Import AI 470 : pas de droits pour les machines, génération automatique d'environnements avec SPADE, de meilleurs kernels GPU avec Hawkeye
Le 470e numéro de la newsletter Import AI, publié par des chercheurs indépendants, présente une étude de l'organisation de recherche METR mesurant où l'intelligence artificielle accélère réellement la découverte scientifique, en comparant trois domaines : la cybersécurité, les mathématiques et la recherche en IA elle-même. Pour la cybersécurité, l'accélération est jugée majeure : le nombre de vulnérabilités signalées a fortement augmenté en 2026 par rapport à 2025, aussi bien sur des projets précis comme cURL, OpenSSL, Firefox et les logiciels Microsoft que dans les bases de données agrégées américaines NVD et OSV. En mathématiques, l'effet est plus modeste mais réel : les soumissions sur arXiv ont doublé dans certains sous-domaines en moins de douze mois, et plusieurs problèmes réputés difficiles ont été résolus, dont la conjecture jacobienne de la liste de Smale, le problème 44 de la liste de Green portant sur le crible de division par deux, et la moitié sofique du problème 100 de Green. En revanche, pour l'optimisation de la recherche en IA elle-même, aucune accélération mesurable n'a été constatée sur sept repères significatifs (CIFAR-10, la compression Hutter, l'optimisation mixte-entière avec Gurobi, MIPLIB, nanoGPT, le moteur d'échecs Stockfish et l'exposant de multiplication matricielle), seuls nanoGPT et CIFAR-10 montrant une contribution attribuable à des modèles de langage, et à un rythme bien plus faible que dans les deux autres domaines.
Résumé et traduction réalisés par Le Fil IA à partir de Import AI. Lire l'article original →
Ce constat compte parce qu'il montre que l'IA ne progresse pas de façon uniforme dans les sciences et technologies, mais par poches localisées, très marquées en cybersécurité, plus diffuses en mathématiques, quasi invisibles dans l'auto-amélioration algorithmique de l'IA. Pour les entreprises et laboratoires qui investissent massivement dans l'automatisation de la recherche, cela suggère que le passage à un régime d'accélération dépend d'un basculement de compétence propre à chaque domaine, comme cela s'est produit pour la programmation quotidienne en 2025 puis pour le piratage informatique en 2026, plutôt que d'un simple effet d'échelle généralisé.
Le numéro détaille aussi SPADE, un système d'entraînement conçu par des chercheurs de neuf institutions, dont l'Université de Washington, Stanford, le MIT, Carnegie Mellon et l'Université nationale de Singapour. SPADE fait alterner un même modèle entre deux rôles : concepteur d'environnements exécutables complexes, comme des simulations de laboratoire de biologie, et agent chargé de les résoudre, créant ainsi ses propres données d'entraînement en boucle. Ce type d'approche illustre les tentatives naissantes d'auto-amélioration récursive des modèles, un axe de recherche suivi de près par la communauté, notamment pour ses implications potentielles en matière de sécurité et de contrôle des systèmes d'IA à mesure que leur autonomie augmente.
Pas d'impact direct sur la France/UE