CNA développe son service d'actualités grâce à l'IA

Actualité : OpenAI ferme brutalement Sora, l'usine à slop la plus chère de l'histoire de l'IA

OpenAI a annoncé le 24 mars 2026 la fermeture de Sora, son application autonome de génération vidéo par intelligence artificielle. L'annonce, publiée sur X, est volontairement succincte : aucune justification n'est avancée. L'entreprise s'engage uniquement à préciser prochainement le calendrier de fermeture et les modalités permettant aux utilisateurs de récupérer leurs créations. Cette décision marque un tournant significatif pour OpenAI, qui avait fait de Sora l'une de ses vitrines technologiques les plus ambitieuses. Lancée avec une couverture médiatique exceptionnelle, l'application symbolisait la course à la génération vidéo par IA, un segment où la concurrence s'est rapidement intensifiée avec des acteurs comme Google, Runway ou Kling AI. La fermeture soulève des questions sur la viabilité économique de ces outils grand public et sur la stratégie produit d'OpenAI. Le bilan de Sora reste négatif sur plusieurs fronts : malgré des démonstrations spectaculaires, l'outil a été largement critiqué pour la médiocrité des contenus générés par la majorité des utilisateurs, alimentant ce que les observateurs désignent comme du "slop", soit du contenu automatisé de faible valeur. Le coût opérationnel de la plateforme, considérable au regard de l'infrastructure GPU nécessaire, n'aurait pas été compensé par une adoption suffisante ou une monétisation efficace. Cette fermeture illustre une tendance plus large dans l'industrie : les laboratoires d'IA rationalisent leur portefeuille produit face à des coûts d'infrastructure massifs, recentrant leurs ressources sur les services à forte valeur ajoutée et les API professionnelles plutôt que sur des applications grand public aux usages encore incertains.

La correction d'erreurs ASR revisitée grâce à des modèles spécialisés

Les correcteurs d'erreurs pour la reconnaissance vocale automatique (ASR) reposent aujourd'hui majoritairement sur des grands modèles de langage (LLM) appliqués après coup, une approche qui introduit latence et risques d'hallucination. Une équipe de recherche revient sur ce problème avec une proposition différente : des modèles seq2seq compacts, spécifiquement entraînés sur des erreurs réelles issues de systèmes ASR, plutôt que sur des modèles de langage génériques ignorant les schémas d'erreurs propres à la reconnaissance vocale. Pour disposer de suffisamment de données d'entraînement, les chercheurs ont construit des corpus synthétiques via un pipeline en cascade combinant synthèse vocale (TTS) puis reconnaissance vocale (ASR), et montrent que la clé du succès réside dans la capacité à reproduire fidèlement la diversité des distributions d'erreurs observées en conditions réelles. Ils introduisent également une méthode de décodage baptisée « correction-first ». Cette approche répond à un besoin concret pour l'industrie de la voix : les systèmes ASR grand public (assistants vocaux, sous-titrage automatique, transcription de réunions) souffrent encore d'erreurs de reconnaissance que les LLM généralistes corrigent mal ou trop lentement pour un usage en temps réel. Un modèle spécialisé, plus léger, permettrait de réduire le taux d'erreur sans les coûts de calcul ni les délais associés aux grands modèles, un enjeu crucial pour les applications embarquées ou à fort volume. Ce travail s'inscrit dans une tendance plus large de spécialisation des modèles face à l'usage généraliste des LLM : plutôt que de confier chaque tâche à un modèle massif, la recherche explore des architectures dédiées, moins coûteuses et mieux adaptées aux contraintes de production, notamment pour les entreprises technologiques qui déploient des services vocaux à grande échelle.

L'IA au service de la compréhension du cerveau : explications et expériences

Des chercheurs de Microsoft Research, de l'Université de Californie à Berkeley, de l'UCSF et de Columbia University ont publié dans Nature Neuroscience un nouveau cadre méthodologique baptisé Generative Causal Testing (GCT), conçu pour rendre les modèles de prédiction cérébrale interprétables par des humains. Depuis une dizaine d'années, les grands modèles de langage sont devenus les outils les plus précis pour prédire comment le cerveau humain réagit au langage : en soumettant à un LLM le même texte qu'une personne écoute dans un scanner IRM fonctionnel, le modèle peut anticiper l'activité de zones corticales spécifiques avec une fidélité remarquable. Le problème : ces modèles ne disent pas pourquoi. Ils sont constitués de millions de paramètres opaques, incapables d'expliquer à quel concept précis une région cérébrale est sensible. GCT répond à ce vide en deux étapes. D'abord, il identifie les phrases qui activent le plus fortement le modèle prédictif d'une région donnée, puis un LLM synthétise ces signaux en une explication courte et lisible, comme "préparation culinaire" ou "noms de lieux". Ensuite, un autre LLM génère de nouvelles histoires spécifiquement conçues pour déclencher cette région, les participants les écoutent en scanner, et l'équipe vérifie si la zone ciblée s'active effectivement. Les expériences menées ont confirmé des sélectivités connues, distingué des régions voisines de traitement des lieux longtemps considérées comme interchangeables, et mis en évidence de minuscules "micro-régions" préfrontales sensibles à des concepts très précis comme les dialogues, les horaires ou les mesures. L'enjeu va bien au-delà de la neuroscience computationnelle : il s'agit de combler le fossé entre prédiction et compréhension. Un modèle qui prédit l'activité cérébrale sans l'expliquer ne produit pas de connaissance scientifique, il produit une performance. GCT transforme ces performances en hypothèses testables, c'est-à-dire en théories au sens strict du terme, des affirmations que l'on peut confirmer ou réfuter par une expérience. Pour les chercheurs en neurosciences du langage, cela change radicalement la valeur opérationnelle des LLMs : ils ne servent plus seulement à prédire, mais à formuler des questions précises sur l'organisation fonctionnelle du cortex. Pour l'industrie de l'IA, c'est une démonstration que l'interprétabilité des modèles peut être abordée de façon expérimentale, pas seulement théorique. Ce travail s'inscrit dans un mouvement plus large d'alignement entre neurosciences cognitives et intelligence artificielle, où les LLMs sont utilisés non plus comme des boîtes noires mais comme des instruments d'investigation scientifique. La crise de l'explicabilité est l'une des tensions centrales de la décennie en IA : à mesure que les modèles gagnent en précision, leur lisibilité diminue. GCT propose une réponse originale en utilisant les LLMs pour s'expliquer eux-mêmes, via une boucle de vérification empirique. Les prochaines étapes probables incluent l'extension de ce cadre à d'autres modalités sensorielles et à d'autres populations, ainsi que son application à des questions cliniques liées au traitement du langage dans des pathologies neurologiques.

💬 On savait déjà que les LLMs prédisent l'activité cérébrale mieux que n'importe quel autre outil. Ce que GCT fait, c'est utiliser ces mêmes modèles pour formuler des hypothèses qu'on va tester en scanner, transformer une prédiction opaque en théorie vérifiable. C'est le genre de travail qui devrait changer comment on pense l'interprétabilité en IA, pas juste en neurosciences.

Comprendre l'état actuel de l'IA : ces graphiques sont essentiels

Le rapport annuel AI Index 2026 de l'Institut HAI de l'Université Stanford, publié ce mois-ci, dresse un bilan saisissant de l'état de l'intelligence artificielle mondiale. Malgré les prédictions d'un essoufflement technologique, les modèles de pointe continuent de progresser à un rythme sans précédent. Sur le benchmark SWE-bench Verified, qui mesure les capacités en ingénierie logicielle, les meilleurs scores sont passés d'environ 60 % en 2024 à près de 100 % en 2025. Les modèles atteignent désormais ou dépassent les performances d'experts humains sur des tests de niveau doctorat en sciences, mathématiques et compréhension du langage. L'adoption de l'IA par le grand public progresse plus vite que celle du PC ou d'Internet en leur temps, et les entreprises du secteur génèrent des revenus plus rapidement que lors de n'importe quel autre boom technologique de l'histoire. Le tout, en dépensant des centaines de milliards de dollars en centres de données et en puces électroniques. Cette accélération a des conséquences concrètes et massives. Les centres de données IA dans le monde peuvent désormais consommer 29,6 gigawatts d'électricité, soit l'équivalent de la consommation maximale de l'État de New York. La seule utilisation de GPT-4o d'OpenAI pourrait dépasser annuellement les besoins en eau potable de 12 millions de personnes. La chaîne d'approvisionnement en semi-conducteurs représente une vulnérabilité stratégique majeure : les États-Unis concentrent la majorité des centres de données mondiaux, mais une seule entreprise taïwanaise, TSMC, fabrique la quasi-totalité des puces IA de pointe. Par ailleurs, les benchmarks censés mesurer les progrès de l'IA, les cadres réglementaires et le marché du travail peinent à suivre un secteur qui avance bien plus vite qu'eux. Sur le plan géopolitique, la course entre les États-Unis et la Chine est désormais au coude à coude. En début d'année 2023, OpenAI dominait nettement avec ChatGPT, mais l'écart s'est resserré en 2024 avec l'arrivée des modèles de Google et Anthropic. En février 2025, DeepSeek R1, développé par un laboratoire chinois, a brièvement égalé ChatGPT. En mars 2026, Anthropic prend la tête du classement Arena, suivi de près par xAI, Google et OpenAI, tandis que DeepSeek et Alibaba ne sont qu'à faible distance. Si les États-Unis disposent de modèles plus puissants, de davantage de capitaux et de 5 427 centres de données (dix fois plus que tout autre pays), la Chine domine en publications scientifiques, brevets et robotique. La transparence, elle, recule : OpenAI, Anthropic et Google ne divulguent plus leurs codes d'entraînement ni la taille de leurs modèles, compliquant le travail des chercheurs indépendants en matière de sécurité de l'IA.

💬 SWE-bench à presque 100% en un an, des modèles qui surpassent des experts sur des tests de doctorat, une adoption plus rapide qu'Internet en son temps. Les chiffres Stanford HAI 2026 sont là, vérifiables, pas du storytelling de keynote. Ce qui coince, c'est que pendant que les perfs s'envolent, OpenAI, Anthropic et Google ont discrètement arrêté de publier tailles de modèles et codes d'entraînement, laissant les chercheurs en sécurité IA travailler de plus en plus dans le noir.