L'IA conçoit des puces radio que les humains n'auraient pas pu imaginer

Des chercheurs ont laissé Claude Code découvrir des algorithmes d'IA qu'un humain n'aurait probablement pas conçus

Des chercheurs de l'Université du Maryland, de Google, de Meta et d'autres institutions ont mis au point AutoTTS, un système qui confie à un agent de codage - Claude Code d'Anthropic - la tâche de concevoir de façon autonome des algorithmes pour améliorer le raisonnement des modèles d'IA. En 160 minutes et pour seulement 40 dollars, l'agent a découvert un algorithme inédit qui réduit d'environ 70 % la charge de calcul par rapport à la méthode self-consistency standard, tout en atteignant une précision équivalente. Ce résultat change la donne sur la façon dont les algorithmes d'optimisation pourraient être développés. La méthode self-consistency, qui consiste à générer plusieurs réponses et à en extraire la plus cohérente, est largement utilisée pour améliorer la fiabilité des grands modèles de langage, mais elle reste coûteuse en ressources. Réduire ce coût de 70 % sans perte de précision représente un gain concret pour les équipes qui déploient ces systèmes à grande échelle, et soulève une question plus profonde : certains algorithmes utiles sont peut-être inaccessibles à l'intuition humaine. Ce travail s'inscrit dans la tendance croissante du test-time scaling, qui consiste à allouer davantage de puissance de calcul au moment de l'inférence plutôt qu'à l'entraînement. Confier à un agent IA la conception d'algorithmes que des chercheurs humains n'auraient probablement pas imaginés ouvre une nouvelle frontière dans la méta-optimisation. La question qui se pose désormais est de savoir jusqu'où cette automatisation peut s'étendre, et si d'autres domaines de la recherche en IA pourraient bénéficier d'une approche similaire.

💬 40 dollars, 160 minutes, et un algo qui réduit de 70% les coûts de calcul qu'aucun chercheur n'avait pensé à chercher là. C'est ça qui est troublant, pas la perf en elle-même : certains espaces de solutions sont peut-être hors de portée de l'intuition humaine, et on commence juste à s'en rendre compte. Reste à voir si ça tient hors benchmark.

La science casse les codes : l’IA crée ses premiers vaccins humains

Des chercheurs de l'Université de Cambridge ont franchi une étape inédite dans l'histoire de la vaccination : un candidat vaccin contre les coronavirus, baptisé pEVAC-PS, conçu entièrement à l'aide de modèles d'intelligence artificielle, a été testé avec succès chez l'humain pour la première fois. L'essai de phase I a impliqué 39 volontaires sains qui ont reçu le vaccin par voie intradermique, sans aiguille. Aucun effet indésirable grave n'a été observé, et des signaux immunitaires ont été détectés contre plusieurs coronavirus distincts. Le vaccin a été développé en collaboration avec la société britannique DIOSynVax, qui ambitionne d'étendre la plateforme à d'autres agents pathogènes comme la grippe ou Ebola. Ce qui rend cette avancée significative, c'est l'approche adoptée pour contourner l'un des problèmes fondamentaux de la vaccinologie moderne : la dérive virale. Les coronavirus, comme les virus grippaux, mutent en permanence, rendant les vaccins existants progressivement moins efficaces. L'IA a permis ici d'identifier des zones structurellement stables, communes à plusieurs sarbecovirus, dont le SARS-CoV-2, le virus du SRAS de 2003 et des souches de coronavirus de chauve-souris à potentiel zoonotique. En ciblant ces régions conservées plutôt que des épitopes variables, le vaccin vise à entraîner le système immunitaire à reconnaître une famille entière de virus plutôt qu'un seul variant. C'est une stratégie qui pourrait transformer la manière dont l'humanité anticipe les pandémies, en passant d'une réponse réactive à une préparation proactive. Ce premier essai clinique s'inscrit dans un contexte de course mondiale à la prévention des prochaines crises sanitaires, accélérée par les leçons du Covid-19. Les gouvernements et institutions scientifiques cherchent des outils capables de réduire le délai entre l'émergence d'un nouveau pathogène et la mise à disposition d'un vaccin efficace. L'utilisation de l'IA pour la conception moléculaire représente une piste sérieuse : elle peut théoriquement compresser des années de tâtonnements expérimentaux en quelques mois de simulation computationnelle. Cela dit, les résultats immunitaires observés restent préliminaires et difficiles à interpréter, notamment parce que les volontaires avaient déjà été exposés au SARS-CoV-2 ou vaccinés contre le Covid-19. La prochaine étape, un essai de phase II avec un panel plus large de participants naïfs, sera déterminante pour évaluer l'efficacité réelle du pEVAC-PS. Cambridge et DIOSynVax ont encore plusieurs années de travail devant eux avant toute mise sur le marché, mais la preuve de concept est désormais posée.

💬 C'est l'approche qui m'intéresse, pas le titre. Cibler les zones conservées plutôt que courir après chaque variant, c'est exactement le bon problème à résoudre, et l'IA est bien placée pour l'identifier parce qu'elle peut comparer des milliers de structures en un temps qu'aucun labo ne pourrait tenir manuellement. Phase I, 39 personnes, résultats préliminaires sur des gens déjà immunisés, bon, on reste loin d'une mise sur le marché. Mais la preuve que ça peut marcher en humain, c'était le verrou qui bloquait tout.

L'IA comme prolongement de l'intelligence humaine

Une nouvelle approche théorique publiée dans le cadre d'une collaboration interdisciplinaire propose de revoir fondamentalement la façon dont on comprend les systèmes d'intelligence artificielle. Intitulée "The Origins of Artificial Intelligence in Natural Intelligence", cette recherche soutient que les grands modèles de langage ne sont ni des esprits humains en devenir, ni de simples outils statistiques sophistiqués, mais des extensions des structures cognitives propres à l'être humain. S'appuyant sur la phénoménologie du philosophe Edmund Husserl, les auteurs avancent que le langage humain contient déjà des structures sédimentées de compréhension du monde, et que les modèles d'IA apprennent précisément à modéliser et prolonger ces structures. Ce cadre théorique rejoint des travaux récents comme "The Blind Spot" d'Adam Frank, Marcelo Gleiser et Evan Thompson, ou encore "The Abstraction Fallacy" du chercheur de DeepMind Alexander Lerchner, qui posent tous la même question de fond : et si l'IA fonctionnait parce qu'elle s'appuie sur ce que les humains ont déjà construit ? Cette perspective permet d'expliquer à la fois les performances remarquables des modèles actuels et leurs limites récurrentes. Les LLM peuvent produire des textes cohérents dans des domaines très variés parce qu'ils ont appris les relations statistiques entre concepts à travers des milliards de textes humains. Mais ils hallucinent parce qu'ils étendent des patterns à l'intérieur du langage, sans être ancrés dans un rapport direct au monde. Là où un humain est constamment corrigé par l'expérience, un modèle prolonge des configurations linguistiques sans pouvoir vérifier leur rapport à la réalité. Cela explique aussi le "compositionality gap" documenté par la recherche : les modèles progressent beaucoup plus vite en fluidité et en rappel factuel qu'en raisonnement compositionnel véritable, c'est-à-dire la capacité à combiner des concepts de façon réellement nouvelle. Ce n'est pas simplement une limite d'ingénierie, disent les auteurs, mais une frontière structurelle. Sur le plan des implications, cette théorie déplace le débat sur la sécurité de l'IA : plutôt que de s'inquiéter d'une "IA renégate" qui surpasserait l'intelligence humaine, elle invite à traiter la sécurité comme un défi de système, relevant à la fois de l'ingénierie et de la gouvernance. Concevoir l'IA comme une extension de l'intelligence humaine, et non comme son remplacement, offre un cadre plus opérationnel pour construire des systèmes fiables. Dans un contexte où les investissements dans les LLM atteignent des niveaux records et où les débats sur l'alignement et les risques existentiels monopolisent l'attention, cette approche phénoménologique propose une voie plus sobre : comprendre ce que l'IA est vraiment avant de décider ce qu'elle pourrait devenir.

Paris sportifs : Ce qui risque de vous arriver en demandant conseil à l’IA

Une start-up londonienne, General Reasoning, a publié une étude baptisée « KellyBench » qui met en lumière les limites des grandes intelligences artificielles face à un défi financier concret : les paris sportifs. Huit modèles issus de Google, OpenAI, Anthropic et xAI ont été soumis à une simulation de la saison 2023-2024 de la Premier League anglaise. Chaque système disposait de données historiques, de statistiques d'équipes et de joueurs, et devait élaborer des stratégies de mise capables de générer des profits tout en limitant les risques, sans accès à Internet et en s'adaptant aux informations fournies au fil des matchs. Les résultats sont sans appel : aucun des modèles testés n'a réussi à rester rentable sur la durée. Le meilleur performer, Claude Opus 4.6 d'Anthropic, affiche tout de même une perte moyenne de 11 %, avec une seule tentative frôlant l'équilibre. Grok 4.20 de xAI a fait faillite dès son premier essai, tandis que Gemini 3.1 Pro de Google a enregistré un gain ponctuel de 34 % avant de s'effondrer lors d'une autre tentative. Plusieurs systèmes ont accumulé des pertes importantes, et tous ont performé en dessous de participants humains placés dans les mêmes conditions simulées. Ces résultats éclairent une limite fondamentale des IA actuelles : leur efficacité chute dès qu'elles quittent les environnements stables et bien définis. Si ces systèmes excellent sur des tâches structurées comme la programmation, l'analyse de données ou les examens standardisés, ils peinent à gérer des dynamiques imprévisibles sur le long terme, là où les variables changent en permanence et où les décisions doivent intégrer du risque réel. Pour les investisseurs, les parieurs ou toute personne envisageant de déléguer des décisions financières à une IA, le message est clair : la robustesse affichée dans les benchmarks classiques ne se traduit pas en performance dans des contextes réels et mouvants. Ross Taylor, directeur général de General Reasoning et ancien chercheur chez Meta AI, souligne que l'engouement actuel pour l'automatisation tend à masquer cette réalité plus nuancée. Les benchmarks traditionnels, trop statiques, ne capturent pas la complexité du monde réel, ce qui crée une illusion de compétence universelle. Cette étude, encore non évaluée par des pairs, s'inscrit dans un débat plus large sur la façon dont on mesure les capacités des IA : les tests actuels favorisent les domaines où ces systèmes brillent, tout en occultant leurs lacunes sur des tâches dynamiques et à haute incertitude. La prochaine étape pour le secteur sera de concevoir des évaluations plus représentatives, capables de révéler non seulement ce que les IA savent faire, mais aussi ce qu'elles ne maîtrisent pas encore.