Les données d’entraînement manquent à l’IA chinoise

Le chinois ne pèse que 5,2 % du corpus de Common Crawl quand l’anglais en occupe 43,2 %. Les spécialistes chinois désignent désormais les données d’entraînement, et non la puce, comme le prochain plafond de leur industrie. Pékin a répondu par un plan national dont l’échéance tombe en 2028.

Pour résumer

• Le chinois représente 5,2 % des données de Common Crawl, contre 43,2 % pour l’anglais.
• Le stock mondial de données d’entraînement publiques produites par des humains pourrait être entièrement consommé d’ici six ans.
• La National Data Administration vise pour 2028 un écosystème national de jeux de données validés, de l’industrie manufacturière à l’aviation basse altitude.

Cinq pour cent du corpus mondial

Le déséquilibre est brutal et il tient en deux nombres. Dans Common Crawl, la base ouverte qui sert de socle à une bonne partie des modèles de langage, le chinois occupe 5,2 % du volume et l’anglais 43,2 %.

Le rapport n’a rien d’anecdotique quand on entraîne un modèle généraliste. Un corpus huit fois plus petit dans la langue cible impose soit de recycler davantage les mêmes textes, soit de compenser par de la traduction, avec la perte de naturel que cela implique.

Le manque d’accès à des données de qualité commence d’ailleurs à peser concrètement sur le développement des modèles en langue chinoise. Ce n’est plus une hypothèse de laboratoire, c’est une contrainte que les équipes rencontrent en production.

Le récit dominant depuis deux ans portait pourtant ailleurs. Les restrictions américaines sur les puces avancées ont monopolisé l’attention, et la réponse chinoise s’est construite sur ce terrain, jusqu’aux projets de silicium maison comme la puce que DeepSeek développe pour réduire sa dépendance à Nvidia.

La donnée n’offre pas ce genre de porte de sortie. On peut concevoir un accélérateur de substitution en quelques années. On ne fabrique pas rétroactivement vingt ans de web chinois de qualité qui n’ont jamais été écrits.

C’est ce qui donne au sujet sa gravité particulière. Le goulot d’étranglement se déplace d’un domaine où l’ingénierie finit toujours par trouver une réponse vers un domaine où elle n’en a pas d’évidente. Les données d’entraînement ne se gravent pas dans une usine.

Pékin planifie ses corpus comme il planifie ses usines

La réponse est venue par le haut. Début juin, la National Data Administration a dévoilé un plan national destiné à augmenter l’offre, la circulation et la commercialisation de données d’entraînement de qualité.

L’horizon retenu est 2028. À cette échéance, la Chine veut disposer d’un écosystème étendu de jeux de données validés couvrant la recherche scientifique, l’industrie manufacturière, l’agriculture, l’énergie, les transports, la finance, la santé, l’éducation et le commerce en ligne.

La liste s’étend aussi aux domaines émergents. L’IA incarnée, la conduite autonome, l’aviation basse altitude et la biofabrication y figurent explicitement, ce qui trahit une intention précise : produire du signal là où le web n’en a jamais produit.

Le plan insiste sur le caractère multimodal des corpus visés, du texte au code, de l’image à l’audio et à la vidéo. La logique rejoint celle d’initiatives déjà engagées, comme le modèle chinois Fysiverse qui intègre directement les lois physiques dans son apprentissage plutôt que de les déduire de descriptions écrites.

L’ensemble s’inscrit dans la stratégie AI Plus, qui vise à diffuser l’intelligence artificielle dans toute l’économie. La donnée y est traitée comme une infrastructure publique, au même titre qu’un réseau électrique ou un port.

Pour les équipes qui construisent sur des modèles chinois, l’échéance de 2028 mérite d’être notée. Les jeux de données sectoriels validés arriveront par vagues, et les premiers verticaux servis détermineront quels usages professionnels décollent avant les autres.

D’autres articles sur Horizon

• Qwen 3.8 Max égale Claude Opus mais invente davantage
• Tests de sécurité IA : Meta est le troisième labo touché
• Agents de code : le plus rapide est aussi le plus cher

Le mur que les laboratoires américains voient aussi venir

La contrainte ne s’arrête pas aux frontières chinoises. L’institut de recherche Epoch AI estime que le stock de texte public produit par des humains sera entièrement consommé par les modèles d’ici six ans, tous acteurs confondus.

Andrej Karpathy, cofondateur d’OpenAI, alerte dans le même sens sur un mur de données atteint d’ici la fin de la décennie. Il en tire une conséquence directe : un plateau de capacités, faute de matière première nouvelle à ingérer.

Ce diagnostic partagé explique l’agressivité actuelle des laboratoires américains sur l’acquisition de données. Les contrats d’accès à des archives, à des catalogues et à des flux propriétaires se multiplient parce que le web ouvert ne suffit plus à alimenter la prochaine génération.

La différence entre les deux camps se joue donc sur la méthode plutôt que sur le constat. Les uns achètent du corpus sur un marché privé, les autres organisent sa production par la planification sectorielle.

Le rythme de sortie des modèles chinois rend l’arbitrage urgent. Quand un acteur publie coup sur coup des générations toujours plus grosses, à l’image d’Alibaba avec Qwen 3.8, son plus gros modèle à ce jour, l’appétit en données croît plus vite que le corpus disponible.

Notre lecture est que la prochaine bascule concurrentielle ne se lira pas dans un classement de benchmark. Elle se lira dans la capacité de chaque camp à sécuriser des corpus que le concurrent ne peut pas obtenir, qu’ils viennent d’un contrat signé ou d’un plan quinquennal.

Affaire à suivre sur Horizon.