Des agences américaines accusent des laboratoires chinois d'extraire à l'échelle industrielle les capacités de modèles américains. La technique visée n'a rien d'exotique : elle consiste à interroger massivement un modèle et à utiliser ses réponses pour en entraîner un autre. Elle est interdite par les conditions d'utilisation de la plupart des fournisseurs, et très difficile à détecter.
Nous avons expliqué le mécanisme dans notre article sur la distillation, en signalant que son usage sur un modèle qu'on ne possède pas était un sujet de contentieux récurrent. Le voici au niveau diplomatique.
La technique, en clair
Le principe est celui du professeur et de l'élève. On interroge un modèle performant sur un très grand nombre de questions, on collecte ses réponses, et on entraîne un modèle plus petit à les reproduire.
Ce qui rend l'opération efficace, nous l'avons détaillé : l'élève n'apprend pas seulement les bonnes réponses, il apprend la manière de raisonner du professeur, sa façon d'organiser une explication, ses arbitrages.
Appliqué à un modèle concurrent, cela permet de récupérer une partie considérable du travail d'entraînement — qui coûte des centaines de millions — pour le prix des requêtes.
Pourquoi c'est très difficile à empêcher
Trois raisons structurelles, et elles expliquent pourquoi l'accusation passe par le canal diplomatique plutôt que judiciaire.
C'est indistinguable d'un usage normal. Un laboratoire qui interroge un modèle un million de fois ressemble à une entreprise qui l'utilise beaucoup. Repérer l'intention suppose d'analyser la distribution des questions, ce qui est possible et imparfait.
Les intermédiaires brouillent la piste. Les requêtes peuvent passer par des revendeurs, des plateformes de routage, des comptes multiples. Nous avons décrit l'écosystème de routage à propos d'Ox Alpha : il est conçu pour rendre le fournisseur interchangeable, ce qui rend aussi le client difficile à identifier.
Le résultat est indémontrable. Prouver qu'un modèle a été entraîné sur les sorties d'un autre est extrêmement difficile. Des indices existent — des tournures caractéristiques, des erreurs partagées — mais ils ne constituent pas une preuve au sens juridique.
Cette accusation met tout le monde mal à l'aise, pour une raison simple. Les mêmes entreprises qui dénoncent l'extraction de leurs modèles ont bâti ces modèles sur des corpus dont l'origine fait l'objet de procès en cours, comme nous le documentons chaque semaine. Il est difficile de défendre que reprendre le travail d'autrui sans autorisation est inacceptable quand on est soi-même poursuivi pour cela. Cette symétrie n'excuse rien : elle explique pourquoi le dossier progresse par voie diplomatique plutôt que devant un tribunal, où la question de l'origine des données se poserait dans les deux sens.
Ce que ça dit du moment
Cette accusation intervient dans une séquence que nous suivons depuis un mois : un plan quinquennal chinois à 532 milliards, un cluster de 100 000 accélérateurs sur silicium national, et un modèle de premier plan tournant sur ce matériel.
Elle propose une explication alternative à cette progression : ce ne serait pas seulement de l'investissement, ce serait aussi de la captation.
Les deux explications ne s'excluent pas, et aucune n'est vérifiable depuis l'extérieur. Ce qu'on peut dire, c'est que l'écart s'est réduit, comme nous l'avons chiffré dans notre comparatif : trois points entre le meilleur américain et le meilleur chinois.
Ce qu'il faut retenir
Cette affaire illustre un problème que le secteur n'a pas résolu : les capacités d'un modèle fuient par son usage même.
Un modèle qu'on peut interroger est un modèle dont on peut extraire une partie du savoir. C'est une propriété de ce que sont ces systèmes, pas un défaut de sécurité qu'on corrigerait.
Cela renforce un argument que nous relevions à propos des modèles ouverts : dans un monde où les capacités se diffusent de toute façon, la stratégie consistant à publier volontairement n'est pas seulement idéologique. Elle capte l'influence et l'écosystème plutôt que de tenter de retenir ce qui s'échappe. C'est peut-être ce calcul, autant que les valeurs, qui explique les choix de publication de certains laboratoires.