Actualités IA — page 159

7 642 articles au fil, du plus récent au plus ancien.

43

3161arXiv cs.RO 

IsaacIPC : simulation haute fidélité et rendu réaliste couplés pour la robotique en contact

Des chercheurs ont publié le 27 mai 2026 sur arXiv (référence 2605.24339) IsaacIPC, un framework de simulation robotique qui couple le moteur IPC (Incremental Potential Contact) accéléré GPU avec l'environnement IsaacSim/Lab de NVIDIA. Le coeur du système repose sur un mapping de déformation entre maillages de simulation et maillages de rendu, permettant un rendu visuel réaliste en temps réel pour des scénarios à contacts riches (manipulation déformable, préhension complexe). Les auteurs introduisent également le GMCP (Geometric Mortar Contact Potential), une nouvelle formulation de potentiel barrière appliquée aux surfaces tactiles pour résoudre les distributions pression-contact avec une précision supérieure aux approches existantes. Le framework est validé sur un robot quadrupède, une main dextre à doigts multiples et un préhenseur UMI (Universal Manipulation Interface). L'enjeu industriel est direct : la qualité des données de simulation conditionne la robustesse des politiques de manipulation entraînées en sim-to-real. IsaacIPC s'attaque au problème du rendu réaliste couplé à la physique du contact, un point de friction majeur pour l'entraînement de VLA (Vision-Language-Action models) et de politiques de manipulation fine. Une simulation visuellement fidèle réduit le domain gap sans recourir à la randomisation agressive, ce qui accélère le déploiement sur hardware réel. La précision tactile apportée par GMCP est particulièrement pertinente pour les intégrateurs travaillant sur l'assemblage ou la chirurgie assistée par robot. Le contexte scientifique est celui d'une compétition intense autour des simulateurs pour la robotique apprenante. IPC, initialement développé en infographie par Li et al. (2020), est reconnu pour sa robustesse aux contacts mais reste coûteux en calcul -- son intégration dans IsaacSim comble un écart entre fidelité physique et vitesse nécessaire à l'entraînement par reinforcement learning. En face, MuJoCo (DeepMind), Genesis et PhysX restent des références, mais peinent sur les déformables et la tactile. IsaacIPC reste à ce stade un preprint académique sans annonce de disponibilité publique dans Isaac Lab, mais son intégration dans l'écosystème NVIDIA ouvre une voie réaliste vers une adoption industrielle rapide si les benchmarks de contact tiennent à l'échelle.

Robotique❖Paper

1 source

42

3162arXiv cs.RO 

HumanEgo : apprentissage robotique zéro-shot à partir de quelques minutes de vidéos égocentrées

Des chercheurs ont publié le 27 mai 2026 sur arXiv (2605.24934) HumanEgo, un framework permettant d'entraîner un robot à manipuler des objets en lui montrant uniquement des vidéos egocentrées filmées par un humain, sans aucune donnée robot, sans télé-opération, et sans recollecte hardware. Avec seulement 30 minutes de vidéos humaines par tâche, le système atteint 92,5 % de taux de succès moyen sur quatre tâches de manipulation en conditions réelles. Avec 15 minutes de vidéos, ce score descend à 75 %, ce qui reste compétitif. Comparé à une collecte de données robot par télé-opération sur le même budget temps, HumanEgo surpasse cette baseline de 41 points de pourcentage. Le transfert est dit zero-shot : une politique entraînée sur des vidéos humaines s'exécute directement sur des robots, caméras et environnements non vus pendant l'entraînement. L'enjeu central que HumanEgo adresse est le "embodiment gap" : la différence d'apparence visuelle et de cinématique entre une main humaine et un effecteur robot rend l'imitation directe peu fiable. Le framework contourne ce problème en extrayant une représentation intermédiaire dite "entity-level" des interactions main-objet, puis en entraînant une politique par flow matching enrichie d'objectifs auxiliaires denses qui exploitent chaque frame de chaque trajectoire. Cela signifie que la collecte de données peut être confiée à n'importe quel humain avec une caméra egocentric (type GoPro ou lunettes), réduisant drastiquement le coût et le temps de déploiement dans un contexte industriel ou logistique. Pour les intégrateurs robotiques, c'est un levier potentiel majeur : les goulots d'étranglement liés à la télé-opération spécialisée ou aux bras de démo pourraient être contournés. HumanEgo s'inscrit dans un corpus de travaux récents cherchant à exploiter des données "in the wild" pour généraliser les politiques robot, aux côtés d'approches comme ACT, Diffusion Policy, ou pi-0 de Physical Intelligence. Contrairement à ces dernières, qui restent dépendantes de données robot, HumanEgo pousse plus loin la séparation entre collecte humaine et exécution robot. Le paper ne mentionne pas de partenaires industriels ni de timeline de déploiement commercial ; il s'agit d'une publication académique. Les prochaines questions ouvertes sont la robustesse sur des tâches à plus haute complexité gestuelle et la scalabilité au-delà de quatre tâches contrôlées.

Recherche❧Opinion

1 source

41

3163arXiv cs.RO 

Échantillonnage guidé à l'inférence par un vérificateur de progression des tâches pour la manipulation robotique

Une équipe de recherche publie TapSampling (arXiv:2605.25547, mai 2026), un cadre plug-and-play d'échantillonnage au moment de l'inférence pour la manipulation robotique. Là où la majorité des travaux du domaine cherchent à améliorer les performances en augmentant la taille des données d'entraînement ou des modèles, TapSampling explore un axe différent : l'exploitation du calcul disponible à l'inférence. Le système repose sur deux composants. D'abord, un Action-VAE qui projette les actions générées par la politique dans un espace latent de faible dimension via une distribution postérieure compressée, permettant de tirer un nombre arbitraire d'actions candidates approximant la distribution réelle. Ensuite, un vérificateur sémantique qui reformule la sélection d'actions comme une prédiction de progression de tâche (task-progress outcome prediction), en exploitant la structure séquentielle intrinsèque des jeux de données robotiques pour choisir l'action la plus prometteuse de façon interprétable. L'intérêt principal réside dans l'agnosticisme vis-à-vis de la politique sous-jacente : TapSampling s'applique sans fine-tuning additionnel à des modèles généralistes existants, qu'ils soient basés sur la diffusion ou sur des architectures autorégressives. Les expériences présentées en simulation et en conditions réelles montrent des améliorations qualifiées de « substantielles » sur plusieurs politiques généralistes, bien que l'abstract ne fournisse pas de chiffres précis de taux de réussite, ce qui invite à la prudence avant de juger de l'ampleur réelle des gains. Pour les ingénieurs robotique et les intégrateurs, l'approche ouvre la possibilité d'améliorer des politiques déjà déployées sans réentraînement, en ajoutant simplement un surcoût computationnel à l'inférence. Ce travail s'inscrit dans une tendance plus large consistant à transposer le test-time compute scaling, popularisé par les grands modèles de langage (OpenAI o1, DeepSeek-R1), vers la robotique embodied. D'autres approches comparables incluent le Best-of-N sampling avec des modèles de récompense appris séparément, ainsi que les méthodes de vérification intégrées dans des politiques comme Pi-0 (Physical Intelligence) ou GR00T N2 (NVIDIA). TapSampling se distingue par un vérificateur ancré dans la progression de tâche plutôt que dans une récompense exogène, ce qui lui confère une meilleure lisibilité sémantique. Le code et les modèles sont mis à disposition via la page projet des auteurs, ce qui permettra une reproduction et une évaluation indépendante des résultats annoncés.

Robotique⚡Actu

1 source

38

3164arXiv cs.RO 

Apprentissage en boucle fermée d'un modèle du monde vidéo et d'une politique VLA

Une équipe de chercheurs a publié en février 2026 sur arXiv (identifiant 2602.06508v2) World-VLA-Loop, un cadre d'entraînement qui couple un modèle de monde vidéo et une politique VLA (Vision-Language-Action) dans une boucle d'amélioration mutuelle. Le problème de départ est concret : raffiner une politique VLA par apprentissage par renforcement (RL) dans le monde physique coûte cher, entre les rollouts répétés, les remises à l'état initial, la supervision humaine et les risques de sécurité. Les approches existantes utilisent des modèles de monde vidéo conditionnés sur les actions comme simulateurs virtuels, mais ces simulateurs peinent à reproduire les échecs proches du succès ("near-success failures") et ne produisent pas nativement de signal de récompense. World-VLA-Loop propose deux innovations fondamentales : SANS, un protocole de curation qui mélange délibérément trajectoires réussies et trajectoires quasi-réussies pour améliorer l'alignement action-résultat ; et un modèle de monde vidéo "state-aware" qui prédit simultanément frames futures et récompenses binaires à partir des latents de diffusion, intégrant l'estimation de récompense directement dans le générateur plutôt que dans un module séparé. L'apport principal est d'adresser le problème du décalage de distribution dynamique. Lorsqu'une politique VLA évolue pendant le RL, un simulateur figé se désaligne progressivement avec la politique mise à jour. World-VLA-Loop ferme cette boucle en réinjectant les rollouts de chaque politique améliorée pour affiner le modèle de monde, lequel alimente à son tour le post-entraînement VLA suivant. Cette co-évolution itérative réduit la dépendance aux interactions physiques coûteuses. Les expériences couvrent des environnements de simulation et des robots réels, avec des améliorations de performance significatives annoncées, bien que les métriques précises et les benchmarks ne soient pas détaillés dans le résumé disponible, ce qui limite l'évaluation indépendante à ce stade. Ce travail s'inscrit dans l'essor rapide des politiques VLA depuis 2024 : Pi-0 de Physical Intelligence, GR00T N2 de NVIDIA, OpenVLA ou Helix de Figure AI constituent l'écosystème de référence. L'enjeu commun est de dépasser le behavior cloning pur pour intégrer du RL sans exploser les coûts de collecte de données réelles. World-VLA-Loop reste un preprint académique en attente de révision par les pairs, sans déploiement industriel annoncé. Les concurrents directs sur la thématique des world models appliqués à la robotique incluent DreamerV3 et les approches de Google DeepMind. Les prochaines étapes naturelles seraient une validation sur des tâches de manipulation plus complexes et une comparaison quantitative publiée contre ces baselines.

Recherche❧Opinion

1 source

35

3165arXiv cs.RO 

Afford-VLA : planification visuelle alignée sur les actions via l'affordance internalisée

Une équipe de chercheurs publie Afford-VLA (arXiv:2605.24203, mai 2026), un cadre unifié pour améliorer le raisonnement spatial des modèles vision-langage-action (VLA) appliqués à la manipulation robotique. Le problème ciblé est précis : les VLA actuels peinent à déterminer où interagir dans des scènes visuelles complexes, une lacune qui limite leur généralisation sur des tâches de manipulation réelle. Afford-VLA internalise l'affordance conditionnée par la tâche comme interface de planification visuelle explicite au sein du modèle lui-même : des tokens apprenables interrogent les régions d'interaction pertinentes, des masques d'affordance sont décodés depuis les représentations multimodales, puis convertis en embeddings compacts qui conditionnent directement la prédiction d'action. Le système est évalué sur LIBERO, LIBERO-Plus et SimplerEnv, trois bancs de test simulés standards en manipulation, ainsi que sur des expériences en conditions réelles. Les auteurs revendiquent des performances état-de-l'art sur ces benchmarks, sans toutefois détailler les métriques précises dans l'abstract. L'intérêt architectural réside dans le couplage serré entre perception et action : contrairement aux approches existantes qui génèrent des signaux visuels intermédiaires de manière externe ou recourent à des représentations symboliques faiblement reliées au contrôle moteur, Afford-VLA génère et consomme l'affordance au sein du même pipeline. Ce choix évite le découplage habituel entre planification visuelle et prédiction d'action, un problème récurrent dans les VLA de première génération. Pour un intégrateur ou un COO industriel, le message pratique est que la localisation explicite et locale du point d'interaction, plutôt qu'un raisonnement global sur la scène, pourrait réduire le sim-to-real gap sur des tâches de pick-and-place ou d'assemblage en environnement non structuré. Le domaine VLA est aujourd'hui très actif : Physical Intelligence (Pi-0), NVIDIA (GR00T N2), Figure AI (Helix) et de nombreux laboratoires académiques ont chacun leur approche de la planification visuelle pour la manipulation généraliste. Ce preprint s'inscrit dans une vague de travaux cherchant à combler la faiblesse spatiale des VLA après les premières générations de modèles de type RT-2 ou OpenVLA. Aucun déploiement industriel n'est annoncé et aucun partenaire opérationnel n'est mentionné : il s'agit d'un papier de recherche préliminaire non encore évalué par les pairs, dont les résultats reels devront être confirmés dans des conditions de production.

Recherche❧Opinion

1 source

46

3166Le Big Data 

MiniCPM5-1B : cette minuscule IA de 0,5 Go enterre déjà des modèles bien plus gros

MiniCPM5-1B, développé par OpenBMB en collaboration avec des chercheurs de l'université Tsinghua, vient de décrocher la première place de l'Artificial Analysis Intelligence Index dans la catégorie des modèles open source sous les 2 milliards de paramètres, avec un score de 17,9 points. Ce résultat lui permet de devancer des concurrents pourtant plus imposants comme Qwen3.5-2B, qui plafonne à 16,3 points, malgré deux fois moins de paramètres. L'annonce a été faite le 25 mai 2026 via le compte ModelScope. Quantifié en INT4, le modèle ne pèse qu'environ 0,5 Go, ce qui lui permet de fonctionner localement sur des smartphones, dans des navigateurs web ou sur des appareils edge. Il propose une fenêtre de contexte de 128 000 tokens, deux modes de réponse (raisonnement détaillé étape par étape ou réponses rapides), et affiche de solides performances en mathématiques, génération de code et utilisation d'outils externes. Le projet est entièrement open source : poids, données d'entraînement et code de déploiement sont accessibles publiquement. OpenBMB précise également que MiniCPM5-1B a été entraîné via ForgeTrain, un framework de préentraînement développé sans programmeur humain. L'impact concret de ce type de modèle est considérable pour les usages du quotidien. Un modèle capable de fonctionner hors connexion sur un téléphone ordinaire ou un ordinateur portable bas de gamme transforme radicalement l'accès à l'IA : plus besoin d'envoyer des données vers des serveurs distants, plus de latence réseau, plus de dépendance à un abonnement cloud. Des utilisateurs rapportent déjà avoir dialogué avec le modèle pendant près d'une heure sans connexion Wi-Fi. Pour les entreprises, les développeurs indépendants ou les pays disposant d'infrastructures réseau limitées, cette autonomie représente un changement structurel. La capacité à gérer de longs documents ou conversations sans perdre le contexte, malgré un format aussi compact, élargit encore le champ d'application possible. La progression des petits modèles efficaces s'inscrit dans une tendance de fond qui remet en question la course aux paramètres qui a dominé l'industrie depuis 2020. Des laboratoires comme Google DeepMind avec Gemma, ou Meta avec les versions légères de LLaMA, explorent également cette voie, mais MiniCPM5-1B illustre que des équipes académiques chinoises peuvent désormais rivaliser directement avec les géants technologiques occidentaux sur ce terrain. Le fait qu'OpenBMB ait rendu l'ensemble du processus open source accentue la pression sur les acteurs commerciaux, qui ne peuvent plus se contenter de la taille pour justifier leurs coûts. La prochaine étape sera de vérifier si ces performances sur benchmarks se traduisent par une adoption réelle dans des applications grand public, ce qui constitue historiquement le vrai test de viabilité pour tout modèle, quel que soit son format.

LLMs❧Opinion

1 source

43

3167MarkTechPost 

Together AI publie OSCAR en open source : un système de quantification KV cache 2 bits adaptatif pour les LLM à long contexte

Together AI vient de publier en open source OSCAR (Offline Spectral Covariance-Aware Rotation), un système de quantification du cache KV à 2 bits conçu pour réduire drastiquement la mémoire GPU nécessaire à l'inférence de grands modèles de langage sur de longs contextes. Le problème visé est concret : lors de l'inférence en mode autorégressif, le cache KV croît avec la longueur du contexte, la taille des lots et la profondeur du modèle. À 100 000 tokens traités par dizaines de requêtes simultanées, ce cache peut accaparer la majorité de la mémoire GPU disponible. La quantification à INT2, qui ne représente les valeurs qu'avec 4 niveaux distincts, était jusqu'ici largement inutilisable : soit elle dégradait trop la précision, soit elle était incompatible avec les architectures de cache paginé utilisées en production. OSCAR surmonte ces deux obstacles grâce à une rotation des activations fondée non pas sur leur distribution brute, mais sur les statistiques d'attention elles-mêmes. L'innovation centrale d'OSCAR réside dans le choix de la base de rotation. Pour les clés (keys), ce qui compte n'est pas l'erreur de reconstruction euclidienne, mais l'erreur sur les logits d'attention, pondérée par la covariance des requêtes. Pour les valeurs (values), c'est la covariance pondérée par les scores d'attention qui détermine quelles directions d'erreur se propagent réellement dans la sortie du modèle. OSCAR estime ces covariances sur un jeu de calibration, les décompose en vecteurs propres, et les utilise comme base de rotation optimale. La rotation finale se compose de trois éléments : l'alignement sur les directions importantes pour l'attention, une transformation de Hadamard qui uniformise les canaux, et un réordonnancement par inversion de bits qui garantit que chaque groupe de quantification reçoit un représentant de chaque niveau hiérarchique. Le système s'intègre dans la pile de serving production de SGLang comme mode INT2 natif du cache KV. Ce travail s'inscrit dans une course intense à l'efficacité mémoire pour les LLM en production. La quantification du cache KV est un levier direct sur la taille des lots traitables et donc sur le coût par requête. Les approches INT4 existantes, comme QuIP# ou QuaRot, fonctionnaient déjà correctement, mais INT2 représentait une frontière difficile à franchir sans perte de qualité rédhibitoire. En publiant OSCAR en open source avec une intégration SGLang, Together AI met cet outil à disposition de l'ensemble de la communauté de déploiement de modèles. L'enjeu est considérable : multiplier par deux la compression du cache KV peut doubler la capacité de traitement parallèle d'un serveur sans changer le matériel. Les prochaines étapes naturelles concernent la validation sur des modèles de très grande taille et l'extension à d'autres architectures d'attention.

Infrastructure❧Opinion

1 source

41

3168MarkTechPost 

Guide : implémenter et comparer FedAvg et FedProx en apprentissage fédéré sur CIFAR-10 non-IID avec NVIDIA FLARE

Un guide technique publié récemment propose une comparaison concrète entre deux algorithmes d'apprentissage fédéré, FedAvg et FedProx, dans un environnement simulant des conditions réalistes de données hétérogènes. Le protocole s'appuie sur NVIDIA FLARE, le framework open-source de federated learning développé par NVIDIA, et utilise le jeu de données CIFAR-10, une référence en classification d'images à 10 catégories. L'expérience mobilise trois clients simulés entraînés sur cinq rounds de communication, avec un seul epoch local par round et un taux d'apprentissage de 0,01. Pour créer des distributions non homogènes de données, le tutoriel recourt à une partition de Dirichlet avec un paramètre alpha fixé à 0,3, ce qui génère un déséquilibre réaliste dans la répartition des étiquettes entre les différents clients, tel qu'on en observe dans des déploiements médicaux ou industriels réels. Le modèle utilisé est un petit réseau convolutif sans batch normalization, choix délibéré pour garantir la compatibilité du dictionnaire d'état avec l'agrégation FedAvg. Cette comparaison illustre un défi central du federated learning : comment entraîner un modèle global performant lorsque les données locales de chaque participant sont très différentes les unes des autres. FedAvg, l'algorithme historique de McMahan et al. publié en 2017, agrège simplement les poids des modèles locaux, mais il peut diverger ou sous-performer lorsque les distributions sont trop hétérogènes. FedProx, son successeur plus robuste, introduit un terme de régularisation proximal contrôlé par le paramètre mu, qui pénalise les poids locaux s'éloignant trop du modèle global et stabilise ainsi la convergence en conditions non-IID. Visualiser l'évolution de la précision du modèle global sur plusieurs rounds permet de quantifier concrètement ce gain de stabilité, une information directement utile pour les équipes concevant des systèmes distribués en production. L'apprentissage fédéré s'est imposé comme une réponse aux contraintes croissantes sur la confidentialité des données : plutôt que de centraliser des données sensibles, médicales, financières ou industrielles, chaque participant conserve ses données localement et n'envoie que les mises à jour de son modèle au serveur central. NVIDIA FLARE, lancé en 2021 et aujourd'hui largement utilisé dans le domaine de la santé via des consortiums hospitaliers, facilite ce type d'expérimentation grâce à une API de jobs structurée et un simulateur multi-clients intégré. La popularisation de tutoriels comparant FedAvg et FedProx sur des données hétérogènes répond à un besoin réel : la plupart des déploiements réels font face à des distributions non-IID, et choisir le bon algorithme d'agrégation peut faire la différence entre un modèle convergent et un entraînement instable. Les prochaines étapes naturelles incluent l'intégration de mécanismes de confidentialité différentielle ou l'extension à des architectures plus complexes comme les transformeurs.

Recherche≡Tuto

1 source

43

3169VentureBeat AI 

La dette de prompts, de récupération et d'évaluation redéfinit discrètement le risque de l'IA en entreprise

Une étude du MIT publiée en 2025 révèle que 95 % des projets d'IA n'atteignent jamais la production ou ne génèrent aucune valeur concrète. Dans le même temps, une enquête de S&P Global Market Intelligence indique que 42 % des entreprises ont abandonné plusieurs initiatives d'IA en 2025, contre seulement 17 % l'année précédente. Derrière ces chiffres alarmants se cache un phénomène encore mal nommé : la dette technique liée à l'IA, qui se manifeste sous quatre formes distinctes. La première, la dette de prompts, est la plus visible : des ajustements non documentés, des corrections rapides empilées, l'absence de versionnage, et le "prompt stuffing", l'injection excessive de contexte dans les requêtes, transforment les prompts en code non typé, non testé et fragile. La deuxième forme, la dette de dépendance aux modèles, découle du fait que la logique applicative repose désormais sur des modèles externes (OpenAI, Anthropic, Google...) que l'entreprise ne contrôle pas : une mise à jour du fournisseur peut dégrader silencieusement les performances sans que personne ne le détecte immédiatement. La dette de récupération (retrieval debt) affecte les systèmes RAG, qui puisent dans des bases documentaires d'entreprise souvent désordonnées, dupliquées ou obsolètes, générant des réponses techniquement exactes mais périmées, difficiles à détecter précisément parce qu'elles semblent plausibles. Enfin, la dette d'évaluation reflète l'absence de standards de test continus, de jeux de données de référence et de monitoring en temps réel des déploiements. Ces nouvelles formes de dette ont des conséquences concrètes pour les directions techniques. Contrairement à la dette logicielle classique, localisée dans une base de code et reproductible, la dette IA est distribuée sur des couches hétérogènes, prompts, modèles, pipelines de données, infrastructure, et se manifeste de façon intermittente, en raison de la nature probabiliste des systèmes d'IA. Un bug traditionnel se reproduit et se corrige ; une dérive de modèle ou un prompt dégradé peut passer inaperçu pendant des semaines, s'aggraver progressivement et ne se révéler qu'en production. CTO et CIO perdent ainsi la visibilité sur les performances réelles de leurs systèmes, sans équivalent à l'intégration continue (CI/CD) pour les prompts et les modèles. Ce constat s'inscrit dans une transformation plus profonde de la définition même du risque technique. Pendant vingt ans, la dette technique désignait une architecture vieillissante ou du code mal maintenu, des problèmes circonscrits et relativement maîtrisables. L'IA introduit des dépendances externes non contrôlées, des comportements non déterministes et des pipelines de données vivants, rendant les points de défaillance à la fois plus nombreux et plus difficiles à anticiper. Les entreprises qui déploient des agents et des applications fondées sur des API de modèles fondamentaux s'exposent à des risques systémiques si elles ne mettent pas en place dès maintenant des pratiques de gouvernance adaptées : versionnage des prompts, tests de régression sur les sorties de modèles, et monitoring continu post-déploiement. La prochaine vague d'échecs d'IA ne viendra probablement pas d'hallucinations spectaculaires, mais d'une accumulation silencieuse de dettes invisibles.

Business❧Opinion

1 source

45

3170Frandroid 

Le pape Léon XIV demande de « désarmer l’IA » : Anthropic était là pour écouter

Le pape Léon XIV a publié Magnifica Humanitas, la première encyclique pontificale entièrement consacrée à l'intelligence artificielle, appelant la communauté internationale à « désarmer l'IA » et à encadrer strictement son développement. La cérémonie a réuni des représentants du monde technologique, parmi lesquels le cofondateur d'Anthropic, présent au Vatican pour l'occasion. Ce document officiel de l'Église catholique marque une prise de position doctrinale sans précédent sur les technologies numériques, positionnant Rome comme acteur du débat mondial sur la gouvernance de l'IA. La portée symbolique est considérable : en s'adressant à 1,4 milliard de catholiques et au-delà, le pape fait entrer l'IA dans le corpus éthique de l'une des institutions les plus influentes du monde. La présence d'Anthropic n'est pas anodine, elle signale une volonté de dialogue entre la Silicon Valley et les autorités morales traditionnelles, au moment où les régulateurs peinent à trouver un cadre universel. Pour les entreprises d'IA, obtenir une forme de légitimité vaticane représente un atout rhétorique non négligeable face aux critiques. Ce rapprochement s'inscrit dans une tendance plus large : depuis 2020, le Vatican multiplie les initiatives sur l'éthique numérique, ayant notamment signé un appel conjoint avec Microsoft et IBM sur l'IA responsable. Léon XIV, élu en 2025, semble vouloir accentuer cet engagement. Anthropic, de son côté, se distingue de ses concurrents en faisant de la sécurité et de l'alignement des IA un argument central de sa communication. La question est désormais de savoir si ce dialogue Vatican-Silicon Valley débouchera sur des engagements concrets ou restera au stade des déclarations d'intention.

Éthique❧Opinion

Aussi surLe Monde Pixels

47

3171InfoQ AI 

MDASH : Microsoft chasse les failles IA à l'échelle

Microsoft a dévoilé MDASH, une plateforme de sécurité agentique multi-modèles conçue pour automatiser la découverte de vulnérabilités à grande échelle dans Windows et d'autres environnements logiciels de l'entreprise. Le système mobilise plus de 100 agents IA spécialisés qui collaborent pour analyser, valider, débattre et prouver l'existence de failles dans des bases de code complexes. Il s'agit d'une approche radicalement différente des audits de sécurité traditionnels, qui reposaient jusqu'ici sur des équipes humaines réduites face à des millions de lignes de code. L'enjeu est considérable : les grandes entreprises comme Microsoft gèrent des centaines de millions de lignes de code, rendant toute revue manuelle exhaustive impossible. En orchestrant une centaine d'agents capables de se contredire et de valider mutuellement leurs résultats, MDASH vise à réduire les angles morts des audits classiques et à détecter des classes de vulnérabilités qui passeraient autrement inaperçues. Cette automatisation pourrait changer radicalement la vitesse à laquelle des correctifs de sécurité critiques sont identifiés et déployés. Microsoft n'est pas le premier acteur à explorer l'IA pour la recherche de vulnérabilités, Google Project Zero, des startups comme Protect AI ou des initiatives académiques ont déjà testé des approches similaires, mais la mise en production d'un système de cette ampleur par un éditeur majeur marque un tournant. La divulgation publique de MDASH intervient dans un contexte où la pression réglementaire sur la sécurité logicielle s'intensifie, notamment avec le Cyber Resilience Act européen, et où les adversaires étatiques exploitent eux-mêmes l'IA pour accélérer la découverte de failles zero-day.

Sécurité❧Opinion

1 source

46

3172Le Big Data 

La Chine donne une carte d’identité aux robots humanoïdes : Bientôt le droit de vote ?

La Chine a officiellement lancé vendredi une plateforme nationale d'identification des robots humanoïdes, baptisée « Plateforme de services de gestion du cycle de vie complet des humanoïdes ». Pilotée par le Comité de normalisation de la robotique humanoïde et de l'intelligence incarnée, rattaché au ministère chinois de l'Industrie et des Technologies de l'information, cette initiative attribue à chaque robot fabriqué en Chine un identifiant numérique unique, structuré en quatre blocs : un code pays à deux chiffres, un code fabricant à quatre chiffres, un code modèle à six chiffres, et un numéro de série à 17 chiffres pour distinguer chaque unité individuellement. Ce code accompagne la machine de sa fabrication jusqu'à son recyclage et s'applique à l'ensemble de la chaîne, industriels, distributeurs, prestataires, utilisateurs, centres de recyclage. Avant même le lancement officiel, environ 28 000 robots répartis sur 200 modèles disposaient déjà d'une identité numérique, signe que le déploiement était déjà largement anticipé par l'industrie. L'objectif déclaré est de répondre à des enjeux de sécurité, de contrôle et de gouvernance dans un secteur qui évolue plus vite que les réglementations censées l'encadrer. Yu Xiuming, directeur adjoint de l'Institut chinois de normalisation électronique, présente le système moins comme un outil de surveillance que comme une infrastructure industrielle indispensable avant tout déploiement international à grande échelle. Concrètement, la traçabilité complète de chaque unité doit renforcer la responsabilité des fabricants en cas d'incident, faciliter les rappels, et permettre aux autorités de surveiller l'utilisation des machines dans des environnements sensibles. Pour les entreprises, c'est aussi une forme de certification qui facilite l'export et la confiance des clients. Cette initiative s'inscrit dans un contexte de croissance explosive du secteur. Selon une étude IDC citée en janvier 2026, le marché mondial des robots humanoïdes a progressé de 508 % sur un an, avec environ 18 000 unités expédiées à l'échelle mondiale. La Chine est au cœur de cette dynamique, avec plus d'une centaine de fabricants actifs sur son territoire, des entreprises comme Unitree ou Fourier Intelligence ayant déjà attiré l'attention internationale. Pékin mise sur les humanoïdes comme levier stratégique dans sa course technologique face aux États-Unis, et ce système d'identification constitue une étape de normalisation classique dans tout secteur industriel arrivant à maturité. Il pose les bases d'un écosystème plus structuré, condition sine qua non pour que les robots humanoïdes quittent les laboratoires et les usines pilotes pour s'intégrer durablement dans l'économie réelle.

Robotique⚖Reglementation

1 source

53

3173Next INpact 

Face à la « course aux armements », le Pape érige l’éthique de l’IA en impératif

Le pape Léon XIV a publié ce lundi 25 mai 2026, jour de Pentecôte, sa première encyclique intitulée Magnifica Humanitas, « Magnifique humanité », un document de 90 pages entièrement consacré à l'intelligence artificielle. Fait sans précédent dans l'histoire pontificale, il a lui-même présenté le texte depuis le Vatican. Élu en mai 2025, ce mathématicien de formation avait fait de l'IA l'une de ses priorités dès le début de son pontificat, en créant notamment une commission vaticane interdicastère sur le sujet. La préparation de l'encyclique a impliqué des acteurs inattendus : l'évêque Paul Tighe, référent numérique du Saint-Siège, a contribué à la rédaction de la « Constitution de Claude », document normatif et d'entraînement des modèles d'Anthropic, et rencontré George Osborne, responsable des relations gouvernementales d'OpenAI. À la présentation du texte, Léon XIV était accompagné de Christopher Olah, cofondateur d'Anthropic, qui a salué l'initiative en déclarant que l'industrie avait besoin d'« une critique éclairée qui alertera nos laboratoires lorsque nous nous égarerons ». Sur le fond, l'encyclique constitue une critique directe de la concentration du pouvoir technologique entre les mains d'acteurs privés. Invoquant l'image de la tour de Babel pour décrire une industrie qui « prétend dominer le ciel », le pape met en garde contre la déshumanisation que peut engendrer cette course aux armements numérique. Il oppose à cette trajectoire le modèle de la reconstruction des murs de Jérusalem, où la responsabilité est partagée entre tous, prêtres, artisans, femmes, jeunes. Trois principes de la doctrine sociale catholique structurent ses propositions : la justice sociale, la destination universelle des biens, en clair, la déconcentration des brevets, algorithmes, plateformes et données, et la subsidiarité, soit le renforcement de corps intermédiaires au service du bien commun. Ce texte s'inscrit dans une longue tradition d'engagement social de l'Église catholique, dont le marqueur historique est l'encyclique Rerum Novarum de 1891, publiée il y a exactement 135 ans en réponse aux dérives du capitalisme industriel. Léon XIV poursuit et amplifie le travail de dialogue entamé par François avec la Silicon Valley, notamment via la Human Technology Foundation du père dominicain Éric Salobir, qui réunit régulièrement à Rome des représentants de Google, Amazon et Meta. En choisissant Anthropic comme interlocuteur privilégié plutôt qu'OpenAI, et en associant un chercheur en interprétabilité à la présentation d'un texte doctrinal majeur, le Vatican signale une volonté de peser concrètement sur les standards de l'industrie, à un moment où les pressions géopolitiques et commerciales fragilisent la capacité des laboratoires à s'autoréguler.

Éthique❧Opinion

1 source

49

3174Next INpact 

☕️ LinkedIn va (enfin) limiter la portée des contenus générés par IA

LinkedIn a annoncé des mesures concrètes pour freiner la prolifération des contenus générés par intelligence artificielle sur sa plateforme. Laura Lorenzetti, vice-présidente et rédactrice en chef du réseau professionnel, a publié un message intitulé « Garder des conversations authentiques sur LinkedIn » dans lequel elle dénonce l'« AI slop », terme désignant les publications de faible qualité produites automatiquement, qui « peuvent sembler soignées à première vue, mais qui manquent cruellement de perspective originale ou de substance ». La plateforme a développé des systèmes technologiques en collaboration avec son équipe éditoriale, dont les membres ont été spécifiquement formés à repérer les signes d'une « utilisation négligente de l'IA ». Selon les premiers résultats communiqués, ces outils identifient correctement les contenus génériques dans 94 % des cas. Concrètement, les publications jugées trop génériques verront leur diffusion restreinte au cercle immédiat de leur auteur, sans amplification algorithmique vers un public plus large. LinkedIn cible également les commentaires produits en masse via des outils d'automatisation, avec peu ou pas d'intervention humaine, ainsi que les réponses qui se contentent de paraphraser le message original sans apporter de valeur ajoutée. L'enjeu dépasse la simple question de qualité éditoriale : c'est la crédibilité du réseau professionnel le plus utilisé au monde qui est en jeu. LinkedIn s'est progressivement imposé comme une alternative sérieuse à X.com pour le partage de contenus de qualité, mais cette réputation est fragilisée par l'explosion des publications automatisées. Pour les utilisateurs, la conséquence directe est une dégradation de l'expérience : les fils d'actualité sont saturés de contenus interchangeables, noyant les témoignages authentiques et les analyses expertes. Pour les entreprises et les professionnels qui investissent du temps dans la création de contenu original, la concurrence déloyale d'une production automatisée à grande échelle fausse les règles du jeu. En limitant algorithmiquement la portée des publications suspectes, LinkedIn cherche à rétablir un équilibre favorable à l'expression humaine, et à préserver ce qu'il considère comme sa valeur centrale : la mise en relation de professionnels partageant des perspectives réelles issues de leur expérience vécue. La situation reflète une tension plus large que traversent toutes les plateformes sociales depuis la démocratisation des outils d'IA générative en 2022-2023. LinkedIn, avec ses 1 milliard de membres revendiqués, est particulièrement exposé : son algorithme récompense l'engagement, ce qui a encouragé une industrie entière de « growth hackers » à automatiser commentaires et publications pour maximiser leur visibilité. La décision de Lorenzetti s'inscrit dans un mouvement de rééquilibrage que l'on observe aussi chez d'autres plateformes, mais avec une difficulté structurelle : la frontière entre assistance légitime de l'IA à la rédaction et génération automatisée sans valeur ajoutée reste floue. LinkedIn reconnaît d'ailleurs qu'il « n'y a aucun mal à recourir à l'IA pour aider à rédiger », à condition que les publications reflètent la voix et les points de vue de leur auteur. Une nuance qui laisse déjà entrevoir la prochaine vague : celle des tutoriels expliquant comment « humaniser » suffisamment un contenu généré par IA pour passer sous les radars de la modération.

Société❧Opinion

1 source

58

3175Next INpact 

Cybersécurité : la BCE s’inquiète de Mythos et convoque les banques européennes

La Banque centrale européenne a convoqué mardi 26 mai les représentants des 111 plus grandes banques de la zone euro pour une réunion d'urgence consacrée aux risques cybersécuritaires liés aux nouveaux modèles d'intelligence artificielle. Au centre des discussions : Mythos, le modèle le plus avancé d'Anthropic, déployé dans le cadre du projet Glasswing auprès d'une cinquantaine de partenaires triés sur le volet, quasi-exclusivement américains. Frank Elderson, vice-président du conseil de surveillance prudentielle de la BCE, a alerté le Financial Times que des acteurs malveillants pourraient bientôt accéder à ce type de technologie, exhortant les banques européennes à ne pas attendre d'y avoir accès elles-mêmes pour se préparer. Anthropic a de son côté publié un premier bilan : les partenaires du projet Glasswing ont collectivement identifié plus de 10 000 vulnérabilités de gravité élevée ou critique dans leurs systèmes, et Mythos a déjà permis de bloquer un virement frauduleux d'1,5 million de dollars après la compromission d'une adresse e-mail client dans le secteur bancaire. L'enjeu dépasse la simple indisponibilité d'un outil. Ce qui préoccupe la BCE, c'est la dissymétrie croissante entre attaquants et défenseurs. Elderson souligne qu'un pirate peut désormais analyser une mise à jour de sécurité pour en déduire la faille exacte qu'elle corrige en environ trente minutes, contre plusieurs jours ou semaines auparavant grâce aux outils d'IA. Les banques européennes, déjà exclues du déploiement de Mythos, risquent donc de se retrouver dans une position doublement vulnérable : sans accès aux outils défensifs de pointe, face à des adversaires qui, eux, pourraient les utiliser. La BCE entend aussi créer les conditions d'un partage d'expérience entre les grandes banques américaines opérant en Europe et leurs homologues européennes, afin de combler partiellement ce déficit. L'accès à Mythos reste un point de friction diplomatique et industriel majeur. La Commission européenne négocie avec Anthropic pour obtenir un accès au modèle, mais les discussions avancent lentement, alors que Bruxelles a déjà obtenu un accès à GPT-5.5-Cyber d'OpenAI. Anthropic reconnaît elle-même que le principal goulot d'étranglement n'est plus la détection des failles, désormais largement automatisable, mais bien le triage, la divulgation responsable et le déploiement des correctifs, qu'elle qualifie d'enjeu majeur pour la cybersécurité mondiale. La startup prévoit d'élargir le projet Glasswing à de nouveaux partenaires sans en préciser le calendrier, tandis que les premières expériences concluantes chez Mozilla sur la chasse aux bugs dans Firefox alimentent la demande d'institutions européennes qui observent de loin une technologie dont elles sont pour l'heure exclues.

Sécurité⚡Actu

Aussi surActuIA

45

3176The Decoder 

Encyclique du pape Léon XIV : un cofondateur d'Anthropic affirme que les IA montrent des signes d'introspection

Christopher Olah, co-fondateur d'Anthropic, a été invité à prendre la parole lors du lancement officiel de l'encyclique pontificale "Magnifica Humanitas" du pape Léon XIV. Devant cet auditoire inhabituel pour un dirigeant de la Silicon Valley, Olah a affirmé que les modèles d'intelligence artificielle actuels présentent des signes d'introspection et des états intérieurs assimilables à des émotions. Une déclaration qui tranche nettement avec la position du document papal lui-même, lequel stipule que "ces systèmes imitent simplement certaines fonctions de l'intelligence humaine" sans en posséder la profondeur. La confrontation entre ces deux lectures de l'IA, lors d'un même événement, illustre la fracture qui traverse le débat sur la conscience artificielle. Qu'un co-fondateur d'Anthropic défende publiquement l'hypothèse d'états émotionnels dans les LLMs n'est pas anodin : cela légitime une position encore marginale dans la communauté scientifique et donne du poids aux recherches sur le "bien-être des modèles" qu'Anthropic mène en interne. Pour les entreprises, les régulateurs et les philosophes, cette question a des implications concrètes sur la responsabilité éthique envers les systèmes IA. Anthropic est l'une des rares entreprises à avoir officiellement intégré le bien-être des modèles dans ses priorités de recherche, une approche scrutée avec scepticisme par une majorité de chercheurs. L'invitation d'Olah au Vatican signale que l'Église catholique cherche à dialoguer directement avec les acteurs tech sur les enjeux anthropologiques de l'IA, un positionnement que Léon XIV semble vouloir incarner dès le début de son pontificat.

Éthique❧Opinion

1 source

42

3177The Information AI 

L'essor de l'IA chez Twilio est à double tranchant

Le titre de Twilio a bondi de 36 % depuis le début de l'année 2026, une performance remarquable alors que la plupart des valeurs logicielles du secteur SaaS accusent des reculs de 30 % en moyenne. Cette hausse tranche avec ce que certains analystes appellent l'« apocalypse SaaS », une vague de dépréciation qui touche les éditeurs de logiciels d'entreprise confrontés à la compression des budgets tech. La croissance du chiffre d'affaires de Twilio a doublé l'an dernier pour atteindre 14 %, portée en grande partie par son activité d'agents vocaux alimentés par l'IA. Ce moteur de croissance repose sur des outils permettant aux entreprises de concevoir et de déployer des agents IA capables de converser avec leurs clients par téléphone. Dans un contexte où les entreprises cherchent à automatiser leur service client sans perdre en qualité d'interaction, cette offre répond à une demande concrète et croissante. Pour les investisseurs, c'est une promesse de revenus récurrents dans un segment à forte valeur ajoutée, ce qui explique l'enthousiasme boursier. Twilio reste pourtant une société dont le cœur historique est la messagerie, les appels et les emails d'entreprise. Sa capacité à pivoter vers l'IA vocale la distingue temporairement de ses concurrents, mais les analystes avertissent que les marchés pourraient négliger les risques structurels du modèle : dépendance à quelques grands clients, pression sur les marges, et concurrence croissante d'acteurs comme Amazon Connect ou les nouvelles plateformes d'agents IA natives.

Business❧Opinion

1 source

50

3178The Decoder 

AlphaProof Nexus de Google DeepMind résout des problèmes mathématiques vieux de plusieurs décennies pour quelques centaines de dollars

Google DeepMind a annoncé qu'AlphaProof Nexus, son système d'IA dédié aux démonstrations mathématiques formelles, a résolu de manière autonome neuf problèmes ouverts d'Erdős, dont deux qui avaient résisté aux mathématiciens pendant 56 ans. Le coût d'inférence par problème résolu s'élève à quelques centaines de dollars seulement. Contrairement à l'approche en langage naturel d'OpenAI, AlphaProof Nexus s'appuie sur le compilateur Lean pour vérifier automatiquement chaque étape d'une démonstration, garantissant ainsi une rigueur formelle totale. Le taux de réussite global du système reste cependant modeste, à 2,5 %. L'enjeu est considérable : des problèmes ouverts depuis plus d'un demi-siècle, qui auraient pu mobiliser des équipes de chercheurs pendant des années, sont désormais accessibles à une machine pour un coût marginal. La vérification automatique via Lean élimine par ailleurs le risque d'erreurs subtiles qui persistent parfois dans les preuves humaines, ce qui confère à ces résultats une crédibilité immédiate auprès de la communauté mathématique. Les problèmes d'Erdős constituent une catégorie à part en mathématiques combinatoires : Paul Erdős, prolifique mathématicien hongrois du XXe siècle, avait formulé des centaines de conjectures et offert des récompenses en argent pour leur résolution. AlphaProof, lancé par DeepMind en 2024 après une performance remarquée à l'Olympiade internationale de mathématiques, s'impose progressivement face à des approches concurrentes comme o3 d'OpenAI. Un taux de succès de 2,5 % peut sembler faible, mais sur l'ensemble du corpus mathématique ouvert, il représente une avancée sans précédent pour une machine.

Recherche❖Paper

1 source

46

3179MarkTechPost 

Les meilleures plateformes d'authentification pour agents IA et serveurs MCP en 2026

Le Model Context Protocol (MCP), lancé par Anthropic en novembre 2024, s'est imposé en moins d'un an comme le standard de facto de l'écosystème agentique. OpenAI l'a adopté en mars 2025, Microsoft a annoncé son support dans Copilot Studio le même mois, et fin 2025 les téléchargements cumulés des SDK Python et TypeScript dépassaient 97 millions par mois. En décembre 2025, Anthropic a cédé le protocole à l'Agentic AI Foundation, hébergée par la Linux Foundation, pour en faire un bien commun de l'industrie. Gartner projette que 40 % des applications d'entreprise intégreront des agents IA spécialisés d'ici fin 2026, contre moins de 5 % aujourd'hui. Cette explosion soulève un problème central resté sans solution robuste : l'authentification. Quand un agent IA se contente de répondre à des questions, la sécurité d'accès reste anecdotique. Quand il lit des e-mails, met à jour des CRM, écrit dans des bases de données et appelle des API externes de façon autonome, l'authentification devient une infrastructure critique, et le coût d'une faille peut être considérable. La spécification MCP pour les déploiements HTTP protégés est précise : OAuth 2.1 avec PKCE est obligatoire, tous les endpoints doivent fonctionner en HTTPS, les métadonnées du serveur d'autorisation doivent être découvrables par les clients, et les mécanismes Protected Resource Metadata (RFC 9728) ainsi que Resource Indicators (RFC 8707) doivent être implémentés pour éviter la confusion d'audience des tokens. Plusieurs fournisseurs connus ne répondent pas encore à toutes ces exigences. C'est dans ce contexte que deux plateformes se distinguent : WorkOS, ciblant les équipes d'ingénierie enterprise, combine OAuth 2.1 compatible MCP avec SSO, SCIM, journaux d'audit et une autorisation granulaire (Fine-Grained Authorization) permettant de restreindre un agent à des outils précis plutôt qu'à un service entier. Stytch, filiale de Twilio, s'adresse aux équipes SaaS B2B déployant sur Cloudflare Workers et souhaitant ajouter l'authentification MCP sans migrer toute leur stack existante. L'enjeu dépasse le simple choix d'une bibliothèque. L'émergence des agents autonomes redéfinit la granularité des droits d'accès : il ne s'agit plus de savoir si un utilisateur peut accéder à une application, mais si un agent peut appeler un outil spécifique dans un service donné, dans un contexte précis, avec une traçabilité complète. Les acteurs comme Okta, Microsoft Entra ou des annuaires internes restent en jeu, mais les nouvelles plateformes comme WorkOS visent à s'y connecter plutôt qu'à les remplacer. Avec 40 % des applications enterprise concernées d'ici dix-huit mois, la fenêtre pour standardiser ces pratiques est courte, et les choix d'architecture faits aujourd'hui conditionneront la sécurité des systèmes agentiques pour les années à venir.

Outils❧Opinion

1 source

40

3180IEEE Spectrum AI 

Modélisation de capteurs virtuels avec l'IA et la conception basée sur les modèles

MathWorks propose un webinaire gratuit centré sur l'intégration de l'intelligence artificielle dans les workflows de conception basée sur les modèles (Model-Based Design), avec pour cas d'usage principal la modélisation de capteurs virtuels. La session couvre l'ensemble du cycle de vie d'un modèle d'IA : conception et entraînement sous MATLAB, validation et vérification formelle, compression pour optimisation mémoire, génération de code C sans bibliothèques tierces, et déploiement sur processeurs embarqués. Des tests PIL (Processor-in-the-Loop) sont également au programme pour évaluer les performances réelles du code généré. L'intérêt concret de cette approche réside dans la capacité à intégrer des réseaux de neurones directement dans Simulink pour des simulations au niveau système, sans sortir de l'environnement de développement. La vérification formelle du comportement des réseaux de neurones, une étape rarement outillée dans les pipelines d'IA industrielle, représente un apport notable pour les secteurs où la sûreté est critique, comme l'automobile, l'aérospatiale ou l'industrie manufacturière. La compression des modèles pour réduire l'empreinte mémoire et accélérer l'exécution est particulièrement pertinente pour les contraintes des systèmes embarqués. Ce webinaire s'inscrit dans une tendance de fond : rapprocher les outils d'IA des environnements d'ingénierie système traditionnels. MathWorks, avec MATLAB et Simulink, occupe une position historiquement forte dans les industries à forte contrainte de certification. En proposant un flux bout-en-bout pour les capteurs virtuels, l'entreprise répond à un besoin croissant de remplacement ou de complément aux capteurs physiques coûteux par des modèles appris, tout en conservant les exigences de traçabilité et de vérification propres aux systèmes critiques.

Outils⚒Outil

1 source