OpenAI lance le "OpenAI Learning Accelerator" pour promouvoir l'intelligence artificielle avancée auprès des enseignants et des millions d'apprenants en Inde via la recherche, la formation et le déploiement accélérés en IA.
Dans nos dossiers
Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.
Apple participe cette semaine à la quatorzième édition de l'International Conference on Learning Representations (ICLR 2026), qui se tient à Rio de Janeiro, au Brésil. L'entreprise y est présente en tant que sponsor officiel et y envoie plusieurs de ses chercheurs pour présenter des travaux couvrant un large spectre de sujets en apprentissage automatique et en intelligence artificielle. Ces contributions sont publiées et partagées avec la communauté scientifique internationale, conformément à la politique de diffusion ouverte qu'Apple a renforcée ces dernières années. Cette présence illustre l'ambition croissante d'Apple dans la recherche fondamentale en IA, un domaine où l'entreprise a longtemps été perçue comme moins visible que ses concurrents Google DeepMind, Meta AI ou Microsoft Research. Publier à l'ICLR, l'une des conférences les plus sélectives au monde en apprentissage profond, constitue un signal fort adressé à la communauté académique et au marché des talents, dans un contexte de recrutement intensément compétitif entre les grandes entreprises technologiques. Apple a sensiblement accéléré ses publications scientifiques depuis 2017, après avoir longtemps gardé ses recherches entièrement confidentielles. Cette ouverture progressive vise à attirer des chercheurs de haut niveau qui, dans d'autres structures, peuvent publier librement leurs travaux. L'ICLR 2026 intervient alors qu'Apple intègre davantage de fonctionnalités d'IA générative dans ses produits via Apple Intelligence, ce qui rend ses avancées en ML directement pertinentes pour des centaines de millions d'utilisateurs à travers le monde.
Des chercheurs en robotique et apprentissage automatique ont proposé une nouvelle architecture neuronale baptisée RodriNet, décrite dans un article pré-publié sur arXiv (arXiv:2506.02618). L'équipe introduit d'abord un composant fondamental, le Neural Rodrigues Operator, une généralisation apprenante de l'opération classique de cinématique directe, qui permet d'encoder la structure géométrique des systèmes articulés directement dans le calcul neuronal. Sur deux tâches synthétiques de prédiction cinématique et de mouvement, RodriNet affiche des gains significatifs par rapport aux architectures standard comme les MLPs et les Transformers. Les auteurs valident ensuite l'approche sur deux applications concrètes : l'apprentissage par imitation sur des bancs d'essai robotiques en combinant RodriNet avec la Diffusion Policy, et la reconstruction 3D d'une main à partir d'une seule image. L'enjeu central est celui du biais inductif : les réseaux classiques traitent les actions articulées comme des vecteurs numériques quelconques, sans tenir compte du fait qu'un bras robotique ou une main humaine obéissent à des contraintes géométriques précises, celles de la cinématique. En intégrant ces contraintes directement dans l'architecture, RodriNet apprend plus efficacement à partir de données limitées et généralise mieux aux configurations inédites. Pour l'industrie de la robotique, cela représente une voie vers des politiques de contrôle plus robustes sans nécessiter de jeux de données massifs, ce qui est particulièrement précieux dans le cadre du déploiement de robots en environnements réels. Cette contribution s'inscrit dans une tendance plus large visant à réintroduire des connaissances physiques et géométriques dans les architectures d'apprentissage profond, après une décennie dominée par des modèles généralistes sans a priori structurels. La Diffusion Policy, utilisée ici comme cadre d'imitation, est elle-même une approche récente qui modélise les trajectoires robotiques comme des processus de diffusion. Le couplage de ces deux innovations suggère que la prochaine frontière en robotique apprenante passe par des architectures hybrides, à la fois flexibles et ancrées dans la physique du corps articulé.
OpenAI réoriente l'ensemble de ses efforts de recherche autour d'un objectif unique et ambitieux : construire un chercheur entièrement automatisé, capable de s'attaquer seul à des problèmes complexes et de grande envergure. Cette nouvelle priorité devient, selon la firme de San Francisco, sa "étoile du nord" pour les prochaines années, fédérant plusieurs axes de travail jusqu'ici distincts : modèles de raisonnement, agents autonomes et interprétabilité. La feuille de route est précise. D'ici septembre 2025, OpenAI entend déployer un "stagiaire chercheur IA autonome", un système capable de prendre en charge, seul, un nombre restreint de problèmes de recherche spécifiques. Ce premier jalon préfigure un système multi-agents entièrement automatisé prévu pour 2028, qui devrait selon la société pouvoir traiter des problèmes trop vastes ou trop complexes pour l'intelligence humaine seule. Les domaines visés sont larges : mathématiques, physique, biologie, chimie, mais aussi questions de politique publique ou défis stratégiques d'entreprise, en somme, tout ce qui peut s'exprimer en texte, en code ou sur un tableau blanc. C'est Jakub Pachocki, directeur scientifique d'OpenAI, qui pilote cette ambition aux côtés du directeur de la recherche Mark Chen. Dans un entretien exclusif, Pachocki affirme : "Je pense que nous approchons du moment où nous aurons des modèles capables de travailler indéfiniment de façon cohérente, comme le font les humains." Il cite Codex, l'agent de génération de code lancé en janvier, comme une première incarnation embryonnaire de ce chercheur IA, un outil dont la majorité du personnel technique d'OpenAI ferait déjà usage quotidiennement. L'objectif est d'étendre la durée d'autonomie de ces systèmes : "Ce que nous visons pour un stagiaire chercheur automatisé, c'est un système auquel on peut déléguer des tâches qui prendraient plusieurs jours à un humain", précise-t-il. Le projet s'inscrit dans un contexte de concurrence accrue, avec Anthropic et Google DeepMind qui talonent désormais OpenAI sur le marché des modèles de pointe. Des voix extérieures, comme celle de Doug Downey de l'Allen Institute for AI, confirment l'enthousiasme du secteur pour ces systèmes de recherche longue durée, portés par le succès des agents de codage. La vraie question reste ouverte : ces systèmes pourront-ils un jour produire des découvertes scientifiques originales, ou se limiteront-ils à accélérer un travail déjà balisé par des chercheurs humains ?
Des chercheurs ont développé une méthode permettant de prédire et générer des mouvements réalistes à long terme de façon bien plus efficace que les approches existantes. Leur système repose sur un espace de représentation de mouvement appris à partir de vastes collections de trajectoires extraites par des modèles de suivi d'objets. Plutôt que de synthétiser des vidéos complètes pour modéliser la dynamique d'une scène, le modèle opère directement sur ces embeddings compacts, ce qui réduit drastiquement le coût de calcul. Les séquences de mouvement générées peuvent être guidées par des instructions en langage naturel ou par des indications spatiales directement pointées sur l'image. Cette avancée s'attaque à un goulot d'étranglement central en vision artificielle : explorer plusieurs futurs possibles à partir d'une même scène est actuellement prohibitif si chaque hypothèse nécessite la génération d'une vidéo pixel par pixel. En travaillant directement sur des représentations condensées du mouvement, la méthode permet de simuler des dynamiques longues et cohérentes avec une fraction des ressources habituellement requises. Les bénéfices sont concrets pour la robotique, l'animation et la génération de données synthétiques pour l'entraînement d'autres modèles d'IA. La prédiction de mouvement est un enjeu fondamental de l'intelligence visuelle : comprendre comment les objets et les personnes vont se déplacer est indispensable pour qu'une machine interprète le monde physique. Si les grands modèles vidéo ont progressé dans la compréhension des scènes dynamiques, leur usage pour simuler des futurs alternatifs demeure trop lourd pour être pratique. Cette approche par embeddings de mouvement appris à grande échelle pourrait s'imposer comme un composant clé des futurs modèles du monde, ces systèmes qui cherchent à simuler la réalité physique de manière efficace et pilotable.
Recevez l'essentiel de l'IA chaque jour
Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.
Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic
