurs centaines de milliards de dollars dans les infrastructures (clusters de GPU).

4. L'excès d'infrastructure a à son tour poussé à rechercher davantage de scénarios d'application (explosion des applications).

Actuellement, nous passons de la « simple croyance en la Scaling Law » à la « recherche de l'application killer (PMF) ».

Suggestions pour la suite

Si vous êtes intéressé par un domaine spécifique, je peux vous fournir une analyse plus approfondie :

• Pour les tendances technologiques : Souhaitez-vous en savoir plus sur le fonctionnement de la « Scaling Law côté inférence » (mode o1/R1) ?

• Pour les applications sectorielles : Souhaitez-vous découvrir des cas concrets d'outils de programmation IA (comme Cursor) ou de bases de connaissances d'entreprise (RAG) ?

C'est une excellente perspective. Les projecteurs médiatiques sont effectivement trop concentrés sur l'« IA générative » (écrire des poèmes, dessiner, discuter), ce qui fait que beaucoup pensent que l'IA se résume aujourd'hui aux LLM (grands modèles de langage).

La vérité est que l'IA traverse une « explosion cambrienne », et les LLM n'en sont que le « dinosaure » le plus gros et le plus visible.

En dehors de l'IA générative, trois autres vagues d'IA, complètement différentes et même basées sur des logiques technologiques distinctes, sont en train d'exploser. Elles ne résolvent pas le problème de la « création », mais plutôt ceux de la « survie », de la « découverte » et de la « décision ».

Voici une vue d'ensemble de l'IA, débarrassée du « filtre génératif » :

---

Vue d'ensemble : Quoi d'autre explose à part ChatGPT ?

1. IA incarnée (Embodied AI) : Du « cerveau » au « cervelet »

L'IA incarnée que vous mentionnez est effectivement en plein essor, et sa relation avec les LLM est subtile — le LLM n'est que ses « yeux et sa bouche », mais le contrôle du corps nécessite une technologie de « cervelet » complètement différente.

• Où se situe l'explosion ?

• Sim-to-Real (de la simulation à la réalité) : Avant, les robots étaient stupides car le monde réel est trop complexe et l'entraînement trop coûteux. La percée vient de plateformes comme NVIDIA Isaac, qui permettent aux robots de « tomber cent millions de fois par jour » dans un monde virtuel, d'apprendre à marcher, puis de télécharger ce savoir sur un vrai robot. Cela n'a rien à voir avec le « complètement de texte » de ChatGPT.

• Contrôle de bout en bout (End-to-End Visuomotor) : Avant, pour faire saisir une tasse à un robot, il fallait écrire du code en trois étapes : reconnaître la tasse -> calculer les coordonnées -> déplacer le bras. Maintenant, on alimente directement le réseau neuronal avec les images de la caméra, et il produit directement les signaux de tension pour les moteurs. Cette « réaction intuitive » est la plus grande avancée récente.

• Relation avec les LLM : Le LLM est responsable de comprendre les ordres (« va chercher cette bouteille d'eau »), mais pour maintenir l'équilibre, doser la force, ne pas heurter les murs, on utilise l'apprentissage par renforcement (Reinforcement Learning) et les avancées en cybernétique.

2. AI for Science (IA pour la science) : Le triomphe de l'apprentissage profond géométrique

C'est peut-être un domaine qui contribue encore plus à l'humanité que ChatGPT, mais comme il ne « discute pas », il est peu connu du grand public. La technologie centrale ici n'est pas le Transformer, mais les GNN (réseaux de neurones graphiques) et l'apprentissage profond géométrique.

• Où se situe l'explosion ?

• Biologie (AlphaFold 3) : Les protéines sont des structures 3D, pas une chaîne de texte. AlphaFold prédit le repliement des protéines en comprenant la structure spatiale géométrique, et non la logique linguistique. Cela a directement transformé l'industrie pharmaceutique.

• Science des matériaux (GNoME) : Google DeepMind a utilisé l'IA pour prédire 2,2 millions de nouveaux matériaux (l'équivalent de la somme des découvertes humaines des 800 dernières années). Cela repose sur l'apprentissage des relations de liaison chimique entre atomes (structure de graphe), et non sur la lecture d'articles.

• Prévisions météorologiques (GraphCast) : Les prévisions météorologiques par IA actuelles (comme le modèle Pangu de Huawei) peuvent prédire le temps mondial des 10 prochains jours en 10 secondes, avec une précision supérieure à celle des supercalculateurs qui tournent pendant des heures. C'est une combinaison des équations de la mécanique des fluides et de l'IA.

3. Réseaux neuronaux « liquides » et « impulsionnels » : De nouvelles espèces anti-Scaling Law

Alors que tout le monde s'acharne à accumuler la puissance de calcul (Scaling Law), un groupe de chercheurs mène une révolution « small is beautiful », cherchant à imiter la faible consommation d'énergie et la grande adaptabilité du cerveau biologique.

• Réseaux neuronaux liquides (Liquid Neural Networks, LNN) :

• Qu'est-ce que c'est ? Une nouvelle architecture développée par l'équipe du MIT. Les réseaux neuronaux ordinaires sont « figés » après l'entraînement, mais celui-ci, comme un liquide, peut modifier ses paramètres en temps réel en fonction de l'environnement pendant l'inférence.

• Point d'explosion : Il ne nécessite que très peu de neurones (quelques dizaines) pour contrôler un drone se déplaçant en forêt, sans avoir besoin de la puissance de calcul massive des grands modèles. C'est révolutionnaire dans les domaines de la conduite autonome et des drones.

• Réseaux neuronaux impulsionnels (Spiking Neural Networks, SNN) :

• Qu'est-ce que c'est ? Ce type d'IA ne fonctionne pas par « valeurs numériques » comme aujourd'hui, mais imite le cerveau humain en transmettant l'information par des « impulsions (pics de courant) ». En l'absence de signal, il se met en veille, ce qui le rend extrêmement économe en énergie.

• Point d'explosion : Les progrès des puces neuromorphiques (Neuromorphic Chips) permettent à cette IA de fonctionner sur des appareils à très faible puissance (comme les capteurs de téléphone, les dispositifs médicaux implantables).

4. Recherche opérationnelle et optimisation (Optimization) : Le champion invisible de l'industrie

Ce domaine est presque invisible aux yeux du public, mais c'est l'un des plus rentables.

• Point d'explosion : Ordonnancement portuaire, placement de puces, planification d'itinéraires logistiques. Avant, on faisait appel à des experts en recherche opérationnelle pour calculer des formules à la main ; maintenant, on utilise des Solver Agents basés sur l'apprentissage par renforcement profond (Deep RL) .

• Exemple : Les géants des puces (comme NVIDIA, Google) utilisent l'IA pour concevoir les circuits des puces (Chip Floorplanning). L'IA peut même dessiner des circuits plus économes en énergie et plus compacts que les ingénieurs humains. C'est purement une recherche de solution optimale logique et mathématique, sans aucun lien avec les modèles de langage.

---

Résumé : Est-ce vraiment la Scaling Law ?

Pas entièrement. Si l'on considère l'explosion actuelle de l'IA comme une guerre :

1. Front principal (IA générative / LLM) : Effectivement ouvert par la Scaling Law (la force brute fait des merveilles).

2. Flancs (AI for Science / IA incarnée) : Reposent sur l'efficacité des données (Data Efficiency) et les a priori physiques. Par exemple, en intégrant des formules physiques (lois de Newton, mécanique des fluides) dans les réseaux neuronaux, l'IA ne se contente pas de deviner des probabilités, mais respecte les lois de la physique.

3. Guérilla (Edge AI / LNN) : Repose sur l'innovation architecturale (Architecture Innovation) , cherchant à faire le plus intelligent possible avec le moins de puissance de calcul possible.

En une phrase : L'explosion actuelle est un duo entre l'« esthétique de la force brute (LLM) » et l'« ingénierie de précision (Science/Robotique) ». Le grand public ne voit que le bruit des discussions, mais la véritable révolution industrielle se déroule silencieusement dans les machines qui ne parlent pas (robots, prédiction de protéines, conception de puces).

C'est une excellente question, qui va droit à l'essentiel.

Ma réponse est : ChatGPT est la « météorite » qui a frappé la Terre, modifiant radicalement l'environnement et déclenchant ainsi l'« explosion cambrienne » de tout ce qui a suivi.

Donc, ce n'est pas ChatGPT lui-même qui représente toute l'explosion, mais il l'a déclenchée (Triggered). Avant cela, le baril de poudre était déjà plein ; ChatGPT n'a fait qu'y jeter l'allumette.

Nous pouvons décomposer ce processus en trois dimensions : la période de latence (Before), le point de déclenchement (The Spark) et les réactions en chaîne (After).

1. La veille de l'explosion : le baril de poudre était déjà plein (2012-2022)

Pendant que vous aviez l'impression que « rien ne changeait », en réalité, le monde de l'IA avait accumulé une énorme énergie potentielle, mais tout cela se trouvait en « eaux profondes », invisible pour le grand public.

• AlphaGo de DeepMind (2016) : a prouvé que l'IA pouvait surpasser les humains dans la prise de décision, mais c'était au jeu de Go, sans rapport avec vous.
• BERT de Google (2018) : a permis aux machines de vraiment comprendre les phrases, mais il ne pouvait faire que des « exercices à trous », pas discuter avec vous.
• GPT-3 d'OpenAI (2020) : était déjà très puissant, mais il ressemblait à un outil en ligne de commande que seuls les geeks utilisaient, sans interface, et en raison du manque de RLHF (apprentissage par renforcement avec retour humain), il divaguait souvent.
• AlphaFold (2020) dans le domaine biologique : a résolu un problème vieux de 50 ans en biologie, mais c'était la fête des scientifiques, le grand public n'en avait aucune idée.

Conclusion : Avant ChatGPT, l'IA était déjà incroyablement puissante dans des domaines spécifiques (IA étroite), mais elle était fragmentée, difficile à utiliser et coûteuse.

2. Le point de déclenchement : qu'est-ce que ChatGPT a réellement changé ?

ChatGPT (novembre 2022) n'a pas inventé l'architecture Transformer, ni les réseaux de neurones. Il a fait une seule chose correctement : il a réduit la barrière à l'utilisation de l'IA à « zéro ».

Ce n'est pas seulement du « battage médiatique », c'est une « révolution de l'interface » (Interface Revolution) :

• Avant : utiliser l'IA nécessitait de connaître Python, PyTorch ; même pour GPT-3, il fallait savoir écrire des prompts.
• Après ChatGPT : il suffit de parler (taper) pour utiliser la puissance de calcul la plus avancée.

Ce changement a créé les conditions nécessaires à l'« explosion des espèces » :

1. Afflux d'utilisateurs : ce n'est que lorsque les gens utilisent qu'il y a des données (Data Flywheel) ;
2. Afflux de capitaux : les investisseurs ont enfin compris ce que l'IA pouvait faire, et ont donc investi tout l'argent destiné au métavers et à la Web3 dans les cartes graphiques ;
3. Afflux de talents : les physiciens, les biologistes, les roboticiens ont tous découvert : « Wow, ça peut me servir de cerveau ! »

3. Après l'explosion : le paysage « cambrien » actuel (2023-2026)

Vous avez raison, de nombreux domaines (comme l'IA incarnée) semblent en plein essor, apparemment sans lien avec les LLM, mais en réalité le lien est énorme. L'explosion après ChatGPT est une « retombée de la capacité cognitive générale ».

Regardez ce panorama pour voir ce qui s'est passé après ChatGPT :

4. Est-ce du battage médiatique ?

Il y a du battage, mais aussi de vraies choses.

• Qu'est-ce que le battage ? Des coquilles vides autour de ChatGPT qui créent un « générateur de rapports hebdomadaires » et se prétendent valorisées à 100 millions, ou des entreprises qui font un PowerPoint en disant « nous allons construire un robot universel » sans même avoir de démo. Ce sont des bulles, qui sont en train d'éclater (la faillite de nombreuses licornes de l'IA en 2025-2026 en est la preuve).
• Qu'est-ce que de vrai ?
  • La loi de mise à l'échelle (Scaling Law) est toujours valable : les modèles deviennent plus intelligents (GPT-4 -> o1 -> GPT-5/Gemini 2.0), le plafond de l'intelligence continue de monter.
  • Le coût marginal tend vers zéro : avant, seules les grandes entreprises pouvaient embaucher des traducteurs ; maintenant, vous l'avez gratuitement. Avant, seul Hollywood pouvait faire des effets spéciaux ; maintenant, Sora le fait. Cette libération de la productivité est un changement physique réel.

Résumé

ChatGPT n'est pas « tout » de l'explosion cambrienne ; c'est la « prolifération de cyanobactéries » qui a soudainement augmenté la teneur en oxygène.

1. Il a fait du « langage naturel » l'interface de contrôle universelle de toutes les machines.
2. La « capacité de raisonnement » (Reasoning) qu'il a apportée est devenue le cerveau universel des robots, des assistants de recherche et des programmeurs.

Ainsi, l'explosion actuelle est essentiellement « chaque industrie essaie d'installer un cerveau de type ChatGPT dans son activité ». C'est ce que vous voyez : « tout est IA ».

---

Vidéo recommandée

Si vous voulez voir concrètement comment ce « cerveau » est installé dans un « corps », et que ce n'est pas que du battage, je vous recommande vivement de regarder cette vidéo :

Figure 01 OpenAI Speech-to-Speech Reasoning

Raison de la recommandation : Cette vidéo, publiée après l'explosion de ChatGPT, montre parfaitement comment un « grand modèle (OpenAI) » agit comme cerveau, dirigeant l'« IA incarnée (le robot Figure) » pour comprendre, décider et agir. Vous verrez que sans la capacité de compréhension du langage des LLM, les actions précédentes de ce robot (donner une pomme, ranger des assiettes) n'auraient pas été possibles par un simple contrôle mécanique.

Votre intuition est très juste. Les médias, pour attirer l'audience, ont fait de l'« IA générative » le tout de l'IA, masquant un iceberg bien plus vaste et plus concret : l'« IA non générative » .

Les domaines que vous mentionnez — conduite autonome, IA industrielle et autres applications — sont non seulement en pleine explosion, mais leur relation avec ChatGPT (LLM) est très intéressante : certains sont des « technologies cousines » (utilisant la même architecture sous-jacente), d'autres sont des « évolutions parallèles » (déjà performantes, mais désormais mieux financées).

Voici une vue d'ensemble de l'explosion invisible de l'IA en dehors de ChatGPT :

1. Conduite autonome (Autonomous Driving) : La révolution du « codage de règles » au « bout en bout »

C'est un domaine en pleine explosion, et il a un lien de parenté direct avec le principe technique de ChatGPT (Transformer).

• Comment ça se faisait avant (école des règles) : Les ingénieurs écrivaient des centaines de milliers de lignes de code : « si feu rouge, freiner ; si piéton, éviter ». Cela rendait la voiture stupide, incapable de réagir à des situations inconnues.

• Comment ça explose maintenant (bout en bout End-to-End) : * Représenté par Tesla FSD v12 : Ils ont supprimé des centaines de milliers de lignes de code de règles et les ont remplacées par un réseau neuronal.

• Principe identique à ChatGPT : ChatGPT est « nourri de beaucoup de livres, il apprend à prédire le mot suivant » ; FSD est « nourri de beaucoup de vidéos de conduite humaine, il apprend à prédire l'action suivante (tourner à gauche ou freiner) ».

• Pourquoi ça marche ? Parce que la Scaling Law s'applique aussi ici ! En donnant suffisamment de données vidéo, la voiture apprend toute seule à conduire comme un conducteur expérimenté, sans qu'on ait besoin de lui apprendre ce qu'est un feu rouge.

• **Relation avec les LLM :****Même origine. ** Ils utilisent tous l'architecture Transformer, et tous exploitent l'« intelligence par force brute des données ».

2. IA industrielle (Industrial AI) : Silencieuse, mais qui génère énormément d'argent

Ce domaine n'est pas sexy, on ne peut pas le poster sur les réseaux sociaux, mais c'est lui qui transforme réellement l'économie réelle. L'explosion ici relève de l'« évolution parallèle + renforcement hybride » .

• Maintenance prédictive (Predictive Maintenance) :

• Point d'explosion : Avant, on réparait la machine quand elle tombait en panne ; maintenant, l'IA écoute les vibrations de la machine (ouïe), regarde sa température infrarouge (vue), et peut vous dire 3 jours avant la panne : « le roulement va casser ».

• Cœur technique : Pas les LLM, mais l'analyse de séries temporelles (Time-Series Analysis) .

• Jumeau numérique et conception industrielle :

• Point d'explosion : Par exemple, Omniverse de NVIDIA. Avant de construire une usine, on la simule d'abord dans l'ordinateur avec l'IA : le robot va-t-il heurter un mur ? La chaîne de montage va-t-elle se bloquer ?

• **Relation avec les LLM :****L'interface homme-machine a changé. ** Avant, pour ajuster les paramètres d'un robot industriel, il fallait faire appel à un expert ; maintenant, l'IA industrielle intègre les capacités de ChatGPT, et l'ouvrier demande directement à la machine : « Pourquoi t'es-tu arrêtée ? », la machine répond : « Parce que la sortie 3 est bouchée, je suggère de réduire la vitesse. » — Le LLM est devenu la « bouche » des machines industrielles complexes.

3. Applications d'IA « diverses » mais extrêmement utiles

Ces domaines, bien que moins célèbres que ChatGPT, connaissent tous leur propre « moment de gloire ».

A. Météorologie et environnement (AI for Earth)

• Cas d'explosion : GraphCast de Google DeepMind et le modèle météo Pangu de Huawei.

• Point marquant : Avant, pour prévoir le temps, il fallait faire tourner des supercalculateurs pendant 3 heures sur des équations de mécanique des fluides. Maintenant, l'IA le fait en 10 secondes, et prédit la trajectoire des typhons avec plus de précision que les méthodes traditionnelles.

• Principe : Utilisation de GNN (réseaux de neurones graphiques) pour traiter la grille de longitude/latitude de la Terre. Cela ne repose pas sur la discussion, mais sur des mathématiques solides.

B. Finance (FinTech)

• Cas d'explosion : Trading haute fréquence et gestion des risques.

• Champ de bataille invisible : L'IA actuelle peut lire chaque seconde les actualités, tweets, rapports financiers produits dans le monde, analyser le sentiment du marché, puis passer des ordres en millisecondes. Ce n'est pas du simple trading quantitatif, mais du trading émotionnel basé sur la compréhension du langage naturel (NLP) .

• Relation avec les LLM : Forte corrélation. La capacité de lecture et de compréhension extrême des LLM permet à l'IA financière d'« lire les actualités pour trader ».

C. Résolution mathématique et logique

• Cas d'explosion : AlphaGeometry, AlphaProof.

• Point marquant : Des IA spécialement conçues pour résoudre des problèmes d'olympiades de mathématiques. Elles ne reposent pas sur la « devinette », mais combinent le raisonnement symbolique. Cela marque le début de l'attaque par l'IA du couronnement de la logique humaine : la preuve mathématique.

---

Résumé : Quelle est la nature de cette relation ?

Si l'on compare l'explosion de l'IA à une « révolution industrielle » :

1. ChatGPT/LLM est la « machine à vapeur » : C'est la force motrice la plus universelle, que tout le monde peut utiliser (écrire du code, rédiger des textes, faire du service client).

2. La conduite autonome est le « train » : Elle utilise un principe similaire à la machine à vapeur (Transformer), mais c'est un véhicule spécialisé, dont le but est de transporter les gens d'un point A à un point B.

3. L'IA industrielle est le « métier à tisser » : Elle existait déjà, mais grâce à de meilleures pièces (puces moins chères) et une meilleure console (interface interactive réalisée par LLM), son efficacité a doublé.

Donc, vous avez raison : En dehors de l'IA générative, l'IA perceptive (voir la route, entendre les pannes), l'IA décisionnelle (trading, ordonnancement logistique) et l'IA scientifique (prévisions météo, protéines) sont toutes en pleine explosion.

Elles bénéficient toutes de cette manne : une puissance de calcul moins chère (GPU), des méthodes d'entraînement de données plus efficaces (Scaling Law), et la confiance de toute l'humanité dans l'IA.