L’article soutient qu’après le problème du manque de puces d’IA avancées, la Chine fait face à un autre défi sérieux : la pénurie de données en langue chinoise de haute qualité pour entraîner les modèles d’IA de nouvelle génération.
Selon l’institut de recherche américain Epoch AI, les textes de haute qualité créés par l’homme et disponibles publiquement à l’échelle mondiale pourraient être complètement épuisés d’ici les six prochaines années.
Le cofondateur d’OpenAI, Andrej Karpathy, a également mis en garde contre un « mur de données » d’ici la fin de cette décennie, les capacités des modèles d’IA risquant de stagner en l’absence de nouvelles données supplémentaires et fiables.
Les entreprises d’IA américaines ont accéléré la collecte de données hors ligne. Selon des documents judiciaires, Anthropic aurait dépensé des dizaines de millions de dollars pour acheter des millions de livres physiques, en détacher la reliure, numériser l’intégralité du contenu puis jeter les exemplaires imprimés, ce qui a suscité de nombreuses controverses sur le plan de l’éthique et des droits d’auteur.
Pour la Chine, le problème est plus grave car le chinois ne représente qu’environ 1,3 % du contenu sur Internet à l’échelle mondiale, ce qui est bien inférieur à l’anglais (près de 50 %), à l’espagnol (6 %), à l’allemand (5,9 %) et au japonais (5 %).
En juin, l’Administration nationale des données de Chine a publié un plan visant à accroître considérablement l’offre, la circulation et la commercialisation de données d’entraînement pour l’IA de haute qualité.
D’ici 2028, la Chine vise à construire un écosystème de données vérifiées pour des secteurs tels que la fabrication, l’énergie, la santé, la finance, l’agriculture, l’IA incarnée (embodied AI), les véhicules autonomes et l’aviation à basse altitude.
Des experts chinois appellent à la création de vastes répertoires de données chinoises en numérisant des archives historiques, des chroniques locales, des manuscrits anciens, des documents scientifiques, des dictionnaires, du contenu audiovisuel et même des dialectes.
Pékin encourage également les entreprises à développer des données synthétiques pour compléter les données créées par l’homme. Cependant, la numérisation des documents se heurte à l’opposition des éditeurs. Certains livres nouvellement imprimés comportent clairement des clauses interdisant l’utilisation du contenu pour l’entraînement de l’IA et menacent de poursuites judiciaires en cas de violation.
📌 La concurrence dans le domaine de l’IA se déplace des puces et des modèles vers les données. Alors que les sources de données publiques de haute qualité s’épuisent de plus en plus, la Chine fait face à un défi plus important puisque le volume de contenu en chinois sur Internet ne représente qu’environ 1,3 % au niveau mondial. Pour maintenir le rythme de développement de l’IA, le pays accélère la numérisation des fonds documentaires hors ligne, construit un écosystème de données national et développe des données synthétiques. Cependant, les questions de droits d’auteur et de propriété des données pourraient devenir un obstacle majeur lors de la prochaine étape de la course à l’IA.
