Actualités IA — page 164

9 335 articles au fil, du plus récent au plus ancien.

35

Illustration générée par IA

3261MarkTechPost 

Synthetic Sciences lance OpenScience, un atelier IA open source et agnostique pour la recherche en machine learning, biologie, physique et chimie

Synthetic Sciences a dévoilé OpenScience, un espace de travail IA open source destiné à la recherche scientifique, disponible sous licence Apache 2.0 et déployable sur sa propre infrastructure. L'équipe présente ce projet comme une alternative ouverte à Claude Science, l'outil lancé par Anthropic fin juin 2026, tout en précisant qu'il s'agit d'un projet indépendant, non affilié à l'entreprise. OpenScience s'installe via npm avec la commande openscience, ou directement en une étape avec npx synsci, sans nécessiter de compte pour démarrer. L'outil est agnostique vis-à-vis des modèles : il fonctionne avec Claude, GPT, Gemini, GLM, Kimi, DeepSeek ou des modèles open-weight affinés localement, chacun utilisable via ses propres clés API et interchangeable à chaque requête depuis un sélecteur intégré à l'interface. Il embarque plus de 250 compétences modifiables couvrant l'entraînement de modèles (DeepSpeed, PEFT, TRL), l'évaluation, la chimie computationnelle ou la biologie moléculaire et clinique, ainsi qu'un accès direct à une trentaine de bases de données scientifiques comme UniProt, PDB, ChEMBL, arXiv, OpenAlex ou Semantic Scholar, exploitées comme outils par l'agent. L'enjeu affiché par Synthetic Sciences est de ne pas laisser les outils d'IA scientifique dépendre d'un seul fournisseur. En gardant le flux de travail ouvert, les modèles interchangeables et les données locales, OpenScience s'adresse aux laboratoires, équipes de recherche et développeurs qui veulent garder le contrôle sur leurs clés, leurs coûts et leurs résultats plutôt que de dépendre d'une plateforme propriétaire. Concrètement, l'outil automatise l'ensemble du cycle de recherche : lecture de la littérature scientifique, formulation d'hypothèses, écriture et exécution de code, conduite d'expériences, analyse des résultats et rédaction, le tout dans une seule session continue affichée dans le navigateur. Cette approche pourrait accélérer des tâches habituellement fragmentées entre plusieurs outils, tout en évitant le verrouillage propriétaire qui inquiète une partie de la communauté scientifique et technique face à la montée des assistants IA spécialisés. Le lancement s'inscrit directement dans le sillage de Claude Science, présenté par Anthropic fin juin 2026 comme un outil de recherche assistée par IA. OpenScience reprend une architecture similaire, avec un serveur local hébergeant l'interface, le moteur d'agents et la couche d'outils, mais mise sur l'ouverture totale du code et l'absence de dépendance à un fournisseur unique. Le projet propose également une option payante facultative baptisée Atlas, qui donne accès à un ensemble de modèles de pointe sélectionnés, facturés depuis un portefeuille prépayé, ainsi qu'à un graphe de recherche persistant et à du calcul cloud, mais cette couche reste entièrement optionnelle. L'extensibilité est un axe central du projet, avec la prise en charge de serveurs MCP, de l'intégration LSP, de plugins et d'agents personnalisés, complétée par un kit de développement TypeScript, ce qui laisse présager une intégration croissante de ce type d'outils dans les workflows de recherche scientifique au cours des prochains mois.

Outils⚒Outil

1 source

46

Illustration générée par IA

3262Le Big Data 

Droit d’auteur & IA : Hollywood accuse Midjourney… mais cache-t-il les mêmes pratiques ?

Disney, Universal et Warner Bros. poursuivent Midjourney en justice, accusant l'entreprise d'avoir entraîné son modèle d'intelligence artificielle générative sur des œuvres protégées par le droit d'auteur sans autorisation ni licence. En réponse, les avocats de Midjourney ont déposé la semaine dernière une nouvelle requête devant le tribunal pour tenter d'obtenir des documents internes des trois studios : leurs jeux de données d'entraînement pour d'éventuels outils d'IA maison, leurs stratégies commerciales sur cette technologie, ainsi que les présentations faites à leurs conseils d'administration sur le sujet. Cette démarche intervient après une décision de justice rendue en juin, qui avait limité la capacité de Midjourney à obtenir des informations détaillées sur les pratiques des studios en matière d'IA. Avec cette nouvelle requête, l'entreprise cherche donc à élargir le périmètre des documents accessibles dans le cadre de la procédure. L'enjeu dépasse le simple duel judiciaire entre une société d'IA et des studios hollywoodiens. Si Midjourney parvient à démontrer que Disney, Universal et Warner Bros. utilisent en interne des méthodes d'entraînement comparables à celles qu'ils dénoncent, cela pourrait fragiliser leur position juridique et nourrir la défense de Midjourney sur les questions d'usage loyal et d'éventuel abus de procédure. Plus largement, l'affaire pourrait redéfinir les standards de transparence exigés des grands groupes de médias sur leurs propres usages de l'IA, à un moment où beaucoup développent en coulisses des outils génératifs pour la production, les effets visuels ou le marketing. Un précédent dans un sens ou dans l'autre pèserait sur l'ensemble des litiges similaires opposant ayants droit et entreprises d'IA aux États-Unis. Pour Bobby Ghajar, l'un des avocats de Midjourney, la logique est simple : si les studios recourent eux-mêmes à des pratiques similaires, cela révélerait qu'entraîner des modèles sur des contenus protégés sans licence spécifique est une pratique courante, y compris chez les plus grands acteurs du secteur. Il souligne que les studios avaient déjà transmis certains documents destinés au public, mais qu'aucun ne mentionnait d'éventuels outils d'IA développés en interne. De leur côté, les représentants des trois studios, dont David Singer, rejettent cette lecture. Ils maintiennent que leur seul objectif est d'empêcher Midjourney de reproduire sans autorisation leurs films, séries et personnages, une position qu'ils jugent identique à celle de tout détenteur de droits d'auteur face à une contrefaçon, que celle-ci implique ou non de l'intelligence artificielle. Le tribunal devra désormais trancher sur l'étendue des documents que Midjourney pourra consulter.

Régulation⚖Reglementation

1 source

34

Illustration générée par IA

3263MarkTechPost 

Entraîner Gemma-3 au raisonnement mathématique structuré avec Tunix GRPO, adaptateurs LoRA et récompenses GSM8K

Un tutoriel technique récemment publié détaille comment entraîner Gemma-3, le petit modèle de langage de Google, à résoudre des problèmes mathématiques du jeu de données GSM8K grâce à l'apprentissage par renforcement. La méthode s'appuie sur Tunix, une bibliothèque construite sur JAX, associée à des adaptateurs LoRA de rang 32 et un algorithme appelé GRPO, pour Group Relative Policy Optimization. Le modèle utilisé est Gemma-3-1b-it, une version d'un milliard de paramètres optimisée pour suivre des instructions. Le processus complet comprend la préparation de l'environnement sur Google Colab, l'authentification via Hugging Face, le chargement du modèle, puis la mise en forme des exercices GSM8K dans un format de prompt exigeant à la fois un raisonnement structuré et une réponse numérique finale. Des fonctions de récompense évaluent ensuite deux critères précis: le respect du format demandé et l'exactitude mathématique du résultat. L'entraînement utilise des paramètres spécifiques, dont un taux d'apprentissage de 3e-6, un coefficient bêta de 0,08 pour GRPO, et une limite de 100 étapes d'entraînement, avec seulement deux générations par groupe d'échantillonnage. L'intérêt de cette approche réside dans son accessibilité: en n'entraînant que les poids des adaptateurs LoRA plutôt que l'intégralité du modèle, la méthode reste suffisamment légère pour fonctionner sur un seul accélérateur graphique, GPU ou TPU, au lieu de nécessiter une infrastructure de calcul massive. Cela ouvre la porte à des chercheurs et développeurs disposant de ressources limitées pour expérimenter avec des techniques de raisonnement avancées, habituellement réservées aux grands laboratoires disposant de clusters entiers. Pour l'industrie, cela illustre une tendance de fond: l'optimisation de petits modèles via des méthodes d'entraînement ciblées peut rivaliser, sur des tâches spécifiques comme le raisonnement mathématique structuré, avec des approches plus coûteuses appliquées à des modèles beaucoup plus grands. Les développeurs d'applications éducatives ou d'assistants spécialisés en mathématiques pourraient particulièrement bénéficier de cette démonstration pratique. Cette initiative s'inscrit dans un mouvement plus large de démocratisation des techniques de renforcement appliquées aux modèles de langage, où GRPO s'est imposé comme une alternative plus simple à des méthodes comme PPO pour aligner les modèles sur des objectifs précis sans nécessiter de modèle de récompense séparé. Google, qui développe à la fois Gemma et Tunix, cherche ainsi à démontrer la viabilité de son écosystème open source face à des solutions concurrentes. Le recours à GSM8K, un jeu de données de référence pour évaluer les capacités de raisonnement arithmétique des modèles, s'inscrit dans une pratique désormais standard pour mesurer les progrès en matière de logique mathématique. À mesure que ces outils se diffusent, on peut s'attendre à voir émerger davantage de variantes appliquées à d'autres domaines de raisonnement structuré, comme le code ou la logique formelle, avec des coûts de calcul toujours plus réduits.

LLMs≡Tuto

1 source

48

Illustration générée par IA

3264Le Big Data 

Meta aurait créé de faux ados pour tester des chatbots d’IA : ce que révèle une enquête

Une enquête de WIRED révèle qu'entre 2024 et 2025, Meta a fait appel à des centaines de sous-traitants employés par la société Covalen pour mener une opération secrète baptisée en interne "Cannes". Leur mission consistait à créer de faux comptes se faisant passer pour des adolescents mineurs, puis à dialoguer avec des chatbots concurrents comme ChatGPT d'OpenAI, Gemini de Google et Character.AI. Les échanges portaient sur des sujets extrêmement sensibles : suicide, automutilation, troubles alimentaires, drogue et sexualité, parfois accompagnés d'images représentant des couteaux, des médicaments ou des cordes. Selon les documents consultés par le média américain, une seule campagne menée en août 2025 aurait généré plus de 45 000 requêtes envoyées à ces intelligences artificielles rivales. Les sous-traitants recevaient des consignes précises destinées à pousser les modèles à enfreindre leurs propres garde-fous, avant de consigner chaque réponse obtenue dans des tableaux de suivi transmis à Meta. Cette affaire soulève une question centrale : peut-on tester la sécurité d'un système d'IA en se faisant passer, sans autorisation, pour des mineurs en détresse psychologique face à des entreprises tierces qui n'ont jamais donné leur accord ? Character.AI a déjà réagi en dénonçant une violation manifeste de ses conditions d'utilisation, et le procédé semble également contraire aux règles fixées par OpenAI et Google pour leurs propres produits. Au-delà de l'aspect juridique, c'est la dimension éthique qui inquiète le plus : utiliser massivement des scénarios impliquant des adolescents suicidaires ou automutilés pour évaluer des concurrents, sans en informer ni les entreprises visées ni les autorités compétentes, questionne les limites que s'imposent les géants de la tech dans leur course à l'intelligence artificielle. Plusieurs anciens sous-traitants interrogés par WIRED ont d'ailleurs confié avoir été mal à l'aise face à certaines instructions, craignant que ces mises en situation ne franchissent une ligne éthique difficile à justifier. Meta ne nie pas l'existence de cette opération. L'entreprise la présente comme une pratique courante dans l'industrie, destinée à vérifier que les chatbots offrent des expériences adaptées à tous les publics, et assure que les données récoltées n'ont pas servi à entraîner ses propres modèles. Une explication qui ne convainc pas la spécialiste de la gouvernance de l'IA Rumman Chowdhury, pour qui l'ampleur de l'opération et l'absence totale de transparence vis-à-vis des concurrents dépassent largement le cadre d'un simple audit de sécurité. Cette révélation intervient alors que les régulateurs, notamment aux États-Unis et en Europe, examinent de plus près la manière dont les plateformes protègent les mineurs face aux contenus générés par l'IA, et pourrait relancer le débat sur l'encadrement des pratiques de benchmarking entre grandes entreprises technologiques.

Sécurité⚡Actu

1 source

38

Illustration générée par IA

3265Apple Machine Learning 

TopoPrimer : le contexte topologique manquant dans les modèles de prévision

TopoPrimer est un nouveau cadre de prévision qui intègre explicitement la structure topologique globale d'une population de séries temporelles comme donnée d'entrée pour les modèles de prévision. Concrètement, la méthode précalcule une seule fois par domaine des coordonnées dérivées de l'homologie persistante et de faisceaux spectraux, une technique mathématique qui capture les relations structurelles entre séries. Ces coordonnées sont ensuite injectées token par token dans les modèles entièrement entraînés, ou utilisées comme adaptateur léger pour les modèles pré-entraînés existants. Les chercheurs ont testé l'approche sur quatre benchmarks publics avec les modèles Chronos, et ont identifié que les coordonnées de faisceaux spectraux constituent le principal moteur des gains de précision, davantage que la composante d'homologie persistante. Cette innovation répond à des problèmes concrets et coûteux pour l'industrie de la prévision de séries temporelles: les pics de demande saisonniers, qui déstabilisent souvent les modèles classiques, et le problème du démarrage à froid, quand un modèle doit prévoir pour une série sans historique suffisant. En rendant la structure topologique explicite plutôt qu'implicite, TopoPrimer permet aux modèles de mieux généraliser entre séries similaires au sein d'un même domaine, ce qui se traduit par des prévisions plus stables en période de forte volatilité et une meilleure performance dès les premières observations d'une nouvelle série. Pour les entreprises qui s'appuient sur la prévision de demande, ce type d'amélioration peut réduire les erreurs de stock ou de planification. Le travail s'inscrit dans une tendance plus large de recherche visant à enrichir les modèles de séries temporelles avec des informations structurelles au-delà des simples valeurs numériques passées, à l'image de ce que les graphes de connaissances ont apporté au traitement du langage. La compatibilité de TopoPrimer à la fois avec des architectures entraînées de zéro et des backbones pré-entraînés comme Chronos suggère une adoption potentiellement rapide par les équipes de recherche en prévision, qui pourraient l'intégrer sans repartir d'une architecture entièrement nouvelle.

Recherche❖Paper

1 source

37

Illustration générée par IA

3266Apple Machine Learning 

La correction d'erreurs ASR revisitée grâce à des modèles spécialisés

Les correcteurs d'erreurs pour la reconnaissance vocale automatique (ASR) reposent aujourd'hui majoritairement sur des grands modèles de langage (LLM) appliqués après coup, une approche qui introduit latence et risques d'hallucination. Une équipe de recherche revient sur ce problème avec une proposition différente : des modèles seq2seq compacts, spécifiquement entraînés sur des erreurs réelles issues de systèmes ASR, plutôt que sur des modèles de langage génériques ignorant les schémas d'erreurs propres à la reconnaissance vocale. Pour disposer de suffisamment de données d'entraînement, les chercheurs ont construit des corpus synthétiques via un pipeline en cascade combinant synthèse vocale (TTS) puis reconnaissance vocale (ASR), et montrent que la clé du succès réside dans la capacité à reproduire fidèlement la diversité des distributions d'erreurs observées en conditions réelles. Ils introduisent également une méthode de décodage baptisée « correction-first ». Cette approche répond à un besoin concret pour l'industrie de la voix : les systèmes ASR grand public (assistants vocaux, sous-titrage automatique, transcription de réunions) souffrent encore d'erreurs de reconnaissance que les LLM généralistes corrigent mal ou trop lentement pour un usage en temps réel. Un modèle spécialisé, plus léger, permettrait de réduire le taux d'erreur sans les coûts de calcul ni les délais associés aux grands modèles, un enjeu crucial pour les applications embarquées ou à fort volume. Ce travail s'inscrit dans une tendance plus large de spécialisation des modèles face à l'usage généraliste des LLM : plutôt que de confier chaque tâche à un modèle massif, la recherche explore des architectures dédiées, moins coûteuses et mieux adaptées aux contraintes de production, notamment pour les entreprises technologiques qui déploient des services vocaux à grande échelle.

Recherche❖Paper

1 source

37

Illustration générée par IA

3267Apple Machine Learning 

Fortress : une étude de cas sur la stabilisation des recommandations de recherche par augmentation temporelle des données et élagage des caractéristiques

Une équipe de chercheurs a présenté Fortress, un nouveau cadre méthodologique destiné aux systèmes de recherche et de recommandation, conçu pour résoudre un problème récurrent dans les modèles prédictifs : l'instabilité temporelle des scores générés par certaines variables d'entrée. Le principe repose sur l'identification puis l'élimination des caractéristiques qui provoquent des fluctuations incohérentes dans les prédictions au fil du temps. Pour y parvenir, Fortress s'appuie sur des instantanés historiques et des jeux de données partitionnés selon des périodes temporelles distinctes, permettant de comparer la stabilité des scores produits par un même modèle à différents moments. Cette approche combine ainsi une forme d'augmentation de données temporelle avec un élagage ciblé des variables jugées trop volatiles. L'enjeu dépasse la simple performance technique. Dans les systèmes de recherche et de recommandation à plusieurs étages, où les décisions d'un module alimentent directement le suivant, la moindre incohérence dans les scores peut se propager et dégrader l'expérience utilisateur, par exemple en modifiant sans raison apparente le classement de résultats pourtant pertinents. En stabilisant les prédictions dans la durée, Fortress vise à rendre ces systèmes plus fiables et plus prévisibles, un critère de plus en plus recherché par les équipes qui exploitent ces modèles en production à grande échelle. Ce travail s'inscrit dans une tendance plus large de l'industrie de la recherche et de la recommandation, où l'attention se déplace progressivement de la seule précision brute des modèles vers leur robustesse et leur cohérence dans le temps. Face à des jeux de données qui évoluent constamment, garantir qu'un modèle ne se comporte pas de façon erratique d'une mise à jour à l'autre devient un enjeu central, ouvrant la voie à d'autres recherches sur la détection automatique de features instables.

Recherche❖Paper

1 source

34

Illustration générée par IA

3268Apple Machine Learning 

Propriétés de mise à l'échelle des modèles de langage parlé à diffusion continue

Les chercheurs à l'origine de cette étude s'attaquent à un problème connu des modèles de langage parlé (SLM) : les versions qui traitent uniquement l'audio restent nettement moins performantes que les modèles combinant texte et parole, ou que les modèles de texte seuls. Les SLM autorégressifs (AR) discrets, l'approche dominante jusqu'ici, nécessitent des ressources de calcul et des volumes de données considérables pour espérer rivaliser avec les modèles textuels. L'équipe propose une alternative fondée sur la diffusion continue (CD), qui évite l'étape de discrétisation de la parole jugée responsable d'un goulot d'étranglement dans les architectures AR. Pour évaluer objectivement la qualité linguistique produite par ces modèles, elle introduit une nouvelle métrique, la divergence de Jensen-Shannon phonémique (pJSD). Cette contribution est importante car elle ouvre une voie alternative pour construire des assistants vocaux et des systèmes de synthèse ou de compréhension de la parole plus efficaces, sans dépendre des coûts prohibitifs associés aux modèles autorégressifs discrets. Si les modèles à diffusion continue permettent d'atteindre une qualité comparable avec moins de ressources, cela pourrait accélérer le développement de SLM plus économes en données et en puissance de calcul, un enjeu central pour les entreprises qui cherchent à déployer des interfaces vocales à grande échelle. Le contexte plus large est celui d'une course à la modélisation du langage parlé, où le texte reste en avance sur l'audio en termes de performance et d'efficacité d'entraînement. Les modèles autorégressifs, hérités des grands modèles de langage textuels, imposent une conversion de la parole en unités discrètes qui limite leur capacité à capter les nuances du signal audio. En montrant que les modèles à diffusion continue suivent des lois d'échelle similaires à celles des modèles AR pour la perte de validation et la métrique pJSD, avec un ratio optimal entre nombre de tokens et de paramètres, cette étude fournit des repères concrets pour orienter les futurs travaux sur l'entraînement et le dimensionnement des SLM.

Recherche❖Paper

1 source

47

Illustration générée par IA

3269MarkTechPost 

Meituan lance LongCat-2.0 : un modele MoE open source de 1 600 milliards de parametres avec contexte natif de 1 million de tokens

Meituan a dévoilé LongCat-2.0, un modèle de langage à mélange d'experts (MoE) doté de 1 600 milliards de paramètres au total, dont environ 48 milliards sont activés par token. Ce successeur de LongCat-Flash, un modèle de 560 milliards de paramètres sorti en 2025, cible spécifiquement le codage agentique : compréhension, génération et exécution de code au sein de workflows autonomes. Le modèle se distingue par une fenêtre de contexte native d'un million de tokens et par le fait que son entraînement comme son déploiement ont été réalisés entièrement sur des superpods ASIC domestiques, sans recourir au matériel Nvidia. L'entraînement a mobilisé plus de 35 000 milliards de tokens sur des millions d'heures-accélérateur, et Meituan affirme n'avoir subi aucun retour arrière ni pic de perte irrécupérable durant tout le processus. Sur le plan des performances, l'entreprise revendique un score de 59,5 sur SWE-bench Pro, devançant légèrement GPT-5.5 (58,6), ainsi que 70,8 sur Terminal-Bench 2.1 et 77,3 sur SWE-bench Multilingual. Meituan situe également LongCat-2.0 au niveau de Gemini 3.1 Pro de Google en performance globale, tout en reconnaissant qu'il reste en retrait des systèmes de pointe sur des benchmarks d'agents plus généraux comme FORTE et BrowseComp. Ces chiffres proviennent uniquement des tests internes de Meituan et n'ont pas encore été confirmés par des classements indépendants. Cette annonce est importante car elle illustre la capacité croissante des entreprises chinoises à entraîner et servir des modèles de très grande taille sans dépendre des puces Nvidia, un enjeu stratégique majeur dans un contexte de restrictions à l'export américaines. Pour les développeurs et les équipes d'ingénierie, un contexte natif d'un million de tokens change concrètement l'usage possible d'un assistant de code : il devient possible d'analyser des dépôts entiers ou de longues sessions d'agent sans fragmentation artificielle. La stabilité revendiquée pendant l'entraînement sur du matériel non-Nvidia est aussi un signal fort, car l'écosystème logiciel autour des ASIC domestiques est réputé moins mature que celui de Nvidia, ce qui rend ce genre de résultat plus difficile à obtenir. Si les performances en codage agentique se confirment de façon indépendante, LongCat-2.0 pourrait s'imposer comme une alternative crédible aux modèles occidentaux pour les tâches d'ingénierie logicielle automatisée, un segment de plus en plus disputé entre laboratoires. L'architecture de LongCat-2.0 repose sur quatre innovations pensées pour maîtriser le coût d'un modèle de cette taille. Les experts à calcul nul laissent les tokens simples, comme la ponctuation, traverser le modèle sans traitement lourd, tandis qu'un contrôleur PID ajuste dynamiquement l'activation entre 33 et 56 milliards de paramètres selon la complexité du texte. La LongCat Sparse Attention, présentée comme une évolution du DeepSeek Sparse Attention, combine trois méthodes d'indexation, streaming, inter-couches et hiérarchique, pour éviter l'explosion quadratique du coût de calcul liée aux longs contextes. S'y ajoute un module d'embedding par n-grammes de 135 milliards de paramètres, censé mieux capturer les relations locales entre tokens, ainsi qu'un pipeline de post-entraînement baptisé MOPD qui fusionne trois groupes d'experts spécialisés en agents, raisonnement et interaction. Publié sous licence MIT le 30 juin 2026, LongCat-2.0 s'inscrit dans une compétition mondiale où chaque laboratoire cherche à repousser simultanément la taille des modèles, la longueur de contexte et l'efficacité matérielle.

LLMs⚡Actu

1 source

46

Illustration générée par IA

3270The Decoder 

Mistral : son PDG Mensch affirme que les modèles IA propriétaires donnent aux labos un accès privilégié aux processus des entreprises

Arthur Mensch, cofondateur et PDG de Mistral AI, a mis en garde les entreprises contre leur dépendance aux modèles d'intelligence artificielle propriétaires fermés. Selon lui, les grands laboratoires d'IA accumulent des quantités croissantes de données issues de leurs clients professionnels, au point que certains auraient déjà exploité ces informations pour concurrencer directement les entreprises qui utilisaient leurs services. Mensch n'a pas cité de noms précis, mais le message vise implicitement les géants américains du secteur comme OpenAI et Anthropic, avec lesquels Mistral est directement en concurrence sur le marché européen de l'IA. Cet avertissement soulève un enjeu stratégique majeur pour les entreprises qui confient leurs processus internes, leurs documents et leurs données sensibles à des modèles fermés hébergés par des tiers. Si un fournisseur d'IA a accès à ces flux d'informations, il dispose potentiellement d'une vision privilégiée sur le fonctionnement, les besoins et les faiblesses de ses propres clients, un risque de conflit d'intérêts rarement discuté publiquement jusqu'ici. Pour les entreprises, cela renforce l'argument en faveur de solutions ouvertes, personnalisables ou hébergées localement plutôt que de dépendre entièrement d'acteurs externes. Cette sortie s'inscrit dans la stratégie plus large de Mistral, qui peine à rivaliser en pure performance avec les modèles de pointe d'OpenAI ou d'Anthropic et mise donc sur d'autres arguments différenciants, notamment la souveraineté numérique européenne et la transparence. En positionnant ses modèles comme une alternative plus sûre et indépendante des géants américains, Mistral cherche à convaincre entreprises et gouvernements européens de privilégier des solutions locales, dans un contexte où la confidentialité des données devient un enjeu géopolitique et commercial de plus en plus central.

Éthique❧Opinion

1 source

40

Illustration générée par IA

3271The Decoder 

Hollywood veut interdire Seedance, mais souhaiterait aussi continuer a l'utiliser

Bytedance, la maison mère de TikTok, se retrouve au cœur d'une controverse à Hollywood avec son outil de génération vidéo par IA, Seedance. Une vidéo devenue virale mettant en scène des versions générées par IA de Brad Pitt et Tom Cruise a poussé la Motion Picture Association (MPA) à envoyer sa toute première mise en demeure adressée à une entreprise d'intelligence artificielle. Ce geste marque un tournant : jamais l'organisation qui représente les grands studios américains n'avait engagé une telle démarche juridique contre un acteur de l'IA générative. Pourtant, selon Joel Kuwahara, producteur d'animation sur Les Simpson, plusieurs studios continueraient discrètement à utiliser Seedance en interne, selon une logique du type "don't ask, don't tell". Cette contradiction illustre la position inconfortable dans laquelle se trouve l'industrie du cinéma face aux outils d'IA générative. D'un côté, les studios redoutent que des outils comme Seedance ne portent atteinte au droit à l'image des acteurs et n'ouvrent la voie à des utilisations non autorisées de visages et de voix de stars, avec des conséquences juridiques et réputationnelles potentiellement lourdes. De l'autre, ces mêmes outils offrent des gains de temps et de coûts significatifs pour des tâches de prévisualisation, d'animation ou d'effets visuels, ce qui explique leur adoption discrète par certaines équipes de production, malgré les réserves affichées publiquement. Ce double discours révèle les tensions plus larges qui traversent Hollywood autour de l'IA générative depuis les grèves de la Writers Guild et du syndicat des acteurs SAG-AFTRA en 2023, qui avaient déjà porté la question de l'utilisation de l'IA sur les plateaux et dans les contrats. Bytedance, déjà scruté aux États-Unis pour ses liens avec la Chine via TikTok, ajoute ici un nouveau front de friction avec l'industrie du divertissement américain. L'issue de ce bras de fer entre mise en demeure officielle et usage officieux pourrait influencer la manière dont d'autres studios et syndicats encadreront, à l'avenir, le recours aux outils vidéo génératifs.

Régulation⚖Reglementation

1 source

39

Illustration générée par IA

3272The Decoder 

Les agents de recherche IA n'échouent pas à chercher, mais à poser les bonnes questions face aux requêtes ambiguës

Les agents de recherche IA basés sur l'intelligence artificielle échouent rarement à cause de la recherche elle-même lorsqu'ils mènent des investigations en plusieurs étapes. Leur véritable faiblesse est ailleurs : ils ne demandent pas de clarification à l'utilisateur quand une requête est ambiguë. C'est ce que révèle un nouveau benchmark baptisé DiscoBench, conçu spécifiquement pour évaluer ce comportement. Les résultats sont frappants : les modèles qui persistent à relancer des recherches multiples plutôt que de poser une question de suivi obtiennent une précision de seulement 51,9 %, un score inférieur à celui obtenu en devinant simplement la réponse. Même le modèle le plus performant du test ne dépasse pas 43 % de précision globale. Lorsque l'ambiguïté est retirée des requêtes, la précision grimpe jusqu'à 40 points de pourcentage. Ce constat a des implications concrètes pour tous les usages professionnels des agents IA de recherche, des assistants documentaires aux outils d'aide à la décision. Un agent qui interprète mal une demande floue et fonce vers une réponse erronée, plutôt que de demander une précision, produit des résultats peu fiables malgré des capacités de recherche techniquement solides. Pour les entreprises qui déploient ces outils, cela signifie qu'améliorer la qualité des réponses passe autant par l'apprentissage du dialogue que par l'optimisation des moteurs de recherche sous-jacents. Ce travail s'inscrit dans une réflexion plus large sur les limites des agents autonomes multi-étapes, un axe de recherche en pleine expansion à mesure que ces systèmes gagnent en autonomie. La capacité à reconnaître l'incertitude et à interagir avec l'utilisateur, plutôt que de produire une réponse à tout prix, apparaît comme un enjeu central pour la fiabilité future de ces agents.

Recherche❖Paper

1 source

34

Illustration générée par IA

3273MarkTechPost 

LlamaIndex "legal-kb" : recherche à base d'agents sur Index v2 avec les outils retrieve, find, read et grep

LlamaIndex a publié legal-kb, une application de référence disponible sur GitHub, conçue comme une base de connaissances pour documents juridiques. Le projet s'appuie sur Index v2, la plateforme LlamaParse, et se présente comme une application web fonctionnelle construite avec TanStack Start. Un utilisateur se connecte, crée un projet, télécharge des fichiers, puis discute avec un agent qui interroge en direct un index LlamaCloud associé au projet. Chaque document envoyé est automatiquement analysé et indexé en arrière plan. L'agent, implémenté dans le fichier src/lib/agent.ts, dispose de quatre outils calqués sur des opérations de système de fichiers familières aux développeurs: retrieve pour la recherche hybride sémantique et par mots clés avec reclassement optionnel, findFiles pour rechercher des fichiers par nom exact ou partiel, readFile pour lire le contenu brut avec des fenêtres de décalage et de longueur, et grepFile pour repérer un motif précis dans un fichier avec sa position exacte. Le prompt système impose un ordre strict: l'agent doit d'abord appeler findFiles pour établir l'inventaire des documents, puis affiner sa recherche avec retrieve, avant de confirmer le texte exact via readFile ou grepFile avant toute citation. Cette approche, que l'équipe appelle un Retrieval Harness, ou harnais de récupération, change la logique habituelle des systèmes de recherche documentaire assistés par IA. Plutôt qu'une simple recherche par embedding en une seule passe, l'agent explore activement une base de connaissances volumineuse et évolutive pour résoudre une tâche, un peu comme un utilisateur qui naviguerait dans un système de fichiers. Pour un domaine aussi sensible que le juridique, où l'exactitude des citations et la traçabilité des sources sont essentielles, cette méthode réduit le risque d'hallucination en forçant l'agent à vérifier le texte exact avant de répondre. Le versionnage des documents, géré par paire projet et nom de fichier, permet en outre de conserver plusieurs versions d'un même contrat ou accord de confidentialité côte à côte, avec un filtrage par métadonnées lors de la récupération. Sur le plan technique, les fichiers téléchargés sont envoyés vers le répertoire source LlamaCloud du projet, puis une ligne File et ProjectFile est écrite dans PostgreSQL via Prisma, pendant que l'interface interroge le statut de synchronisation de l'index. L'agent repose sur ToolLoopAgent du Vercel AI SDK 6, avec un choix possible entre modèles OpenAI ou Anthropic à chaque échange, chacun utilisant ses propres clés API. Les modèles Claude activent le raisonnement étendu, tandis que les modèles de raisonnement d'OpenAI utilisent un effort de raisonnement moyen. En publiant ce code comme référence ouverte, LlamaIndex illustre une tendance plus large du secteur: doter les agents d'outils génériques et composables, réutilisables au-delà du cas d'usage juridique initial, plutôt que de construire des pipelines de récupération rigides et spécifiques à chaque application.

Outils⚒Outil

1 source

37

Illustration générée par IA

3274MarkTechPost 

Extraction PDF vers JSON structuré : guide des modèles open source en 2026

Les modèles ouverts pour transformer les PDF en JSON structuré se multiplient en ce début d'année, avec deux familles d'outils distinctes. Datalab, l'équipe derrière Marker et Surya, a lancé lift, un modèle de vision de 9 milliards de paramètres construit sur Qwen 3.5, capable de remplir un schéma JSON fourni par l'utilisateur grâce à un décodage contraint qui garantit une sortie valide. Sur un benchmark maison de 225 documents, lift atteint 90,2% de précision par champ avec une latence médiane de 9,5 secondes, devançant NuExtract3 (81,5%) et Qwen3.5-9B (76,3%), mais restant derrière Gemini Flash 3.5 (91,3%) et l'API hébergée de Datalab (95,9%). La précision sur un document entier reste toutefois faible, à 20,9% pour lift. De son côté, NuMind propose NuExtract 3, un modèle vision-langage de 4 milliards de paramètres qui combine extraction structurée et extraction de contenu (OCR vers Markdown) au sein d'un même outil, entraîné par renforcement pour ajouter un raisonnement spécifique à l'extraction, activable à la demande. Enfin, Docling, projet né chez IBM Research et désormais hébergé par la LF AI & Data Foundation, s'attaque à un autre problème : reconstruire la mise en page complète d'un document (PDF, DOCX, PPTX, XLSX, HTML, images) en JSON, Markdown, HTML ou DocTags, via sa représentation interne DoclingDocument. Cette distinction entre extraction guidée par schéma et analyse complète de document compte parce que la plupart des données d'entreprise restent aujourd'hui prisonnières de PDF, de scans et de présentations, inutilisables telles quelles par les modèles de langage et les agents. Choisir la mauvaise catégorie d'outil fait perdre un temps considérable : l'extraction par schéma convient aux factures, formulaires et contrats où les champs sont connus à l'avance, tandis que l'analyse de document sert à préparer des corpus propres pour la génération augmentée par récupération (RAG) et les agents. L'argument économique est tout aussi concret : les API propriétaires peuvent coûter plusieurs milliers de dollars par million de pages traitées et imposent d'envoyer les documents hors des infrastructures internes, alors que les modèles locaux suppriment ces deux contraintes de coût et de confidentialité. Cette vague d'outils s'inscrit dans une tendance plus large de rapprochement entre les performances des modèles ouverts et celles des API commerciales fermées, en particulier chez les acteurs spécialisés dans l'extraction de documents comme Datalab et NuMind. Les licences restent toutefois un point de vigilance : le code de lift est publié sous Apache-2.0, mais ses poids utilisent une licence OpenRAIL-M modifiée, gratuite pour la recherche, l'usage personnel et les startups générant moins de 5 millions de dollars de financement ou de revenus, mais soumise à licence payante pour un déploiement commercial en interne, sans possibilité de concurrencer l'API de Datalab elle-même. Pour les équipes techniques qui bâtissent des pipelines documentaires, la question n'est donc plus seulement technique mais aussi contractuelle, à mesure que ces modèles ouverts gagnent en maturité.

Outils⚒Outil

1 source

33

Illustration générée par IA

3275MarkTechPost 

L'ancien responsable de Qwen explique les erreurs du hybrid thinking et pourquoi il mise desormais sur les agents

Junyang Lin, qui dirigeait le projet Qwen chez Alibaba, a annoncé son départ le 3 mars 2026 et se présente désormais comme chercheur indépendant. Dans une conférence intitulée "Qwen : vers un modèle ou agent généraliste", il retrace toute la famille Qwen, de QwQ-32B à Qwen2.5-Max, en passant par Qwen3, Qwen2.5-VL et Qwen2.5-Omni, en comparant leurs performances à celles de DeepSeek-R1, Grok 3 Beta, Gemini 2.5 Pro et la série o d'OpenAI. Qwen3 occupe la place centrale de l'exposé : Lin y détaille les modes de raisonnement hybrides, avec un mode "réflexion" pour le raisonnement pas à pas et un mode "instruction" pour des réponses quasi instantanées, ainsi que des budgets de réflexion ajustables par l'utilisateur. La famille couvre désormais 119 langues et dialectes contre 29 auparavant, avec des tailles allant de 0,6 à 235 milliards de paramètres, disponibles en versions quantifiées GGUF, GPTQ, AWQ et MLX, toutes sous licence Apache 2.0. Les architectures présentées montrent que les petits modèles denses partagent leurs embeddings d'entrée et de sortie avec un contexte de 32 000 tokens, tandis que les modèles plus grands, denses ou à mélange d'experts, abandonnent ce partage et étendent le contexte à 128 000 tokens. Ce que Lin détaille surtout, c'est la difficulté technique derrière cette fusion des modes de réflexion, un enjeu qui dépasse largement Qwen. Un modèle optimisé pour l'instruction est récompensé pour sa rapidité et sa concision, tandis qu'un modèle de raisonnement est récompensé pour le temps qu'il consacre aux problèmes complexes. Fusionner les deux sans précaution dégrade les deux comportements à la fois. Qwen3 a d'abord tenté cette fusion via un pipeline de post-entraînement en quatre étapes, avant que la lignée 2507, plus tard en 2025, ne revienne à des variantes séparées, une pour l'instruction et une pour le raisonnement. Lin y voit avant tout un problème de données plutôt que d'architecture, et cite en contrepoint la trajectoire d'Anthropic, qui a conservé une approche hybride avec Claude 3.7 Sonnet et son budget de réflexion réglable, puis avec Claude 4 qui entrelace raisonnement et usage d'outils pour le code et les tâches longues. Cette réflexion s'inscrit dans un basculement plus large que Lin situe entre deux époques. La première, portée par o1 et DeepSeek-R1, a établi que l'apprentissage par renforcement exige des récompenses vérifiables, plaçant les mathématiques, le code et la logique au centre des efforts. La seconde, qu'il appelle la pensée agentique, consiste à raisonner pour agir : planifier, décider quand utiliser un outil, lire les retours de l'environnement et ajuster sa trajectoire. Ses pistes pour la suite incluent davantage de pré-entraînement, du renforcement fondé sur des retours d'environnement, des contextes plus longs et davantage de modalités, résumées dans sa formule finale : entraîner des agents plutôt que de simples modèles.

LLMs❖Paper

1 source

34

Illustration générée par IA

3276The Decoder 

L'outil open-source pxpipe cache du texte dans des PNG pour réduire jusqu'à 70% les coûts en tokens de Claude Code et Fable 5

Steven Chong, développeur indépendant, a mis en ligne un outil open source baptisé pxpipe qui convertit de longs prompts textuels destinés à Claude Code en fichiers PNG compacts. L'astuce repose sur un détail de la tarification d'Anthropic : les images sont facturées selon leur taille en pixels, et non selon le contenu textuel qu'elles encodent. Résultat, Chong annonce des économies de 59 à 70 pour cent sur les coûts de tokens, au prix toutefois d'une perte de précision et de vitesse dans les réponses générées. Cette découverte illustre à quel point les modèles de tarification des API d'intelligence artificielle peuvent être détournés dès qu'une faille de calcul apparaît entre différents types d'entrées, texte ou image. Pour les développeurs qui utilisent massivement des outils comme Claude Code au quotidien, la facture peut vite grimper, et une réduction de 70 pour cent des coûts représente un argument concret, surtout pour des usages intensifs ou automatisés. Mais le compromis sur la fiabilité des réponses limite l'intérêt de la méthode aux tâches où l'exactitude n'est pas critique. Cet épisode s'inscrit dans une tendance plus large de contournement des grilles tarifaires des fournisseurs de modèles de langage, où chaque nouvelle méthode de facturation, par token, par pixel ou par requête, finit par générer ses propres optimisations créatives côté utilisateurs. Anthropic, comme ses concurrents, devra probablement ajuster sa politique de prix pour combler cette faille, un exercice d'équilibriste récurrent entre simplicité de facturation et résistance aux détournements techniques.

Outils⚒Outil

1 source

39

Illustration générée par IA

3277MarkTechPost 

Anthropic lance Claude Science en bêta, un atelier IA multi-agents pour génomique, protéomique et chimio-informatique

Cette semaine, Anthropic a lancé Claude Science, un espace de travail en version bêta destiné aux chercheurs scientifiques. L'application s'appuie sur les modèles Claude existants, sans nouveau modèle sous-jacent, et vise les scientifiques qui jonglent habituellement entre bases de données, notebooks et terminaux de calcul. Elle est disponible pour les abonnements Pro, Max, Team et Entreprise. Claude Science prolonge les travaux menés par Anthropic dans le secteur des sciences de la vie depuis l'automne dernier, lorsque l'entreprise avait connecté Claude à l'écosystème scientifique via des connecteurs MCP et des compétences spécialisées. L'outil repose sur une architecture multi-agents: un agent généraliste coordinateur reçoit les demandes en langage naturel et peut faire appel à plus de 60 compétences et connecteurs préconfigurés couvrant la génomique, l'analyse de cellules uniques, la protéomique, la biologie structurale et la chimie informatique. Un agent réviseur distinct inspecte chaque étape du pipeline, repère les citations incorrectes, les chiffres invérifiables et les figures qui ne correspondent pas au code sous-jacent, avant de s'autocorriger. L'application fonctionne en local sur macOS ou Linux, ou à distance via SSH sur un poste de calcul haute performance. Cette approche change concrètement la manière dont les résultats scientifiques peuvent être produits et vérifiés. Chaque figure générée par Claude Science s'accompagne du code exact utilisé, de son environnement d'exécution, d'une description en langage clair et de l'historique complet des échanges, ce qui facilite la validation et la reproduction des travaux des mois plus tard, un enjeu central en recherche où la reproductibilité reste un problème persistant. Les chercheurs peuvent modifier une figure en langage naturel, par exemple demander de passer un axe en échelle logarithmique, et l'agent ajuste alors son propre code. Il est aussi possible de dupliquer une session pour comparer deux approches sans perdre la version initiale. Pour les analyses lourdes, comme le repliement de protéines, l'outil rédige un plan, demande une validation avant de mobiliser des ressources de calcul, puis soumet la tâche à l'infrastructure du laboratoire, qu'il s'agisse d'un cluster HPC ou d'un compte Modal, avec une capacité d'extension d'un seul GPU à plusieurs centaines. Le savoir scientifique reste dispersé entre des centaines de sources spécialisées comme UniProt, PDB, Ensembl, Reactome, ClinVar ou ChEMBL, que les agents spécialisés interrogent et synthétisent directement. Claude Science intègre aussi des compétences issues du BioNeMo Agent Toolkit de NVIDIA, qui donne accès à des modèles accélérés par GPU comme Evo 2 pour la génomique, Boltz-2 pour la prédiction d'interactions biomoléculaires et OpenFold3 pour la structure des protéines. Les données sensibles ou volumineuses ne quittent jamais l'infrastructure du laboratoire, seul le contexte nécessaire à chaque étape étant transmis à Claude. Les premiers utilisateurs de la bêta ont déjà mené des analyses de séquençage ARN sur cellule unique, conçu des cribles CRISPR et réalisé des prédictions de structures protéiques et de composés chimiques.

Outils⚒Outil

1 source

38

Illustration générée par IA

3278MarkTechPost 

NVIDIA Horizon : un agent autonome qui fait évoluer des Git Worktrees et atteint 100% de réussite sur un benchmark RTL

NVIDIA Research a présenté HORIZON, un cadre d'agent autonome conçu pour la conception de matériel informatique, en particulier au niveau transfert de registre (RTL). Détaillé dans un article publié sur arXiv (2606.28279), le système traite la conception matérielle comme un problème d'évolution de code au niveau d'un dépôt entier plutôt que comme une génération ponctuelle. Chaque problème de conception est encapsulé dans un harnais structuré au format Markdown, qui définit un objectif, des directives de connaissance du domaine, une spécification d'évaluation et un critère d'acceptation. Un agent de démarrage compile ensuite ce harnais en un pack de projet, formalisé par les chercheurs comme un tuple regroupant la politique de l'agent, l'évaluateur exécutable, le prédicat d'acceptation, la politique de contrôle de version et les compétences du domaine. L'équipe rapporte un taux de complétion de 100% sur l'ensemble des suites de benchmarks RTL évaluées, tout en précisant que la conception matérielle par agent autonome reste un problème non résolu dans l'absolu. Cette approche répond à une limite bien identifiée de la génération de code en un seul passage : produire du Verilog plausible ne suffit pas pour garantir un matériel fonctionnel, car la validité dépend du comportement cycle par cycle, des conventions de réinitialisation, des largeurs de bits et des retours du simulateur. HORIZON héberge chaque problème dans un dépôt Git isolé, où une boucle d'agent autonome planifie une cible, modifie l'espace de travail, invoque des outils, puis exécute l'évaluateur à chaque cycle. Une nouvelle version n'est validée par un commit que si elle franchit ce contrôle exécutable, sinon l'échec est simplement journalisé. Cette méthode importe pour les équipes de conception de semi-conducteurs et d'électronique numérique, car elle promet de fiabiliser l'automatisation de tâches jusqu'ici jugées trop sensibles pour une génération de code sans supervision humaine constante, tout en gardant une trace complète et vérifiable de chaque décision. Git ne sert pas ici de simple outil de gestion de versions mais de substrat expérimental complet : les diffs exposent les changements proposés, les commits marquent les points de contrôle validés, et les notes associées à chaque commit conservent le verdict de l'évaluateur ainsi que la récompense obtenue, transformant l'historique du dépôt en une véritable mémoire d'apprentissage sans base de données séparée. Les tentatives réussies deviennent des exemples positifs de réparation, les échecs des exemples négatifs, et l'ensemble s'inscrit dans une terminologie empruntée aux processus de décision markoviens semi-continus, sans toutefois qu'un apprentissage par renforcement ne mette réellement à jour la politique de l'agent au cours d'une campagne. HORIZON s'inscrit dans une lignée de systèmes d'auto-évolution à l'échelle d'un dépôt, aux côtés d'AlphaEvolve (2025) pour les noyaux algorithmiques, de SATLUTION (2025) pour les solveurs SAT, et d'ABCEvo (2026) pour la synthèse logique EDA, tous partageant un même principe : un changement candidat n'est accepté que lorsqu'une preuve exécutable le confirme.

Recherche❖Paper

1 source

35

Illustration générée par IA

3279The Decoder 

Un développeur d'Anthropic partage des conseils de prompting pour Fable 5, centrés sur ses propres angles morts

Thariq Shihipar, développeur chez Anthropic, a partagé une série de conseils pour tirer le meilleur parti de Fable 5, le nouveau modèle de l'entreprise, en s'appuyant sur son expérience de terrain. Sa thèse centrale renverse la perspective habituelle : selon lui, le principal frein à l'efficacité n'est plus la capacité du modèle, mais les angles morts de l'utilisateur lui-même, c'est-à-dire les connaissances implicites que le programmeur possède sans même s'en rendre compte et qu'il omet de transmettre à l'IA. Pour y remédier, Shihipar propose des méthodes concrètes, notamment des "passes de détection des angles morts" et des entretiens structurés, conçus pour aider les développeurs à identifier systématiquement ce qu'ils savent sans le formuler avant de déléguer une tâche d'implémentation à Claude. Cette approche marque un tournant dans la manière de penser l'usage professionnel des assistants de code IA. Plutôt que de chercher à améliorer le prompt par tâtonnement ou à multiplier les instructions techniques, elle invite les développeurs à interroger leur propre expertise tacite, celle qui guide intuitivement leurs décisions de conception mais reste rarement explicitée. Pour les équipes qui intègrent Claude dans leurs flux de travail quotidiens, cela signifie que la qualité des résultats dépend désormais moins des capacités brutes du modèle que de la capacité des humains à formaliser leur propre raisonnement, un enjeu de communication autant que de technique. Cette réflexion s'inscrit dans un mouvement plus large autour de l'ingénierie de prompt à mesure que les modèles gagnent en autonomie et en compétence sur des tâches complexes de programmation. À mesure que des modèles comme Fable 5 réduisent l'écart de performance brute, la valeur ajoutée se déplace vers la qualité de l'interaction humain-machine. Les praticiens chez Anthropic, en partageant ce type de retours d'expérience issus de leur propre usage interne des outils, cherchent à outiller la communauté des développeurs pour qu'elle exploite pleinement le potentiel de ces nouveaux modèles, plutôt que d'en rester à des pratiques de prompting héritées de générations d'IA moins capables.

Outils≡Tuto

1 source

47

Illustration générée par IA

3280The Decoder 

Anthropic lance ses propres programmes de découverte de médicaments pour traiter des maladies jugées non rentables par les grands laboratoires pharmaceutiques

Anthropic a annoncé le lancement de son propre programme de découverte de médicaments, ciblant spécifiquement les maladies négligées que l'industrie pharmaceutique juge non rentables à développer. L'entreprise, connue pour son modèle Claude, entend ainsi mettre son intelligence artificielle au service de pathologies délaissées par les grands laboratoires faute de perspectives commerciales suffisantes. Vas Narasimhan, directeur général de Novartis, a livré des chiffres marquants sur le potentiel de l'IA dans ce domaine : selon lui, elle pourrait réduire la durée moyenne de développement d'un médicament de douze ans à seulement sept ou huit ans, tout en doublant le taux de réussite des essais, qui passerait de 8 à 16 pour cent. Cette initiative pourrait changer la donne pour des millions de patients atteints de maladies rares ou tropicales, aujourd'hui privés de traitements faute d'incitation économique pour les grands groupes pharmaceutiques. En accélérant les phases de recherche et en améliorant les taux de succès, l'IA générative promet de rendre viables financièrement des programmes jusqu'ici abandonnés, ouvrant potentiellement la voie à de nouvelles thérapies pour des populations longtemps négligées par le marché. Cette annonce s'inscrit dans un mouvement plus large où les entreprises d'IA ne se contentent plus de vendre leurs outils aux laboratoires pharmaceutiques, mais s'aventurent directement dans la recherche médicale. Les propos de Narasimhan, patron de l'un des plus grands groupes pharmaceutiques mondiaux, viennent légitimer cette approche et suggèrent que l'industrie traditionnelle observe de près ces initiatives, potentiellement amenées à redéfinir les modèles économiques de la recherche sur les maladies orphelines et négligées dans les années à venir.

Business⚡Actu

1 source