Investir dans les réalisations du prix Nobel – Les réseaux neuronaux artificiels, la base de l’IA

Histoire du prix Nobel

Le prix Nobel est la récompense la plus prestigieuse du monde scientifique. Il a été créé selon Le testament de M. Alfred Nobel donner un prix "à ceux qui, au cours de l'année précédente, ont apporté le plus grand bien à l'humanité» en physique, chimie, physiologie ou médecine, littérature et paix.

Un sixième prix sera ensuite créé pour les sciences économiques par la banque centrale suédoise, officiellement appelé Prix des sciences économiques, souvent mieux connu sous le nom de prix Nobel d'économie.

La décision de savoir à qui attribuer le prix appartient à plusieurs institutions universitaires suédoises.

Préoccupations héritées

La décision de créer le prix Nobel est venue à Alfred Nobel après avoir lu sa propre nécrologie, suite à une erreur d'un journal français qui avait mal interprété la nouvelle du décès de son frère. Intitulé « Le marchand de mort est mort », l'article français fustigeait Nobel pour son invention des explosifs sans fumée, dont la dynamite était le plus célèbre.

Ses inventions ont eu une grande influence dans l’élaboration de la guerre moderne, et Nobel a acheté une immense usine sidérurgique pour en faire un important fabricant d’armements. Comme il était d'abord chimiste, ingénieur et inventeur, Nobel s'est rendu compte qu'il ne voulait pas que son héritage soit celui d'un homme dont on se souvient avoir fait fortune grâce à la guerre et à la mort des autres.

Prix ​​Nobel

De nos jours, la fortune du Nobel est conservée dans un fonds investi pour générer des revenus afin de financer la Fondation Nobel et la médaille d'or vert plaqué or, le diplôme et la récompense monétaire de 11 millions de SEK (environ 1 million de dollars) attribués aux lauréats.

Source: Britannique

Souvent, l'argent du prix Nobel est partagé entre plusieurs lauréats, notamment dans les domaines scientifiques où il est courant que 2 ou 3 personnalités contribuent ensemble ou en parallèle à une découverte révolutionnaire.

Prix ​​Nobel d'informatique ?

Habituellement, les prix Nobel de physique sont attribués à des découvertes sur la nature fondamentale de l'Univers, comme les trous noirs (2020) ou exoplanètes (2019). Elle peut également être obtenue par des avancées importantes dans les sciences des matériaux, comme points quantiques (2023), de Luxinar (2018), ou LED  (2014).

Mais les gagnants de cette année sont un peu moins conventionnels, avec un accent sur l'analyse des données. Plus précisément, il a été attribué à Geoffrey Hinton et John Hopfield pour leur contribution à la création de réseaux neuronaux artificiels.

Source: Prix ​​Nobel

Il s'agit d'un prix Nobel très actuel, les réseaux neuronaux étant la technologie de base responsable de la plupart des avancées de ces dernières années en matière d'IA, y compris les LLM, mais aussi la vision artificielle (y compris pour les véhicules autonomes) et les IA techniques utilisées dans les découvertes de nouveaux médicaments, les sciences des matériaux, etc.

Que sont les réseaux de neurones ?

Puces contre neurones

Lorsque les ordinateurs ont été inventés, l’espoir a rapidement grandi qu’ils pourraient développer des capacités intellectuelles comparables à celles des humains. Mais dans la pratique, alors que les ordinateurs sont devenus de plus en plus impressionnants en calcul, puis en génération d’images, ils sont restés « stupides » lorsqu’il s’agissait de raisonnement réel.

Cela est dû en grande partie au fait qu’une puce informatique est très différente des neurones qui composent le cerveau. Alors qu’une puce de silicium peut effectuer très rapidement des millions de calculs binaires (0 ou 1), les neurones sont davantage un signal analogique, avec beaucoup de complexité et de « bruit » dans le signal.

Les ordinateurs ont donc besoin d’une programmation précise pour effectuer un calcul, ils ne peuvent pas vraiment « apprendre » quoi que ce soit et se contentent de suivre à la lettre les instructions codées.

Les réseaux neuronaux sont différents. Ils peuvent résoudre des problèmes trop vagues et compliqués pour être résolus par des instructions étape par étape. Par exemple, il est possible d’interpréter une image pour identifier les objets qu’elle contient, une tâche pour laquelle les ordinateurs sont notoirement mauvais, d’où le test « Êtes-vous un humain » sur certaines pages Web.

Source: Google

Comment fonctionnent les neurones

La plupart du temps, les neurones ne suivent pas une programmation préétablie stricte. Ils fonctionnent plutôt grâce à une boucle de rétroaction de modèles de connexion qui se renforcent.

Le principe est le suivant : les neurones renforcent la connexion avec d'autres neurones lorsqu'ils travaillent ensemble. Cela a donné naissance à l'idée de simuler sur ordinateur le fonctionnement des neurones, avec plusieurs nœuds interconnectés.

Les connexions entre ces nœuds peuvent être renforcées ou affaiblies, formant un processus appelé « formation », encore aujourd’hui au cœur de la création des dernières IA.

Source: Prix ​​Nobel

L’idée semblait prometteuse, mais pendant un certain temps, la puissance de calcul requise semblait prohibitive, en particulier pour les ordinateurs relativement primitifs des années 1960 et 1970.

Comment fonctionne la mémoire humaine

Lorsque nous nous souvenons ou reconnaissons quelque chose, nous ne procédons pas à un calcul mathématiquement parfait de la couleur de chaque pixel d'une image. Au lieu de cela, nous itérons à partir de données partielles, essayons d'établir une association avec quelque chose de déjà connu et identifions un modèle reconnaissable.

Le physicien John Hopfield a inventé en 1982 le Réseau Hopfield, une méthode pour stocker et recréer des motifs.

Commencer par la physique

Il a commencé par remarquer que les propriétés collectives de nombreux systèmes physiques résistent aux changements de détails du modèle. Les matériaux magnétiques, en particulier, tirent leurs caractéristiques particulières de leur spin atomique, une propriété qui fait de chaque atome un minuscule aimant.

La propriété du matériau le plus grand résultait du fait que le spin de chaque atome modifiait celui de ceux qui l'entouraient, conduisant à ce que tous les spins aboutissent dans la même direction. Son modèle décrit le phénomène à l'aide de différents nœuds s'influençant mutuellement.

De même, une image peut être enregistrée comme une grille de nœuds, chacun avec une valeur 0 ou 1 (noir ou blanc).

Si vous comparez une image déformée à cette grille d’origine, vous pouvez calculer à quel point chaque nœud de l’image déformée diffère. Mais en « poussant » le nœud déformé plus près de l’endroit où il a du sens, comme la pente dans un paysage préétabli, vous pouvez souvent recréer l’image d’origine malgré les distorsions.

Hopfield a donc créé un outil primitif, mais fonctionnel, de correction d'erreurs ou de complétion de modèles, ce dont les ordinateurs sont normalement incapables, car ils sont coincés avec leur programmation stricte.

Source: Prix ​​Nobel

Avec une puissance de calcul suffisante, chaque nœud peut stocker n'importe quelle valeur, pas seulement en noir et blanc. Par exemple, il peut s'agir d'un nombre reflétant une couleur exacte, de la même manière que les images sont créées numériquement.

Il peut également refléter toutes sortes de données, pas seulement des images, créant ainsi un modèle fonctionnel pour une mémoire associative artificielle.

Utiliser l'association pour comprendre

Même les animaux simples ou les petits enfants peuvent faire des performances extraordinairement meilleures que les ordinateurs avancés en matière de reconnaissance de formes, comme identifier quelle image contient un chien, un chat ou un écureuil. Cela se fait également sans aucune compréhension d'ordre supérieur de concepts tels que les animaux, les mammifères ou les espèces.

Et peut-être plus important encore, cela peut être réalisé avec des données et une expérience initiales très limitées, au lieu d’un catalogue de milliards d’images de ces animaux couvrant toutes les postures, couleurs, formes ou formes possibles qui peuvent être affichées.

Analogique au lieu de binaire

Parce que les nœuds peuvent contenir tout données, elles peuvent être utilisées pour des données continues, comme des phénomènes au fil du temps.

Il permet également de calculer efficacement les interactions entre systèmes complexes, où la réponse à un stimulus est plus statistique que binaire oui/non. Cela permet d'économiser à la fois la consommation d'énergie et la puissance de calcul par rapport au calcul traditionnel pour ce type de problème.

Et en ajoutant plus de nœuds, plus de complexité peut être progressivement ajoutée aux modèles.

La machine de Boltzmann

Geoffrey Hinton, en collaboration avec Terrence Sejnowski et d’autres collaborateurs, a travaillé à l’amélioration et à l’extension du concept du modèle Hopfield.

Hinton a utilisé des concepts issus de la physique statistique, une discipline décrivant les objets composés de nombreux éléments, comme les gaz ou les liquides. Comme les composants individuels sont trop nombreux, la seule façon de modéliser leur comportement est d'utiliser des prévisions statistiques, plutôt qu'un calcul de « physique pure » à partir de la température, de la position, de la vitesse, etc. de chaque molécule.

Pour ajouter une telle capacité au modèle de Hopfield, il a ajouté une couche supplémentaire « cachée » de nœuds entre la couche visible qui effectuait auparavant le calcul seule. Bien qu’invisibles, les nœuds cachés contribuent aux niveaux d’énergie des autres nœuds et du système dans son ensemble.

Source: Prix ​​Nobel

Ils ont appelé ce concept la machine de Boltzmann, en l'honneur de Ludwig Boltzmann, Un 19^thPhysicien du XIXe siècle qui a développé la mécanique statistique, fondement de la physique statistique.

Source: Wikipédia

Machine de Boltzmann restreinte

Dans sa conception originale, la machine de Boltzmann était trop complexe pour être d'une grande utilité pratique. Une version simplifiée a été développée, dans laquelle il n'y a pas de connexions entre les nœuds d'une même couche.

Source: Prix ​​Nobel

Cela a rendu la machine beaucoup plus efficace, tout en étant capable d'effectuer une reconnaissance de formes complexes.

Une amélioration supplémentaire a été le processus de « pré-entraînement » du réseau neuronal, avec une série de machines Boltzmann en couches, les unes sur les autres.

Cela a amélioré le point de départ du réseau neuronal, améliorant ainsi ses capacités de reconnaissance de formes.

Impact sur les réseaux neuronaux modernes

Hopfield et Hinton ont tous deux élaboré les idées fondamentales qui sous-tendent les réseaux neuronaux, ainsi que les mathématiques et les outils permettant de les utiliser.

Il faudra cependant attendre les années 2010 pour que la puissance de calcul augmente suffisamment pour que les réseaux neuronaux prennent une place importante dans la conscience collective.

La version moderne de la machine de Boltzmann utilise de nombreuses couches interconnectées, c’est pourquoi on les appelle réseaux neuronaux « profonds ». Pour donner une idée de l’évolution de ce domaine, Hopfield a utilisé un modèle à 30 nœuds dans sa publication de 1982, ce qui donne 435 connexions possibles. Cela a donné lieu à environ 500 paramètres à suivre.

À l'époque, les ordinateurs ne pouvaient pas gérer un modèle provisoire de 100 nœuds. Les LLM (Large Language Models) d'aujourd'hui, base d'outils comme ChatGPT, utilisent un billion paramètres et augmentent constamment leurs besoins de calcul.

Applications

Physique fondamentale

Comme de nombreux autres prix Nobel de physique, les réseaux neuronaux sont une découverte qui stimule d’autres nouvelles découvertes.

Par exemple, ils ont été utilisés pour trier et traiter les vastes quantités de données nécessaires à la découverte de la particule de Higgs (Peter Higgs a reçu le prix Nobel de physique en 2013). Ils ont également été utilisés par d'autres chercheurs lauréats du prix Nobel, comme pour mesurer les ondes gravitationnelles provenant de trous noirs en collision ou pour rechercher des exoplanètes.

Physique appliquée

Les matériaux et phénomènes réels sont souvent trop complexes pour être modélisés uniquement à l’aide d’un modèle de cause à effet au niveau des particules individuelles.

En comparaison, les bases des réseaux neuronaux en physique statistique leur permettent d’être beaucoup plus flexibles et de donner directement la bonne réponse ou d’« orienter » les scientifiques dans la bonne direction.

Cette méthode est désormais couramment utilisée par les meilleurs instituts de recherche, par exemple pour : calculer la structure et la fonction des molécules de protéines, ou déterminez lequel de nouvelles versions de matériaux pourraient avoir les meilleures propriétés pour une utilisation dans des cellules solaires ou des batteries plus efficaces.

LLM

Bien sûr, aucune conversation sur les applications des réseaux neuronaux ne serait complète sans parler des LLM, au cœur de la frénésie de l’IA de ces dernières années depuis la sortie de ChatGPT en 2022.

Cela est dû en grande partie au fait que la génération d’un langage de type humain, le fait de « se sentir » comme une personne réelle, a longtemps été considéré comme le test sur lequel nous pouvions considérer qu’une IA était vraiment intelligente (le test de Turing).

La véritable intelligence des LLM fait l'objet de vifs débats, depuis l'opinion des passionnés d'IA (ou des prophètes de malheur) qui s'attendent à une véritable intelligence et à une singularité technologique dans un avenir proche jusqu'à celle des personnes qui la considèrent comme une simple astuce incapable de produire des résultats utiles.

Néanmoins, ils ont un large éventail d'applications, en particulier lorsqu'ils permettent d'effectuer des tâches peu coûteuses qui sont aujourd'hui réservées à des humains beaucoup plus coûteux. Cela est particulièrement vrai pour les tâches essentiellement verbales, comme :

• Chatbots et service client.
• Développement et vérification de code.
• Traduction et localisation.
• Étude de marché.
• Rechercher et répondre aux questions.
• Analyse de documents et d'ensembles de données volumineux.
• Éducation

Parallèlement aux LLM, la génération d’images pourrait également créer un tout nouveau flot d’images à notre époque numérique, à des fins à la fois utiles et potentiellement néfastes (désinformation, chantage, etc.).

Vision artificielle et par ordinateur

En tant qu'application originale des réseaux neuronaux remontant à Hopfield, il est logique que la reconnaissance d'images soit désormais une application potentielle essentielle des réseaux neuronaux.

Parfois, la vision artificielle est utilisée pour décrire une identification limitée dans un environnement industriel plus contrôlé, tandis que la vision par ordinateur vise une vision plus humaine.

Source: Salomon

Auto-conduite

Un sous-segment majeur de ce domaine est celui des véhicules autonomes, car en fin de compte, les conducteurs humains utilisent leur reconnaissance de formes visuelles pour diriger en toute sécurité leurs véhicules de plusieurs tonnes.

Pour l'instant, la plupart des systèmes de conduite autonome s'appuient sur un mélange de caméras et d'autres capteurs pour assurer la sécurité (comme le radar et le LIDAR), à l'exception de Tesla qui se concentre exclusivement sur la vision artificielle de type humain (grâce à un ensemble de données beaucoup plus vaste, fourni par la flotte de voitures Tesla).

Des données de formation suffisantes, une annotation manuelle de millions de situations réelles complexes, ainsi qu'un matériel personnalisé réduisant la consommation et accélérant les temps de réaction, constitueront probablement la combinaison gagnante pour la première entreprise à remporter le prix d'un billion de dollars pour le développement de la première véritable automatisation complète de conduite de niveau 5.

Médical

De nombreux diagnostics en médecine ne dépendent pas d’analyses de laboratoire mais de l’interprétation manuelle par un spécialiste qualifié d’images produites par des appareils à rayons X, IRM, scanners, etc.

Il peut falloir des années à un expert pour devenir véritablement compétent dans cette tâche, qui relève autant de l'art que de la science. L’IA peut analyser de manière économique et cohérente des millions d’images médicales avec des résultats prévisibles.

Il pourrait même être utilisé pour diagnostiquer des pathologies que l'on croyait auparavant impossibles à détecter par scanner, comme le TDAH.

Et peut-être moins évident, l'IA utilisant des réseaux neuronaux peut également aider les chirurgiens, comme les Français Pixee médical, permettant un suivi 3D avec un smartphone ou des lunettes intelligentes pour la chirurgie orthopédique.

L’IA peut également automatiser la procédure cruciale d’enregistrement de l’intervention chirurgicale, en particulier pour les tâches répétitives et sujettes aux erreurs. En tant que chirurgiens oubli d'instruments à l'intérieur du patient dans environ 1500 XNUMX interventions chirurgicales par an Aux États-Unis, la vision par ordinateur pourrait également contribuer à éliminer complètement ce problème en gardant automatiquement une trace de tout ce qui est utilisé pendant l’opération.

Recherche biologique

De la découverte de médicaments à la prédiction du repliement des protéines, les réseaux neuronaux sont des outils puissants pour les chercheurs en médecine et en biologie.

Cela révolutionne déjà la manière dont les nouvelles thérapies sont développées, comme nous l’avons évoqué dans «Top 5 des entreprises d’IA et de biotechnologie numériqueCela pourrait également contribuer à des données plus cohérentes, ce qui est souvent un problème dans les sciences biologiques, où de nombreuses données sont encore créées à l'aide de saisies manuelles, comme le comptage des cellules sanguines.

Ce problème peut être résolu grâce à la vision industrielle de l’IA, avec des produits comme Shonit de Sigtuple désormais capable de fournir des numérations fiables et standardisées de tous les types de cellules sanguines.

Source: Sigle

Industrie & Production

Du contrôle qualité et des inspections des composants à l'assemblage entièrement automatisé, la vision artificielle/par ordinateur peut rendre la ligne de production plus flexible et réactive à tout changement dans le processus de production.

Cela peut à la fois réduire les coûts en réduisant le besoin d’intervention humaine, ainsi qu’améliorer la qualité et la vitesse de production.

Robotique

Alors que la robotique quitte l’usine pour interagir avec des environnements de la vie quotidienne plus complexes, elle doit rapidement améliorer ses capacités de reconnaissance de formes.

Des robodogs aux robots de livraison, et peut-être bientôt aux assistants personnels humanoïdes, les robots fusionnent de plus en plus avec l'IA en utilisant des réseaux neuronaux pour nous aider dans les tâches quotidiennes.

Élevage

Les robots agricoles utilisent de plus en plus la vision artificielle pour identifier les mauvaises herbes ou les fruits mûrs et remplacer le travail manuel fastidieux ou les machines-outils destructrices à grande échelle.

Cela n’aura peut-être pas seulement un impact sur l’agriculture et nos systèmes alimentaires, mais aussi sur la restauration écologique, avec de forts effets sur la santé des sols, l’émergence de nouvelles pratiques agricoles et peut-être de meilleurs outils pour la reforestation et la gestion des espèces envahissantes.

Militaire

Même si cela soulève des questions éthiques complexes, l’histoire veut que toute nouvelle technologie soit également étudiée pour son potentiel à donner à l’armée un avantage sur son adversaire.

Et comme il y aura toujours une nation qui le fera, les autres devront également suivre le rythme.

L'IA est déjà utilisée pour identifier des cibles et analyser des données sur le champ de bataille, y compris dans les guerres réelles en cours comme en Ukraine et à Gaza, un sujet dont nous avons discuté dans «Top 10 des actions de drones et de guerre par drones ».

Parmi les développements récents les plus alarmants, on peut citer le développement de la dernière version du Lancet russe, un drone/missile suicide utilisant la vision artificielle de l'IA pour identifier et cibler les véhicules ennemis dans le dernier segment de son parcours.

Donner la décision de tuer à un système automatisé est une étape évidemment très dangereuse, qui ressemble vraiment au matériau d'un film de science-fiction juste avant une rébellion de l'IA contre l'humanité.

Nous ne pouvons donc qu’espérer que les forces militaires du monde entier parviendront à une compréhension commune des technologies qui peuvent être déployées ou non, de la même manière que sont gérées les armes nucléaires.

Risques liés aux réseaux neuronaux

Il convient de mentionner que Geoffrey Hinton, qui a remporté le prix Nobel de cette année est également très préoccupé par les progrès réalisés dans la technologie de l'IA.

Après le prix Turing en 2018 et le prix Nobel en 2024, il est probable que son avertissement soit encore plus entendu qu’auparavant.

« J’ai soudainement changé d’avis sur la question de savoir si ces choses seront plus intelligentes que nous.

Je pense qu'ils en sont très proches maintenant et qu'ils seront beaucoup plus intelligents que nous dans le futur. Comment allons-nous survivre à cela ?

Geoffrey Hinton

Notre enthousiasme pour l’IA nous condamnera-t-il à un avenir semblable à celui des films Matrix ou Terminator ? Peut-être pas, mais comme les réseaux neuronaux ultra-complexes sont essentiellement une boîte noire, leurs propres créateurs ne comprennent pas pleinement que des règles éthiques et de sécurité sont probablement nécessaires avant qu’une IA défaillante ne cause des dommages irréparables.

Investir dans les réseaux neuronaux

Les réseaux neuronaux deviennent désormais presque synonymes de la technologie de l’IA au sens large, car il y a une fusion croissante des disciplines dans le secteur.

Les réseaux neuronaux nécessitant de grands ensembles de données pour la pré-formation et la formation, ils ont tendance à être actuellement le domaine de très grandes entreprises technologiques ou de startups très bien financées.

Vous pouvez investir dans des entreprises liées à l'IA via de nombreux courtiers, et vous pouvez les trouver ici, sur titres.io, nos recommandations des meilleurs courtiers en Etats-Unis, Canada, Australie et au Royaume-Uni, ainsi que dans de nombreux autres pays.

Si vous n'êtes pas intéressé par le choix d'entreprises spécifiques liées à l'IA, vous pouvez également vous intéresser aux ETF comme ETF UCITS ARK Intelligence Artificielle et Robotique (ARKI), le FNB Global X Robotics & Artificial Intelligence (BOTZ)ou de la Fonds d'intelligence artificielle et d'innovation WisdomTree (WTAI) ce qui offrira une exposition plus diversifiée pour capitaliser sur l’IA.

Entreprises de réseaux neuronaux

1. Microsoft

Microsoft est au centre de l’industrie technologique presque depuis sa création avec son système d’exploitation toujours dominant Windows.

Microsoft Corporation (MSFT -0.31%)

Elle est désormais également leader dans les logiciels d’entreprise (Office365, Équipes, LinkedIn, Skype, GitHub), jeux (Xbox et acquisitions de plusieurs studios de jeux vidéo), et dans le cloud (Azure).

Plus récemment, elle a fait de bons progrès en matière d’IA. Cela inclut certaines IA grand public comme Créateur d'images Bing et des initiatives plus axées sur les entreprises, comme Microsoft 365 Copilot et Microsoft Research. Copilot est maintenant déployé également dans le commerce de détail et les petites entreprises.

Source: Recherche de constellation

Microsoft a acquis la réputation d'être un géant technologique centré sur l'entreprise, par rapport à des entreprises plus axées sur le consommateur, comme par exemple Apple ou Facebook. Alors que l’IA prend de plus en plus d’importance dans les modèles commerciaux, la présence préexistante de Microsoft dans les services cloud et d’entreprise devrait lui donner une longueur d’avance dans le déploiement de l’IA à grande échelle et dans l’acquisition de clients.

La collaboration/quasi-propriété avec des leaders du développement de l'IA comme OpenAI (célèbre pour ChatGPT) Cela consolidera également la position de Microsoft en tant que puissance de l'IA.

2. NVIDIA

NVidia occupait initialement une position dominante sur le marché des cartes graphiques (GPU), principalement utilisées pour les jeux haut de gamme et la modélisation 3D. Les GPU sont capables d'exécuter des calculs en parallèle et diffèrent à cet égard des processeurs (CPU).

La conception de son matériel s’est avérée très adaptée au minage de crypto-monnaie (en particulier Bitcoin), créant une forte vague de croissance pour l’entreprise.

Il semble désormais qu’il soit tout aussi puissant pour la formation des IA, faisant du matériel Nvidia l’épine dorsale de la révolution de l’IA.

NVidia développe actuellement des systèmes informatiques personnalisés pour différentes applications d'IA, de voitures auto-conduite à discours et IA conversationnelles, IA génératives, ou  les services de cybersécurité.

Il est probable que Nvidia n'ait pas trouvé de nouveaux cas d'usage pour son matériel d'IA, comme le montre l'étude menée par Microsoft avec PNNL. Par exemple, Nvidia développe actuellement toute une gamme de solutions pour la découverte de médicaments, aussi bien que Dispositifs médicaux alimentés par l'IA et Imagerie médicale assistée par l'IA.

Source: NVidia

Il est probable qu'à très long terme, les concurrents de NVidia commencent à sérieusement remettre en cause l'avance initiale de l'entreprise.

Mais dans un avenir proche, compte tenu de l’explosion de la demande de puissance de calcul dédiée à l’IA, NVidia restera le principal fournisseur de tous les nouveaux centres de données de formation à l’IA en cours de construction.

Et si l’IA est une nouvelle ruée vers l’or technologique, la sagesse en matière d’investissement est de préférer les vendeurs de pioches et de pelles plutôt que de parier sur la découverte d’or.

Dans la ruée vers l’IA, les outils de choix sont pour l’instant les puces d’IA NVidia.