Ce texte présente une première vue de GPT-5, un modèle développé par une équipe de leaders, montrant comment ils l'utilisent pour la première fois.
Dans nos dossiers
Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.
Le Model Context Protocol (MCP) est un protocole développé par Anthropic, adopté par des leaders de l'IA comme Google et OpenAI, permettant aux modèles d'IA d'interagir avec des outils externes de manière plus efficace. Il facilite l'intégration des systèmes d'IA dans les environnements utilisateurs quotidiens.
Un nouveau pré-publication dévoile que GPT-5.2 propose une nouvelle formule pour une amplitude de gluon, ultérieurement prouvée et vérifiée par OpenAI et des collaborateurs académiques.
UEL'avancement AI GPT-5.2 contribue potentiellement à l'innovation en physique théorique, influençant les recherches académiques européennes sans impact direct sur entreprises spécifiques en France ou dans l'UE, en respectant les lois comme le RGPD et l'AI Act, mais favorisant un environnement propice à la recherche et au développement.
Des chercheurs explorent l'utilisation de l'IA pour prédire les pandémies, y compris des menaces inconnues comme le coronavirus. L'approche consiste à modéliser des trajectoires potentielles sur les 200 premiers jours suivant la détection du premier cas, même sans données préexistantes sur le pathogène.
UELes systèmes de surveillance épidémiologique européens (ECDC) pourraient bénéficier de tels outils prédictifs pour anticiper les futures pandémies.
Une équipe de chercheurs a publié EgoLive, un jeu de données égocentrique à grande échelle conçu spécifiquement pour l'apprentissage de la manipulation robotique. Présenté dans un preprint arXiv (2604.23570), EgoLive se positionne comme le plus grand dataset égocentrique annoté en open source centré sur les activités humaines orientées tâches dans des environnements réels. Les données ont été captées grâce à un dispositif de capture monté sur la tête, développé sur mesure, et enrichies d'annotations multimodales haute précision. Les scènes enregistrées couvrent des situations du quotidien professionnel et domestique : services à domicile, environnements de vente au détail, et autres contextes de travail verticaux impliquant des interactions manuelles complexes. L'enjeu est direct : la robotique moderne bute sur la rareté des données d'entraînement à grande échelle et de qualité suffisante. Les méthodes dominantes jusqu'ici, comme la télé-opération ou les interfaces de manipulation universelle, présentent des limites structurelles en termes de passage à l'échelle et de déployabilité dans des environnements non contrôlés. En collectant des vidéos du point de vue humain dans des situations réelles et non scénarisées, EgoLive offre une diversité et une validité écologique que les approches en laboratoire ne peuvent pas reproduire. Pour les équipes qui développent des modèles robotiques généralisables, disposer de telles données pourrait accélérer significativement la capacité des robots à opérer hors des environnements contrôlés. La course aux données robotiques s'est intensifiée avec l'essor des grands modèles d'action, qui nécessitent des volumes massifs d'exemples pour généraliser leurs comportements. Des initiatives comme Open X-Embodiment ou les datasets de manipulation de DeepMind ont montré la voie, mais restent souvent contraints à des contextes de collecte artificiels. EgoLive s'inscrit dans un mouvement plus large qui cherche à exploiter la vidéo humaine naturelle comme signal d'apprentissage bon marché et scalable. La mise à disposition en open source vise à fédérer la communauté de recherche autour d'une base commune, avec l'ambition explicite de faciliter le déploiement réel de systèmes robotiques dans des environnements humains ordinaires.
Recevez l'essentiel de l'IA chaque jour
Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.
Gratuit · 1 email le matin, rédigé par un humain · désinscription en un clic
