OpenAI fait face à des obstacles et des délais dans le développement de son modèle GPT-5.
Résumé en bref
- Le modèle GPT-5 d’OpenAI accusent des retards et des dépenses élevées, sans satisfaire les attentes.
- Malgré quelques améliorations, ses performances ne justifient pas l’investissement consenti.
- OpenAI innove par la génération de données synthétiques pour surmonter les défis rencontrés.
Retards dans le développement
Le projet GPT-5, également connu sous le nom d’Orion, accuse un retard considérable par rapport aux prévisions initiales. Bien qu’OpenAI envisageait une avancée significative avec ce modèle, les résultats obtenus jusqu’à présent ne couvrent pas les frais élevés de son élaboration. Après 18 mois de développement, les avancées réalisées ne répondent pas aux attentes, soulevant des doutes sur l’avenir de ce modèle.
Coûts d’entraînement élevés
OpenAI a réalisé plusieurs cycles de formation pour le modèle GPT-5, dont deux se sont révélés particulièrement onéreux et longs. Le premier cycle a pris plus de temps que prévu, ce qui laisse entrevoir que les itérations suivantes pourraient devenir encore plus lourdes financièrement et temporellement. Cette lenteur dans le processus d’entraînement met en lumière le défi technique majeur lié au développement de GPT-5 et questionne la rentabilité de son développement face à de tels coûts.
Avancées limitées
Bien que GPT-5 promeut des performances supérieures à celles de ses prédécesseurs, les progrès réalisés demeurent insuffisants pour justifier les lourds investissements requis. Une comparaison avec les modèles antérieurs montre une légère amélioration, mais l’écart de performance s’avère moins significatif que prévu. Cela alimente les doutes sur la capacité de GPT-5 à transformer l’intelligence artificielle comme les précédents modèles l’avaient fait.
Innovations pour combler les défis
Pour optimiser les performances de GPT-5, OpenAI a mis en œuvre diverses stratégies innovantes, notamment la création de nouvelles données. Plutôt que de se restreindre aux données accessibles au public ou aux accords de licence, l’entreprise a mobilisé des experts pour générer des données spécifiques, comme la rédaction de codes ou la résolution de problèmes mathématiques avancés. En outre, elle recourt à des données synthétiques créées par un autre modèle, O1, pour diversifier les sources d’entraînement et fluidifier le processus.
