Anthropic affirme que l'IA n'est pas bloqué, il est en train de surpasser les références

Les grands modèles de langage (LLMs) et autres technologies d'IA générative réalisent des progrès significatifs dans l'auto-correction, ouvrant la voie à de nouvelles applications, y compris ce qu'on appelle "l'IA agentique", selon Michael Gerstenhaber, vice-président d'Anthropic, un développeur de modèles d'IA de premier plan.

"Il devient très performant en auto-correction, en auto-raisonnement", a partagé Gerstenhaber, qui dirige les technologies d'API chez Anthropic, lors d'une interview à New York avec Anurag Rana de Bloomberg Intelligence. Anthropic, créateurs de la famille de LLMs Claude, sont des concurrents directs des modèles GPT d'OpenAI. "Tous les deux mois environ, nous lançons un nouveau modèle qui élargit les capacités des LLMs", a-t-il ajouté, soulignant la nature dynamique de l'industrie où chaque révision de modèle débloque de nouveaux usages potentiels.

Nouvelles capacités des modèles d'IA

Les derniers modèles d'Anthropic ont introduit des capacités telles que la planification de tâches, leur permettant d'exécuter des tâches sur un ordinateur de manière similaire à un humain, comme commander une pizza en ligne. "Planifier des étapes intermédiaires, quelque chose qui n'était pas réalisable hier, est maintenant à portée de main", a noté Gerstenhaber à propos de cette exécution de tâches étape par étape.

La discussion, qui incluait également Vijay Karunamurthy, technologue en chef de la startup d'IA Scale AI, faisait partie d'une conférence d'une journée organisée par Bloomberg Intelligence intitulée "Gen AI : Peut-elle tenir sa promesse de productivité ?"

Défier le scepticisme envers l'IA

Les idées de Gerstenhaber remettent en question les points de vue des sceptiques de l'IA qui soutiennent que l'IA générative et le domaine de l'IA en général "atteignent un mur", suggérant des rendements décroissants à chaque nouvelle itération de modèle. L'universitaire en IA Gary Marcus, par exemple, a exprimé ses préoccupations depuis 2022, avertissant que simplement augmenter la taille des modèles d'IA (plus de paramètres) n'améliorera pas proportionnellement leurs performances.

Cependant, Gerstenhaber affirme qu'Anthropic repousse les limites au-delà de ce que les benchmarks actuels de l'IA peuvent mesurer. "Même si les progrès semblent ralentir dans certains domaines, c'est parce que nous débloquons de toutes nouvelles fonctionnalités, mais nous avons saturé les benchmarks et la capacité à effectuer les tâches plus anciennes", a-t-il expliqué. Cela rend de plus en plus difficile d'évaluer pleinement ce que les modèles d'IA générative actuels peuvent accomplir.

Mise à l'échelle et apprentissage

Gerstenhaber et Karunamurthy ont tous deux souligné l'importance de la mise à l'échelle des modèles d'IA générative pour améliorer leurs capacités d'auto-correction. "Nous constatons certainement une mise à l'échelle croissante de l'intelligence", a remarqué Gerstenhaber. Karunamurthy a ajouté : "Une des raisons pour lesquelles nous pensons ne pas atteindre un mur avec la planification et le raisonnement est que nous apprenons encore à structurer ces tâches pour que les modèles puissent s'adapter à des environnements nouveaux et variés."

Gerstenhaber a acquiescé, déclarant : "Nous sommes aux débuts, apprenant des développeurs d'applications leurs besoins et les lacunes des modèles, que nous pouvons ensuite réintégrer dans le modèle de langage."

Apprentissage et adaptation en temps réel

Une grande partie de ces progrès, selon Gerstenhaber, est alimentée par le rythme rapide de la recherche fondamentale chez Anthropic, ainsi que par un apprentissage en temps réel à partir des retours de l'industrie. "Nous nous adaptons à ce que l'industrie nous dit avoir besoin, apprenant en temps réel", a-t-il dit.

Les clients commencent souvent par des modèles plus grands, puis passent à des modèles plus simples pour répondre à des besoins spécifiques. "Initialement, ils évaluent si un modèle est suffisamment intelligent pour bien effectuer une tâche, puis s'il est assez rapide pour répondre aux besoins de leur application, et enfin, s'il peut être aussi rentable que possible", a expliqué Gerstenhaber.