Aller au contenu principal

Actualités IA — page 121

9 316 articles au fil, du plus récent au plus ancien.

Acronis Gen AI Protection : la solution pour sécuriser l’IA générative
Illustration générée par IA
2401Le Big Data 

Acronis Gen AI Protection : la solution pour sécuriser l’IA générative

Acronis a annoncé le lancement d'Acronis Gen AI Protection, une nouvelle solution destinée à sécuriser l'usage de l'intelligence artificielle générative en entreprise. Il s'agit du premier composant d'Acronis Cyber Workspace, un environnement conçu pour accompagner les organisations dans la maîtrise de leurs usages liés à l'IA générative. La solution s'intègre nativement à la plateforme Acronis Cyber Protect, sans nécessiter l'installation d'un agent supplémentaire sur les postes de travail, ce qui permet aux clients déjà équipés de l'écosystème Acronis de l'activer rapidement. Elle cible en priorité les prestataires de services managés (MSP), qui peuvent depuis une console unique surveiller les usages des applications d'IA générative, appliquer des politiques de sécurité en temps réel et intervenir dès qu'une activité présente un risque. Parmi ses fonctionnalités clés figurent la visibilité complète sur les interactions avec les modèles d'IA, la protection des données sensibles et la détection des comportements à risque. Cette initiative répond à un problème concret : l'adoption massive et souvent incontrôlée d'assistants conversationnels et de plateformes de génération de contenu par les salariés, un phénomène connu sous le nom de shadow AI. Ces usages échappent fréquemment au contrôle des équipes informatiques et exposent les entreprises à des fuites de données confidentielles, à des risques de non-conformité réglementaire et à des tentatives d'exploitation ou de manipulation des modèles par des attaquants. Pour les MSP, l'enjeu est double : continuer à permettre à leurs clients de bénéficier des gains de productivité offerts par l'IA générative, tout en réduisant l'exposition aux erreurs humaines et aux fuites d'informations stratégiques. En centralisant la gouvernance de ces outils dans une infrastructure de cybersécurité déjà déployée, Acronis cherche à éviter que les entreprises n'aient à multiplier les solutions de gestion, ce qui simplifie à la fois la supervision continue et le déploiement à grande échelle chez de nombreux clients. Cette annonce s'inscrit dans une tendance plus large du marché de la cybersécurité, où les éditeurs cherchent à combler le vide laissé par l'essor rapide de l'IA générative depuis l'explosion des grands modèles de langage. Alors que les usages professionnels de ces outils se multiplient sans cadre de gouvernance clair, plusieurs acteurs du secteur, à l'image d'Acronis, développent des couches de protection spécifiquement dédiées à l'IA plutôt que de se reposer sur des solutions de sécurité génériques. La stratégie d'intégration directe à une plateforme existante plutôt que de proposer un outil autonome traduit une volonté de faciliter l'adoption par les MSP, un segment particulièrement sensible aux coûts de déploiement et de maintenance. Reste à voir comment cette solution évoluera face à la diversification rapide des usages de l'IA générative et à l'évolution des réglementations, notamment en Europe avec l'AI Act.

SécuritéOutil
1 source
Gemini Spark s’invite dans Chrome pour gérer vos démarches en ligne à votre place
Illustration générée par IA
2402Le Big Data 

Gemini Spark s’invite dans Chrome pour gérer vos démarches en ligne à votre place

Google a annoncé le 3 août 2026, via son compte officiel sur X, l'arrivée de Gemini Spark dans Chrome, une intégration qui permet à son intelligence artificielle d'interagir directement avec les sites web plutôt que de se limiter à répondre à des questions. Concrètement, l'assistant s'appuie sur la fonction "auto browse" de Chrome pour effectuer des démarches à la place de l'utilisateur : rechercher un vol, lancer une réservation, ou encore organiser des visites d'appartements déjà repérés lors d'une recherche précédente. Pour fonctionner, Gemini Spark utilise les comptes et mots de passe déjà enregistrés dans le navigateur, mais uniquement après autorisation explicite de l'utilisateur. Le déploiement démarre aux États-Unis et cible dans un premier temps les abonnés aux offres payantes Google AI Pro et Google AI Ultra. Google annonce par ailleurs une extension de l'accès à Gemini Spark, sans la fonction de navigation automatisée, à plus de 160 pays supplémentaires pour les abonnés Google AI Pro, sans toutefois préciser de calendrier pour le déploiement complet de l'automatisation des démarches hors des États-Unis. Cette évolution transforme Chrome, jusque-là simple fenêtre d'affichage de pages web, en un outil capable d'agir pour le compte de l'utilisateur sur des tâches administratives ou logistiques chronophages, comme comparer des vols entre plusieurs onglets ou remplir des formulaires de réservation. Pour les millions d'utilisateurs de Chrome, cela représente un gain de temps potentiel sur des opérations répétitives, mais soulève aussi la question de la confiance accordée à une IA disposant d'un accès direct aux identifiants et moyens de paiement enregistrés dans le navigateur. Google tente d'anticiper ces réticences en limitant l'autonomie de l'assistant sur les actions sensibles, notamment les paiements, qui déclenchent systématiquement une demande de validation manuelle avant toute exécution. Cette annonce s'inscrit dans une course plus large des géants technologiques vers des navigateurs assistés par IA capable d'agir de façon autonome sur le web, une tendance qui expose aussi à de nouveaux risques de sécurité, en particulier les attaques par injection de prompt, où un contenu malveillant tente de manipuler l'IA pour lui faire exécuter des actions non désirées ou révéler des informations sensibles. Google affirme avoir intégré des protections spécifiques contre ce type de menace dans Gemini Spark. Le déploiement progressif, réservé pour l'instant aux abonnés payants américains, suggère une approche prudente avant une généralisation à d'autres marchés et à l'ensemble des utilisateurs de Chrome.

OutilsOutil
1 source
L'IA protectionniste de Trump s'attaque désormais à la robotique
Illustration générée par IA
2403MIT Technology Review 

L'IA protectionniste de Trump s'attaque désormais à la robotique

La Federal Trade Commission américaine a annonce la semaine dernière une interdiction générale des importations de robots avances fabriques a l'étranger, visant les humanoïdes, les robots quadrupèdes et les robots a roues. Cette décision, prise par une FTC de plus en plus alignée sur l'administration Trump, s'appuie sur deux justifications : le risque que ces robots collectent massivement des données, y compris dans des foyers ou des sites sensibles, ce qui constituerait une menace pour la sécurité nationale, et la nécessite de protéger les entreprises américaines de robotique face a la concurrence chinoise pour bâtir une chaine d'approvisionnement domestique plus solide. Un document de la FTC cite d'ailleurs un incident ou un individu avait réussi a prendre le contrôle de 7 000 aspirateurs robots. Gavin Kenneally, PDG de Ghost Robotics, fabricant américain de robots quadrupèdes destines a l'inspection, a salue la mesure, estimant que les risques de cybersécurité lies aux robots étrangers sont réels et qu'un environnement concurrentiel plus équilibre bénéficierait aux clients comme a l'industrie. Cette interdiction s'inscrit dans une stratégie plus large de l'administration Trump visant a protéger l'industrie américaine de l'intelligence artificielle, la robotique étant désormais considérée comme l'un des fronts les plus avances de ce secteur. Washington envisagerait par ailleurs d'interdire les modèles d'IA chinois en open source, qui rivalisent souvent avec ceux d'OpenAI et d'Anthropic tout en coutant beaucoup moins cher, une mesure qui priverait les entreprises américaines d'environ 25 milliards de dollars d'économies annuelles. Le problème, selon plusieurs acteurs du secteur, c'est que les entreprises et laboratoires universitaires américains dépendent lourdement des robots chinois bon marche pour leurs travaux de recherche, notamment pour entrainer des robots a des taches variées comme retourner des gaufres ou faire la lessive. Aaron Prather, directeur du renseignement de marche a l'Association for Advancing Automation, souligne que cette règle "créé un défi pour les chercheurs américains en robotique humanoïde", les modèles chinois offrant le meilleur rapport prix-performance du marche. Une étude interne de son organisation a révèle que 90 % des articles de recherche en robotique publies récemment par des universités américaines s'appuyaient sur des robots fabriques par Unitree, le principal fabricant chinois de robots humanoïdes. L'écart de prix est considérable : un robot quadrupède Unitree coute environ 4 600 dollars, contre 278 000 dollars pour un modèle comparable de Boston Dynamics, l'entreprise américaine de référence. Si l'accès a ces robots chinois abordables venait a se tarir, la recherche en robotique aux Etats-Unis pourrait en réalité ralentir plutôt que bénéficier de cette protection, un paradoxe que plusieurs observateurs du secteur pointent déjà du doigt.

RégulationReglementation
1 source
Pourquoi les jailbreaks IA classiques (DAN, AIM, Developer Mode) ne marchent plus
Illustration générée par IA
2404Le Big Data 

Pourquoi les jailbreaks IA classiques (DAN, AIM, Developer Mode) ne marchent plus

Le lancement de ChatGPT par OpenAI en 2022 a immédiatement révélé les failles des premiers grands modèles de langage. Dès les premières semaines, des utilisateurs ont mis au point des techniques de contournement reposant sur de longs textes directifs. Le prompt DAN (Do Anything Now) imposait à l'IA un alter ego libéré de toute contrainte, la méthode AIM (Always Intelligent and Machiavellian) la poussait à adopter un raisonnement cynique et amoral, tandis que le Developer Mode simulait une fausse interface d'administration pour désactiver les garde-fous. Ces attaques fonctionnaient parce que les modèles de l'époque n'étaient au fond que des systèmes de complétion de texte, cherchant à prédire le mot suivant sans réellement intégrer de règles éthiques. Un deuxième défaut aggravait la situation : les instructions du système et les requêtes de l'utilisateur transitaient par un canal unique, si bien que le modèle ne pouvait pas distinguer une consigne légitime d'une manipulation. Enfin, une fragilité sémantique poussait l'IA à analyser la forme d'une requête sans en comprendre l'intention réelle, traitant par exemple une mise en scène dangereuse comme une simple fiction. Ces failles ont eu des conséquences concrètes sur la façon dont les concepteurs de modèles construisent désormais leurs systèmes. Pour y remédier, les éditeurs ont généralisé l'apprentissage par renforcement avec retour humain, le RLHF, qui consiste à faire évaluer les réponses par des humains chargés de pénaliser les comportements toxiques et de récompenser les refus appropriés. Le modèle apprend ainsi à associer systématiquement les faux jeux de rôle du type DAN ou AIM à de fortes pénalités pendant son entraînement. Cette évolution marque la fin d'une modération superficielle, fondée sur de simples listes de mots interdits, au profit d'une analyse plus fine de l'intention réelle derrière chaque requête. Pour les professionnels de la sécurité informatique comme pour les entreprises qui déploient ces outils, cela signifie que les anciennes méthodes de contournement, largement documentées et partagées en ligne, ont perdu leur efficacité face à des modèles capables de repérer les schémas de manipulation qu'elles utilisaient. Ce basculement s'inscrit dans une dynamique plus large de défense en profondeur, où les fabricants de modèles superposent désormais plusieurs couches de protection plutôt que de s'appuyer sur un seul filtre. L'affaiblissement des jailbreaks historiques ne signifie pas pour autant la fin des tentatives de contournement : la nature évolutive du rapport de force entre attaquants et concepteurs de modèles suggère que de nouvelles techniques, plus subtiles, continueront d'émerger à mesure que les défenses se renforcent. Cette course entre sécurisation des modèles et créativité des utilisateurs cherchant à en détourner l'usage reste l'un des enjeux centraux de l'industrie de l'intelligence artificielle générative.

SécuritéOpinion
1 source
OLIX, FRACTILE, ETCHED : les milliards affluent vers les futurs moteurs de l’IA
Illustration générée par IA
2405FrenchWeb 

OLIX, FRACTILE, ETCHED : les milliards affluent vers les futurs moteurs de l’IA

Trois start-up spécialisées dans les puces d'inférence pour l'intelligence artificielle, OLIX, FRACTILE et ETCHED, ont levé ensemble plus de 1,5 milliard de dollars pour développer une nouvelle génération de moteurs de calcul dédiés à l'exécution des modèles de raisonnement. Ce mouvement de financement traduit un déplacement du centre de gravité de l'industrie : longtemps concentré sur l'entraînement des grands modèles de langage, l'essentiel des investissements se tourne désormais vers l'inférence, c'est-à-dire la phase où les modèles produisent effectivement leurs réponses, token après token. Les trois entreprises visent un objectif commun, accélérer la production de tokens tout en réduisant la facture énergétique, un enjeu devenu central à mesure que les modèles de raisonnement multiplient les étapes de calcul pour chaque requête. Cette bascule financière est stratégique pour toute l'industrie de l'IA. Les modèles de raisonnement récents, plus lents et plus gourmands en calcul que les générations précédentes, rendent le coût de l'inférence critique pour la rentabilité des services d'IA grand public et professionnels. Réduire ce coût, ou en changer l'architecture matérielle sous-jacente, peut directement déterminer quelles entreprises pourront proposer des modèles avancés à grande échelle sans que la facture énergétique et financière ne devienne prohibitive. Le point commun de ces trois levées est la volonté de contester la position dominante de NVIDIA, dont les puces GPU équipent aujourd'hui la quasi-totalité des centres de données d'IA. En misant sur des architectures alternatives conçues spécifiquement pour l'inférence plutôt que pour l'entraînement, OLIX, FRACTILE et ETCHED cherchent à ouvrir une brèche dans un marché des semi-conducteurs d'IA jusqu'ici verrouillé par un seul acteur dominant, dans un contexte où la demande de calcul pour l'IA continue de croître fortement.

InfrastructureActu
1 source
Meta double l'efficacité de son modèle publicitaire IA à grande échelle avec l'entraînement GEM
Illustration générée par IA
2406Meta Engineering ML 

Meta double l'efficacité de son modèle publicitaire IA à grande échelle avec l'entraînement GEM

Meta a dévoilé les détails techniques de GEM (Generative Ads Recommendation Model), le modèle de fondation qui alimente les recommandations publicitaires sur Instagram et Facebook. Ce modèle s'entraîne désormais à l'échelle des grands modèles de langage, sur plusieurs milliers de GPU de dernière génération. Au cours des douze derniers mois, l'équipe d'ingénierie de Meta a doublé l'efficacité globale de l'entraînement, atteignant un taux d'utilisation des FLOPs du modèle (MFU) de 20 à 25 %, tout en multipliant par quatre le volume total de calcul consacré à l'entraînement. Ce résultat repose sur une conception conjointe des noyaux de calcul, de la précision numérique, du parallélisme, du réseau et de la mémoire. GEM combine une architecture hybride associant des milliers de milliards de paramètres d'embeddings épars à des milliards de paramètres denses, entraînés sur des données de contenu publicitaire et d'engagement utilisateur, réparties entre caractéristiques séquentielles comme l'historique d'activité et caractéristiques non séquentielles comme la localisation ou la représentation des créations publicitaires. Cette prouesse technique compte parce que les infrastructures d'IA optimisées pour les grands modèles de langage classiques ne s'appliquent pas directement aux systèmes de recommandation, dont le profil de données diffère fondamentalement. Les séquences d'activité utilisateur ont des longueurs très variables, et un simple remplissage jusqu'à la longueur maximale peut gaspiller jusqu'à 50 % de la puissance de calcul. Les tâches de prédiction publicitaire, comme le taux de clic ou de conversion, sont en outre extrêmement sensibles aux changements de précision numérique, ce qui rend risqué le recours naïf à des formats basse précision sans dégrader la qualité des prédictions. En résolvant ces contraintes propres aux systèmes de recommandation à grande échelle, Meta améliore directement l'efficacité économique de son moteur publicitaire, un enjeu majeur pour un groupe dont l'essentiel des revenus provient de la publicité ciblée sur Facebook et Instagram. Pour surmonter ces obstacles, les ingénieurs de Meta ont développé une bibliothèque de noyaux de calcul dédiée aux systèmes de recommandation, comprenant des mécanismes comme Jagged Flash Attention, Generalized Dot-Product Attention et BlockAttention, combinés à un entraînement en précision ultra-basse mixte, notamment au format MXFP8 pour les couches d'attention et les réseaux denses. Côté mise à l'échelle, l'équipe a mis en place un parallélisme à cinq dimensions tenant compte de la topologie réseau, associant du FSDP bidimensionnel et du parallélisme d'experts pour les paramètres denses à un parallélisme de modèle entièrement partitionné pour les paramètres épars, le tout aligné sur la hiérarchie réseau multi-niveaux de Meta. Cette approche illustre une tendance plus large de l'industrie où les géants technologiques réutilisent les innovations issues de l'entraînement des grands modèles de langage pour d'autres charges de travail critiques, ouvrant la voie à de nouvelles optimisations matérielles et logicielles spécifiques aux systèmes de recommandation à très grande échelle.

InfrastructureActu
1 source
L'Europe applique désormais ses règles sur l'étiquetage et la transparence de l'IA
Illustration générée par IA
2407The Verge AI 

L'Europe applique désormais ses règles sur l'étiquetage et la transparence de l'IA

Les nouvelles règles de transparence de l'AI Act européen sont entrées en vigueur le 2 août 2026, obligeant les entreprises à signaler clairement quand un utilisateur interagit avec un système d'intelligence artificielle, et à indiquer si un contenu a été généré ou modifié par une IA. La Commission européenne a par ailleurs mis à disposition des labels standardisés que les entreprises peuvent utiliser directement, plutôt que de concevoir leurs propres mentions. Le texte distingue deux catégories d'acteurs soumis à des obligations différentes : les fournisseurs, qui développent et commercialisent les systèmes d'IA, et les déployeurs, qui exploitent ces systèmes au sein de leurs plateformes et services. Certaines entreprises, comme Meta et xAI, se retrouvent classées dans les deux catégories à la fois, cumulant donc les deux jeux d'obligations. Cette entrée en vigueur marque une étape concrète dans la mise en œuvre du règlement européen sur l'intelligence artificielle, considéré comme le cadre juridique le plus ambitieux au monde en la matière. L'objectif est de permettre aux internautes d'identifier plus facilement les chatbots et les deepfakes générés par IA, dans un contexte où la confusion entre contenu humain et contenu synthétique s'est multipliée, notamment autour d'images, de vidéos ou de voix truquées. Pour les utilisateurs, cela signifie théoriquement plus de clarté sur la nature de ce qu'ils consultent ou avec quoi ils échangent en ligne. Ces obligations de transparence s'inscrivent dans le calendrier progressif de déploiement de l'AI Act, qui prévoit une entrée en application échelonnée de ses différentes exigences selon le niveau de risque des systèmes concernés. Les grandes entreprises technologiques, notamment américaines, doivent désormais adapter leurs produits pour se conformer au droit européen, sous peine de sanctions. Ce nouveau jalon alimente aussi le débat plus large sur la capacité de Bruxelles à faire respecter ses règles face à des acteurs mondiaux comme Meta, OpenAI ou xAI, et sur l'influence que ce cadre pourrait exercer au-delà des frontières de l'Union.

RégulationReglementation
1 source
La F1 utilise l'IA agentique sur AWS pour accélérer ses opérations de données, de plusieurs semaines à quelques minutes
Illustration générée par IA
2408AWS ML Blog 

La F1 utilise l'IA agentique sur AWS pour accélérer ses opérations de données, de plusieurs semaines à quelques minutes

F1 fait face à un défi opérationnel majeur avec sa plateforme MarTech Customer 360, qui capte les interactions de plus de 800 millions de fans à travers les diffusions TV, les réseaux sociaux, la billetterie et les produits dérivés. Selon Chris Roberts, directeur informatique de Formula 1, chaque nouvelle source de données nécessitait de 6 à 8 semaines d'ingénierie manuelle, générant un arriéré de 18 mois pour intégrer seulement 12 sources. Face à ce constat, Matt Kemp, responsable des opérations data chez F1, a lancé un projet avec AWS pour améliorer l'efficacité et la qualité des données. Début 2026, F1 et AWS ont conçu ensemble le Data Accelerator, un outil d'intelligence artificielle agentique fonctionnant sur Amazon Bedrock AgentCore, capable de transformer la plateforme MarTech de F1 en un système autogéré, observable et unifié. Résultat concret : le temps d'intégration d'une nouvelle source de données est passé de 8 semaines à environ 40 minutes de génération de code, suivies de quelques heures de déploiement. Cette accélération change la donne pour une organisation dont les courses ont lieu toutes les deux semaines et où chaque décision commerciale doit suivre le rythme de la piste. En réduisant drastiquement les délais d'intégration, F1 peut désormais exploiter plus rapidement les flux issus des partenaires de billetterie, des diffuseurs, des sponsors et des réseaux sociaux pour affiner sa personnalisation et sa segmentation marketing. Le système a aussi permis d'identifier et de corriger automatiquement des anomalies de données en production. Surtout, l'équipe dispose désormais d'une visibilité de bout en bout sur l'ensemble de la plateforme, avec traçabilité des données et analyse des causes profondes, remplaçant des tableaux de bord saturés d'alertes par une vue unique et exploitable. Cette transformation répond à trois sources de friction identifiées par les équipes. D'abord, l'intégration manuelle de chaque source impliquait l'écriture de correspondances de schémas, de pipelines d'ingestion, de contrôles qualité et de règles de conformité RGPD, une à une. Ensuite, les flux fournisseurs évoluaient sans préavis, changeant de noms de colonnes ou de structures, souvent au pire moment, comme en plein week-end de course ou lors du lancement d'une campagne critique. Enfin, les journaux étaient dispersés entre Amazon S3, Amazon Redshift, Airflow et DBT, obligeant les ingénieurs à passer des heures à retracer manuellement l'origine d'un problème. Le Data Accelerator répond à ces trois enjeux via cinq chantiers menés en parallèle : intégration agentique des sources via Bedrock AgentCore, détection et correction automatique des évolutions de schéma, accès unifié aux données grâce à Amazon SageMaker Unified Studio, observabilité complète avec analyse des causes racines, et correction automatisée des anomalies détectées lorsque celles-ci peuvent être résolues par du code.

OutilsOutil
1 source
Ces designers inventent une police d’écriture impossible à scraper par les IA
Illustration générée par IA
2409Le Big Data 

Ces designers inventent une police d’écriture impossible à scraper par les IA

Un studio brésilien, Seneda & Abrucio, et la fonderie danoise Playtype ont lancé fin juillet 2026 une police d'écriture baptisée ShieldFont, gratuite et open source, conçue pour compliquer le scraping des textes par les intelligences artificielles. Le principe technique s'appuie sur une fonction intégrée au format OpenType : le texte présent dans le code HTML de la page n'est pas celui affiché à l'écran. ShieldFont encode le contenu en remplaçant environ 25 % des mots par d'autres appartenant à la même catégorie grammaticale, un nom pour un nom, un verbe pour un verbe, un adjectif pour un adjectif, avant de restituer visuellement les mots d'origine au moment de l'affichage. Un lecteur humain voit donc le texte exact tel qu'écrit par l'auteur, tandis qu'un robot qui aspire uniquement le code source récupère une version dont le sens a été altéré. Selon les tests menés par les créateurs, cette substitution partielle suffit à modifier sensiblement le message dans 55,8 % des articles de presse testés et 51,9 % des contenus web généralistes, avec des résultats variables sur les œuvres de fiction. Cette initiative s'inscrit dans un contexte de tensions croissantes entre éditeurs de contenus et entreprises d'IA, ces dernières collectant d'immenses volumes de textes pour entraîner leurs modèles sans toujours obtenir l'accord des auteurs. Pour les designers à l'origine du projet, publier un texte en ligne ne revient pas à consentir automatiquement à son utilisation pour l'entraînement d'une intelligence artificielle. ShieldFont offre ainsi aux éditeurs, blogueurs ou médias un outil concret pour brouiller la collecte automatisée sans pénaliser l'expérience de lecture humaine, contrairement à d'autres approches qui masquent le texte via des animations ou des effets visuels susceptibles de gêner la consultation normale d'une page. La protection reste toutefois loin d'être infaillible. Un robot capable d'analyser le rendu visuel d'une page, par exemple via une capture d'écran couplée à de la reconnaissance optique de caractères (OCR), peut contourner le procédé et retrouver le texte réel. Un acteur suffisamment déterminé pourrait également télécharger la police et reconstituer les correspondances entre mots affichés et mots encodés dans le code source. Autre limite significative : ShieldFont ne fonctionne pour l'instant qu'en anglais, même si ses créateurs prévoient d'étendre le projet à d'autres langues, dont le français. Le procédé affecte aussi indistinctement moteurs de recherche, outils de traduction, lecteurs d'écran et fonctions de copier-coller, ce qui pousse ses concepteurs à déconseiller son usage sur des pages destinées à un bon référencement Google. ShieldFont illustre néanmoins une nouvelle piste, technique plutôt que juridique, dans la bataille entre créateurs de contenus et industrie de l'intelligence artificielle.

« L'article 50 de l'AI Act européen sur la transparence entre en vigueur »
Illustration générée par IA
2410AI News 

« L'article 50 de l'AI Act européen sur la transparence entre en vigueur »

L'article 50 du règlement européen sur l'intelligence artificielle est officiellement entré en application, imposant de nouvelles obligations de transparence aux fournisseurs et déployeurs de systèmes d'IA actifs dans l'Union européenne. Concrètement, toute entreprise proposant des outils d'IA générative doit désormais informer les utilisateurs lorsqu'ils interagissent avec une machine, sauf dans les cas évidents pour une personne raisonnablement attentive, ou lorsqu'il s'agit de systèmes utilisés par les forces de l'ordre dans le cadre d'enquêtes pénales. Les fournisseurs de générateurs de contenu synthétique (audio, image, vidéo ou texte) doivent en plus intégrer un marquage lisible par machine, permettant de détecter que le contenu a été généré ou manipulé par l'IA, dans la mesure où cela reste techniquement réalisable. Les deepfakes doivent porter une mention explicite, avec un traitement allégé pour les œuvres artistiques, satiriques ou fictionnelles. Quant aux textes publiés à des fins d'information sur des sujets d'intérêt public, ils échappent à l'obligation de divulgation seulement si un humain les a relus et qu'une responsabilité éditoriale est clairement établie, un simple contrôle rédactionnel classique suffisant à remplir cette condition. Cette nouvelle réglementation vise directement les risques de manipulation à grande échelle, de fraude et de tromperie du consommateur que la Commission européenne associe aux progrès récents de l'IA générative, ceux ci rendant de plus en plus difficile la distinction entre un contenu humain et un contenu artificiel, que ce soit dans une conversation ou dans une image. Les systèmes de reconnaissance des émotions et de catégorisation biométrique sont eux aussi concernés : toute personne exposée à ces outils doit désormais en être informée, les données personnelles collectées restant par ailleurs soumises au RGPD ou, selon les cas, au règlement applicable aux institutions européennes ou à la directive policière. Pour les entreprises technologiques, cela signifie revoir en profondeur leurs interfaces, leurs mentions légales et leurs processus de production de contenu, sous peine de s'exposer à des sanctions. L'application de l'article 50 s'appuie sur un dispositif d'application à trois niveaux : les autorités nationales de surveillance du marché traitent la majorité des cas, le Bureau de l'IA européen supervise les systèmes relevant directement de sa compétence, et le Contrôleur européen de la protection des données intervient lorsqu'une institution de l'UE agit elle même comme fournisseur ou déployeur. Bruxelles propose une voie de mise en conformité privilégiée à travers le Code de bonnes pratiques sur la transparence des contenus générés par IA, que les organisations peuvent signer pour démontrer leur respect des obligations de marquage, les autres devant prouver leur conformité par d'autres moyens. Cette étape s'inscrit dans le calendrier progressif de mise en œuvre du règlement européen sur l'IA, dont les volets les plus contraignants continuent d'entrer en vigueur par phases jusqu'en 2027.

RégulationReglementation
1 source
OpenAI fait plier 10 problèmes de maths qui défiaient les chercheurs
Illustration générée par IA
2411Le Big Data 

OpenAI fait plier 10 problèmes de maths qui défiaient les chercheurs

Le 1er août 2026, OpenAI a publié dix résultats mathématiques produits par Astra, la version interne de son prochain grand modèle, accompagnés d'un manuscrit de 249 pages et de dix certificats de vérification formelle. Les problèmes couvrent la géométrie en haute dimension, la théorie des groupes, la cryptographie sur réseaux, la complexité quantique et la combinatoire. Parmi les résultats revendiqués : la construction du premier groupe non sofique explicite, la réfutation de la conjecture de rigidité de Connes, la preuve de la conjecture de volume d'Ehrhart, la résolution de trois problèmes d'Erdős, ainsi que la première amélioration générale sur l'empilement de sphères depuis 1978. OpenAI évalue le coût en jetons de ces découvertes à environ 2 000 dollars aux tarifs de son API Sol. Le chercheur Sébastien Bubeck, employé d'OpenAI, a personnellement mis en avant sur X le résultat concernant les groupes non sofiques, présentant Astra comme l'auteur intellectuel des démonstrations plutôt que comme un simple outil. Ce chiffre de 2 000 dollars illustre un effondrement potentiel du coût marginal de la recherche mathématique de très haut niveau, jusqu'ici affaire de carrières entières et de programmes pluriannuels. Pour les universités et les instituts de recherche, le signal est brutal : une partie du travail théorique le plus exigeant pourrait bientôt se rapprocher, en coût, d'un simple calcul informatique. La vérification formelle en Lean 4, avec un fichier par résultat reconstructible via Lean 4.32.0 et Mathlib, change aussi la donne : une démonstration mal fondée ne peut plus se cacher derrière une rédaction convaincante, puisqu'elle doit compiler mécaniquement. Cela ne dispense toutefois pas les spécialistes humains de vérifier que l'énoncé formalisé correspond bien au problème historique posé, et que la preuve apporte une compréhension utile au-delà de sa validité logique. Cette annonce intervient deux mois seulement après la réfutation, déjà attribuée à un modèle OpenAI, d'une conjecture d'Erdős vieille de 80 ans, ce qui suggère une accélération rapide des capacités mathématiques des grands modèles. Mais la communication reste asymétrique : OpenAI ne précise pas combien de tentatives ou de problèmes ont échoué avant cette sélection de dix résultats, ni le coût réel incluant l'entraînement d'Astra et l'infrastructure, une limite relevée notamment par l'analyste Simon Willison. Face à ce type d'annonces, les mathématiciens ont réagi collectivement via la Déclaration de Leiden sur l'IA et les mathématiques, soutenue par l'Union mathématique internationale, qui réclame des publications évaluées selon des standards indépendants plutôt que de simples communiqués d'entreprise. La suite dépendra largement de la capacité de la communauté mathématique à auditer ces résultats de façon indépendante, et de la volonté d'OpenAI de rendre publics les échecs autant que les succès.

RecherchePaper
1 source
Orchard : un framework open source pour l'IA à base d'agents à grande échelle
Illustration générée par IA
2412Microsoft Research 

Orchard : un framework open source pour l'IA à base d'agents à grande échelle

Microsoft a dévoilé Orchard, un framework open source destiné à la recherche sur l'IA agentique à grande échelle et à moindre coût. Son composant central, Orchard Env, est un service d'environnement réutilisable, bâti sur Kubernetes, capable de créer, gérer et supprimer des milliers de composants isolés en parallèle pour entraîner et évaluer des agents. Cette même infrastructure prend en charge des agents dédiés au développement logiciel, à la navigation web et à l'assistance personnelle, et permet de les entraîner directement dans de véritables environnements de déploiement comme Codex, OpenClaw et ZeroClaw. Pour illustrer cette approche, Microsoft publie trois recettes d'entraînement spécialisées, Orchard-SWE, Orchard-GUI et Orchard-Claw, accompagnées des données d'entraînement et des méthodes d'évaluation utilisées pour les construire. Le résultat le plus marquant vient d'Orchard-SWE, qui atteint 69,7% sur le benchmark SWE-bench Verified, un score qui grimpe à 73% grâce à un reclassement par modèle de valeur, avec seulement environ 3 milliards de paramètres actifs, se rapprochant ainsi de systèmes de pointe utilisant des modèles plus de dix fois plus volumineux. Cette annonce répond à un obstacle bien connu de la recherche en IA agentique: construire des systèmes à l'état de l'art exige généralement une infrastructure propriétaire, des bacs à sable sur mesure, des pipelines d'entraînement fermés et des jeux de données inaccessibles à la majorité des chercheurs. En rendant Orchard Env indépendant de tout framework d'entraînement spécifique et compatible avec plusieurs types de tâches sans modification, Microsoft entend démocratiser l'accès à ces outils. Les équipes de recherche peuvent ainsi introduire de nouveaux benchmarks, agents ou algorithmes d'entraînement sans reconstruire leur infrastructure depuis zéro, ce qui pourrait accélérer considérablement les progrès collectifs dans un domaine jusqu'ici dominé par quelques acteurs disposant de ressources massives. Le contexte plus large est celui d'une bascule rapide de l'IA, qui passe de simples systèmes de questions-réponses statiques à des agents autonomes capables de planifier, raisonner et agir dans des environnements complexes et multi-étapes, que ce soit pour corriger des bugs dans du code, naviguer sur le web pour un utilisateur ou gérer des calendriers et des e-mails. Un défi technique majeur reste que les agents les plus performants fonctionnent rarement comme de simples modèles isolés: ils s'appuient sur des harnais sophistiqués tels que Claude Code, Codex ou OpenClaw, qui gèrent le raisonnement multi-tours, l'usage d'outils et les connexions à des systèmes externes, un niveau de complexité que les outils d'entraînement ouverts peinent habituellement à prendre en charge.

OutilsOutil
1 source
Tesla, BYD, Xpeng : la guerre des robots humanoïdes est déclarée dans l’automobile
Illustration générée par IA
2413Frandroid 

Tesla, BYD, Xpeng : la guerre des robots humanoïdes est déclarée dans l’automobile

Tesla, XPeng, BYD, Chery, Xiaomi, Hyundai, BMW et Mercedes multiplient désormais les annonces et prototypes de robots humanoïdes, transformant ce qui semblait être une diversification exotique en une compétition industrielle assumée. Tesla a lancé le mouvement avec Optimus, dont Elon Musk vise une production à grande échelle, tandis que les constructeurs chinois BYD, XPeng et Chery accélèrent leurs propres programmes, souvent avec des démonstrations publiques de prototypes capables de marcher, saisir des objets ou effectuer des tâches simples. Xiaomi, déjà présent dans l'automobile électrique depuis peu, ajoute sa marque à cette liste, tout comme les groupes allemands BMW et Mercedes, historiquement plus prudents sur ce type de diversification technologique. Cette convergence n'a rien d'accidentel : voitures électriques et robots humanoïdes partagent une base technologique commune, batteries, moteurs électriques, capteurs, systèmes de vision par ordinateur et intelligence artificielle embarquée, ce qui permet aux constructeurs de réutiliser leur expertise et leurs chaînes de production existantes. Pour l'industrie automobile, engagée dans une transition électrique coûteuse et une guerre des prix féroce notamment en Chine, les robots représentent un relais de croissance potentiel et une façon de rentabiliser des investissements en IA et en robotique déjà consentis pour les véhicules autonomes. Cette bataille s'inscrit dans un contexte où la robotique humanoïde attire des investissements massifs à l'échelle mondiale, portée par les progrès de l'IA générative appliquée au contrôle moteur et à la perception. Les constructeurs automobiles, forts de leur savoir-faire en production de masse et en gestion de chaînes d'approvisionnement complexes, misent sur leur capacité à industrialiser plus vite que des startups spécialisées comme Figure ou Agility Robotics. Reste à savoir qui parviendra à transformer ces démonstrations en produits commercialisables et rentables, et si cette course accélérée profitera davantage aux constructeurs chinois, déjà en position de force sur les coûts de production.

RobotiqueOpinion
1 source
Apple submergée par les rapports de bugs générés par IA
Illustration générée par IA
2414Next INpact 

Apple submergée par les rapports de bugs générés par IA

Apple traverse une période difficile face à l'afflux de rapports de bugs générés par intelligence artificielle. Depuis juin, le constructeur impose un plafond et une période de carence de 30 jours pour les signalements soumis via son portail web dédié. Apple a confirmé au Financial Times avoir « récemment ajusté le nombre de nouveaux rapports qu'un chercheur peut avoir ouverts simultanément » face à l'augmentation des signalements générés par IA dans l'ensemble du secteur. Cette restriction a eu une conséquence concrète pour l'équipe italienne Bynario, qui a découvert une cinquantaine de failles dans la dernière version de macOS en trois semaines à l'aide de ChatGPT, dont une vulnérabilité sérieuse permettant une élévation de privilèges et la prise de contrôle d'un Mac. Bynario n'a pas pu soumettre ce rapport en raison des nouvelles limites, et Apple n'a accepté de l'examiner qu'après la sollicitation du Financial Times. En 2025, l'équipe avait soumis huit rapports à Apple, dont un corrigé en novembre, et cinq signalements supplémentaires depuis le début de l'année avant de se heurter au plafond. Cette situation illustre un risque réel pour la sécurité des utilisateurs : la faille non signalée touchait le système Memory Integrity Enforcement, dévoilé en septembre dernier pour contrer les attaques par corruption de mémoire, une vulnérabilité de ce type pouvant se revendre jusqu'à 200 000 dollars sur le marché noir. Alfredo Pesoli, directeur général et cofondateur de Bynario, reconnaît que « les responsables de projets et les éditeurs sont submergés par la quantité de bugs découverts », qualifiant la période d'« très difficile pour le secteur ». Pour Apple, l'enjeu est de préserver la capacité de ses équipes à vérifier chaque signalement et développer des correctifs sans être noyées sous des rapports de qualité inégale, tout en évitant de fermer la porte à des découvertes de vulnérabilités critiques. L'entreprise assure que les chercheurs peuvent « facilement demander à tout moment » une augmentation de leur quota pour les rapports jugés critiques. Ce phénomène dépasse largement Apple. L'entreprise a bonifié l'an dernier son programme de bug bounty, offrant jusqu'à 2 millions de dollars, et 5 millions avec bonus, pour les failles les plus importantes, ce qui attise l'intérêt de nombreux chercheurs amateurs équipés d'outils d'IA. Sa dernière livraison de mises à jour a corrigé 87 vulnérabilités dans iOS 26.6 et 155 dans macOS 26.6, plusieurs correctifs ayant été rendus possibles grâce aux IA d'Anthropic et d'OpenAI. Apple a par ailleurs annoncé accélérer son processus de distribution de mises à jour pour absorber ces volumes. D'autres géants du secteur subissent la même pression : Google a annoncé la semaine dernière que Chrome passerait à deux mises à jour de sécurité hebdomadaires au lieu d'une, en raison de l'essor des vulnérabilités détectées par IA. Le secteur cherche désormais comment absorber cette déferlante de signalements sans sacrifier ni la réactivité face aux menaces réelles, ni la relation de confiance avec les chercheurs en sécurité légitimes.

SécuritéActu
1 source
La Maison-Blanche recevra des entreprises d'IA mardi pour examiner le cadre réglementaire sur l'IA
Illustration générée par IA
2415The Information AI 

La Maison-Blanche recevra des entreprises d'IA mardi pour examiner le cadre réglementaire sur l'IA

Traduit et compressé pour aller à l'essentiel : La Maison Blanche a convoqué mardi des représentants de grandes entreprises d'intelligence artificielle, dont OpenAI, Google et Anthropic, pour examiner la version finalisée d'un cadre de supervision de l'IA, selon cinq personnes proches du dossier. Ce dispositif instaurera une procédure volontaire par laquelle les laboratoires d'IA pourront soumettre leurs modèles au gouvernement avant leur mise à disposition auprès de partenaires et du grand public. Cette réunion intervient plusieurs jours après l'échéance initiale du 1er août fixée pour l'achèvement du cadre par un décret présidentiel signé début juin par l'administration Trump. Selon une autre source, la rencontre sera organisée par le Bureau du directeur national de la cybersécurité, une agence relevant du pouvoir exécutif, et l'invitation précisait qu'il s'agirait de discuter des prochaines étapes du cadre ainsi que d'un événement connexe non précisé. Cette initiative marque une étape significative dans la structuration des relations entre Washington et les géants de la tech en matière d'IA. En instaurant un canal de dialogue direct avant le déploiement des modèles les plus avancés, le gouvernement américain cherche à se doter d'un droit de regard sans imposer une réglementation contraignante, une approche qui ménage les intérêts commerciaux des entreprises tout en répondant aux inquiétudes sur les risques sécuritaires et sociétaux de l'IA générative. Pour les utilisateurs et l'industrie, cela signifie potentiellement des délais supplémentaires avant certaines sorties de modèles, mais aussi un cadre plus prévisible pour les acteurs qui souhaitent anticiper les attentes fédérales. Le contexte plus large est celui d'une administration Trump qui cherche à concilier innovation rapide et supervision minimale, contrairement aux approches plus contraignantes envisagées sous d'autres administrations ou en Europe. Le retard par rapport à l'échéance du 1er août illustre la complexité de mettre en place un mécanisme acceptable à la fois pour les régulateurs et pour des entreprises comme OpenAI, Google et Anthropic, qui redoutent tout frein à leur rythme de déploiement. Les prochaines étapes évoquées lors de cette rencontre, ainsi que l'événement encore non dévoilé, pourraient clarifier la portée réelle de ce cadre volontaire et son influence sur la course mondiale à l'IA.

RégulationReglementation
1 source
Microsoft 365 Copilot en 2026 : prix, fonctions et vrai intérêt pour les entreprises
Illustration générée par IA
2416Le Big Data 

Microsoft 365 Copilot en 2026 : prix, fonctions et vrai intérêt pour les entreprises

Microsoft 365 Copilot n'est plus le simple assistant textuel intégré à Word en 2023 : en 2026, Microsoft en a fait une véritable couche de travail capable de fouiller les e-mails, résumer des réunions Teams, analyser des fichiers SharePoint et OneDrive, générer des présentations et confier certaines tâches à des agents autonomes. Le système repose sur trois briques distinctes : des modèles d'IA, issus d'OpenAI, d'Anthropic ou opérés directement par Microsoft, qui produisent le raisonnement ; Microsoft Graph, qui fournit les données auxquelles l'utilisateur a déjà accès (e-mails, calendriers, contacts, fichiers) ; et Work IQ, une brique de contexte qui relie ces informations aux projets, habitudes et relations de travail de chacun. En mars 2026, la troisième vague de mises à jour a permis à l'IA d'intervenir directement dans Word, Excel, PowerPoint ou Outlook, tandis que des agents prennent en charge des recherches et des tâches en plusieurs étapes. En France, le complément Business est facturé 15,60 € HT par utilisateur et par mois jusqu'au 30 septembre 2026, avec engagement annuel, en plus d'une licence Microsoft 365 de base obligatoire et, parfois, de Copilot Credits pour les usages agentiques les plus intensifs. Ce tarif promotionnel encourage une tentation dangereuse pour les entreprises : équiper tous les salariés sans distinction et espérer un gain de productivité automatique. Or la rentabilité de Copilot dépend avant tout du métier concerné, pas de la taille de l'organisation. Les équipes submergées par les e-mails, les réunions et la recherche documentaire interne en tirent un bénéfice mesurable, tandis que les comptes peu actifs n'ont aucun intérêt à dépasser la version gratuite, Copilot Chat, qui ne partage pas le même accès aux données de l'entreprise que la version payante. La véritable valeur ajoutée de Copilot ne vient donc pas de sa capacité à rédiger un texte, une fonction que n'importe quel chatbot maîtrise déjà, mais de sa proximité avec les données réelles de travail. Cette proximité constitue justement le principal risque du produit. Une organisation aux droits d'accès bien maîtrisés obtient un assistant pertinent et fiable ; une entreprise où d'anciens stagiaires conservent un accès à des dossiers confidentiels obtient surtout un moteur de recherche redoutablement efficace dans son propre désordre. Le déploiement de Microsoft 365 Copilot dépasse ainsi la seule question technologique : il oblige les entreprises à revoir leurs droits d'accès, la qualité de leur documentation interne et leur capacité à mesurer réellement les usages avant d'investir. Avec plusieurs produits Copilot coexistants, Microsoft Copilot grand public, GitHub Copilot pour le code, Security Copilot pour la cybersécurité, et Microsoft 365 Copilot pour la productivité professionnelle, le choix et le tri préalable des équipes concernées deviennent la condition première du retour sur investissement.

OutilsOutil
1 source
Google DeepMind : les investissements massifs (capex) sont en réalité un pari sur la "RSI" (auto-amélioration récursive)
Illustration générée par IA
2417The Information AI 

Google DeepMind : les investissements massifs (capex) sont en réalité un pari sur la "RSI" (auto-amélioration récursive)

Chez Google DeepMind, le directeur de la stratégie Jasjeet Sekhon a employé un terme précis pour justifier les dépenses d'investissement sans précédent de son secteur : l'auto-amélioration récursive, ou RSI (récursive self-improvement). Il s'exprimait ce week-end lors de l'Agentic AI Summit, organisé à l'Université de Californie à Berkeley. Selon lui, cette capacité d'une IA à créer automatiquement des versions plus performantes d'elle-même constitue un "élément clé de la thèse d'investissement" qui sous-tend les milliards dépensés actuellement par les géants de la tech en infrastructures et en puissance de calcul pour l'intelligence artificielle. Cette déclaration marque un tournant dans le discours public de l'industrie. Le RSI devient le nouvel objectif affiché, au même titre que l'AGI (intelligence artificielle générale, soit une IA surpassant les humains dans la plupart des tâches à valeur économique) l'a été ces dernières années. La distinction entre les deux n'est pourtant pas anodine : on ignore encore si le RSI précédera l'AGI, coïncidera avec elle, ou en découlera. Pour les investisseurs et les dirigeants du secteur, présenter le RSI comme horizon justifie des budgets colossaux difficiles à rentabiliser sur les seuls usages actuels des chatbots et outils d'IA générative. Le concept lui-même n'a rien de nouveau. Des chercheurs en discutaient déjà dès début 2023, bien avant qu'il ne s'invite dans la communication officielle des entreprises. Ce basculement récent, des laboratoires vers les discours corporate, illustre une pression croissante à légitimer des investissements en capital jugés disproportionnés par certains observateurs, faute de retours financiers immédiats. Que Google DeepMind, l'un des laboratoires les plus avancés au monde, place désormais le RSI au cœur de sa communication stratégique traduit aussi une course entre grands acteurs de l'IA, tous engagés à des degrés divers dans cette quête d'une intelligence artificielle capable de s'améliorer elle-même, sans intervention humaine directe.

BusinessOpinion
1 source
Import AI 467 : virus IA autonomes, rythme des progrès en IA et confusion sur créativité et IA
Illustration générée par IA
2418Import AI 

Import AI 467 : virus IA autonomes, rythme des progrès en IA et confusion sur créativité et IA

Des chercheurs de l'Université de Toronto, du Vector Institute, de l'Université de Cambridge et de ServiceNow ont construit un prototype de virus informatique piloté par intelligence artificielle, capable de compromettre des machines puis d'utiliser leurs ressources GPU pour exécuter localement un grand modèle de langage (LLM) en open weight et raisonner sur la manière d'infecter d'autres hôtes. Le ver ne dépend d'aucune API commerciale externe, ce qui le rend impossible à surveiller ou à couper à distance : il fonctionne avec un seul modèle publié en 2025, tenant sur un unique GPU A100 de 80 Go de VRAM. L'agent s'appuie sur un harnais logiciel doté d'outils dédiés à la découverte réseau, à la prise de pied initiale, à l'élévation de privilèges et à l'auto-réplication, organisés autour d'un graphe de raisonnement composé de nœuds spécialisés (Plan, Judge, Action, Summary, Progress) qui limitent le contexte traité à chaque étape pour éviter que le modèle ne se perde. Les résultats mesurés sont significatifs : environ 80% de réussite pour détecter les vulnérabilités, 53% pour les exploiter, et 88% pour l'auto-réplication, soit un taux de succès global d'environ 37% pour une attaque complète de bout en bout. Ce taux, bien qu'encore loin de la perfection, suffit à inquiéter les chercheurs, qui affirment que "les cybermenaces autonomes et auto-suffisantes pilotées par IA ne sont plus théoriques" et appellent à se préparer à des "adversaires génératifs autonomes". La portée de la démonstration dépasse le simple exploit technique : elle prouve qu'un modèle open source suffisamment capable, combiné à un harnais bien conçu, peut soutenir un ver informatique capable de vivre de manière quasi autonome sur une infrastructure compromise, en générant des stratégies d'attaque sur mesure pour chaque cible rencontrée plutôt qu'en suivant un script figé. Pour les équipes de cybersécurité et les fournisseurs de cloud, cela change la nature de la menace à anticiper : un logiciel malveillant qui raisonne et s'adapte localement échappe aux mécanismes de détection basés sur la signature ou sur la surveillance d'appels API. Le sous-produit du taux d'échec partiel n'est pas non plus anodin, puisqu'il fournit une grille d'évaluation utile pour tester la dangerosité des futurs modèles open weight. Cette expérience s'inscrit dans un numéro d'Import AI, la newsletter de recherche en IA, qui met aussi en avant l'idée d'un internet futur conçu comme un écosystème complexe où des agents IA attaquants et défenseurs coexisteraient et occuperaient chacun leur "niche écologique", en vivant de l'infrastructure disponible et en se répliquant sans contrôle humain direct. Les auteurs ont volontairement rédige une partie de leur méthode, ne détaillant publiquement que cinq des nœuds de leur graphe de raisonnement, un choix qui illustre la tension entre publication scientifique ouverte et risque de fournir un mode d'emploi à des acteurs malveillants. Le débat qui s'ouvre touche autant les laboratoires publiant des modèles en open weight que les entreprises de cloud dont les GPU pourraient être détournés à leur insu, posant la question de futures régulations ou de mécanismes de détection spécifiquement conçus pour repérer une inférence IA parasite tournant sur une infrastructure compromise.

SécuritéActu
1 source
Levée de 71 millions de dollars : Enigma rend les robots d’usine faciles à piloter
Illustration générée par IA
2419Le Big Data 

Levée de 71 millions de dollars : Enigma rend les robots d’usine faciles à piloter

Levée de 71 millions de dollars pour Enigma, qui veut rendre le pilotage des robots industriels aussi simple que de régler le volume d'un autoradio. La start-up, cofondée par Jonathan Jacobi et Gal Niv, deux anciens chercheurs en cybersécurité issus de l'unité 8200 de l'armée israélienne, a bouclé un tour de table d'amorçage mené par Index Ventures et Ribbit Capital, avec la participation de Conviction Partners. Plutôt que de construire un nouveau bras robotisé, Enigma développe une couche logicielle basée sur l'IA physique qui vient s'installer par-dessus le matériel existant dans les usines et les entrepôts. L'interface permet de piloter les machines par la voix, par la vidéo ou par simple glisser-déposer sur écran tactile, sans écrire une ligne de code. Pour valider son approche, l'entreprise a ouvert fin juillet 2026 un test public : plus de 100 robots réels, installés en Californie et en Israël, sont connectés simultanément et accessibles depuis un simple navigateur, où n'importe quel utilisateur dans le monde peut leur faire exécuter une tâche. Ce pari s'attaque à un goulot d'étranglement bien identifié de l'industrie 4.0 : le déploiement d'un nouveau bras articulé nécessite généralement plusieurs semaines d'intégration, et la pénurie d'ingénieurs spécialisés en robotique pousse de nombreuses entreprises à renoncer purement et simplement à leurs projets d'automatisation avancée, faute de temps et de budget pour programmer chaque mouvement. En réduisant le temps de prise en main à quelques minutes pour un opérateur sans formation technique, Enigma promet aux directeurs d'usine une bascule quasi immédiate d'une ligne de production à une autre, sans recourir systématiquement à des prestataires d'intégration coûteux. C'est un changement d'échelle particulièrement significatif pour les PME industrielles et les prestataires logistiques, dont les marges ne permettent pas d'absorber les délais et les coûts d'un déploiement robotique classique. Cette stratégie illustre un déplacement plus large de la valeur ajoutée dans la robotique industrielle, qui glisse progressivement du matériel vers le logiciel et l'intelligence artificielle d'interaction. Chaque commande envoyée par un utilisateur du test public alimente en réalité les modèles d'Enigma en données de mouvement réelles, affinant leur compréhension des intentions humaines à mesure que l'usage s'étend. Le profil des fondateurs, issus du renseignement technique israélien plutôt que de la robotique traditionnelle, renforce l'image d'une entreprise qui aborde le secteur en outsider et mise sur l'expérience utilisateur plutôt que sur la performance mécanique brute. Reste à voir si cette promesse de simplicité tiendra face aux contraintes réelles des lignes de production, où sécurité, fiabilité et intégration avec les systèmes existants pèsent autant que la facilité de prise en main.

BusinessActu
1 source
Comment Uber orchestre le Big Data de ses flottes autonomes ?
Illustration générée par IA
2420Le Big Data 

Comment Uber orchestre le Big Data de ses flottes autonomes ?

Uber a profondément changé de stratégie dans la conduite autonome. Après avoir vendu sa division Uber ATG à Aurora en 2020, ce qui semblait acter son retrait du secteur, le groupe est redevenu en 2026 un acteur central du marché, mais sous une forme différente. Il ne construit plus de véhicules ni de logiciels de conduite propriétaires : via sa division Uber Autonomous Solutions, il s'est mué en orchestrateur global, nouant des alliances avec plus de 30 partenaires. Parmi eux figurent des éditeurs de piles logicielles de niveau 4 comme Waymo, Wayve, Nuro, Avride, Zoox, Waabi et Momenta, des fournisseurs d'infrastructures de calcul comme Nvidia avec sa plateforme Drive Hyperion, Baidu avec Apollo Go et Autobrains, des constructeurs comme Lucid Motors, Rivian, Stellantis, Mercedes-Benz et Volkswagen via sa filiale MOIA, des opérateurs de flottes physiques comme Hertz avec Oro Mobility, Avomo, Tawasul, Verne et New Horizon, ainsi que des acteurs de la livraison du dernier kilomètre comme Serve Robotics, Cartken, Coco, Flytrex et Starship. Cet ensemble forme, selon Uber, le plus vaste réseau mondial de mobilité robotisée. Pour les directions des systèmes d'information et les chief data officers, l'enjeu central est celui de l'interopérabilité entre des piles logicielles hétérogènes et propriétaires. Uber répond à ce défi en s'appuyant sur son framework géospatial open source H3, documenté sur son blog d'ingénierie, qui normalise en temps réel les données de télémétrie quelle que soit l'architecture d'origine, qu'il s'agisse d'un robotaxi équipé de Nvidia Drive Hyperion ou d'une pile développée par Avride. Cette standardisation permet de convertir position, vitesse et état de perception dans un modèle de données unique, éliminant les silos techniques. Le groupe exploite aussi des jeux de données appelés AV 2.0 Training Data, issus de capteurs vidéo et de dashcams collectés sur des milliards de kilomètres parcourus dans des villes comme San Francisco, Munich ou Tokyo, pour entraîner les modèles fondationnels de partenaires comme Wayve ou Nuro. Cette mutualisation aide concrètement les opérateurs de flottes à rentabiliser le coût élevé d'acquisition de véhicules électriques et autonomes. Le troisième pilier de cette architecture est l'orchestration en temps réel du dispatch, appuyée sur une infrastructure de machine learning distribuée. Un algorithme hybride décide à chaque course s'il faut mobiliser un chauffeur humain ou un véhicule autonome, en tenant compte de la géofence opérationnelle, du niveau de charge de la batterie, de la météo et des prévisions de demande par zone, dans le but de maximiser le taux d'utilisation des flottes. Cette bascule stratégique illustre comment un acteur qui semblait sorti de la course technologique en 2020 est revenu au centre du jeu en misant non plus sur le matériel, mais sur la donnée et l'intégration logicielle, un modèle qui exige aussi, pour les scénarios critiques de sécurité, des pipelines à très faible latence pour la téléassistance à distance.

RobotiqueOpinion
1 source