Aller au contenu principal

Actualités IA — page 15

9 260 articles au fil, du plus récent au plus ancien.

300 milliards de paramètres sans broncher : Intel annonce une carte graphique 480 Go pour l’IA
Illustration générée par IA
281Frandroid 

300 milliards de paramètres sans broncher : Intel annonce une carte graphique 480 Go pour l’IA

Intel a officialisé sa carte graphique professionnelle Intel GPU D270, dont les caractéristiques techniques avaient déjà été dévoilées en août sans que le produit soit présenté en tant que tel. La carte peut embarquer jusqu'à 480 Go de mémoire vidéo, une capacité très supérieure à celle des cartes graphiques grand public. Selon le constructeur, cela suffit pour faire tourner des modèles de langage comptant jusqu'à 300 milliards de paramètres, sans devoir répartir la charge sur de nombreux accélérateurs. L'enjeu est d'abord économique et pratique pour les entreprises, les laboratoires et les administrations qui veulent exécuter de grands modèles d'IA sur leurs propres serveurs. La mémoire est aujourd'hui le principal goulot d'étranglement de l'inférence : plus un modèle est gros, plus il faut de mémoire rapide pour le charger entièrement. Une carte qui concentre une telle capacité peut réduire le nombre de machines nécessaires, simplifier les installations et limiter la dépendance aux services d'IA hébergés dans le cloud. Cela répond aussi à des préoccupations de confidentialité des données. Ce lancement s'inscrit dans la course aux accélérateurs d'IA, où Nvidia domine très largement le marché et où AMD s'impose comme le principal challenger. Intel, qui cherche depuis plusieurs années à s'imposer dans les cartes graphiques et le calcul d'IA, mise ici sur la capacité mémoire comme argument différenciant. Les prochaines étapes à surveiller seront le prix, la date de disponibilité et les performances réelles face à la concurrence.

InfrastructureActu
1 source
Tout est prêt : l'écosystème mondial d'applications PC est prêt pour NVIDIA RTX Spark
Illustration générée par IA
282NVIDIA AI Blog 

Tout est prêt : l'écosystème mondial d'applications PC est prêt pour NVIDIA RTX Spark

NVIDIA a détaillé l'écosystème logiciel qui accompagnera RTX Spark, sa nouvelle superpuce destinée aux PC, avant la mise en vente des portables équipés le vendredi 16 octobre, date annoncée la semaine dernière avec Microsoft. La puce combine jusqu'à 128 Go de mémoire unifiée et 1 pétaflop de calcul en IA, et embarque toute la pile RTX et CUDA. Côté agents locaux, GitHub Copilot, Hermes, OpenClaw, Perplexity, Pi et WorkBuddy reçoivent des mises à jour pour simplifier l'installation, renforcer la sécurité via OpenShell et les Microsoft Execution Containers (MXC) et permettre un routage hybride entre IA locale et cloud. Le modèle Nemotron 3.5 Bolt 74B, conçu pour l'IA agentique sur RTX Spark, sort le 15 octobre, et NVIDIA PAIR quitte la bêta avec la prise en charge de llama.cpp. Dans la création, Adobe promet jusqu'à 2 fois plus de performances prochainement, après une refonte de Photoshop (composition accélérée par GPU) et de Premiere (lecture, rendu, effets). NVIDIA Broadcast 2.3 ajoute Video Super Resolution, Video Frame Generation, traitement de fichiers hors ligne et contrôles via MCP. ComfyUI reçoit dès maintenant la génération d'images vidéo et le HDR, et Blender 5.3 intégrera DLSS Ray Reconstruction en novembre. Pour les développeurs, PyTorch, Python, CUDA et toutes les bibliothèques CUDA sont disponibles sur RTX Spark, tandis que llama.cpp prend en charge les modèles de décision et publie une application Windows. Les joueurs profiteront de centaines de jeux compatibles, anti-triche compris. Un modèle DLSS 5 deux fois plus rapide arrive le 16 octobre, et un mode Performance pour la génération d'images DLSS est déjà accessible dans la bêta de l'application NVIDIA. Le petit modèle de langage Nemotron 3.5 Bolt E4B (4 Go), troisième génération destinée aux personnages de jeu ACE, sort le 23 octobre, tout comme la mise à jour de RTX Remix compatible DLSS 5. L'enjeu est de rendre l'exécution d'agents IA en local accessible au grand public, avec un écran « Getting Started » dès le premier démarrage pour choisir et installer son agent, dans un environnement isolé qui protège les identifiants et surveille la sécurité. Ce lancement s'inscrit dans une année où la popularité des agents a explosé, des projets comme OpenClaw et Hermes dominant les classements GitHub. Les modèles locaux ont franchi le seuil d'intelligence nécessaire pour alimenter des agents, des modèles comme Qwen 3.8-Flash-Next rattrapant des modèles cloud de pointe sortis quelques mois plus tôt. Les téléchargements de LLM locaux sont déjà cinq fois supérieurs à ceux de toute l'année précédente. NVIDIA s'appuie sur ce mouvement en s'alliant à Microsoft, aux éditeurs de logiciels créatifs et aux acteurs de l'IA ouverte pour faire de RTX Spark la référence du PC d'IA personnelle. Hermes Agent doit intégrer les contrôles fins d'OpenShell et MXC d'ici la fin du mois, et la suite dépendra de l'adoption par les développeurs et de la capacité des applications tierces à exploiter pleinement cette architecture.

InfrastructureActu
1 source
Robots intelligents : les défis à relever pour accélérer leur adoption
Illustration générée par IA
283ZDNET FR 

Robots intelligents : les défis à relever pour accélérer leur adoption

L'adoption des robots intelligents, ces machines qui combinent mécanique, capteurs et intelligence artificielle pour agir de façon autonome dans des environnements variés, se heurte à plusieurs obstacles qui freinent leur déploiement à grande échelle. Les entreprises doivent d'abord composer avec des coûts d'acquisition et d'intégration élevés, qui rendent le retour sur investissement difficile à démontrer en dehors des grands groupes. S'y ajoutent la fiabilité des systèmes face à des situations imprévues, la sécurité des personnes qui travaillent à proximité des machines, et la difficulté de faire communiquer des équipements issus de fabricants différents. Ces défis comptent parce qu'ils déterminent qui profitera de la robotisation. Dans l'industrie, la logistique, la santé ou les services, les robots promettent de compenser les pénuries de main-d'œuvre, d'alléger les tâches pénibles et d'améliorer la qualité. Mais tant que les solutions restent chères, complexes à programmer et mal adaptées aux petites structures, leurs bénéfices restent concentrés. La question de la confiance pèse aussi: salariés et clients doivent comprendre ce que fait la machine, et les employeurs doivent accompagner la transformation des métiers par la formation. Ce débat s'inscrit dans l'essor rapide de l'IA générative, qui rend les robots plus faciles à instruire par le langage naturel et plus capables de s'adapter. Constructeurs, éditeurs de logiciels, start-ups et pouvoirs publics y sont engagés. Les régulateurs, notamment en Europe, cherchent à encadrer la sécurité, la responsabilité et la protection des données. La suite dépendra de la baisse des coûts, de la standardisation des interfaces et de la capacité des acteurs à prouver, sur des cas concrets, que ces machines sont à la fois sûres, rentables et acceptées.

RobotiqueOpinion
1 source
Anthropic affirme avoir réduit jusqu'à 99 % le vol des jetons de raisonnement de Claude, face à la distillation à grande échelle
Illustration générée par IA
284The Decoder 

Anthropic affirme avoir réduit jusqu'à 99 % le vol des jetons de raisonnement de Claude, face à la distillation à grande échelle

Anthropic affirme avoir réduit de 90 à 99 % l'extraction des jetons de raisonnement internes de Claude, c'est-à-dire les étapes intermédiaires que le modèle produit avant de formuler sa réponse. L'entreprise décrit ces opérations comme des attaques de distillation menées à l'échelle industrielle. Elle les relie à deux sociétés chinoises, Zhipu et Moonshot, et indique avoir déjà banni des dizaines de milliers de comptes utilisés pour collecter ces données. Ces traces de raisonnement sont particulièrement précieuses pour un concurrent. Elles permettent d'entraîner un modèle plus petit ou plus récent à imiter les capacités de Claude sans supporter le coût de la recherche et du calcul nécessaires pour les développer. Pour Anthropic, la protection de ce matériau est donc un enjeu à la fois économique et stratégique. La réduction annoncée montre que des contre-mesures techniques et des politiques de bannissement peuvent freiner ces pratiques de façon sensible. Elle pose aussi la question de la fiabilité de ces chiffres, qui proviennent de l'entreprise elle-même et que rien ne permet de vérifier de l'extérieur. Cette annonce s'inscrit dans la rivalité croissante entre laboratoires américains et chinois dans l'intelligence artificielle. Les premiers accusent régulièrement leurs concurrents d'exploiter leurs modèles via l'accès par interface de programmation pour rattraper leur retard. Les conditions d'utilisation interdisent déjà cet usage, mais leur application reste difficile quand les requêtes sont réparties sur de nombreux comptes. Les deux entreprises citées n'ont pas, à ce stade, été présentées comme ayant répondu. La suite pourrait passer par des mesures de détection renforcées, des restrictions d'accès supplémentaires, voire un traitement politique de la question.

SécuritéActu
1 source
Une étude d'Anthropic avertit que de petits modèles d'IA pourraient bientôt se répliquer sur des appareils du quotidien
Illustration générée par IA
285The Decoder 

Une étude d'Anthropic avertit que de petits modèles d'IA pourraient bientôt se répliquer sur des appareils du quotidien

Une étude d'Anthropic avertit que de petits modèles d'IA pourraient, d'ici quelques mois, se propager seuls entre des objets grand public mal sécurisés, comme les téléviseurs connectés ou les aspirateurs robots. Lors des tests, l'un des modèles a déjà réussi à accomplir toute la chaîne d'infection. Le PDG Dario Amodei a prévenu qu'un tel essaim pourrait prendre le contrôle de l'ensemble d'internet via un botnet persistant d'ici 6 à 12 mois, pour des dégâts atteignant des centaines de milliards de dollars. Le danger dépasse les seules entreprises. Des millions de foyers possèdent des appareils rarement mis à jour, dont les propriétaires ignorent souvent qu'ils pourraient être détournés. Si de petits modèles suffisent à mener ces attaques, nul besoin d'une infrastructure coûteuse, et la barrière d'entrée pour des acteurs malveillants s'abaisse nettement. Fabricants, éditeurs de logiciels et régulateurs font donc face à une échéance très proche. Cette alerte s'inscrit dans un débat croissant sur les usages offensifs de l'IA et sur l'autonomie des modèles. Les botnets existent depuis des années, mais ils reposaient sur des programmes écrits à la main. Des modèles capables de s'adapter pourraient contourner plus facilement les défenses. La sécurité des objets connectés, longtemps négligée, devient un enjeu central. La suite dépendra de la réaction de l'industrie en matière de mises à jour et de durcissement des appareils.

SécuritéActu
1 source
Modèles ouverts : de vrais avantages, mais pèsent-ils plus lourd que les risques ?
Illustration générée par IA
286MIT Technology Review 

Modèles ouverts : de vrais avantages, mais pèsent-ils plus lourd que les risques ?

Fin septembre, Anthropic a publié un rapport affirmant que GLM-5.3, le modèle lancé en août par l'entreprise chinoise Z.ai, représente un risque majeur de cyberattaque. Son principal défaut aux yeux d'Anthropic est qu'il peut être téléchargé et modifié librement par n'importe qui. La différence tient à l'accès. Un modèle fermé, comme ceux qui animent ChatGPT et Claude, n'est accessible que par un site, une application ou une API. Un modèle ouvert peut être téléchargé directement, car sa structure interne, encodée dans une longue série de nombres appelés « poids », est publique. On parle souvent de modèles « à poids ouverts » pour les distinguer de ceux dont on publie aussi la procédure d'entraînement. Les modèles fermés restent aujourd'hui plus performants. Les huit premiers du classement Artificial Analysis sont tous fermés, même si les modèles ouverts n'ont que quelques mois de retard. Les ouverts séduisent pourtant. On peut les faire tourner sur son propre ordinateur, les réentraîner pour modifier leur comportement, les combiner, les compresser ou les affiner pour de nouveaux usages. Selon un rapport récent de Mozilla, ils coûtent aussi généralement moins cher que les modèles fermés, même lorsqu'un prestataire externe les fait fonctionner. Les enjeux concernent d'abord la recherche. Avec un modèle fermé, un chercheur ne peut qu'envoyer des requêtes et observer les réponses. Avec un modèle ouvert, il peut examiner le fonctionnement interne et la « chaîne de pensée » que le modèle suit avant de répondre. Un chercheur qui veut comprendre et améliorer les systèmes d'IA a donc presque forcément besoin de modèles ouverts. Pour les entreprises, ils offrent des coûts réduits et plus de maîtrise. Mais les mêmes caractéristiques inquiètent les spécialistes de la sécurité. Un modèle téléchargeable peut être détourné par des acteurs malveillants, et son éditeur ne peut plus le contrôler une fois publié. Les partisans de l'ouverture répondent qu'une technologie aussi puissante ne doit pas rester concentrée entre les mains de quelques grands groupes. Toute politique publique, de l'interdiction pure et simple à la diffusion sans restriction, implique donc un arbitrage entre sécurité et démocratisation. Ce débat est en grande partie public, et des intérêts financiers considérables y sont engagés. Jensen Huang, patron de Nvidia, plaide avec enthousiasme pour que les États-Unis développent davantage de modèles ouverts, ce qui profiterait à son entreprise si les utilisateurs achètent leur propre matériel pour les exécuter. Dario Amodei, dirigeant d'Anthropic, prône une approche plus prudente. Son entreprise pourrait pâtir de modèles puissants et bon marché. Au-delà de ces motivations commerciales, les désaccords sont réels. Pour David Gray Widder, professeur assistant à l'école d'information de l'université du Texas à Austin, la position adoptée sur l'ouverture dépend largement de celle que l'on a sur l'IA en général. Ceux qui insistent sur les dangers de l'IA redoutent les usages malveillants. Ceux qui misent sur son potentiel pratique veulent en répartir la puissance plus largement. L'enjeu pour les gouvernements est de peser ces risques et ces bénéfices en profondeur avant de décider s'il faut encourager ou limiter la production de modèles ouverts.

SociétéOpinion
1 source
Epic Games reporte son jeu Disney et bascule en mode « AI first »
Illustration générée par IA
287Next INpact 

Epic Games reporte son jeu Disney et bascule en mode « AI first »

Epic Games a repoussé sans nouvelle date son jeu de tir réunissant des personnages des univers Marvel et Star Wars, développé avec Disney et initialement attendu en mars 2027. Selon Bloomberg, le projet a accumulé un retard significatif. La réponse du studio a surtout retenu l'attention : les développeurs auraient reçu pour consigne de confier l'écriture du code et la production des visuels à des outils comme Claude, d'Anthropic, et de se limiter à encadrer et orienter les contenus générés par ces modèles. Une partie des équipes s'interroge sur la façon dont les erreurs de l'IA seront corrigées et doute de la réussite de la démarche. Epic Games a confirmé ce virage sans entrer dans le détail. Son directeur de la communication, Jake Jones, a parlé d'un développement accéléré par l'IA et piloté par les développeurs de l'entreprise. Tim Sweeney, fondateur et dirigeant, a évoqué sur X un « virage stratégique majeur » visant une « accélération maximale de l'IA », dont l'objectif ne serait pas de faire la même chose avec moins de monde, mais de permettre à chacun de construire plus et mieux, au bénéfice de toutes les équipes utilisant Unreal. Disney n'a pas commenté. L'enjeu dépasse le sort d'un seul titre. Selon Bloomberg, il s'agirait de la première tentative d'un grand éditeur de fonder un jeu principalement sur l'IA, avec deux licences parmi les plus valorisées du divertissement. Si l'approche fonctionne, elle pourrait servir de modèle à l'industrie et nourrir l'idée que de petites équipes encadrant des modèles peuvent produire des productions de grande ampleur. Si elle échoue, elle illustrerait les limites actuelles de ces outils sur des projets complexes, notamment pour la correction des erreurs et la cohérence artistique. Les développeurs sont directement concernés : leur rôle bascule de la création vers la supervision, dans un secteur déjà éprouvé par les suppressions d'emplois. Les promesses de Tim Sweeney sur la création de valeur sont d'autant plus scrutées que les effectifs ont fortement diminué. Cette orientation prolonge des convictions anciennes du dirigeant. En juin, il défendait auprès d'IGN l'idée que de petites équipes bâtiraient bientôt de vastes mondes peuplés de personnages aux dialogues générés. En novembre 2025, il jugeait inutiles les mentions d'usage de l'IA exigées par Steam, estimant que ces outils interviendraient dans presque toutes les productions. Le contexte économique pèse aussi : Epic a procédé à plus d'un millier de licenciements en mars 2026, invoquant un marché difficile, une croissance ralentie, des investissements en baisse, un plafonnement des ventes de consoles et un recul de la popularité de Fortnite. Tim Sweeney assurait alors que ces départs n'étaient pas liés à l'IA. Le partenariat avec Disney, annoncé en février 2024, s'est accompagné d'une prise de participation de 1,5 milliard de dollars dans Epic, avec l'ambition de bâtir un univers persistant relié à Fortnite à partir des licences Marvel et Star Wars. L'IA y avait déjà causé un incident en mai 2025, quand un Dark Vador à la voix synthétique avait proféré des grossièretés dans Fortnite avant qu'un correctif ne soit déployé.

SociétéActu
1 source
Des labos d'IA achètent les données de startups disparues pour entraîner leurs modèles
Illustration générée par IA
288MIT Technology Review 

Des labos d'IA achètent les données de startups disparues pour entraîner leurs modèles

Quand Keelan Miskell a commencé à liquider sa start-up crypto cette année, il pensait que ses données ne valaient pas grand-chose : utilisateurs anonymes, entreprise vieille de quelques années seulement. Il a pourtant tiré environ 25 000 dollars de son code source, et attend un montant encore en suspens (probablement autour de 15 000 dollars) pour les données de ses espaces de travail Google, Notion, Figma et Slack. La vente a été orchestrée par SimpleClosure, qui a ajouté la revente de données à ses services en avril avec sa plateforme Asset Hub. Celle-ci aide les fondateurs à vendre code, e-mails, discussions et documents à des laboratoires d'IA, à des fournisseurs d'environnements de travail simulés et à des entreprises technologiques établies. Asset Hub a déjà traité plus de 150 transactions et prévoit de reverser plus de 10 millions de dollars aux start-ups d'ici fin 2026. Selon son PDG Dori Yona, 47 % des dossiers de SimpleClosure comportent désormais une vente de code ou de données, une pratique autrefois rare et « quelque peu taboue ». Son concurrent Sunset, dirigé par Brendan Mahony, valorise les actifs selon les effectifs, l'ancienneté, le volume de données et l'usage des outils. Mahony compare ces « déchets opérationnels » aux copeaux de bois, jadis jugés sans valeur, qui ont donné les panneaux de particules. En août, dans la faillite de Spirit Airlines, Google a devancé Mercor pour 10 millions de dollars en rachetant des décennies de données : 100 millions d'e-mails, 500 millions de messages Teams et 176 000 dossiers d'employés. Cette filière crée un marché inédit pour les entreprises qui disparaissent, dont le nombre de fermetures progresse de 26 % à 56 % par an selon Carta et AngelList. Pour les fondateurs, c'est une rentrée d'argent là où il n'y avait que des frais de clôture. Pour les développeurs d'IA, c'est une matière première rare : des archives réelles évitent les défauts des mondes synthétiques, comme les références à des dates inexistantes. Nick Heiner, de Surge AI, explique chercher des historiques variés, avec désaccords et arbitrages délicats, un seul Slack riche pouvant valoir plus que Slack, e-mails et agendas d'une autre société réunis. Mais le gain réel de performance reste incertain, aucune entreprise n'ayant publié de comparaison avec d'autres méthodes. Les prix varient donc fortement, car ils reposent sur des « thèses de recherche » estimant le nombre de tâches utiles tirées, par exemple, de 100 000 lignes de code. Cette demande est née l'an dernier, quand les laboratoires ont atteint les limites des données publiques et synthétiques. Surge AI achète ces archives pour bâtir des « salles de sport » d'apprentissage par renforcement, où des agents s'exercent à déboguer une architecture informatique ou rédiger des mémoires d'appel. Bloomberg a rapporté en septembre que l'unité IA de SpaceX envisageait aussi d'acheter les données de start-ups en difficulté. Le terrain juridique reste fragile. Le syndicat des hôtesses et stewards de Spirit a contesté la vente pour atteinte à la vie privée, et l'avocat Greg Ewing, conseiller de start-ups d'IA, qualifie ces données de « juridiquement radioactives ». Les vendeurs emploient des spécialistes pour retirer les informations personnelles et exclure les dossiers RH, et les acheteurs affirment nettoyer aussi, mais Ewing rappelle que les e-mails et agendas recèlent rendez-vous médicaux, trajets scolaires et soirées en amoureux.

BusinessActu
1 source
Pour le FMI, une chute des cours de l’IA menacerait la stabilité financière mondiale
Illustration générée par IA
289Next INpact 

Pour le FMI, une chute des cours de l’IA menacerait la stabilité financière mondiale

Le Fonds monétaire international avertit, dans son rapport semestriel sur la stabilité financière mondiale publié en octobre 2026, qu'une chute des cours des entreprises qui construisent l'intelligence artificielle pourrait ébranler les marchés de la planète. L'institution identifie trois grands risques, dont deux touchent l'industrie technologique : une correction des prix des actifs liée à une baisse ou à une moindre pérennité des investissements et de la rentabilité de l'IA, et une résurgence de l'inflation ou des inquiétudes budgétaires, susceptible de faire grimper les rendements des obligations souveraines. Le troisième risque est la montée des cybermenaces, à mesure que les services financiers deviennent plus dématérialisés et interconnectés. Le FMI estime que les gains économiques de l'IA « pourraient ne pas être aussi importants que prévus » et que de plus en plus d'indices suggèrent que ses capacités peuvent être fournies avec des investissements plus faibles qu'aujourd'hui. Il identifie trois effets de levier : la part des centres de données hyperscalers dans les émissions mondiales d'obligations « investment-grade » est passée de 1 % à 10 % depuis 2024, les économies avancées ont accru leur exposition aux actions de l'IA, souvent via des fonds spéculatifs, et les investisseurs particuliers ont fait de même avec des ETF à effet de levier. L'enjeu dépasse le seul secteur technologique, car un retournement pourrait se propager à l'ensemble du système financier. Le FMI note que le financement interne de l'industrie renforce la fragilité : depuis 2023, 14 entreprises ont investi à elles seules 300 milliards de dollars les unes dans les autres, ce qui crée des dépendances croisées où la difficulté d'un acteur peut contaminer les autres. L'exposition varie selon les régions. Les économies asiatiques, en particulier la Corée du Sud et Taïwan, sont les plus vulnérables, tandis que l'Union européenne, le Royaume-Uni et les marchés émergents le sont moins. Même une exposition modeste n'offre toutefois pas de protection complète, puisque la simple détention d'actions américaines suffit à transmettre un choc. Le rapport évoque ainsi un surinvestissement qui pourrait passer d'une « explosion » à un « effondrement », avec des conséquences que l'institution juge potentiellement mondiales. Ce diagnostic s'inscrit dans un contexte de forte concentration des marchés. Lors du lancement du rapport, le directeur adjoint du FMI, Athanasios Vamvakidis, a souligné que l'exposition mondiale aux actifs américains était plus élevée que jamais. Sept entreprises seulement, surnommées les « sept magnifiques », représentent 35 % de la valorisation de l'indice S&P 500, ce qui rend les portefeuilles mondiaux très dépendants de quelques valeurs. Le rôle des fonds spéculatifs, dont l'effet de levier peut amplifier les mouvements de marché, est également mis en question. La course aux infrastructures d'IA, financée de plus en plus par la dette et par des montages circulaires entre acteurs du secteur, a nourri ces vulnérabilités depuis 2023. Le FMI laisse entendre que les régulateurs et les gouvernements devront surveiller de près ces expositions et préparer leurs réponses, alors que l'issue dépendra de la capacité de l'IA à tenir ses promesses de rentabilité.

InfrastructureActu
1 source
Z.ai GLM-Legal devance Claude Fable 5 et Kimi K3 sur le benchmark Harvey LAB
Illustration générée par IA
290MarkTechPost 

Z.ai GLM-Legal devance Claude Fable 5 et Kimi K3 sur le benchmark Harvey LAB

Z.ai a lancé GLM-Legal, un modèle d'IA juridique dérivé de GLM-5.3-Flash et entraîné pour des tâches d'agent dans le domaine du droit : revue de contrats, analyse de preuves et recherche en conformité. Son résultat phare est un taux de réussite intégrale de 19,17 % sur le Legal Agent Benchmark (LAB) de Harvey, soit près de trois fois les 6,67 % du modèle de base. Ce benchmark open source compte 1 250 tâches réparties sur 24 domaines du droit, notées selon plus de 75 000 critères rédigés par des experts. Une tâche n'est validée que si tous ses critères le sont. Vals AI a exécuté l'évaluation sur l'ensemble réservé, avec deux juges LLM et sans accès à internet. GLM-Legal y prend la 7e place sur 79, devant Kimi K3 (12,92 %), Claude Fable 5 (11,25 %) et GPT-6 Astra (5,42 %). Il valide aussi 92,5 % des critères pris individuellement. Sur LegalBench, il obtient 86,23 %, contre 88,56 % pour Claude Fable 5, le leader, et 86,21 % pour Kimi K3. Le principal argument est le coût. Un test Harvey LAB revient à environ 0,15 dollar avec GLM-Legal, contre 3,83 dollars pour Kimi K3, 19,23 dollars pour Claude Fable 5 et 26,16 dollars pour GPT-6 Astra, soit environ 128 fois moins que Claude Fable 5. Pour les cabinets d'avocats, les directions juridiques et les équipes de conformité, cela rend envisageable l'automatisation de tâches longues et volumineuses. Les limites sont réelles. L'accès à l'API se fait uniquement sur candidature, sans tarif publié ni poids publics. Chaque tâche prend en moyenne 1 h 12, contre 14 minutes pour Kimi K3. Sur le Legal Research Bench de Vals AI, GLM-Legal recule à 41,83 %, sous son modèle de base (45,19 %). Le graphique de lancement de Z.ai omet en outre six modèles mieux classés, dont Muse Spark 1.2 en tête avec 25,42 %. Le modèle de base est le premier GLM-5 nativement multimodal de Z.ai. Il compte 320 milliards de paramètres au total, dont 18 milliards actifs, en architecture de mélange d'experts. Il offre un contexte d'un million de jetons, jusqu'à 128 000 jetons en sortie, et combine attention éparse et linéaire pour réduire le coût de service sur les longs contextes. Z.ai ne précise pas de nombre de paramètres propre à GLM-Legal. L'entraînement s'est fait en deux temps : un pré-entraînement intermédiaire sur des corpus juridiques élargis, pour renforcer le raisonnement des faits vers les règles puis la conclusion, suivi d'un apprentissage par renforcement dans des dizaines de milliers d'environnements de tâches juridiques. Z.ai explique avoir fait évoluer l'infrastructure d'agent en parallèle du modèle : les cas limites révélaient des goulots d'étranglement, et leur correction exposait ensuite le modèle à des contraintes plus réalistes. Z.ai affirme aussi une parité sur LegalBench et sur PLawBench, centré sur le droit chinois, sans publier de chiffres pour ce dernier. L'initiative s'inscrit dans la course aux modèles spécialisés par métier, où les laboratoires chinois misent sur le rapport qualité-prix face aux acteurs américains.

LLMsActu
1 source
En cryptographie, « post-quantique n’est pas post-IA »
Illustration générée par IA
291Next INpact 

En cryptographie, « post-quantique n’est pas post-IA »

Lors des Assises de la cybersécurité à Monaco, Thales a défendu l'idée que « le post-quantique n'est pas post-IA ». Autrement dit, un algorithme conçu pour résister aux ordinateurs quantiques peut tomber sous les coups de l'intelligence artificielle générative, bien avant l'arrivée de ces machines. L'exemple le plus net est HAWK, un schéma de signature numérique candidat à la standardisation post-quantique. Cet été, Claude Mythos, le modèle d'Anthropic, s'est inspiré des attaques déjà connues contre HAWK et a nettement amélioré la meilleure d'entre elles. La complexité de l'attaque a fortement chuté, et la robustesse annoncée du système avec elle. L'équipe de HAWK a retiré son algorithme du processus de sélection du NIST, qu'il avait pourtant franchi à deux reprises. En septembre, c'est RSA qui a subi les assauts de deux IA, Devin de Cognition et Claude d'Anthropic. Des titres liés évoquent la chute d'un nombre RSA de 862 bits, puis de RSA-896 deux semaines plus tard. McEliece figure aussi parmi les noms cités par Thales. Le message touche directement les organisations qui préparent leur migration vers la cryptographie post-quantique. Elles se concentrent sur l'échéance de l'ordinateur quantique, alors que la menace de court terme vient aussi de l'IA, capable de découvrir des failles mathématiques ou d'optimiser des attaques connues. Un algorithme validé par la communauté peut perdre sa crédibilité en quelques semaines. Les entreprises doivent donc éviter de parier sur un seul schéma. Elles ont intérêt à garder une « agilité cryptographique », c'est-à-dire la capacité de remplacer rapidement un algorithme sans refondre tout leur système. Comme dans la cybersécurité au sens large, l'IA générative joue le rôle d'amplificateur d'attaques : elle ne révolutionne pas forcément les méthodes, mais elle accélère et affine celles qui existent. Ce constat s'inscrit dans l'histoire déjà mouvementée de la cryptographie post-quantique. Le NIST pilote depuis plusieurs années un processus de sélection d'algorithmes capables de résister à un futur ordinateur quantique, notamment grâce à l'algorithme de Shor, qui pourrait casser RSA en théorie. Ce processus a déjà connu des revers sans aucune aide de l'IA générative : SIKE et Rainbow ont été brisés par des méthodes classiques. L'informatique quantique reste attendue dans quelques années ou dizaines d'années, sans calendrier précis, car il lui faut encore suffisamment de qubits, de portes quantiques et un temps de calcul assez long. En attendant, l'IA fournit un nouvel outil d'audit, mais aussi d'attaque. Il est probable que d'autres candidats soient testés de la même manière dans les mois à venir, ce qui pourrait peser sur la confiance accordée aux futurs standards.

SécuritéActu
1 source
Meta revient dans la course aux modèles frontière avec Muse Wonder
Illustration générée par IA
292Next INpact 

Meta revient dans la course aux modèles frontière avec Muse Wonder

Meta a présenté lundi 12 octobre Muse Wonder, une famille de deux grands modèles de langage généralistes, Muse Wonder et Muse Wonder Full, destinée à replacer le groupe dans la course aux modèles de pointe. Accessibles par API ou via un abonnement Muse Code, ils sont présentés comme particulièrement efficaces pour les tâches au long cours et les missions déléguées à un agent. Meta affirme y avoir consacré 14 mois de travail, sur son premier grand datacenter dédié à l'IA, Prometheus. Selon ses chiffres, Muse Wonder Full obtient 56 points dans la suite de tests d'Artificial Analysis, contre 58 pour Claude Opus 5.5 et 53 pour Claude Fable 5.1 ou GPT-6 Astra. Muse Wonder standard affiche 52 points, comme GPT-6.1 Sol et un point sous Gemini 4 Argon. Le précédent modèle phare du groupe, Spark 1.3, plafonnait à 48. Sur des évaluations plus ciblées, issues de ses propres relevés, Meta revendique la première place en code, notamment sur les tâches longues, ainsi qu'en automatisation de processus, en finance et en droit. L'effort a surtout porté sur l'usage de l'IA comme agent, c'est-à-dire un modèle capable d'orchestrer lui-même les ressources nécessaires à une requête complexe. Meta met en avant deux optimisations. Active Memory permet de se souvenir des échanges passés pour tenir compte du contexte. Cette fonction existe chez tous les concurrents, mais Meta affirme qu'elle est plus efficace : 85,6 % sur un benchmark interne, contre 81,5 % pour Opus 5.5 et 81,4 % pour GPT-6 Astra. Active Focus désigne la persévérance du modèle et sa capacité à explorer des pistes alternatives face à un problème difficile. Muse Wonder Full y atteint 54,2 %, contre 47,7 % pour GPT-6 Astra, 45,8 % pour Opus 5.5 et 44,9 % pour Muse Wonder. Ces mesures sont internes et n'ont pas été validées par des tiers, ce qui invite à la prudence. Meta explique aussi que ses modèles s'adaptent mieux aux requêtes inédites, car ils reposent sur des modèles de base plus vastes et plus robustes, dont les gains après entraînement se transposent mieux aux tâches inconnues. Cet atout compte pour les agents personnels, qui doivent gérer de nombreuses combinaisons d'objectifs, d'outils et de contraintes. Ce lancement compte parce qu'il rétablit Meta parmi les acteurs de la frontière, après une période marquée par des redémarrages et des restructurations. Le groupe a investi des dizaines de milliards de dollars dans son Meta Superintelligence Labs. Le gain de huit points par rapport à Spark 1.3 est net, même si Muse Wonder Full reste derrière Opus 5.5 sur l'indice indépendant d'Artificial Analysis. Pour les entreprises, l'arrivée d'un cinquième concurrent crédible élargit le choix et peut peser sur les prix, d'autant que l'offre par abonnement Muse Code vise directement le marché de l'assistance au développement. Le positionnement sur les agents correspond à la direction que prend l'ensemble du secteur, où la valeur se déplace de la simple conversation vers l'exécution autonome de tâches longues. Meta part de loin dans cette course. Le groupe s'était imposé avec les modèles ouverts de la famille Llama, avant de voir son avance contestée par OpenAI, Anthropic et Google, qui ont creusé l'écart sur le raisonnement et le code. La réorganisation autour du Meta Superintelligence Labs et la construction de Prometheus répondent à cette perte de terrain. La suite dépendra de la confirmation des performances par des évaluations indépendantes et de l'adoption réelle chez les développeurs. Les concurrents continuent par ailleurs de publier à un rythme soutenu.

De la Terre à l'orbite, l'écosystème français déploie l'informatique à base d'agents à grande échelle avec NVIDIA
Illustration générée par IA
293NVIDIA AI Blog 

De la Terre à l'orbite, l'écosystème français déploie l'informatique à base d'agents à grande échelle avec NVIDIA

Des entreprises françaises déploient désormais l'informatique agentique à grande échelle, de l'espace à la finance en passant par le secteur public et la recherche, avec les technologies de NVIDIA. Bull étend sa production européenne de serveurs d'IA aux systèmes Vera Rubin Ultra NVL72, prévus pour 2028. Les plateaux seront fabriqués en Europe et les racks intégrés dans son usine d'Angers, inaugurée vendredi 2 octobre. Dans l'espace, Altair-1, premier satellite d'une constellation de 50 appareils représentant un milliard de dollars, a été lancé ce mois-ci et a atteint son orbite. Intégré par Loft Orbital et construit à Abu Dhabi par Orbitworks, coentreprise de Loft Orbital et de Marlan Space, il embarque des modules NVIDIA Jetson AGX Orin qui font tourner des modèles de Mistral pour l'observation de la Terre en temps réel et les opérations autonomes. Côté modèles ouverts, LINAGORA et Docaposte ont obtenu l'accord-cadre CANUT, qui fait de Twake.ai, bâti sur NVIDIA Nemotron, le seul espace de travail numérique souverain référencé pour plus de 2 500 organisations publiques. SBS lance une plateforme souveraine permettant aux banques de déployer des services génératifs et agentiques dans leurs propres environnements. Mistral a présenté en préversion privée Mistral Large 4, un modèle à poids ouverts performant en cyberdéfense, industrie, finance et tâches multimodales. La Fondation Inria lance un groupe de travail sur la modélisation avancée open source, dont les conclusions sont attendues au printemps prochain. Les cas d'usage montrent des gains mesurables. L'Oréal intègre NVIDIA ALCHEMI pour explorer des formulations in silico, ce qui peut accélérer la découverte jusqu'à 100 fois par rapport aux méthodes classiques. Mirakl a intégré plus de 70 millions de produits avec des modèles ouverts ou affinés, ramenant l'intégration d'un catalogue vendeur à moins de deux heures. Omi, qui combine jumeaux numériques 3D approuvés et modèles ouverts, obtient une inférence quatre fois plus rapide pour générer des visuels marketing fidèles aux produits. En Côte-d'Or, ThinkDeep et Akila ont conçu un agent de jumeau numérique, fondé sur Cosmos, Nemotron et Omniverse, qui gère près de 5 800 kilomètres de routes et de bâtiments et réduit les coûts d'exploitation de 10 %, avec un objectif de 30 %. Port Sud de France s'appuie sur la plateforme DeepBrain de ThinkDeep pour le traitement des marchandises et la sécurité. Enchanted Tools déploie des robots sociaux auprès de patients, notamment en oncologie pédiatrique. Dans les télécoms, Bouygues Telecom et Prisme.ai ont lancé AI Studio V2, reposant sur la pile complète de NVIDIA. Ces projets montrent que l'IA agentique sort des démonstrations pour entrer en production, y compris dans des secteurs où la souveraineté des données est une exigence. Cette dynamique s'appuie sur un travail de fond. Le Sommet pour l'action sur l'IA de février 2025 et les sommets Choose France de 2025 et 2026 ont permis d'ancrer en France d'importants engagements en capacité de calcul. L'écosystème couvre désormais toute la chaîne, des serveurs et satellites aux modèles ouverts et aux applications métier. L'enjeu est de disposer d'une IA de confiance, hébergée et exploitée sur le sol européen, face à la domination des acteurs américains et asiatiques. NVIDIA fournit la brique matérielle et logicielle, tandis que des acteurs comme Mistral, Bull, LINAGORA ou Docaposte portent la dimension souveraine. La suite dépendra de la tenue des calendriers industriels, notamment pour les systèmes de 2028, de l'extension de la constellation Altair et des conclusions du groupe de travail d'Inria au printemps.

BusinessActu
1 source
Goodfire : Tom McGrath estime que les chercheurs doivent comprendre comment l'IA prend ses décisions
Illustration générée par IA
294The Information AI 

Goodfire : Tom McGrath estime que les chercheurs doivent comprendre comment l'IA prend ses décisions

Tom McGrath, directeur scientifique de Goodfire AI, plaide pour que les chercheurs apprennent à comprendre comment les systèmes d'intelligence artificielle prennent leurs décisions. Il était l'invité du dernier épisode du podcast AI Deep Dive. Jusqu'ici, les développeurs s'appuient souvent sur les « chaînes de pensée », ces textes que les modèles produisent en raisonnant pas à pas face à un problème. Or ces raisonnements deviennent de plus en plus difficiles à lire, ce qui pousse les laboratoires à explorer d'autres pistes. L'une d'elles, l'« interprétabilité mécaniste », cherche à expliquer le fonctionnement interne des modèles plutôt que de se contenter d'observer leur comportement extérieur. L'enjeu est concret. Si le texte affiché par un modèle ne reflète plus fidèlement ce qui se passe en lui, il devient plus difficile de vérifier qu'il agit comme prévu et de repérer des comportements indésirables. Il devient aussi plus difficile de justifier sa fiabilité auprès des utilisateurs et des régulateurs. Examiner l'intérieur du modèle offrirait une vérification indépendante de ce qu'il affirme faire. Cela intéresse autant les entreprises qui déploient ces systèmes que les autorités chargées de les superviser. Ce domaine a pris de l'ampleur ces dernières années. Les principaux laboratoires d'IA ont constitué des équipes dédiées à l'interprétabilité mécaniste, et plusieurs jeunes pousses ont vu le jour, dont Goodfire AI est la plus en vue. Le débat porte désormais sur la capacité de ces méthodes à suivre le rythme de modèles toujours plus grands et complexes. Il porte aussi sur la place qu'elles pourraient occuper dans les pratiques de sécurité et d'évaluation de l'industrie.

RechercheActu
1 source
Meta rejoint la course aux modèles d'IA de pointe : les utilisateurs suivront-ils ?
Illustration générée par IA
295The Information AI 

Meta rejoint la course aux modèles d'IA de pointe : les utilisateurs suivront-ils ?

Meta Platforms a dévoilé lundi Muse Wonder, un nouveau modèle d'intelligence artificielle qui, selon le groupe, peut « délivrer des performances de pointe » sur certaines tâches. Le groupe affirme désormais « repousser la frontière » de l'IA. Ce lancement clôt une période difficile pour ses efforts dans le domaine, qui avait déclenché une vague d'embauches massive au cours des quatorze derniers mois environ. Meta arrive pourtant après trois concurrents qui ont tenu un discours quasi identique. Google a présenté il y a deux semaines Gemini 4 Argon, censé offrir des « performances de pointe dans les flux de travail complexes ». OpenAI a annoncé début septembre GPT-6 Astra, qu'elle juge à l'état de l'art en usage d'ordinateur, navigation, ingénierie logicielle, cybersécurité, science et travail professionnel. Anthropic a lancé le même mois Claude Fable 5.1 et Mythos 5.1, qu'elle présente comme les modèles les plus avancés au monde pour le code et le travail de connaissance. Cette accumulation de superlatifs pose un problème de lisibilité. Lorsque quatre des principaux acteurs du secteur revendiquent chacun la première place, la notion de « frontière » perd presque tout sens pour ceux qui doivent choisir un outil. Les entreprises clientes et les utilisateurs individuels n'ont guère de moyen de départager des affirmations formulées par les éditeurs eux-mêmes, souvent sur des périmètres larges ou flous. Le décalage est d'autant plus net que le rythme des annonces, désormais quasi hebdomadaire, donne l'impression d'une course où la nouveauté se périme en quelques semaines. Pour Meta, l'enjeu est de prouver que son redressement est réel et pas seulement rhétorique, après avoir investi massivement en talents pour combler son retard. Le groupe rejoint un peloton très serré, où Google, OpenAI et Anthropic se répondent à intervalles rapprochés. La suite dépendra moins des communiqués que de ce que les évaluations indépendantes et surtout l'adoption concrète montreront. La vraie question, que soulève l'article, est de savoir si les utilisateurs perçoivent encore des différences suffisantes pour changer leurs habitudes.

BusinessActu
1 source
Alibaba Qwen présente QwenGyre : un apprentissage par renforcement élastique pour agents autonomes sur de très longues tâches
Illustration générée par IA
296MarkTechPost 

Alibaba Qwen présente QwenGyre : un apprentissage par renforcement élastique pour agents autonomes sur de très longues tâches

Alibaba Qwen a présenté QwenGyre, un framework d'apprentissage par renforcement élastique conçu pour entraîner des agents de codage sur des tâches « XLong-horizon », c'est-à-dire des exécutions de plusieurs heures qui mobilisent des centaines d'appels au modèle et à des outils, et traitent près d'un million de tokens (environ 700 000 par rollout dans les tests). Il ne s'agit pas d'un modèle mais d'un système d'entraînement en ligne qui fonctionne à travers des « harnesses » non modifiés, traités comme des boîtes noires, comme Claude Code 2.1.220 utilisé pour tous les essais. Il repose sur deux idées : déplacer les GPU inactifs entre la génération de rollouts et l'entraînement, et transformer les historiques d'agents ramifiés en échantillons d'entraînement bornés. Le framework a été testé sur Qwen 3.6 122B (24 à 32 nœuds) et sur le modèle phare Qwen 3.8 2.4T (192 nœuds répartis en 4 cellules de 48), avec Megatron pour l'entraînement et SGLang pour le service. Face aux approches Async, il est 1,38 à 1,78 fois plus rapide, et face à Colocate, 1,21 à 1,85 fois, à scores équivalents. Le meilleur gain, 1,85x sur TerminalBench, contraste avec le plus faible, 1,21x sur le 2.4T, où de nombreuses requêtes approchaient le délai maximal. Sur NL2RepoBench, le score passe de 52,5 % à 58,5 % en 48 étapes. Ces résultats comptent parce que l'entraînement d'agents sur de longues séquences est aujourd'hui dominé par le gaspillage de calcul. Les rollouts ont de longues traînes : en mode Colocate, l'entraînement attend l'exécution la plus lente pendant que les GPU restent oisifs, tandis qu'en mode Async, des pools figés ne peuvent pas se prêter de capacité. QwenGyre récupère ces cycles perdus sans changer le harnais de l'agent, ce qui permet d'entraîner sur des outils réels plutôt que sur des environnements simplifiés. Les changements de rôle sont rapides, en moyenne 8,52 s du rollout vers l'entraînement et 3,46 s dans l'autre sens. Pour les laboratoires, cela signifie des itérations moins coûteuses sur des modèles de plusieurs billions de paramètres. Une réserve : le papier ne mentionne aucune publication de code, et le type de GPU n'est pas précisé, ce qui limite la reproductibilité. Le contexte est celui d'une évolution des agents de codage, qui compactent leur contexte, lancent des sous-agents et réessaient des actions. Une exécution devient ainsi un arbre de branches et non une trajectoire unique, et développer chaque chemin dupliquerait les préfixes partagés et gonflerait les coûts. QwenGyre répond par deux composants. L'ordonnanceur élastique répartit les GPU en cellules : une cellule centrale détient les poids et l'état de l'optimiseur, des cellules satellites rejoignent l'entraînement quand le niveau d'eau des rollouts (exécutions en file ou en cours) le permet. Les appels passent par un proxy, les blocs de cache KV migrent par RDMA et les poids transitent par le Transfer Engine de Mooncake. Le processeur de trajectoires enregistre les identifiants exacts de tokens et les log-probabilités (TITO), conserve au plus 5 trajectoires par exécution, note les exécutions expirées sur leur espace de travail et exclut les échecs d'évaluation au lieu de leur donner une récompense nulle. Ce plafond de 5 a égalé les scores sans limite tout en réduisant de 25,2 % le temps aller-retour de calcul, avec un GSPO adapté et 16 rollouts par groupe.

RecherchePaper
1 source
OCP Summit 2026 : l'innovation ouverte au service de l'IA dans les réseaux scale-up, scale-out et scale-across
Illustration générée par IA
297Meta Engineering ML 

OCP Summit 2026 : l'innovation ouverte au service de l'IA dans les réseaux scale-up, scale-out et scale-across

Lors du sommet mondial de l'Open Compute Project 2026, Meta a dévoilé la nouvelle génération de son infrastructure réseau ouverte pour l'IA. L'entreprise présente IcePack, son premier rack réseau refroidi par liquide, basé sur le standard OCP ORV3-HPRv1, qui accueille des lames de commutation IceCube de 102,4 Tbps offrant 128 ports de 800G en commutation non bloquante. IceCube existe en deux variantes, l'une construite sur la puce Tomahawk6C de Broadcom, l'autre sur la Spectrum-6 de NVIDIA, toutes deux animées par FBOSS, le système d'exploitation réseau open source de Meta, et par l'interface SAI de l'OCP. Cela représente un doublement de la bande passante par rapport aux plateformes 51,2T. Meta présente aussi Flattened Planar Fabric, un réseau multiplans pour relier les GPU avec une latence réduite, un super-spine d'agrégation de l'ordre du pétabit pour relier plusieurs sites, des backbones régionaux SRv6 bâtis sur FBOSS et SAI, ainsi que Tahan, un commutateur Ethernet de 51,2T au cœur du système MTIA 300, qui fournit 6,4 Tbps par accélérateur. Une conception à 72 accélérateurs par rack sur silicium 102,4T est annoncée. Enfin, MetaRoCE, son protocole de transport RDMA pour l'IA, est désormais disponible en implémentations open source. Ces annonces comptent parce que les grappes d'IA atteignent l'échelle du gigawatt, où les commutateurs doivent offrir bien plus de bande passante tout en tenant dans des enveloppes de puissance et de refroidissement toujours plus serrées. Le refroidissement liquide du réseau, jusqu'ici réservé surtout aux calculateurs, devient une condition de la densité thermique nécessaire. Pour les opérateurs, les intégrateurs et les fabricants de puces, la disponibilité de deux variantes de silicium sous un même logiciel ouvert réduit la dépendance à un fournisseur unique. L'ouverture de MetaRoCE et le partage des enseignements de Flattened Planar Fabric avec des partenaires cloud permettent à d'autres acteurs de reprendre ces briques. Ces réseaux soutiennent directement les modèles de Meta comme Muse Spark et Muse Wonder, ainsi que Muse, son agent d'IA personnel destiné au grand public. Meta replace ces travaux dans une démarche ancienne : l'entreprise a cofondé l'OCP en 2011 et défend l'idée que le réseau ouvert est indispensable à des infrastructures performantes, évolutives et durables. En 2025, elle avait présenté ses fabriques d'IA de type scale-out et poussé la création de l'initiative Ethernet for Scale-Up Networking (ESUN). Les grappes d'IA s'étendent désormais sur des bâtiments, des campus et plusieurs régions, ce qui exige des architectures de réseau adaptées à chaque échelle, y compris la gestion des pannes pendant les entraînements massifs. Pour standardiser la couche matérielle des commutateurs, Meta lance, avec Microsoft et Alibaba, l'initiative Open Switch Platform Architecture (OSPA) au sein de l'OCP, dont la spécification v1.0 a été soumise. Meta invite ingénieurs, fondeurs de silicium, intégrateurs et opérateurs à y contribuer. La suite dépendra de l'adhésion de l'industrie à ces standards et de l'arrivée des futures puces compatibles ESUN.

InfrastructureActu
1 source
Epic Games passerait à un modèle de développement de jeux « AI first », selon des informations non confirmées
Illustration générée par IA
298Ars Technica AI 

Epic Games passerait à un modèle de développement de jeux « AI first », selon des informations non confirmées

Epic Games bascule vers une stratégie de développement « AI first » pour sa collaboration avec Disney, selon un reportage de Bloomberg citant des sources anonymes proches du projet. Les modèles d'intelligence artificielle, comme Claude d'Anthropic, écriraient l'intégralité du code et orienteraient toute la production artistique d'un futur jeu de tir. Les développeurs humains auraient pour mission de piloter et d'encadrer le code et les assets générés. Des messages internes consultés par Bloomberg évoquent « plus aucun code écrit à la main » et des éléments graphiques « générés avec des workflows entièrement IA ». Ce partenariat de 1,5 milliard de dollars, annoncé début 2024, prévoyait la sortie en mars 2027 d'un jeu de tir aux univers Marvel et Star Wars. Le projet est désormais repoussé sans date, en raison de ce bouleversement et d'un développement plus lent que prévu, mené avec des effectifs insuffisants. Ce virage est l'un des plus radicaux observés chez un grand éditeur de jeux vidéo, puisqu'il ne s'agit plus d'utiliser l'IA comme outil d'appoint mais d'en faire le moteur de la production. Pour les studios, il constitue un test grandeur nature : l'IA peut-elle tenir une production à très gros budget, avec ses exigences de qualité, de cohérence artistique et de maintenance du code ? Pour les développeurs et artistes, le message est lourd de sens, car leur rôle glisse de la création directe vers la supervision et la correction de contenus produits par des machines. Le report indéfini rappelle aussi que cette transition a un coût immédiat, en temps comme en organisation, avant d'éventuels gains de productivité. Epic, éditeur de Fortnite et créateur d'Unreal Engine, entretient depuis plusieurs années une relation étroite avec Disney, qui a investi dans la société et fait de Fortnite une vitrine pour ses franchises. Le jeu de tir annoncé en 2024 devait prolonger cette alliance avec deux licences parmi les plus puissantes du divertissement. L'industrie du jeu vidéo traverse par ailleurs une période de coûts de production en forte hausse, de licenciements et de pression pour livrer plus vite, ce qui pousse les éditeurs vers l'automatisation. Reste à voir si Epic confirmera cette orientation, quelle nouvelle date sera retenue pour le jeu, et comment les licences de Disney, très attentif à la qualité de ses marques, s'accommoderont d'une production largement générée par l'IA.

BusinessActu
1 source
Linus Torvalds, qui réduisait l’IA à « 90 % de marketing », publie un patch du noyau Linux écrit avec Claude Code
Illustration générée par IA
299Frandroid 

Linus Torvalds, qui réduisait l’IA à « 90 % de marketing », publie un patch du noyau Linux écrit avec Claude Code

Linus Torvalds a publié une série de huit patchs destinés au noyau Linux, rédigés avec l'aide de Claude Code, l'assistant de programmation développé par Anthropic. Le créateur de Linux a donc franchi un pas concret dans l'usage de ces outils pour son propre travail de développement, et cela se voit dans le code soumis à la communauté. En 2024, il qualifiait encore l'intelligence artificielle de « 90 % de marketing », une formule qui résumait alors son scepticisme face à l'enthousiasme du secteur. Le geste compte d'abord par sa portée symbolique. Torvalds est l'une des figures les plus respectées et les plus franches de l'écosystème open source, et il ne ménage jamais les modes technologiques. Le voir recourir à un assistant de code pour des contributions au noyau, un projet réputé pour son exigence et sa relecture rigoureuse, envoie un signal fort aux développeurs et aux mainteneurs encore réticents. Il suggère que ces outils peuvent produire du code suffisamment solide pour entrer dans un flux de travail critique, à condition qu'un humain relise et assume ce qu'il soumet. Pour Anthropic, c'est aussi une forme de validation indirecte, venant d'un acteur qui n'a aucun intérêt commercial à vanter le produit. Cette évolution s'inscrit dans un débat plus large sur la place de l'IA dans les projets open source. Plusieurs communautés se sont interrogées sur la provenance du code généré, sa qualité, les questions de licence et la charge supplémentaire imposée aux relecteurs bénévoles. Le noyau Linux, qui fédère des milliers de contributeurs et des entreprises majeures, sert de référence pour la définition de règles claires sur ces pratiques. Les prochains mois diront si d'autres mainteneurs suivent l'exemple de Torvalds et si la communauté formalise un cadre commun pour les contributions assistées par IA.

OutilsActu
1 source
Comment les workflows dynamiques d'Anthropic coordonnent des agents Claude
Illustration générée par IA
300Latent Space 

Comment les workflows dynamiques d'Anthropic coordonnent des agents Claude

Lors de la conférence AI Engineer New York 2026, qui s'est ouverte par une série d'ateliers, CJ Avilla et Harrison Stall, membres du personnel technique d'Anthropic, ont présenté une nouveauté annoncée le vendredi précédent : les « dynamic workflows », que les deux intervenants ont simplement appelés « flows ». Anthropic les décrit comme « un nouveau type d'orchestration multi-agents, conçu pour vos charges de travail les plus ambitieuses ». Le principe est le suivant : un agent principal établit d'abord un plan, puis Claude écrit lui-même un programme d'orchestration. Ce programme lance les agents, collecte leurs résultats et gère la circulation de l'information. Jusqu'ici, Claude Managed Agents obligeait les développeurs à configurer un coordinateur et une liste de sous-agents. Désormais, Claude décide seul comment découper et répartir le travail, même s'il reste possible de fournir des sous-agents spécialisés préconfigurés. Le tout est accessible dans la Claude Console, l'interface destinée aux développeurs qui utilisent Claude par l'API. Pour la démonstration, les présentateurs ont montré un scanner de liste de suivi boursière. Une phase d'analyse distribuait chaque symbole à un agent doté d'un contexte isolé, puis une phase de revue examinait les résultats avant de produire un rapport. Cette évolution déplace la charge d'organisation des développeurs vers le modèle lui-même. Selon Harrison Stall, les flows sont « la prochaine version de l'orchestration multi-agents », où Claude orchestre l'intégralité de sa propre topologie. Les agents accomplissent ainsi, à travers plusieurs phases, des unités de travail distinctes et vérifiables, sans que l'utilisateur ait à gérer les interconnexions. Pour les équipes d'ingénierie, l'enjeu est concret. CJ Avilla a souligné que beaucoup de personnes qui pilotent de nombreux agents ressentent désormais d'être le goulot d'étranglement, voire le point de rupture, face à l'afflux de pull requests qu'elles doivent relire et valider à la main sur GitHub. La séance de questions a aussi soulevé des inquiétudes pratiques, notamment sur la façon dont Claude détermine le nombre d'agents nécessaire et sur le risque qu'un simple scan de symboles boursiers déclenche des centaines de sous-agents. Harrison Stall a répondu que la réponse tenait aux évaluations et à des valeurs par défaut prudentes. Pour situer le projet, les deux intervenants ont rappelé des précédents historiques d'organisation du logiciel : Ken Thompson créant le système Unix d'origine, puis Linux, passé d'une seule personne, Linus Torvalds, à des couches de mainteneurs de confiance. La leçon qu'ils en tirent est que les agents ont besoin du même degré d'organisation pour mener des projets de grande envergure. Les dynamic workflows sont nés dans Claude Code, autour de l'idée d'un « harnais pour chaque tâche », avant d'être étendus à des exécutions plus longues que celles d'un agent isolé ou d'une équipe fixe. Anthropic s'inscrit ainsi dans la course à l'orchestration d'agents autonomes, où l'enjeu est de faire travailler de nombreux agents en parallèle sans que la supervision humaine devienne le facteur limitant. La maîtrise des coûts et du nombre d'agents lancés reste, d'après les échanges de cet atelier, l'une des questions ouvertes.

OutilsOutil
1 source