LeCun recadre OpenAI : vous profitez des avantages de l'open source, mais ne rendez rien en retour

Qu’est-ce qui se passe ?

Yann LeCun a encore tiré à boulets rouges sur OpenAI — “Vous avez pris tant de choses de la communauté open source, qu’avez-vous rendu en retour ?” En contraste frappant, Meta et DeepSeek ont continué ces dernières années à ouvrir des modèles et des ensembles de données majeurs. Par exemple, FAIR a publié en 2025 la série multimodale Llama 4 (Scout et Maverick avec 17 milliards de paramètres), ainsi que le modèle V3 de DeepSeek avec 671 milliards de paramètres. Et OpenAI dans tout ça ? La recherche et les produits deviennent de plus en plus fermés. Ce débat soulève une question centrale : où se situe la limite entre transparence et réciprocité ? Quelles devraient être les règles d’utilisation et de contribution des modèles de base ?

Contexte

• LeCun a toujours été un fervent défenseur de la recherche ouverte, en ligne avec la stratégie de Meta :
  • Publication de l’ensemble de données Open Molecules 2025, pour la prédiction des propriétés moléculaires.
  • Lancement du Universal Model for Atoms, destiné aux calculs scientifiques dans le domaine de la santé et de l’énergie.
• En revanche, OpenAI reste sur une voie propriétaire et, selon des rumeurs, intensifie l’examen de la conformité et des droits de propriété intellectuelle de ses concurrents (comme DeepSeek).

Divergence principale : ouvert ou fermé

Mon avis

• Sur le plan factuel : Il n’existe actuellement aucune preuve directe qu’OpenAI ait “copié” des éléments de FAIR ou DeepSeek au niveau des modèles. Mais LeCun exprime le sentiment de la communauté open source :
  • Les articles, architectures et réalisations ouvertes (comme les Lois de mise à l’échelle de DeepSeek et l’architecture MoE efficace) ont élevé le niveau technique de l’ensemble de l’industrie ;
  • Ces avancées profitent inévitablement aussi aux organisations fermées — elles peuvent assimiler des connaissances publiques sans avoir à rendre de contrepartie équitable.
• Sur le plan stratégique :
  • L’ouverture n’est pas une œuvre de charité, Meta et DeepSeek ont leurs propres considérations commerciales, et l’ouverture elle-même est un moyen de concurrence contre le camp fermé ;
  • Le fait d’être fermé n’est pas un péché originel, mais lorsque le camp fermé tire un avantage de la base de connaissances publique, la pression d’opinion sur la question de “devoir rendre” augmente naturellement.
• Impact sur l’industrie :
  • À court terme : Les discussions se concentreront sur les licences, les citations, la conformité des données et les normes de contribution communautaire ;
  • À moyen terme : Cela pourrait engendrer des conditions de licence de modèle/données plus claires, ainsi qu’un certain mécanisme de “réciprocité en open source” (comme des exigences de citation plus strictes, des divulgations de conformité, ou un soutien par le financement à l’open source) ;
  • À long terme : Les différences de degré d’ouverture des modèles de base pourraient évoluer vers une spécialisation des niches — le camp ouvert dominera la recherche et les outils pour développeurs, tandis que le camp fermé se concentrera sur la commercialisation et les services d’hébergement.

Les pièges à éviter

• Réduire cette affaire à “l’open source est bon, le fermé est mauvais” n’a pas de sens :
  • Le camp open source gagne aussi de l’argent ;
  • Le camp fermé pourrait également contribuer à l’écosystème par le biais de financements, de collaborations ou de conformité aux politiques (mais la transparence est actuellement insuffisante).
• Ne vous précipitez pas à dire “preuve de violation des droits” :
  • Il n’y a actuellement que des pressions d’opinion et des comparaisons sectorielles, aucune preuve empirique n’a encore été présentée concernant l’utilisation de modèles et de données spécifiques.

Quelle est l’importance de cette affaire ?

• Importance : Élevée
• Catégorie : Tendances de l’industrie, écosystème open source, normes de recherche en IA

Conseils pour les développeurs et les organisations

• Licences et conformité : Vérifiez les conditions de licence des modèles, des données et du code que vous utilisez, établissez un registre de citations et de conformité.
• Stratégie de contribution : Si vous utilisez des éléments de la communauté, réfléchissez à la manière de rendre — open source de certaines composantes, financement d’ensembles de données, publication des résultats d’évaluation, tout cela est valable.
• Divulgation et transparence : Dans les articles, les blogs techniques ou la documentation produit, précisez les dépendances externes et les sources d’inspiration, réduisez les risques de réputation et de conformité.

Conclusion : Pour ceux qui s’intéressent à l’écosystème ouvert de l’IA et aux voies de gouvernance, ce sujet est encore en plein développement. L’avantage actuel penche en faveur des constructeurs open source/recherche et des organisations ayant une perspective à long terme (fonds/laboratoires) — grâce à une conformité, une contribution et une divulgation institutionnalisées, ils peuvent occuper une position morale supérieure et un avantage écologique. Ceux qui cherchent à tirer profit à court terme auront peu d’opportunités.