Donc, l'IA 2.0 est en fait déjà là, et si vous attendiez la deuxième vague, vous y êtes déjà. Nous observons l'IA passer des laboratoires aux applications commerciales concrètes dans tous les secteurs. Oui, NVIDIA fait la une des journaux en tant que fournisseur de puces, mais honnêtement, ils ne sont qu'une pièce d'un puzzle beaucoup plus grand.

Le problème, c'est que l'IA n'est pas une seule chose monolithique. Plusieurs types d'IA émergent simultanément, et ils ne fonctionnent pas tous de la même manière. La plupart finiront par être intégrés ensemble, mais cela prendra du temps. C'est précisément pourquoi c'est une opportunité générationnelle - nous parlons de décennies de développement à venir, pas seulement quelques années.

Les réseaux de transformateurs attirent actuellement la majorité de l'attention, et pour de bonnes raisons. Ces modèles massifs pré-entraînés peuvent gérer plusieurs tâches à la fois, comprendre le langage, lire du code, générer du contenu - ChatGPT et des outils similaires en sont des exemples évidents que tout le monde connaît. Ils sont bien plus efficaces que les anciens modèles autonomes effectuant le même travail. La véritable infrastructure ici est construite par les hyperscalers - Amazon Web Services, Google, IBM, Microsoft. Ces entreprises hébergent le cloud, et c'est là que l'IA vit réellement pour le moment. La stratégie d'infrastructure cloud va continuer à croître.

Ensuite, il y a les données synthétiques, ce qui est assez fou quand on y pense. Les entreprises d'IA ont besoin de quantités massives de données pour entraîner leurs modèles, mais obtenir ces données à des coûts raisonnables devient de plus en plus difficile. Les préoccupations en matière de confidentialité poussent l'industrie à utiliser des données générées par l'IA pour entraîner d'autres systèmes d'IA. Les entreprises de conduite autonome, les services financiers, l'assurance, la pharmacie - elles utilisent toutes des données synthétiques maintenant. Lorsqu'on combine cela avec la technologie de vision par ordinateur de sociétés comme Ambarella, on transforme les données brutes des puces en véritables insights.

L'apprentissage par renforcement pousse cela encore plus loin. Vous utilisez plusieurs flux de données enrichis par des données synthétiques pour optimiser le fonctionnement de la fabrication et de la robotique. Des entreprises comme Rockwell Automation, Zebra Technologies, Intuitive Surgical et UiPath font des mouvements sérieux dans ce domaine. La plateforme d'automatisation d'UiPath est un exemple parfait - Uber était submergé par la complexité opérationnelle mais a réussi à se recentrer en déployant des robots numériques UiPath dans toute leur activité.

La couche de connectivité, c'est l'apprentissage fédéré - essentiellement comment tous ces modèles d'IA communiquent entre eux et partagent des données. Google et Microsoft mènent ici, mais Oracle et Adobe sont aussi des acteurs clés. Adobe est intéressant parce que son interface est partout sur Internet, ce qui en fait un élément fondamental pour le déploiement des applications d'IA. MongoDB est un autre acteur remarquable, en forte croissance.

Ce qui est moins évident mais tout aussi important, c'est l'inférence causale - la prochaine étape de l'évolution de l'analyse de données. Ce n'est pas seulement de la recherche de motifs ; il s'agit de déterminer la cause et l'effet réels à partir des ensembles de données, de faire des prédictions, de repérer les erreurs avant qu'elles ne se produisent. Les équipes de R&D pharmaceutique s'y intéressent énormément. Novartis a collaboré avec Microsoft et NVIDIA pour faire évoluer leur infrastructure d'IA sur la prochaine décennie, ce qui montre à quel point cela est sérieux.

La véritable histoire ici, c'est que l'IA 2.0 ne fait que commencer. Ce n'est pas un cycle de hype à court terme - nous envisageons des retours soutenus à travers plusieurs applications d'IA et stratégies d'infrastructure sur un très long terme.