Le conseil d'administration d'OpenAI exprime sa gratitude aux membres de la Commission OpenAI indépendante non lucrative pour leur travail et leur engagement considérables.
Dans nos dossiers
Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.
OpenAI et Microsoft maintiennent une collaboration étroite en recherche, ingénierie et développement de produits, capitalisant sur des années de coopération approfondie et de succès partagés.
UEOpenAI et Microsoft renforcent leur partenariat pour l'innovation en IA, influençant potentiellement des entreprises françaises et européennes, sans impact direct immédiat sur la conformité aux lois comme le RGPD ou l'AI Act, mais ouvrant des opportunités dans les secteurs de l'IA et du développement de produits.
Des chercheurs de Google ont identifié une limite majeure des LLMs comme Llama-3-70B et Qwen-2.5-32B : leur incapacité à mettre à jour leurs "croyances" au fil des interactions, plafonnant dès le premier échange. Ils ont développé le Bayesian Teaching, une technique d'entraînement qui apprend aux modèles à raisonner comme un assistant bayésien, en maintenant et mettant à jour une distribution de probabilités sur les préférences utilisateur à chaque round. Contre-intuitivement, entraîner les modèles sur des "suppositions éclairées" (souvent fausses en début d'apprentissage) s'est révélé plus efficace que de les entraîner sur les bonnes réponses, permettant à des modèles comme Gemma-2-9B et Llama-3-8B d'approcher les performances du modèle bayésien de référence.
OpenAI lance un défi inédit à la communauté des chercheurs en intelligence artificielle : concevoir le meilleur modèle de langage possible dans une limite de 16 mégaoctets seulement. Baptisée « Parameter Golf », cette compétition transforme l'exercice de compression de modèle en véritable vitrine technique, et en outil de recrutement assumé. L'initiative révèle une tendance de fond dans le secteur : l'efficacité des modèles devient un enjeu stratégique aussi important que leur puissance brute. Alors que la course aux paramètres à l'échelle des centaines de milliards a longtemps dominé la recherche, la capacité à obtenir des performances maximales avec des ressources minimales s'impose désormais comme une compétence différenciante, notamment pour les applications embarquées, mobiles ou à faible latence. La contrainte de 16 Mo est particulièrement sévère : à titre de comparaison, les modèles de la génération actuelle comme GPT-4 ou Llama pèsent plusieurs dizaines de gigaoctets. Atteindre des performances pertinentes dans cet espace revient à résoudre des problèmes de quantification, de distillation et d'architecture qui se situent à la frontière de la recherche fondamentale. OpenAI utilise explicitement la compétition pour identifier les ingénieurs et chercheurs les plus talentueux dans ce domaine précis. Ce type de défi-recrutement n'est pas une nouveauté dans la tech, Google, Meta et DeepMind y ont régulièrement recours via des compétitions de code ou de ML. Ce qui distingue l'approche d'OpenAI ici, c'est la précision du signal recherché : maîtriser la compression de modèle est exactement le profil nécessaire pour faire tourner des LLM directement sur des appareils grand public, un axe stratégique sur lequel la compétition avec Apple, Google et Microsoft s'intensifie.
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 ?
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
