Condamné par un cancer, son chien survit grâce à un vaccin conçu avec ChatGPT

Alibaba renforce son IA médicale avec un nouvel outil de détection précoce du cancer colorectal

Alibaba Group a dévoilé mardi un nouveau modèle d'intelligence artificielle baptisé Coca, développé par son laboratoire de recherche Damo Academy, capable de détecter les cancers colorectaux à un stade précoce à partir de scanners CT sans contraste. Testé sur plus de 27 000 examens, le modèle a permis d'identifier cinq cas de cancer colorectal qui avaient été manqués par des radiologistes humains, affichant ainsi une sensibilité supérieure à celle des spécialistes pour cette tâche précise. Cette avancée représente un enjeu médical considérable : le cancer colorectal est l'un des cancers les plus meurtriers au monde, et son pronostic s'améliore drastiquement lorsqu'il est détecté tôt. Un outil capable de réduire les faux négatifs dans l'analyse de scanners de routine pourrait alléger la charge cognitive des radiologistes, accélérer les diagnostics et potentiellement sauver des vies, notamment dans les systèmes de santé où le volume d'examens dépasse la capacité humaine disponible. Alibaba s'inscrit avec Coca dans une stratégie plus large de déploiement de l'IA médicale, un secteur où les géants technologiques chinois investissent massivement pour rivaliser avec des acteurs comme Google Health ou Microsoft. La Chine fait face à une pression démographique et sanitaire croissante, avec des taux de cancer colorectal en hausse, ce qui rend ces outils particulièrement stratégiques. Coca s'appuie sur les scanners CT non contrastés, des examens courants et moins coûteux que leurs homologues avec produit de contraste, ce qui élargit son potentiel de déploiement à grande échelle dans des contextes hospitaliers variés.

OpenAI offre aux mainteneurs open-source six mois d'accès gratuit à ChatGPT Pro et Codex

OpenAI offre gratuitement pendant six mois à mainteneurs de projets open-source les versions Pro de ChatGPT et Codex, ainsi que des outils de sécurité. Cette initiative vise à soutenir les développeurs open-source.

Coronavirus : un antigène développé avec une IA, le vaccin est testé chez l’humain

Des chercheurs de l'université de Cambridge ont franchi une étape inédite dans l'histoire de la vaccinologie : pour la première fois, un vaccin dont l'antigène a été entièrement conçu par une intelligence artificielle a été testé sur des humains. Le candidat vaccin, baptisé pEVAC-PS, cible une sous-famille de coronavirus appelée les sarbecovirus, qui comprend le SARS-CoV-1 (responsable du SRAS en 2002-2003), le SARS-CoV-2 (Covid-19) et des souches animales susceptibles de passer à l'humain. L'outil d'IA utilisé, DIOSynVax, développé par une spin-out de Cambridge du même nom, a analysé les séquences génétiques de nombreux coronavirus pour concevoir un antigène synthétique ciblant leurs caractéristiques communes plutôt qu'une seule souche. Un premier essai clinique portant sur 39 participants a été mené et les résultats ont été publiés dans le Journal of Infection. Les résultats se sont révélés mitigés : les participants, déjà fortement immunisés suite aux vaccinations anti-Covid, n'ont montré qu'une faible augmentation de leurs niveaux d'anticorps. L'intérêt de cette avancée ne réside pas dans l'efficacité immédiate du vaccin, mais dans ce qu'elle démontre pour l'avenir de la préparation aux pandémies. En concevant un "super-antigène" synthétique capable de cibler les caractéristiques partagées par toute une famille virale, l'approche DIOSynVax ouvre la voie à des vaccins universels, efficaces non seulement contre les souches actuelles mais également contre de futures mutations ou l'émergence de nouveaux virus d'origine animale. Cette logique de protection préventive représente un changement de paradigme par rapport aux vaccins traditionnels, qui sont développés à partir de souches déjà identifiées et connues. Un second essai clinique impliquant 200 participants est prévu pour mieux évaluer les capacités réelles du vaccin. Cette percée s'inscrit dans un contexte d'urgence sanitaire mondiale persistante. L'équipe de Cambridge compte désormais appliquer sa plateforme IA à d'autres menaces infectieuses : la grippe saisonnière, la grippe aviaire H5N1 et les fièvres hémorragiques virales comme Ebola, dont une souche sans vaccin existant sévit actuellement en République démocratique du Congo. Le professeur Jonathan Heeney, qui dirige les recherches, résume l'enjeu auprès de la BBC : "mettre au point des vaccins qui nous protègent non seulement contre les virus d'aujourd'hui, mais aussi contre ceux qui pourraient être à l'origine de la prochaine épidémie." Saul Faust, qui a conduit les essais à l'université de Southampton, souligne que la technologie semble particulièrement prometteuse face aux virus à mutation rapide. La prudence reste néanmoins de mise avant les résultats du prochain essai élargi.

💬 Les résultats sont décevants sur les anticorps, OK. Mais l'enjeu n'est pas là : ce vaccin montre qu'une IA peut concevoir un antigène qui cible toute une famille virale, pas juste la souche qu'on a sous les yeux aujourd'hui. Si le deuxième essai tient, on change de logique dans la préparation aux pandémies.

Comment créer des agents de raisonnement sur mesure avec un minimum de calcul

Des chercheurs de JD.com et de plusieurs institutions académiques ont publié une nouvelle méthode d'entraînement pour les modèles d'IA raisonnants, baptisée RLSD, pour Reinforcement Learning with Verifiable Rewards with Self-Distillation. L'approche combine deux techniques existantes : l'apprentissage par renforcement avec récompenses vérifiables (RLVR), qui évalue simplement si une réponse finale est juste ou fausse, et l'auto-distillation, qui fournit un retour granulaire sur chaque étape du raisonnement. Selon les expériences publiées, les modèles entraînés avec RLSD surpassent ceux construits avec les algorithmes classiques de distillation et d'apprentissage par renforcement. Chenxu Yang, co-auteur de l'étude, a précisé à VentureBeat les défauts fondamentaux des méthodes précédentes : avec RLVR standard, une trace de raisonnement de plusieurs milliers de tokens ne reçoit qu'une seule récompense binaire, 0 ou 1, et chaque token dans cette trace obtient exactement le même crédit, qu'il s'agisse d'une étape logique décisive ou d'une phrase accessoire. Pour les équipes d'ingénierie en entreprise, RLSD réduit concrètement les barrières techniques et financières pour construire des modèles de raisonnement sur mesure adaptés à leur logique métier. La méthode concurrente dite OPD (On-Policy Distillation) exige de maintenir un grand modèle "enseignant" actif en permanence durant tout l'entraînement, ce qui, selon Yang, "double approximativement votre empreinte GPU". Elle impose également que le modèle enseignant et le modèle étudiant partagent exactement la même structure de vocabulaire, ce qui exclut de facto la majorité des configurations multi-architectures, multi-modalités ou multilingues que les entreprises utilisent réellement. RLSD contourne ces contraintes sans sacrifier la qualité du signal d'apprentissage. L'auto-distillation en mode OPSD (On-Policy Self-Distillation), qui faisait jouer au même modèle le rôle de l'enseignant et de l'étudiant, semblait être le compromis idéal, mais souffre d'un défaut structural identifié par les chercheurs : la "fuite d'information privilégiée". Lorsque la version enseignante du modèle dispose d'une clé de réponse vérifiée et que la version étudiante tente de reproduire son comportement sans cette information, il existe un écart irréductible entre les deux distributions que l'étudiant ne peut jamais combler. RLSD est conçu pour résoudre précisément ce problème, en combinant les avantages de chaque paradigme sans en hériter les défauts. Cette publication s'inscrit dans une course plus large à démocratiser l'entraînement de modèles raisonnants de qualité, jusqu'ici réservé aux acteurs disposant de grandes infrastructures de calcul.