Note : Ce contenu a été créé avant que Fabernovel ne fasse partie du groupe EY, le 5 juillet 2022.

1// Il y a un cruel manque de transparence

La première chose que nous avons remarquée en cherchant des données sur le financement de la recherche en IA est qu’il est incroyablement difficile de trouver ce type d’information. La recherche en intelligence artificielle n’est en général pas assez importante pour apparaître sur une ligne spécifique dans le budget des agences publiques de recherche (contrairement aux grands domaines académiques que sont « l’informatique » ou « la chimie », par exemple).

La seule solution (nécessairement imparfaite) est donc de chercher au fil des années les programmes liés à l’intelligence artificielle ou à ses branches. Mais trouver les programmes pertinents est extrêmement difficile. Par exemple, nous avons pu lire que les auteurs d’un article avaient reçu une bourse d’un programme de la DARPA (la principale branche de R&D du Département de la Défense américain) appelé « Deep Learning ». Toutefois, nous n’avons trouvé aucune information sur les montants versés dans ce cadre, ni aucun nom de bénéficiaire : uniquement un rapport d’évaluation technique du US Naval Research Laboratory.

Si le public continue à considérer l’intelligence artificielle comme une des influences clés sur l’avenir (en bien ou en mal), alors nous sommes en droit de savoir quels sont les domaines traités aujourd’hui et qui y travaille.

2// Le financement n’a pas beaucoup augmenté, mais la répartition a changé

Avec le battage médiatique autour de l’intelligence artificielle, on s’attendait à une augmentation significative du budget correspondant à la recherche dans ce domaine (au moins aux États-Unis). La somme des budgets du département des Systèmes de renseignement et de l’information de la National Science Foundation et des programmes de la DARPA en lien avec l’intelligence artificielle a oscillé entre 300 et 400 millions de dollars ces quinze dernières années.

(Un chiffre qui est relativement cohérent avec le montant d’1,1 milliard de dollars correspondant à l’investissement global du gouvernement américain dans « les technologies en lien avec l’IA » en 2015, communiqué par un récent rapport de la Maison Blanche.)

Sources : budgets DARPA et NSF

Puisque la recherche en IA existe depuis des décennies, nous supposons que ce qui compte, encore plus que le volume des investissements, est leur répartition. Et cette dernière a évolué. Par exemple, la première mention de « machine learning » dans le budget de la NSF date de 2009. Les financements ont donc sûrement eu un rôle à jouer dans le développement actuel de l’IA, c’est-à-dire dans l’intérêt porté au machine learning et plus particulièrement au deep learning.

3// L’IA n’est pas une obsession du financement public

Le corollaire de l’affirmation précédente est que l’intelligence artificielle n’est pas (encore) un domaine majeur d’investissement au sein du vaste monde de la recherche. La NSF nous donne un aperçu de la réalité :

Source : budget NSF

Dans l’Union européenne, aucune partie du programme de recherche et d’innovation Horizon 2020 (au budget de 80 milliards d’euros) n’est allouée à l’intelligence artificielle, à l’exception de la robotique. Quand bien même l’IA aurait toute sa place dans la plupart de ses piliers, comme « Technologies futures et émergentes », « Primauté industrielle » et « Défis sociétaux ». Le problème est que les politiques R&D de l’UE sont négociées pour des périodes de 7 ans, et que le cadre actuel a été adopté en 2013, avant que l’IA ne devienne un fournisseur récurrent de gros titres et débats.

4// Le financement de l’armée américaine prévaut toujours

C’était sans doute naïf, mais nous ne nous attendions pas à trouver autant de remerciements pour des bourses des agences liées au Département de la Défense (DARPA, Office of Naval Research…) dans les publications de chercheurs travaillant aux États-Unis, contrairement à l’essentiel de l’histoire de l’IA qui s’est déroulé pendant la guerre froide.

La présence constante des objectifs militaires dans le financement de la recherche en IA aux États-Unis est d’autant plus importante quand on apprend qu’ « assurer la défense nationale » arrive en troisième position dans les missions de la National Science Foundation, agence civile. Ce qui diffère grandement de celles des organismes de recherches équivalents en Europe. Par exemple, l’Engineering and Physical Sciences Research Council britannique et le Code français de la recherche visent à (i) encourager le progrès scientifique et (ii) contribuer au progrès économique et social (il est important de noter que ces objectifs sont toujours mentionnés dans cet ordre).

En quoi est-ce important ? Après tout, nous savons tous que l’Internet que nous utilisons tous les jours est l’héritier de l’ARPAnet militaire. La réponse est double.

D’un côté, la seule implication de l’armée américaine dans le vaste paysage de la recherche (au-delà des domaines directement en lien avec la défense) est sujette à débat. Dans cette optique, les idées rassemblées en 1984 par Terry Winograd, grande figure de l’IA, en disent long.

D’un autre côté, quelle que soit notre opinion sur cette implication et sur son effet net sur notre société, son influence sur la trajectoire de recherche est loin d’être neutre. Par exemple, le Grand Challenge DARPA, une compétition de voitures autonomes organisée en 2004-2005, qui a été le point de départ de tous les efforts numériques et industriels que l’on observe aujourd’hui, a été lancée dans le but de rendre autonome un tiers des véhicules de combat terrestre de l’armée américaine avant 2015.

On ne devrait jamais oublier le coût d’opportunité lié au financement de l’armée, et donc qu’une importance plus grande donnée aux objectifs civils pourrait susciter l’exploration de voies nouvelles dans le domaine de l’IA.

5// La Chine exerce une influence croissante

Les données sont peu nombreuses, mais il est évident que la Chine rattrape les États-Unis. Le graphique ci-dessous, tiré d’un récent rapport de la Maison Blanche, montre que dans le domaine du deep learning, le nombre de publications chinoises a dépassé les publications américaines en 2014. Les États-Unis et la Chine font clairement la course en tête et les autres pays ont du mal à tenir le rythme :

La meilleure approximation que nous ayons de l’effort chinois en IA se trouve dans les nombreuses équipes qui participent aux compétitions internationales, où elles sont très performantes. Une équipe du ministère chinois de la Sécurité publique a ainsi remporté la compétition de classification ImageNet en 2016, loin devant une équipe composée principalement de chercheurs en IA travaillant chez Facebook. L’année précédente, Microsoft avait remporté cette même compétition… grâce à son laboratoire de Pékin.

6 // La stratégie des leaders du numérique n’est pas de financer des laboratoires universitaires, mais de les concurrencer

Les géants mondiaux de la technologie n’hésitent pas à investir dans la recherche de base. Leur approche n’est pas de remplacer les financements publics des laboratoires universitaires : pour la plupart, ils ont investi dans leurs propres centres de recherche. Certains de leurs groupes ont été créés au début des années 2000 (par exemple, l’équipe de traduction automatisée de Microsoft date de 2002), mais leurs efforts sont allés croissant ces dernières années.

Par exemple, Facebook a embauché Yann LeCun, pionnier du deep learning et professeur à NYU, pour lancer le laboratoire Facebook AI Research en 2013 et a ensuite formé une équipe supplémentaire à Paris en 2015. L’équipe Google Brain a été créée en 2011, la firme a annoncé un groupe de machine learning à Zurich en juin 2016, et elle est actuellement en train de monter un laboratoire à Montréal, haut lieu du deep learning.

Certains des membres les plus importants de Facebook AI Research (Yann LeCun est le deuxième à gauche)

Davantage de chercheurs rejoignent les GAFA, que l’on accuse à présent de tarir la source des talents universitaires. (C’est également évident dans leur financement direct des laboratoires universitaires, qui cible particulièrement les doctorants.) La stratégie de recherche d’Uber dans les voitures autonomes est l’archétype des tensions qui existent parfois entre entreprises du numérique et universités. Uber a signé un accord de partenariat avec l’université Carnegie Mellon en 2015, qui comprenait un don de 5,5 millions de dollars, mais on a vite accusé le géant du transport à la demande de débaucher des dizaines de scientifiques de la CMU.

7// Le modèle le plus intéressant parmi les centres de recherche est allemand

Le très discret Centre de recherche pour l’intelligence artificielle allemand (DFKI en allemand) a été créé en 1988, et il propose un modèle unique qui pourrait être imité dans de nombreux pays (son budget pour 2015 était de « seulement » 41 millions d’euros). C’est l’un des plus grands laboratoires en IA du monde, construit sur 4 piliers :

1. Comme son nom l’indique, il est uniquement consacré à l’intelligence artificielle et à ses nombreuses problématiques (gestion de la connaissance, traduction automatisée, robotique…) avec près de 500 chercheurs et des centaines de doctorants.
2. Le DFKI est un partenariat public / privé à but non lucratif détenu par trois types d’actionnaires : 3 Länder allemands, 3 universités allemandes et des entreprises extrêmement diverses (Google, Airbus, Volkswagen, Intel…).
3. Ses 4 sites permettent à DFKI d’installer ses groupes de recherche à l’endroit le plus approprié (par exemple, le centre d’innovation en robotique est à Brême, non loin d’usines Mercedes-Benz et Airbus ; le groupe Textiles interactifs est basé à Berlin, ville nettement plus créative).
4. DFKI contrôle toute la chaîne d’innovation, de la recherche de base (18 groupes de recherche) à la commercialisation (76 spin-offs depuis sa création), en passant par la phase de test (6 living labs).

Le Centre d’exploration maritime de Brême, où des robots aquatiques sont testés en conditions réelles

8// Grandes entreprises et gouvernements ont un levier à exploiter

Le Canada héberge deux communautés dynamiques de recherche en deep learning, à Toronto et à Montréal. Le CIFAR (l’Institut canadien de recherche avancée) a été la clé de ce mouvement, grâce à un programme qu’il a financé en 2004, appelé « Calcul neuronal et perception adaptative ». Cette initiative a rassemblé les 3 pionniers du_ deep learning_ : Geoffrey Hinton de l’université de Toronto, Yoshua Bengio de l’université de Montréal et Yann Le Cun de l’université de New York. Et le budget annuel pour l’ensemble des programmes du CIFAR est seulement de 25 millions de dollars.

Au vu des dépenses globales (privées et publiques) en R&D dans chaque pays qui se chiffrent en milliards de dollars, cette expérience démontre que si l’on considère l’IA comme un domaine de recherche prometteur pour notre économie et notre société, alors les gouvernements et les grandes entreprises concernées pourraient exercer une grande influence sur l’avenir de l’IA, en redirigeant simplement quelques dizaines de millions de dollars vers ce domaine.

Ils contribueraient par la même occasion au maintien des laboratoires publics et universitaires comme épicentres de la recherche en IA, à côté des efforts importants fournis par les géants du numérique.