Posez une question en anglais ou en mandarin à n’importe quel grand modèle d’IA, et il y répondra probablement avec aisance et nuance. Posez-lui quelque chose en cantonais, et les failles commencent à apparaître. Cet écart est précisément ce qu’une startup de Hong Kong appelée Votee AI essaie de combler, en construisant un modèle d’IA cantonais conçu pour servir les banques, les universités et les services gouvernementaux dans une langue que les plus grands laboratoires d’IA ont largement négligée.
Summary
Points clés à retenir
- La plupart des principaux modèles d’IA, développés par des entreprises comme OpenAI, Anthropic, DeepSeek, Moonshot AI et Z.ai, sont conçus principalement en anglais et en mandarin, car leurs créateurs sont basés aux États-Unis ou en Chine continentale.
- Le cantonais est parlé par plus de 80 millions de personnes dans le monde, mais il dispose d’un réservoir de textes numériques standardisés bien plus réduit que le mandarin, ce qui en fait un exemple typique de « langue à faibles ressources » pour l’entraînement de l’IA.
- Votee AI réentraîne des modèles à poids ouverts comme Llama de Meta sur des données en cantonais, faisant passer son corpus d’entraînement de 100 millions à plus de 500 millions de tokens grâce au scraping, à des sources communautaires et à des données synthétiques.
- Les modèles qui en résultent tournent autour de 70 milliards de paramètres, plus petits que les systèmes de pointe, et coûtent environ 250 000 $ à entraîner avec entre 500 millions et 1 milliard de tokens, une fraction de ce que nécessitent les modèles en langue anglaise.
- L’entreprise présente son travail comme faisant partie d’un mouvement plus large d’« IA souveraine » et est actuellement en discussion pour s’étendre en Asie du Sud-Est via AI Singapore.
La domination de l’anglais et du mandarin en IA laisse le cantonais à la traîne
La vague actuelle de l’IA repose presque entièrement sur deux langues. Selon Pak-Sun Ting, PDG de Votee AI, « toute la révolution de l’IA se fait en anglais et en mandarin », et « il n’y a qu’une très petite fraction qui représente les autres langues ». Ce déséquilibre n’a rien d’accidentel. Les entreprises en tête du secteur — OpenAI, Anthropic, DeepSeek, Moonshot AI, Z.ai et d’autres — ont presque toutes leur siège aux États-Unis ou en Chine continentale, il n’est donc pas surprenant que leurs modèles phares soient les plus performants dans la langue maternelle de leurs créateurs.
Résultat : des dizaines de langues largement parlées, et encore plus de dialectes régionaux, restent très en retard en termes de capacités d’IA. Le cantonais illustre de manière frappante l’ampleur de ce fossé, même pour une langue parlée chaque jour par des dizaines de millions de personnes.
Pourquoi le cantonais « parle une autre langue » que le mandarin
Le cantonais est souvent décrit comme un « dialecte » du chinois, mais cette étiquette minimise à quel point il est réellement distinct. Il possède une grammaire différente de celle du mandarin et son propre vocabulaire, et à Hong Kong, les locuteurs mélangent fréquemment des mots anglais et cantonais dans une même phrase. Plus de 80 millions de personnes parlent le cantonais dans le monde, un chiffre à peu près comparable au nombre de locuteurs du coréen, et supérieur aux populations parlant l’italien ou le thaï.
Malgré cette ampleur, le cantonais n’a produit nulle part près du volume de textes écrits standardisés que le mandarin ou l’anglais ont généré. Des benchmarks comme HKCanto-Eval, développés par des chercheurs de l’université de Kyushu et de l’Education University of Hong Kong aux côtés de la communauté locale d’IA hon9kon9ize, et sponsorisés par Votee, ont montré que les modèles d’IA grand public gèrent raisonnablement bien le cantonais du quotidien mais trébuchent régulièrement sur les connaissances culturelles et locales. Comme le dit Ting, le cantonais « est utilisé dans l’éducation, les soins de santé et les communications de la police », donc lorsque l’IA ne le couvre pas correctement, « l’IA est essentiellement inutile ».
Au cœur de l’approche de Votee AI pour construire un modèle d’IA cantonais
Plutôt que de construire un modèle à partir de zéro, Votee prend un système à poids ouverts existant, comme Llama de Meta ou Qwen d’Alibaba, et le réentraîne massivement sur des données en cantonais. Ting décrit le processus comme « consistant essentiellement à suivre les mêmes étapes que si vous entraîniez un modèle depuis le début », simplement en s’appuyant sur la base de quelqu’un d’autre. Les systèmes réentraînés sont ensuite vendus à des banques, des universités et des services gouvernementaux qui ont besoin d’outils d’IA capables de fonctionner en cantonais plutôt que de basculer par défaut vers le mandarin ou l’anglais.
Collecte de données auprès des diffuseurs et jeux de données synthétiques
Constituer un corpus exploitable pour un projet d’IA dans une langue à faibles ressources implique de rassembler des données partout où l’on peut en trouver. Votee récupère du texte en cantonais via le scraping en ligne, y compris du contenu de Radio Television Hong Kong, le diffuseur public de la ville. L’entreprise complète cela avec du matériel provenant des universités, de la communauté au sens large et des archives issues de ses travaux antérieurs en tant que société de big data. Lorsque les textes du monde réel viennent à manquer, Votee génère ses propres jeux de données cantonais synthétiques pour combler les lacunes. Ensemble, ces efforts ont fait passer le corpus cantonais de l’entreprise de 100 millions de tokens à plus de 500 millions de tokens.
Taille des modèles et coûts d’entraînement par rapport aux laboratoires de pointe
Les modèles obtenus par Votee se situent autour de 70 milliards de paramètres, nettement plus petits que les systèmes de pointe des grands laboratoires. Malgré cela, Ting affirme que les modèles sont suffisamment performants pour comprendre et raisonner en cantonais pour les tâches pratiques dont ses clients ont besoin. L’économie parle d’elle-même : Votee entraîne ses modèles sur entre 500 millions et 1 milliard de tokens, pour un coût estimé à environ 250 000 $. Les modèles de pointe en langue anglaise, en comparaison, sont entraînés sur des billions de tokens pour un coût bien plus élevé. Cet écart de prix est précisément la raison pour laquelle un modèle d’IA cantonais plus petit et ciblé peut être commercialement viable même pour une startup plutôt que pour un géant de la tech.
Cette structure de coûts a une portée qui dépasse Votee elle-même. Elle suggère que servir un marché d’IA pour une langue à faibles ressources ne nécessite pas les milliards investis dans les laboratoires de pointe — il faut un modèle de base à poids ouverts fonctionnel, un pipeline de données solide et une fraction de la puissance de calcul. C’est un signal significatif pour d’autres langues mal desservies qui observent la manière dont se développe l’IA en cantonais.
IA souveraine et expansion en Asie du Sud-Est
Le travail de Votee s’inscrit dans une tendance plus large connue sous le nom d’IA souveraine : l’idée que les gouvernements et les entreprises veulent posséder leurs propres données, modèles et infrastructures plutôt que de dépendre entièrement de fournisseurs basés à l’étranger. « L’IA est devenue un besoin tellement essentiel que vous ne voulez pas être attaché à quelqu’un d’autre qui peut l’éteindre », explique Ting.
Posséder la pile, même partiellement
Ting reconnaît d’emblée que la version la plus complète de l’IA souveraine, où un pays contrôle chaque maillon de la chaîne d’approvisionnement de l’IA, est « très difficile » à atteindre en pratique. Sa suggestion plus réaliste est que les nations mettent l’accent sur la possession à la fois des modèles de base sous-jacents et des solutions logicielles construites à partir de ceux-ci. Il note également que les gouvernements ont rarement besoin de la puissance de pointe pour automatiser des tâches spécifiques — même un modèle avec seulement 1 milliard de paramètres peut convenir à des cas d’usage gouvernementaux plus étroits, ou une couche plus petite en langue locale peut simplement router les sorties d’un modèle plus grand en anglais ou en chinois.
Partenariats matériels et prochaines étapes
Votee ne se limite pas à un seul écosystème. Ting indique que l’entreprise travaille avec des modèles de MiniMax et SenseTime et peut faire tourner ses opérations sur des puces Nvidia. « Nous pouvons utiliser des puces Nvidia, nous pouvons utiliser le modèle de Moonshot ou de DeepSeek », dit-il. « Nous sommes cette personne au lycée qui est amie avec tout le monde. » Votee se décrit comme rentable au sens où ses revenus dépassent ses coûts, financée en grande partie par des contrats clients, et compte l’homme d’affaires hongkongais Allan Zeman, connu pour avoir développé le quartier nocturne Lan Kwai Fong de la ville, parmi ses conseillers.
Les ambitions de l’entreprise s’étendent désormais au-delà de Hong Kong. Ting affirme que Votee est en discussions actives avec AI Singapore et prévoit de s’étendre davantage en Asie du Sud-Est. Il vise également un objectif à plus long terme : utiliser l’IA pour aider à protéger les langues en danger dans des régions comme l’Asie de l’Est, l’Amérique du Nord et l’Afrique. Ting présente les enjeux en des termes tranchés, qualifiant la domination de l’IA en langue anglaise de « moment machine à écrire », où les gains de productivité sont si importants que les gens abandonnent leur propre langue simplement pour suivre le rythme. « Les gens adopteront l’anglais simplement parce que la productivité de la machine à écrire est tellement plus forte que celle de leur propre langue », dit-il. Reste une question ouverte : un modèle d’IA cantonais de 70 milliards de paramètres peut-il réellement contrebalancer cette attraction ? Pour Ting, cependant, la motivation va au-delà des parts de marché. « Chaque langue qui meurt, c’est une autre façon de voir le monde que vous perdez », dit-il.
FAQ
Pourquoi Votee AI se concentre-t-elle sur le cantonais pour le développement de modèles d’IA ?
Parce que le cantonais, parlé par plus de 80 millions de personnes, est très différent du mandarin et est sous-desservi en matière d’IA, ce qui affecte des secteurs comme l’éducation et la santé, où des outils précis dans la langue locale sont essentiels.
Comment Votee AI construit-elle ses modèles d’IA cantonais ?
Votee AI réentraîne des modèles à poids ouverts de développeurs comme Meta en utilisant des données en cantonais collectées via le scraping, des sources communautaires, des universités et des données synthétiques, faisant passer son corpus de 100 millions à plus de 500 millions de tokens.
Qu’est-ce que l’IA souveraine et quel est le lien avec Votee AI ?
L’IA souveraine désigne le fait que les gouvernements et les entreprises possèdent leurs données, modèles et infrastructures d’IA plutôt que de dépendre entièrement de fournisseurs étrangers. Votee AI soutient cette idée en localisant des modèles d’IA pour le cantonais et en s’associant à des fournisseurs de matériel et de modèles locaux et mondiaux.
Quels sont les projets de Votee AI en matière d’expansion régionale ?
Votee AI est en discussions actives avec AI Singapore et prévoit de s’étendre en Asie du Sud-Est, tout en explorant la manière dont l’IA pourrait aider à protéger les langues en danger dans d’autres parties du monde.
{« @context »: »https://schema.org », »@type »: »FAQPage », »mainEntity »:[{« @type »: »Question », »name »: »Pourquoi Votee AI se concentre-t-elle sur le cantonais pour le développement de modèles d’IA ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Parce que le cantonais, parlé par plus de 80 millions de personnes, est très différent du mandarin et est sous-desservi en matière d’IA, ce qui affecte des secteurs comme l’éducation et la santé, où des outils précis dans la langue locale sont essentiels. »}},{« @type »: »Question », »name »: »Comment Votee AI construit-elle ses modèles d’IA cantonais ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Votee AI réentraîne des modèles à poids ouverts de développeurs comme Meta en utilisant des données en cantonais collectées via le scraping, des sources communautaires, des universités et des données synthétiques, faisant passer son corpus de 100 millions à plus de 500 millions de tokens. »}},{« @type »: »Question », »name »: »Qu’est-ce que l’IA souveraine et quel est le lien avec Votee AI ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »L’IA souveraine désigne le fait que les gouvernements et les entreprises possèdent leurs données, modèles et infrastructures d’IA plutôt que de dépendre entièrement de fournisseurs étrangers. Votee AI soutient cette idée en localisant des modèles d’IA pour le cantonais et en s’associant à des fournisseurs de matériel et de modèles locaux et mondiaux. »}},{« @type »: »Question », »name »: »Quels sont les projets de Votee AI en matière d’expansion régionale ? », »acceptedAnswer »:{« @type »: »Answer », »text »: »Votee AI est en discussions actives avec AI Singapore et prévoit de s’étendre en Asie du Sud-Est, tout en explorant la manière dont l’IA pourrait aider à protéger les langues en danger dans d’autres parties du monde. »}}]}
Article produit avec l’aide de l’intelligence artificielle et relu par l’équipe éditoriale.
