Des applications d'IA sur un smartphone. L’IA est en plein essor, mais une grande partie des investissements relève de la spéculation. La bulle de l’IA n’a rien de nouveau : Karl Marx en a expliqué les mécanismes

L’explosion des investissements dans l’intelligence artificielle révèle, comme l’avait décrit Marx, d’une difficulté structurelle du capitalisme à absorber ses propres excédents, au prix d’une financiarisation accrue et de fragilités économiques croissantes.

---

Lorsque Sam Altman, patron d’OpenAI, a déclaré plus tôt cette année à des journalistes à San Francisco que le secteur de l’intelligence artificielle (IA) était en train de former une bulle, le marché technologique états-unien a réagi presque instantanément. Combinée au fait que 95 % des projets pilotes en IA échouent, sa remarque a été perçue par les traders comme un signal d’alerte plus large. Même si Altman visait spécifiquement les start-ups non cotées plutôt que les grands groupes en Bourse, certains semblent y avoir vu une évaluation de l’ensemble du secteur.

Le milliardaire de la tech Peter Thiel (NDT : un proche de Donald Trump) a par exemple vendu ses actions Nvidia, tandis que l’investisseur américain Michael Burry – rendu célèbre par The Big Short – a parié des millions de dollars sur une baisse de la valeur de ce fabricant de puces mais également de l’éditeur américain de logiciels d’analyse data Palantir.

---

À lire aussi : Pourquoi la hausse du prix des mémoires vives informatiques est une menace pour l’économie européenne

---

Au fond, le propos d’Altman ne met pas seulement en lumière la fragilité de certaines sociétés, mais une tendance plus profonde qu’avait anticipée Karl Marx : le problème du capital excédentaire, qui ne parvient plus à trouver de débouchés rentables dans la production.

La théorie marxiste des crises

L’avenir de l’IA n’est pas en cause. Comme Internet après l’éclatement de la bulle de 2001, la technologie est appelée à durer. Ce qui pose question, en revanche, c’est la destination du capital une fois que les actions liées à l’IA ne fourniront plus les rendements spéculatifs promis ces dernières années.

Cette interrogation nous ramène directement à l’analyse marxienne des crises liées à la suraccumulation. Marx soutenait qu’une économie devient instable lorsque la masse de capital accumulé ne peut plus être réinvestie de manière rentable.

Les investissements technologiques masquent la faiblesse économique

Des années de taux d’intérêt bas et de liquidités abondantes durant la pandémie ont gonflé les bilans des entreprises. Une large part de ces liquidités s’est dirigée vers le secteur technologique, en se concentrant sur ce que l’on appelle les « Sept Magnifiques » – Amazon, Alphabet, Meta, Apple, Microsoft, Nvidia et Tesla. Sans ces entreprises, la performance des marchés serait négative.

Cela ne traduit pas un véritable dynamisme technologique ; c’est le signe d’un capital concentré dans une poignée d’actifs surévalués, fonctionnant comme de l’« argent jeté dans la circulation sans base matérielle dans la production », qui circule sans ancrage dans l’activité économique réelle.

La conséquence est qu’une part moindre de l’investissement atteint l’« économie réelle », ce qui alimente la stagnation économique et la crise du coût de la vie – deux phénomènes largement masqués par l’indicateur du PIB.

Comment l’IA est devenue le dernier palliatif

Le géographe de l’économie David Harvey prolonge l’intuition de Marx avec la notion de « spatio-temporal fix », qu’on pourrait traduire par « correctif spatio-temporel », qui désigne la manière dont le capital résout provisoirement la stagnation en repoussant l’investissement dans le temps ou en s’étendant vers de nouveaux territoires.

La suraccumulation produit des excédents de travail, de capacités productives et de capital financier, qui ne peuvent être absorbés sans pertes. Ces excédents sont alors redirigés vers des projets de long terme, ce qui repousse les crises vers de nouveaux espaces et ouvre de nouvelles possibilités d’extraction.

Le boom de l’IA fonctionne à la fois comme un correctif temporel et un correctif spatial. Sur le plan temporel, il offre aux investisseurs des droits sur une rentabilité future qui pourrait ne jamais se matérialiser – ce que Marx appelait le « capital fictif ». Il s’agit d’une richesse qui apparaît dans les bilans alors qu’elle repose peu sur l’économie réelle, ancrée dans la production de biens.

Sur le plan spatial, l’extension des centres de données, des sites de fabrication de puces et des zones d’extraction minière nécessite des investissements matériels considérables. Ces projets absorbent du capital tout en dépendant de nouveaux territoires, de nouveaux marchés du travail et de nouvelles frontières de ressources. Mais comme le suggère l’aveu de Sam Altman, et alors que les mesures protectionnistes du président américain Donald Trump compliquent le commerce mondial, ces débouchés atteignent leurs limites.

Le coût du capital spéculatif

Les conséquences de la suraccumulation dépassent largement le seul monde des entreprises et des investisseurs. Elles se vivent socialement, et non de manière abstraite. Marx expliquait qu’une surproduction de capital correspond à une surproduction des moyens de production et des biens de première nécessité qui ne peuvent être utilisés aux taux d’exploitation existants.

Autrement dit, l’affaiblissement du pouvoir d’achat – ironiquement accéléré par l’essor de l’IA – empêche le capital de se valoriser au rythme auquel il est produit. Lorsque la rentabilité recule, l’économie résout ce déséquilibre en détruisant les moyens de subsistance des travailleurs et des ménages dont les retraites sont liées aux marchés financiers.

L’histoire offre des exemples frappants. L’éclatement de la bulle Internet a ruiné de petits investisseurs et concentré le pouvoir entre les mains des entreprises survivantes. La crise financière de 2008 a chassé des millions de personnes de leur logement tandis que les institutions financières étaient sauvées. Aujourd’hui, de grands gestionnaires d’actifs se couvrent déjà contre de possibles turbulences. Vanguard, par exemple, a opéré un net déplacement vers les obligations.

La spéculation comme moteur de la croissance

La bulle de l’IA est avant tout le symptôme de pressions structurelles, plus que le simple produit d’une dynamique technologique. Au début du XXᵉ siècle, l’économiste marxiste Rosa Luxemburg s’interrogeait déjà sur l’origine de la demande sans cesse croissante nécessaire à la reproduction élargie du capital.

Sa réponse fait écho à celles de Marx et de Harvey : lorsque les débouchés productifs se raréfient, le capital se déplace soit vers l’extérieur, soit vers la spéculation. Les États-Unis optent de plus en plus pour cette seconde voie. Les dépenses des entreprises dans les infrastructures d’IA contribuent désormais davantage à la croissance du PIB que la consommation des ménages, une inversion sans précédent qui montre à quel point la croissance actuelle repose sur l’investissement spéculatif plutôt que sur l’expansion productive.

Cette dynamique tire vers le bas le taux de profit et, lorsque le flux spéculatif s’inversera, la contraction suivra.

Source The Conversation

Une IA découvre les premiers nouveaux antibiotiques depuis plus de 60 ans

Une nouvelle classe d'antibiotiques pour les bactéries "Staphylococcus aureus" résistantes aux médicaments (SARM) a été découverte en utilisant des modèles d'apprentissage profond plus transparents.

L'utilisation de l'intelligence artificielle (IA) est en train de changer la donne dans le domaine de la médecine. La technologie vient de permettre à des scientifiques de découvrir les premiers nouveaux antibiotiques depuis 60 ans.

Cette découverte d'un nouveau composé capable d'éliminer une bactérie résistante aux médicaments qui tue chaque année des milliers de personnes dans le monde pourrait marquer un tournant dans la lutte contre la résistance aux antibiotiques.

"L'idée était d'évaluerla capacité des modèles à prédire que certaines molécules seraient de bons antibiotiques", déclare James Collins, professeur d'ingénierie médicale et de sciences au Massachusetts Institute of Technology (MIT) et l'un des auteurs de l'étude, dans un communiqué.

"Notre travail fournit un cadre qui permet d'économiser du temps et des ressources et qui est capable d'analyser la composition, du point de vue de la structure chimique, d'une manière que nous n'avions pas jusqu'à présent".

Les résultats ont été publiés aujourd'hui dans Nature et cosignés par une équipe de 21 chercheurs.

L'étude vise à "ouvrir la boîte noire"

L'équipe à l'origine du projet a utilisé un modèle d'apprentissage profond ("deep learning") pour prédire l'activité et la toxicité du nouveau composé.

L'apprentissage profond implique l'utilisation de réseaux neuronaux artificiels, qui permettent à une IA d'apprendre et de découvrir de nouvelles idées à partir de données sans programmation explicite.

Il est de plus en plus souvent appliqué à la recherche médicale afin d'accélérer l'identification de médicaments candidats potentiels, de prédire leurs propriétés et d'optimiser leur processus de développement.

Dans le cas présent, les chercheurs se sont concentrés sur le staphylocoque doré résistant à la méthicilline (SARM).

Les infections à SARM peuvent aller d'infections cutanées bénignes à des affections plus graves et potentiellement mortelles telles que la pneumonie et les infections sanguines.

Selon le Centre européen de prévention et de contrôle des maladies (ECDC), près de 150 000 infections à SARM se produisent chaque année dans l'Union européenne et près de 35 000 personnes meurent chaque année dans l'Union d'infections résistantes aux antimicrobiens.

L'équipe de chercheurs du MIT a utilisé un modèle d'apprentissage profond considérablement élargi à l'aide d'un immense ensemble de données.

Pour créer les données d'entraînement,environ 39 000 composés ont été évalués pour leur activité antibiotique contre le SARM. Par la suite, les données résultantes et les détails concernant les structures chimiques des composés ont été introduits dans le modèle.

"Ce que nous avons voulu faire dans cette étude, c'est ouvrir la boîte noire. Ces modèles consistent en un très grand nombre de calculs qui imitent les connexions neuronales, et personne ne sait vraiment ce qui se passe sous le capot", déclare Felix Wong, chercheur postdoctoral au MIT et à Harvard et l'un des principaux auteurs de l'étude.

Découvrir un nouveau composé

Pour affiner la sélection des médicaments potentiels, les chercheurs ont utilisé trois autres modèles d'apprentissage profond. Ces modèles ont été entraînés à évaluer la toxicité des composés sur trois types distincts de cellules humaines.

En intégrant ces prédictions de toxicité à l'activité antimicrobienne précédemment déterminée, les chercheurs ont mis en évidence des composés capables de combattre efficacement les microbes avec un minimum de dommages pour le corps humain.

À l'aide de cet ensemble de modèles, environ 12 millions de composés disponibles dans le commerce ont été passés au crible.

Ces modèles ont permis d'identifier des composés appartenant à cinq catégories différentes, classées en fonction de sous-structures chimiques spécifiques au sein des molécules, qui manifestent un certain type d'activité contre le SARM.

Par la suite, les chercheurs ont acquis environ 280 de ces composés et les ont testés contre le SARM en laboratoire. Cette approche leur a permis d'identifier deux candidats antibiotiques prometteurs appartenant à la même classe.

Dans des expériences impliquant deux modèles de souris - l'un pour une infection cutanée à SARM et l'autre pour une infection systémique à SARM - chacun de ces composés a divisé par 10 la population de SARM dans les hôtes.

Source EuroNews