Actualités IA — page 161

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

Anthropic pourrait continuer à fournir Claude à la NSA malgré son signalement comme risque dans la chaîne d'approvisionnement par le Pentagone

Anthropic s'apprête à maintenir sa collaboration avec la NSA (National Security Agency) pour la fourniture de ses modèles d'intelligence artificielle, et ce malgré une désignation officielle de "risque dans la chaîne d'approvisionnement" émise par le Pentagone. Le contrat en cours de finalisation porte sur le déploiement du modèle "Mythos", une version de Claude conçue pour fonctionner sur du matériel plus ancien, ce qui correspond précisément aux infrastructures actuelles des agences de renseignement américaines, qui ne disposent pas encore des dernières puces Nvidia Grace Blackwell. Ce maintien du partenariat représente un signal fort pour l'adoption de l'IA dans les milieux militaires et du renseignement. La NSA, comme d'autres agences fédérales, cherche à intégrer des outils d'IA avancés sans attendre une modernisation complète de son parc matériel. Le fait qu'Anthropic accepte ces contraintes techniques montre que les acteurs de l'IA commerciale sont prêts à adapter leurs offres pour conquérir le lucratif marché gouvernemental américain, estimé à plusieurs milliards de dollars. Des négociations précédentes entre Anthropic et des entités gouvernementales avaient achoppé sur une clause controversée autorisant "tout usage légal" des modèles, jugée trop permissive. Cette clause a été retirée du nouvel accord, ce qui a permis de débloquer les discussions. La désignation de "risque d'approvisionnement" par le Pentagone, inhabituelle pour une entreprise américaine, illustre les tensions croissantes autour de la gouvernance de l'IA dans les secteurs sensibles, à l'heure où Washington cherche à encadrer plus strictement ses fournisseurs technologiques.

RégulationReglementation

1 source

3202The Decoder

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

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

RecherchePaper

1 source

3203MarkTechPost

NVIDIA publie Gated DeltaNet-2 : une couche d'attention linéaire qui dissocie effacement et écriture dans la règle Delta

NVIDIA AI a publié Gated DeltaNet-2, une nouvelle couche d'attention linéaire conçue pour résoudre un problème précis dans les modèles de langage à mémoire récurrente. Le modèle a été entraîné à 1,3 milliard de paramètres sur 100 milliards de tokens issus du jeu de données FineWeb-Edu. Selon les benchmarks présentés dans l'article technique, il surpasse ses concurrents directs : Mamba-2, Gated DeltaNet, KDA (Kimi Delta Attention) et Mamba-3. L'innovation centrale repose sur l'introduction de deux portes vectorielles indépendantes : une porte d'effacement par canal appliquée à l'axe des clés, et une porte d'écriture par canal appliquée à l'axe des valeurs. Les deux sont produites par des projections sigmoid de la représentation du token. Le code et l'article sont disponibles publiquement via le dépôt NVlabs sur GitHub, avec des kernels Triton fusionnés pour l'entraînement sur GPU Hopper. L'enjeu est fondamental pour la prochaine génération de modèles de langage efficaces. L'attention linéaire remplace le cache clé-valeur non borné de l'attention softmax classique par un état récurrent de taille fixe, ce qui ramène le coût de traitement des séquences à une complexité linéaire et la mémoire de décodage à une constante. Mais éditer cet état compressé sans brouiller les associations déjà mémorisées est précisément le goulet d'étranglement que les architectures précédentes n'avaient pas résolu proprement. Les modèles antérieurs utilisaient une seule valeur scalaire pour contrôler à la fois l'effacement de l'ancien contenu et l'écriture du nouveau, deux opérations qui agissent sur des axes différents de l'état matriciel. Gated DeltaNet-2 sépare ces deux décisions : chaque canal peut indépendamment choisir combien il efface et combien il écrit, ce qui augmente la capacité expressive du modèle sans alourdir l'architecture globale. Cette publication s'inscrit dans une compétition technique dense autour du remplacement ou de la complémentation de l'attention softmax. DeltaNet avait introduit la règle delta, qui effectue une mise à jour active de l'état en soustrayant la valeur actuellement associée à une clé donnée. Mamba-2 avait ajouté un mécanisme d'oubli global scalaire dépendant des données. KDA, développé par l'équipe de Kimi (Moonshot AI), avait affiné le côté oubli avec un vecteur par canal, mais laissait la partie écriture avec un scalaire unique. Gated DeltaNet-2 généralise ces deux travaux : les modèles KDA et Gated DeltaNet sont mathématiquement récupérables comme cas particuliers lorsque les portes se réduisent à des scalaires identiques. NVIDIA positionne ainsi cette architecture comme un surensemble propre de l'existant, avec une implémentation hybride qui combine blocs récurrents et structure Transformer standard, ouvrant la voie à des modèles longs contextes à la fois rapides à l'inférence et précis.

RecherchePaper

1 source

3204MarkTechPost

Tencent open-source TencentDB Agent Memory : un pipeline mémoire local à 4 niveaux pour agents IA

Tencent a publié en open source TencentDB Agent Memory, un système de mémoire pour agents IA conçu pour résoudre deux problèmes chroniques des agents de longue durée : l'explosion du contexte et l'échec de rappel. Distribué sous licence MIT, le projet repose sur une architecture à quatre niveaux et une mémoire symbolique court terme, sans nécessiter d'API externe grâce à un backend SQLite local via l'extension sqlite-vec. Le système s'intègre à OpenClaw comme plugin npm (@tencentdb-agent-memory/memory-tencentdb, Node.js 22.16+) et à l'agent Hermes via une image Docker avec passerelle TDAI. La mémoire long terme est organisée en pyramide sémantique à quatre couches : L0 Conversation (dialogues bruts), L1 Atom (faits atomiques), L2 Scenario (blocs de scènes), et L3 Persona (profil utilisateur en Markdown). Les couches hautes sont interrogées en premier ; on ne descend vers les faits bruts que si le détail est nécessaire. Les logs d'outils sont déchargés dans des fichiers externes sous refs/*.md, et les transitions d'état sont encodées en syntaxe Mermaid dans un canvas léger, permettant à l'agent de raisonner sur un graphe symbolique plutôt que sur des logs verbeux. Les gains de performance mesurés par Tencent sur des sessions continues sont significatifs. Sur WideSearch, le taux de réussite passe de 33 % à 50 % (amélioration relative de 51,52 %) et la consommation de tokens chute de 221,31 millions à 85,64 millions, soit une réduction de 61,38 %. Sur SWE-bench, testé en sessions de 50 tâches consécutives pour simuler l'accumulation de contexte, le taux de succès monte de 58,4 % à 64,2 % pendant que les tokens passent de 3 474 millions à 2 375 millions (-33 %). Sur le benchmark de mémoire personnalisée PersonaMem, la précision bondit de 48 % à 76 %. La récupération combine par défaut recherche BM25 et embeddings vectoriels via Reciprocal Rank Fusion, avec support du chinois (jieba) et de l'anglais. Une extraction de mémoire L1 se déclenche toutes les cinq interactions, un persona utilisateur est généré tous les 50 nouveaux souvenirs, et un timeout de cinq secondes évite de bloquer la conversation en cas d'échec de rappel. Ces résultats s'inscrivent dans une course plus large à la résolution du problème de mémoire pour les agents IA autonomes. La plupart des systèmes actuels fragmentent les données dans des stores vectoriels plats, rendant le rappel aveugle et peu structuré. L'approche de Tencent, qui sépare structure symbolique et texte brut tout en maintenant une hiérarchie sémantique, représente une alternative architecturale concrète. Le projet étant open source sous MIT et autosuffisant localement, il s'adresse directement aux développeurs qui construisent des agents de production sans vouloir dépendre d'une API mémoire tierce. Le modèle par défaut est DeepSeek-V3.2 de Tencent Cloud, mais tout modèle compatible OpenAI peut être substitué, ce qui élargit considérablement le périmètre d'adoption potentielle.

OutilsOutil

1 source

3205MarkTechPost

Créer un workflow SuperClaude avec commandes, agents, modes et mémoire de session

Un tutoriel publié récemment détaille comment construire un workflow d'IA avancé en s'appuyant sur le SuperClaude Framework, une couche structurée développée au-dessus de l'API Anthropic. Le projet, hébergé sur GitHub sous l'organisation SuperClaude-Org, s'articule autour de trois types d'assets : des commandes, des agents et des modes, tous définis sous forme de fichiers Markdown. Le tutoriel montre comment créer un pont Python qui clone le dépôt, parcourt ses fichiers, et injecte dynamiquement le contenu Markdown pertinent dans le prompt système avant chaque appel au modèle claude-sonnet-4-5. Les cas d'usage couverts sont variés : brainstorming, implémentation frontend, analyse de sécurité, stratégie business, planification de recherche approfondie, et workflows de développement enchaînés en plusieurs étapes avec sauvegarde et reprise de session. Ce type d'approche représente une avancée concrète pour les équipes de développement qui utilisent les LLM au quotidien. Plutôt que de réécrire des prompts complexes à chaque session, le framework permet de mutualiser des comportements réutilisables : un agent "sécurité" charge automatiquement les instructions de revue de code défensif, un mode "token-efficient" adapte la verbosité des réponses, un agent "frontend" embarque les bonnes pratiques React ou Vue. Le résultat est un système de prompting cohérent, sensible au rôle demandé, et adapté aux tâches longues de développement logiciel assisté par IA. La mémoire de session, qui permet de sauvegarder et recharger le contexte d'une conversation, réduit également la friction lors de projets s'étalant sur plusieurs interactions. Ce tutoriel s'inscrit dans une tendance plus large qui voit émerger des frameworks d'orchestration destinés à industrialiser l'usage des modèles de langage dans les flux de travail professionnels. Depuis l'ouverture de l'API Claude d'Anthropic, plusieurs projets communautaires cherchent à combler l'écart entre les capacités brutes du modèle et les besoins structurés des développeurs : gestion du contexte, séparation des responsabilités, standardisation des prompts. SuperClaude Framework positionne ses fichiers Markdown comme des "assets de comportement" réutilisables, une approche qui rappelle les system prompts modulaires expérimentés dans d'autres écosystèmes comme LangChain ou CrewAI. L'utilisation de claude-sonnet-4-5 comme modèle cible suggère une orientation vers un équilibre coût-performance plutôt que vers les modèles les plus puissants. La prochaine étape logique pour ce type de framework serait l'intégration de mécanismes d'évaluation automatique des sorties et de routage conditionnel entre agents, des fonctionnalités que plusieurs projets concurrents commencent déjà à proposer.

OutilsOutil

1 source

3206The Decoder

Deepseek rend permanente sa réduction de 75 %, avec des tokens de sortie jusqu'à 34 fois moins chers que GPT-5.5

Deepseek vient de rendre permanent son rabais de 75 % sur son modèle phare V3-Pro, ramenant le prix à 0,435 dollar par million de tokens en entrée. Sur les tokens de sortie, l'écart est encore plus frappant : le modèle chinois est au moins 34 fois moins cher que GPT-5.5 d'OpenAI, et plus de 11,5 fois moins cher sur les tokens d'entrée. Ce qui était présenté comme une promotion temporaire devient désormais la tarification de référence du laboratoire de Shenzhen. Pour les développeurs qui construisent des systèmes agentiques, ces chiffres changent radicalement les calculs économiques. Ces architectures, où un modèle enchaîne des dizaines voire des centaines d'appels successifs, consomment des volumes massifs de tokens de sortie. À parité de performance, un écart de 34x sur ce poste de coût peut transformer un projet non rentable en produit viable, ou simplement rendre un concurrent beaucoup plus compétitif. Les providers occidentaux comme OpenAI, Anthropic et Google se retrouvent sous pression directe sur leur modèle économique. Deepseek avait déjà bousculé le marché en janvier 2025 avec la sortie de son modèle R1, qui avait démontré qu'il était possible d'atteindre des performances comparables aux meilleurs modèles américains pour une fraction du coût de développement. La pérennisation de ce niveau de prix s'inscrit dans une stratégie de conquête de parts de marché à l'échelle mondiale, en pariant que le volume compensera les marges réduites. La question qui se pose désormais aux grands laboratoires américains est de savoir jusqu'où ils peuvent baisser leurs propres tarifs sans menacer leur modèle de financement.

BusinessOpinion

1 source

3207Robotics Business Review

L'avenir de l'IA physique n'est pas humanoïde : il est spécialisé et rentable

Hailo, fabricant israélien de processeurs IA dédiés au traitement embarqué (edge computing), publie une analyse positionnant l'IA physique comme la prochaine rupture technologique après les phases perception, génératif et agentique. La thèse centrale: les systèmes robotiques autonomes ne peuvent pas dépendre du cloud pour leur boucle de contrôle en temps réel. L'argument est illustré par un cas concret et délibérément banal: un robot d'entretien qui rencontre une chaussette sur le sol. Les systèmes actuels à base de règles prédéfinies la heurtent et se bloquent, nécessitant une intervention humaine. Les architectures alimentées par vision IA l'évitent. Mais la vraie autonomie, selon Hailo, consiste à identifier l'objet, le ramasser et le déposer à sa place, soit une boucle complète perception-raisonnement-action exécutée localement, sans appel réseau. L'article ne fournit pas de métriques de performance ni de benchmarks chiffrés: c'est un positionnement stratégique, pas une publication technique. L'argument pour l'edge est structurellement solide, même si sa source est directement intéressée. La latence introduite par un aller-retour cloud dans une boucle de contrôle robotique représente un risque opérationnel réel: une coupure réseau ou un pic de latence imprévisible dans un contexte de manipulation physique peut provoquer des accidents ou des arrêts de ligne. Le modèle hybride proposé, entraînement dans le cloud, inférence à la périphérie, correspond à ce que déploient déjà des acteurs comme Boston Dynamics (Spot avec traitement embarqué) ou les AMR d'Exotec en logistique. Pour un COO industriel ou un intégrateur, cela se traduit concrètement: les architectures sans dépendance réseau sont une exigence de sécurité fonctionnelle, pas seulement un choix de performance. L'article contredit implicitement la narrative selon laquelle le cloud suffit pour les robots opérationnels, et rejoint les conclusions de plusieurs déploiements terrain où la connectivité intermittente reste le premier point de défaillance. Hailo, fondé en 2017 à Tel Aviv et introduit en bourse en 2024, commercialise les puces Hailo-8 et Hailo-15 destinées à l'inférence embarquée sur caméras, robots et véhicules. Ses concurrents directs sur ce segment sont NVIDIA avec la gamme Jetson Orin, Qualcomm avec ses plateformes Robotics RB-series, et Intel avec les Myriad X. L'article est publié à l'approche du Robotics Summit and Expo de Boston, prévu début juin 2026, où Hailo sera probablement présent. Sur la question humanoïde, le texte est interrompu avant de développer son argument, mais l'amorce est claire: la course au robot polyvalent anthropomorphe (Figure, 1X, Agility Robotics, Unitree) est freinée non par l'IA, mais par les contraintes mécaniques, énergétiques et de coût du hardware. Un signal que les prochains déploiements industriels à grande échelle passeront probablement par des robots à tâche unique, moins coûteux et plus fiables, plutôt que par des humanoïdes généraux.

RobotiqueOpinion

1 source

3208MarkTechPost

Nous Research publie CNA : pilotage de circuits MLP épars sans entraînement SAE ni modification des poids

L'équipe de Nous Research a publié une nouvelle méthode baptisée Contrastive Neuron Attribution (CNA), capable d'identifier les neurones exacts au sein des couches MLP d'un modèle de langage responsables du refus de requêtes nuisibles. En désactivant seulement 0,1 % des activations MLP, les chercheurs ont réduit le taux de refus de plus de 50 % dans la majorité des modèles testés. Les expériences ont couvert 16 modèles issus des familles Llama 3.1/3.2 et Qwen 2.5, de 1 à 72 milliards de paramètres, évalués sur le benchmark JBB-Behaviors de NeurIPS 2024, qui comprend 100 requêtes à contenu nuisible. Les résultats sont frappants : Llama-3.1-70B-Instruct passe de 86 % à 18 % de refus (soit -79,1 %), Qwen2.5-7B-Instruct de 87 % à 2 % (-97,7 %), et Qwen2.5-72B-Instruct de 78 % à 8 % (-89,7 %). La qualité des sorties, mesurée par la proportion de n-grammes non répétés, reste au-dessus de 0,97 quelle que soit l'intensité du pilotage. Ce qui rend CNA remarquable, c'est sa légèreté opérationnelle : la méthode ne nécessite aucun calcul de gradient, aucun entraînement auxiliaire, et aucune modification des poids du modèle. Elle se contente de passages en avant pour calculer la différence moyenne d'activation par neurone entre des prompts nuisibles et des prompts bénins, puis sélectionne les neurones les plus discriminants. C'est une avancée directe face à deux approches existantes : l'ajout par activation contrastive (CAA), efficace mais grossier car il modifie l'ensemble du signal d'une couche, et les autoencodeurs épars (SAE), plus précis mais coûteux à entraîner et sensibles au bruit. CNA offre une chirurgie plus fine, applicable à froid sur n'importe quel modèle sans infrastructure dédiée. La découverte la plus structurante de cette recherche dépasse la technique elle-même : la structure neuronale qui sépare les requêtes nuisibles des requêtes bénignes existe déjà dans les modèles de base, avant tout fine-tuning d'alignement. L'entraînement RLHF ou par instruction ne crée pas de nouveaux circuits, il transforme la fonction de neurones préexistants en une porte de refus sparse et ciblable. Cela remet en question l'hypothèse selon laquelle l'alignement serait profondément ancré dans la structure des modèles : il apparaît au contraire comme une couche fonctionnelle localisée, donc potentiellement fragile. Pour la communauté de la sécurité IA, ce résultat alimente le débat sur la robustesse réelle des garde-fous actuels et souligne l'urgence de méthodes d'alignement plus résilientes face à des attaques de plus en plus chirurgicales.

SécuritéOpinion

1 source

3209The Decoder

Le dernier modèle IA d'Alibaba a optimisé de façon autonome le code de sa puce personnalisée pendant 35 heures

L'équipe Qwen d'Alibaba a publié Qwen3.7-Max, un nouveau modèle propriétaire conçu spécifiquement pour les tâches d'agents autonomes de longue durée. Pour démontrer ses capacités, le modèle a opéré en continu pendant 35 heures afin d'optimiser du code destiné à la puce personnalisée d'Alibaba, sans intervention humaine. Sur les benchmarks de référence, Qwen3.7-Max atteint les performances de Claude Opus 4.6 d'Anthropic et surpasse ses concurrents chinois directs, notamment DeepSeek V4 Pro et Kimi K2.6. L'équipe a également présenté une démonstration du modèle pilotant un robot quadrupède. Cette annonce marque un cap concret dans la course aux agents IA capables de mener des missions complexes sur de longues durées. Une exécution autonome de 35 heures représente un saut qualitatif par rapport aux interactions ponctuelles des LLM classiques : le modèle doit planifier, corriger ses erreurs et maintenir une cohérence sur des milliers d'étapes. Pour l'industrie des semi-conducteurs, cela ouvre la voie à une automatisation partielle du cycle de développement des puces, un domaine où la Chine cherche activement à réduire sa dépendance aux technologies occidentales. Alibaba s'inscrit dans une dynamique intense au sein de l'écosystème IA chinois, où DeepSeek, Moonshot (Kimi) et ByteDance se livrent une concurrence acharnée sur les modèles de pointe. Le développement de puces maison par Alibaba, dans un contexte de restrictions américaines à l'exportation de semi-conducteurs, donne à ce type d'outil une dimension stratégique évidente. La démonstration robotique suggère par ailleurs qu'Alibaba vise des applications bien au-delà du code, vers l'IA embarquée dans des systèmes physiques autonomes.

LLMsOpinion

1 source

3210The Decoder

Anthropic alerte : Claude Mythos Preview détecte les bugs plus vite que les développeurs ne peuvent les corriger

Le modèle d'Anthropic Claude Mythos Preview a identifié plus de 10 000 vulnérabilités critiques dans des logiciels à usage système, dans le cadre du Project Glasswing, un programme impliquant une cinquantaine de partenaires. Ces failles touchent des composants logiciels essentiels, et leur rythme de découverte dépasse largement la capacité des équipes de développement à les corriger. L'annonce intervient alors que le modèle est encore en phase de prévisualisation, ce qui laisse présager une accélération encore plus marquée avec un déploiement à grande échelle. Anthropic tire elle-même la sonnette d'alarme : cette situation crée une période de transition à haut risque, durant laquelle des failles connues restent exploitables faute de correctifs disponibles. Plus inquiétant encore, la société reconnaît qu'aucune entreprise, y compris elle-même, n'a développé des garde-fous suffisamment robustes pour empêcher un usage malveillant de ces capacités. Les outils de détection automatisée de vulnérabilités deviennent ainsi une arme à double tranchant : utiles pour les défenseurs, mais potentiellement redoutables entre de mauvaises mains. Ce constat s'inscrit dans une tendance plus large où les grands modèles de langage sont de plus en plus intégrés dans des pipelines de sécurité offensive et défensive. Plusieurs acteurs de la cybersécurité, comme Google avec Project Zero ou des startups spécialisées, explorent déjà ces capacités, mais l'échelle atteinte par Anthropic avec Mythos Preview marque un seuil qualitatif. La question du rythme de divulgation responsable des failles et de la coordination avec les éditeurs logiciels devient désormais centrale pour éviter que cette surproduction de vulnérabilités ne tourne à la catastrophe.

SécuritéOpinion

1 source

3211Latent Space

Les grands labos d'IA sont désormais des labos d'agents

Greg Brockman, cofondateur d'OpenAI, a déclaré publiquement début mai 2026 que "le modèle seul n'est plus le produit", une phrase qui résume le tournant stratégique en cours dans toute l'industrie de l'IA. Cette déclaration intervient alors qu'OpenAI prépare son introduction en bourse, attendue dans les prochains jours. Dans le même mouvement, AI21 Labs a annoncé la fermeture de son équipe modèle pour se reconvertir entièrement aux agents. DeepSeek, le laboratoire chinois, constitue pour la première fois une équipe dédiée aux "harnesses", les architectures logicielles qui encapsulent les modèles dans des workflows produits. Parallèlement, DeepSeek a rendu permanente la réduction de 75 % sur son modèle V4-Pro, avec des tarifs désormais fixés à 0,435 dollar par million de tokens en entrée, 0,87 dollar en sortie, et seulement 0,0036 dollar pour le cache, soit un coût moyen estimé à environ 0,18 dollar par million de tokens. Ce niveau de prix place DeepSeek-V4-Pro à trois fois moins cher que Gemini 3.1 Pro Preview, douze fois moins que GPT-5.5, et dix-neuf fois moins que Claude Opus 4.7 selon les estimations d'ArtificialAnlys. Ce mouvement collectif vers les agents signale une recomposition profonde de la chaîne de valeur en IA. Le vrai avantage concurrentiel ne réside plus dans la capacité brute du modèle, mais dans l'ensemble formé par le modèle, le harness, les workflows, l'interface utilisateur, la mémoire et les économies d'échelle. OpenAI a livré une mise à jour substantielle de Codex ("codex thursday n°6") avec des améliorations sur les appshots, le mode annotation, le partage de plugins et les analytics. Anthropic a étendu le mode auto à son offre Pro et ajouté le support de Sonnet 4.6. Pour les développeurs et les entreprises, la conséquence directe est que le choix d'un fournisseur d'IA devient aussi un choix d'écosystème : quitter une plateforme revient à abandonner des workflows entiers, pas seulement un modèle. Ce pivot s'inscrit dans une tension structurelle entre ouverture et contrôle. Si un laboratoire entraîne un modèle en symbiose étroite avec son propre harness propriétaire, le modèle perd une part de son utilité en dehors de cet écosystème, ce qui réduit de fait l'intérêt de l'API ouverte et pousse les utilisateurs vers l'offre packagée du fournisseur. La stratégie de prix agressive de DeepSeek complique encore le tableau : en rendant l'intelligence "trop bon marché pour être mesurée", selon l'expression qui circule dans la communauté, le laboratoire chinois force ses concurrents à justifier leurs marges autrement que par la performance brute. Les prochains mois diront si cette convergence vers les agents accélère la fermeture des modèles frontière ou, au contraire, redonne de la valeur aux modèles open source capables de s'intégrer dans n'importe quel harness.

BusinessOpinion

1 source

3212VentureBeat AI

Les agents IA ont besoin d'un terminal, pas seulement d'une base vectorielle

Des chercheurs de plusieurs universités ont publié une étude proposant une nouvelle approche pour améliorer les capacités des agents d'intelligence artificielle : la "Direct Corpus Interaction" (DCI). Plutôt que de passer par une base de données vectorielle classique, cette technique permet aux agents d'interagir directement avec les données brutes via des outils en ligne de commande standard comme grep, find, cat ou des scripts Python légers. L'idée centrale est simple : donner à l'agent un accès terminal plutôt qu'un index sémantique figé, lui permettant de chercher des chaînes exactes, des codes d'erreur, des numéros de version ou des chemins de fichiers que les systèmes RAG traditionnels peinent à retrouver fidèlement. L'impact concret est significatif pour les environnements d'entreprise où les données évoluent en permanence. Les index vectoriels représentent toujours un instantané d'un moment passé, coûteux à reconstruire et jamais tout à fait à jour. En présence de rapports financiers quotidiens, de logs en direct, de commits de code ou de tickets de support, un agent DCI raisonne sur l'état actuel du système plutôt que sur l'index d'hier. Les chercheurs proposent deux variantes : DCI-Agent-Lite, conçu comme une solution légère, et une version plus complète pour des tâches plus complexes. L'agent peut enchaîner des commandes shell en pipeline pour combiner plusieurs indices faibles, vérifier une hypothèse immédiatement en inspectant les lignes entourant un résultat, ou filtrer des fichiers selon plusieurs critères simultanément, ce qu'un retriever sémantique ne peut pas faire en une seule passe. La recherche met le doigt sur une limite structurelle des systèmes RAG : la compression de l'accès à l'information en une seule étape de similarity search crée un goulot d'étranglement. Si une preuve critique est éliminée lors de ce filtrage initial, aucune capacité de raisonnement en aval, aussi sophistiquée soit-elle, ne peut la récupérer. C'est particulièrement problématique dans les workflows multi-étapes où l'agent doit réviser ses hypothèses dynamiquement après avoir observé des résultats partiels. DCI ne remplace pas nécessairement les embeddings pour le rappel sémantique large, mais comble un angle mort précis : les détails de longue traîne, les contraintes lexicales exactes, les données à forte volatilité. À mesure que les agents IA s'intègrent dans des environnements de production réels, cette distinction entre "ce que le modèle sait raisonner" et "ce que le système d'accès lui laisse voir" devient un enjeu central pour les équipes d'ingénierie.

RecherchePaper

1 source

3213MarkTechPost

Tutoriel : implémenter GBrain, la couche mémoire auto-câblée de Garry Tan (Y Combinator) pour agents IA

Garry Tan, président-directeur général de Y Combinator, a publié en open source GBrain, une couche de mémoire persistante conçue pour les agents IA. La version actuelle, v0.38.2.0, est disponible sous licence MIT sur GitHub. Conçu pour alimenter ses propres agents OpenClaw et Hermes, GBrain ingère des notes, e-mails, réunions et tweets, puis construit automatiquement un graphe de connaissances typé, sans aucun appel LLM pour l'extraction des relations. La base de production de Tan contient aujourd'hui 146 646 pages, 24 585 personnes, 5 339 entreprises et 66 tâches cron autonomes. Sur son propre benchmark BrainBench, un corpus de 240 pages en prose dense, GBrain atteint 49,1 % de précision à 5 résultats (P@5) et 97,9 % de rappel à 5 résultats (R@5), soit un gain de 31,4 points de P@5 par rapport au même système sans la couche graphe. Techniquement, il repose sur une base PostgreSQL embarquée (PGLite, Postgres 17 compilé en WASM avec pgvector), sans serveur ni Docker, et combine recherche vectorielle, recherche par mots-clés BM25 et fusion de rangs réciproques (RRF), avec un reclasseur ZeroEntropy. Le problème que GBrain résout est fondamental : aujourd'hui, la quasi-totalité des agents IA recommencent à zéro à chaque session. Aucune mémoire des décisions passées, des personnes rencontrées, des projets en cours. GBrain apporte une mémoire structurée, cohérente et interrogeable, ce qui transforme un agent stateless en système capable de raisonner sur des informations accumulées dans le temps. Le graphe typé, avec des relations comme worksat, founded, investedin ou advises, permet des requêtes sémantiques bien au-delà de la simple similarité vectorielle. Un serveur MCP expose 74 outils qui permettent à Claude Code, Cursor ou Windsurf de lire et écrire directement dans le cerveau de l'agent. Pour les développeurs qui construisent des pipelines d'automatisation ou des assistants personnels, c'est une infrastructure clé en main qui évite de réinventer la persistance. L'initiative s'inscrit dans une tendance plus large : après des années de promesses autour des agents IA autonomes, l'industrie bute sur les problèmes pratiques de mémoire, de contexte et de continuité. Des solutions comme MemGPT ou des frameworks de type RAG ont tenté de combler ce vide, mais restent souvent complexes à déployer. GBrain mise sur la simplicité opérationnelle, un seul processus local sans infrastructure externe, et sur l'absence d'appels LLM coûteux pour la construction du graphe. Le fait que le créateur soit Garry Tan, figure centrale de l'écosystème startup mondial, donne au projet une visibilité et une crédibilité immédiates. La prochaine étape pour la communauté sera de tester GBrain sur des corpus réels à grande échelle et de mesurer ses limites dans des environnements multi-agents partagés.

OutilsOutil

1 source

3214Ars Technica AI

Trump annule en urgence une cérémonie de signature après le refus des PDG de grandes entreprises d'IA

Donald Trump a annulé jeudi, quelques heures seulement avant la cérémonie prévue, la signature d'un décret présidentiel qui aurait accordé au gouvernement fédéral le pouvoir de tester les modèles d'IA dits "de frontière" avant leur mise sur le marché public. La raison invoquée : plusieurs PDG des grandes entreprises d'intelligence artificielle avaient décliné l'invitation. Trump, qui n'avait prévenu les participants que 24 heures à l'avance, a jugé l'absence inacceptable et a décidé d'annuler. Certains dirigeants qui avaient réorganisé leur agenda en urgence pour se rendre à la Maison Blanche étaient déjà dans les airs lorsqu'ils ont appris que l'événement n'aurait pas lieu. Derrière cette annulation chaotique se dessine une bataille d'influence au sommet de l'industrie tech américaine. Selon Semafor, OpenAI soutenait la signature du décret, mais deux poids lourds auraient activement oeuvré à le faire capoter : Elon Musk, fondateur de xAI, et Mark Zuckerberg, PDG de Meta. Les deux hommes auraient directement conseillé à Trump de renoncer à signer. David Sacks, ancien conseiller IA de Trump dont le statut de conseiller gouvernemental spécial avait expiré en mars, se serait lui aussi joint aux pressions pour retarder la signature. Cette séquence révèle les tensions profondes qui traversent la Silicon Valley sur la question de la régulation de l'IA. Un mécanisme d'évaluation gouvernementale des modèles avant leur déploiement représenterait un changement significatif dans la relation entre l'État et les grands laboratoires d'IA, qui ont jusqu'ici opéré avec une liberté quasi totale. L'opposition de Musk, dont xAI développe le modèle Grok, et de Zuckerberg, dont Meta mise sur une stratégie open source, suggère que les intérêts commerciaux ont pesé lourd dans la décision. Le sort de ce décret reste incertain, mais l'épisode illustre à quel point la gouvernance de l'IA demeure un terrain de jeu politique et industriel hautement conflictuel aux États-Unis.

RégulationReglementation

1 source

3215Frandroid

Test du Nvidia DGX Spark : le mini PC IA 128 Go

Nvidia a lancé le DGX Spark, un mini PC dédié à l'intelligence artificielle locale, testé ici dans sa version assemblée par Dell sous le label Pro Max. Au cœur de la machine se trouve la puce maison GB10 Grace Blackwell Superchip, couplée à 128 Go de mémoire unifiée partagée entre le CPU et le GPU. Le tout tient dans un boîtier compact comparable à un Mac Mini, pour un tarif qui démarre autour de 3 000 dollars selon les configurations. Ce facteur de forme cache une puissance de calcul jusqu'ici réservée aux serveurs de datacenter : le DGX Spark est capable de faire tourner des modèles de langage de 70 milliards de paramètres et plus directement en local, sans dépendre du cloud. Pour les chercheurs, développeurs et entreprises soucieuses de confidentialité ou de latence, c'est un changement de paradigme concret. La mémoire unifiée de 128 Go élimine le goulot d'étranglement qui rendait ces modèles inaccessibles sur du matériel grand public. Le DGX Spark s'inscrit dans une offensive plus large de Nvidia pour étendre son emprise au-delà des grands clusters GPU, face à la montée en puissance des puces Apple Silicon M4 Ultra qui misent sur la même architecture de mémoire unifiée. Annoncé au CES 2025, le Spark cible une clientèle professionnelle et académique qui veut l'autonomie du local sans sacrifier la performance. Nvidia le positionne également comme point d'entrée vers son écosystème DGX, dont les versions rack coûtent des centaines de milliers de dollars.

InfrastructureOpinion

1 source

3216The Information AI

Google Gemini : créer des plans de présentation en quelques secondes

Google a intégré dans Gemini une fonctionnalité qui permet aux dirigeants d'entreprise de générer en quelques secondes des plans de présentation structurés, là où les équipes consacraient auparavant des jours entiers à cette tâche. Le processus repose sur quatre étapes : rassembler ses idées brutes en cinq minutes de brainstorming libre, les charger dans un notebook Gemini aux côtés de documents existants (rapports trimestriels, guidelines de marque, présentations passées), formuler un prompt en langage naturel ou via Gemini Live (mode vocal sur mobile), puis itérer par conversation pour affiner le résultat. L'outil peut ensuite produire une décomposition slide par slide ou un tableau structuré prêt à transmettre à l'équipe, et même démarrer la présentation directement via la fonction Canvas. L'enjeu est significatif pour les organisations qui consacrent des ressources considérables à préparer des présentations stratégiques. Google illustre le cas d'un CEO de SaaS préparant un keynote pour le lancement d'un produit IA majeur devant des clients enterprise : au lieu de plusieurs réunions de cadrage, de longues chaînes d'e-mails et de cycles de relecture, un plan de haut niveau peut être posé en quelques minutes, donnant à l'équipe un fil directeur immédiat. La capacité de Gemini à ingérer de grands volumes de documents comme contexte d'un prompt permet de personnaliser la sortie bien au-delà d'un simple squelette générique. Pour les entreprises dont les présentations peuvent conditionner des décisions commerciales majeures, le gain en temps de coordination et en itérations internes est potentiellement très élevé. Cette annonce s'inscrit dans la bataille que se livrent Google, Microsoft et OpenAI pour ancrer leurs assistants IA dans les flux de travail professionnels quotidiens. Microsoft a poussé Copilot dans PowerPoint et Word ; OpenAI a développé des capacités de génération de documents structurés dans ChatGPT. Google répond en capitalisant sur l'intégration native de Gemini dans son écosystème Workspace, avec des notebooks qui servent de mémoire persistante entre les sessions. La fonctionnalité de prompt vocal via Gemini Live vise à réduire encore la friction, en permettant de dicter ses instructions comme on le ferait avec un collaborateur. La prochaine étape logique serait une intégration encore plus profonde avec Google Slides pour générer directement des decks complets, une direction que Google semble clairement préparer avec la fonction Canvas déjà disponible.

OutilsOutil

1 source

3217Presse-citron

Spotify fait plaisir aux amateurs de podcasts : comme NotebookLM, sa nouvelle IA est capable de créer des épisodes personnalisés (partir des données personnelles)

Spotify a dévoilé une nouvelle fonctionnalité d'intelligence artificielle capable de générer des épisodes de podcast personnalisés à la demande. Présentée comme une préversion de recherche, cette fonctionnalité n'est pas encore disponible au grand public mais devrait être déployée dans les semaines à venir. Elle s'appuie sur trois sources de données combinées : les informations disponibles sur le web, les connaissances générales du modèle, et les données personnelles propres à chaque utilisateur sur la plateforme. Le rapprochement avec NotebookLM de Google est immédiat : les deux outils permettent de générer du contenu audio à partir de sources multiples, mais Spotify va plus loin en intégrant le profil personnel de l'auditeur. Concrètement, cela signifie que le système pourrait tenir compte des habitudes d'écoute, des genres préférés ou d'autres données collectées pour produire un épisode réellement adapté à chaque individu. Pour des millions d'utilisateurs qui consomment déjà des podcasts quotidiennement sur la plateforme, cela représente un changement de paradigme : l'écoute passive devient une expérience co-construite avec l'IA. Cette annonce s'inscrit dans une course plus large entre les grandes plateformes pour intégrer l'IA générative dans leurs produits phares. Spotify, qui compte plus de 600 millions d'utilisateurs actifs, cherche à différencier son offre face à Apple Podcasts et YouTube. La question des données personnelles utilisées pour entraîner ou alimenter ces générations reste en suspens, et pourrait susciter des interrogations réglementaires, notamment en Europe où le RGPD encadre strictement ce type d'usage.

CréationOutil

1 source

3218The Information AI

Microsoft ouvre un nouveau front dans le débat sur les données pour les agents IA

Microsoft a durci sa position face à Databricks en bloquant l'accès de ce partenaire de longue date à Power BI, son outil phare d'analyse et de visualisation de données. Début mars, Databricks avait commencé à tester une nouvelle fonctionnalité permettant à ses clients de connecter facilement leurs données hébergées sur sa plateforme à des outils de visualisation tiers, dont Power BI. Microsoft a réagi en fermant cette intégration, protégeant ainsi un produit utilisé par la quasi-totalité des entreprises du Fortune 500 pour piloter leurs opérations via tableaux de bord et graphiques. Cette décision illustre une tension croissante autour du contrôle des flux de données dans l'écosystème des agents IA. Power BI n'est plus seulement un outil de reporting : il devient une porte d'entrée stratégique vers les données d'entreprise que les agents IA exploitent pour automatiser des décisions. En bloquant Databricks, Microsoft cherche à s'assurer que ces flux restent dans son propre écosystème, renforçant l'attrait de ses solutions Fabric et Azure pour les entreprises qui déploient des agents. Ce bras de fer s'inscrit dans une recomposition plus large du marché des données d'entreprise, où Databricks, valorisé à plus de 62 milliards de dollars, concurrence directement Microsoft sur le terrain du traitement analytique et de l'IA. La relation entre les deux entreprises, autrefois complémentaire, se transforme en rivalité frontale à mesure que l'IA agentique redéfinit la valeur des couches données. D'autres partenaires de Microsoft pourraient se trouver dans la même situation si leurs outils empiètent sur des territoires que Redmond considère comme stratégiques.

BusinessOpinion

1 source

3219VentureBeat AI

D&B a reconstruit sa base de 642 millions d'entreprises pour les agents IA

Dun & Bradstreet, entreprise vieille de 180 ans spécialisée dans les données commerciales, vient d'annoncer une refonte complète de son infrastructure de données pour la rendre compatible avec les agents d'intelligence artificielle. Son "Commercial Graph" couvre 642 millions d'entreprises, soit presque le double des 300 millions de dossiers qu'il contenait il y a cinq ans, avec 11 000 champs par enregistrement et 100 milliards de vérifications qualité effectuées chaque mois. Cette base de données, utilisée par près de 200 000 clients dans le monde, analystes crédit, gestionnaires de risques, commerciaux, était conçue pour des humains capables d'attendre quelques secondes et d'interpréter des résultats ambigus. Quand les clients de D&B ont commencé à intégrer des agents IA dans leurs workflows de crédit, d'achats et de chaîne d'approvisionnement, l'architecture existante s'est révélée incompatible. Gary Kotovets, directeur des données et de l'analytique chez D&B, a expliqué à VentureBeat que l'entreprise devait désormais considérer les agents comme une nouvelle catégorie de consommateurs à part entière. Le problème fondamental est que les agents IA ne peuvent pas fonctionner avec des systèmes fragmentés, des latences élevées ou des relations statiques entre entités. Là où un analyste humain naviguait à travers plusieurs bases de données hétérogènes via des requêtes SQL, un agent a besoin d'une réponse en moins d'une seconde, d'une résolution d'entité vérifiée, et de relations dynamiques : si un PDG quitte une entreprise pour une autre, le dossier de risque doit suivre en temps réel ; si une filiale change de propriétaire, la hiérarchie complète doit se mettre à jour automatiquement. D&B a donc migré ses bases vers le cloud, redessiné son schéma de données, construit une couche de "data fabric" unifiant les enregistrements à l'échelle mondiale tout en respectant les contraintes réglementaires régionales, puis exposé l'ensemble via des outils MCP (Model Context Protocol) qui permettent aux agents d'interroger des données structurées avec leur contexte. Un moteur de résolution d'entités valide chaque requête pour garantir qu'une demande portant sur une entreprise renvoie bien vers un enregistrement unique et vérifié. L'entreprise a également créé un nouveau modèle d'authentification spécifique aux agents, distincts des utilisateurs humains. Ce chantier illustre une réalité que Kotovets dit avoir entendue de la bouche de centaines de directeurs des données et directeurs informatiques au cours des six derniers mois : les ambitions en matière d'IA se heurtent systématiquement à des fondations de données non standardisées et inexploitables par des machines. D&B, pourtant l'une des entreprises les mieux dotées en données commerciales structurées au monde, a quand même dû tout reconstruire. La montée en puissance des agents autonomes dans les processus métier critiques, évaluation du risque fournisseur, scoring crédit, due diligence, crée une pression inédite sur les fournisseurs de données pour qu'ils passent d'une logique de consultation humaine à une logique d'alimentation machine en temps réel. D&B se positionne ainsi en infrastructure de référence pour les agents d'entreprise, à un moment où MCP s'impose progressivement comme standard d'interopérabilité entre agents et sources de données.

InfrastructureActu

1 source

3220Le Big Data

Spotify et Universal Music Group préparent des remixes IA officiels

Spotify et Universal Music Group ont annoncé le 21 mai 2026 un accord de licence inédit qui ouvrira prochainement aux abonnés Premium la possibilité de créer des remixes et des reprises générés par intelligence artificielle à partir de chansons d'artistes participants. Concrètement, la fonctionnalité sera proposée en module payant supplémentaire : les utilisateurs pourront produire des contenus dérivés des morceaux dont les artistes et auteurs-compositeurs auront donné leur consentement explicite. Ces créations seront ensuite diffusées directement sur Spotify dans un cadre contractuel défini, et les ayants droit percevront une part des revenus générés. Spotify revendique aujourd'hui 761 millions d'utilisateurs, dont 293 millions d'abonnés payants, ce qui en fait la plateforme de référence pour expérimenter un tel modèle à grande échelle. L'enjeu est considérable pour l'ensemble de l'industrie musicale. En intégrant les créations IA à l'écosystème économique officiel du streaming, les deux groupes cherchent à transformer un usage massivement pratiqué de manière informelle en source de revenus structurée et contrôlée. Pour les artistes, cela signifie être rémunérés pour des contenus dérivés qui circulaient jusqu'ici sans contrepartie. Pour Spotify, dont le marché arrive à maturité face à des concurrents comme Apple Music ou Amazon Music, la fonctionnalité représente un levier pour renforcer la valeur perçue de l'abonnement Premium et fidéliser une base d'utilisateurs de plus en plus sollicitée. Pour les fans, le statut change radicalement : ils ne sont plus de simples auditeurs mais des producteurs de contenus dérivés intégrés à la chaîne de valeur officielle. Cet accord intervient après deux années de tensions profondes entre l'industrie musicale et les développeurs d'IA générative. Plusieurs labels avaient dénoncé l'entraînement de modèles sur des catalogues musicaux sans autorisation ni rémunération, tandis que des milliers de faux morceaux reproduisant artificiellement la voix d'artistes connus proliféraient sur TikTok, YouTube ou SoundCloud, sans aucun mécanisme de rétribution. Universal Music Group, l'un des trois majors mondiaux, choisit ici une stratégie d'encadrement plutôt que d'opposition frontale : en sécurisant juridiquement l'utilisation de son catalogue dans des expériences IA, le groupe conserve un rôle central dans la chaîne de valeur alors que les technologies génératives menacent de court-circuiter les ayants droit historiques. L'industrie musicale tente ainsi d'éviter le scénario subi par la presse écrite et la photographie, où les usages génératifs se sont imposés bien avant que les mécanismes de rémunération ne soient en place. Si le modèle fonctionne, il pourrait faire école dans d'autres industries créatives confrontées aux mêmes questions de propriété intellectuelle et de partage de la valeur à l'ère de l'IA.

CréationOpinion

Aussi sur TechCrunch AI,Siècle Digital