Actualités IA — page 190

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

44

Illustration générée par IA

3781Le Big Data 

Microsoft et Y Combinator noue un partenariat pour accompagner les startups IA

Microsoft a annoncé le 17 juin 2026 l'extension de son partenariat avec Y Combinator, l'un des accélérateurs de startups les plus influents au monde, pour accompagner la prochaine vague de jeunes entreprises spécialisées dans l'intelligence artificielle. Concrètement, les fondateurs passant par le programme YC pourront accéder à des crédits Azure pour financer leur infrastructure, à des ressources GPU haute performance pour l'entraînement et l'inférence de modèles, ainsi qu'à l'écosystème Microsoft Foundry, la plateforme unifiée regroupant modèles, outils et services IA de Microsoft. L'accompagnement va au-delà du technique : des ingénieurs, architectes et experts Microsoft seront mobilisés pour aider les équipes dans leurs choix d'architecture, l'optimisation des coûts et la préparation à la mise en production. Le programme Microsoft for Startups ouvre également l'accès au Microsoft Marketplace et aux dispositifs de vente conjointe, donnant aux startups une voie directe vers les grands comptes B2B. Ce partenariat compte parce qu'il déplace la ligne de départ pour les startups IA. Historiquement, accéder à une infrastructure de niveau entreprise, GPU massivement parallèles, environnements de déploiement fiables, réseaux de distribution commerciaux, supposait d'avoir levé des dizaines de millions de dollars. En intégrant ces ressources dès les premières phases de développement, Microsoft et Y Combinator permettent à de petites équipes de concevoir des systèmes fiables et évolutifs sans attendre d'atteindre une taille critique. Pour les fondateurs, l'enjeu est décisif : le passage de l'expérimentation à la production industrielle est souvent le moment où des projets prometteurs s'effondrent, faute de moyens techniques ou commerciaux suffisants. Ce rapprochement s'inscrit dans une bataille plus large pour capter les futures licornes de l'IA dès leur naissance. Y Combinator, qui a accompagné Stripe, Airbnb ou OpenAI à leurs débuts, représente un vivier stratégique : les startups qui en sortent lèvent en moyenne plusieurs millions de dollars dans les mois suivant leur batch, et certaines deviennent des références mondiales. Microsoft, qui a déjà investi massivement dans OpenAI et intégré l'IA dans l'ensemble de sa suite produit, cherche à s'imposer comme la plateforme par défaut sur laquelle se construira la prochaine génération d'entreprises IA natives. Face à Google Cloud, AWS et à l'écosystème Nvidia, ce partenariat avec YC est une manière de fidéliser des équipes techniques avant qu'elles n'aient encore choisi leur fournisseur principal, et potentiellement de les accompagner jusqu'à leur entrée en bourse.

Business❧Opinion

1 source

52

Illustration générée par IA

3782Next INpact 

OVHcloud veut ses Mistral gagnants et se lance dans les LLM

OVHcloud, le géant européen de l'hébergement basé à Roubaix, a annoncé lors du salon VivaTech son intention de lancer sa propre famille de modèles de langage (LLM). Octave Klaba, qui a repris la direction de l'entreprise fin 2025, a confirmé l'ambition à Reuters : sans maîtrise de cette technologie, OVHcloud ne pourrait « pas garantir son avenir ». Le groupe prévoit de déployer plusieurs modèles couvrant différents cas d'usage, sur le modèle d'Anthropic avec Opus, Sonnet et Haiku, ou d'OpenAI avec ses gammes GPT et o. La piste open source est explicitement envisagée, Klaba précisant que l'entreprise « regardera à quel moment elle sera suffisamment bonne pour open sourcer » ses modèles. Le budget estimé pour ce projet se situe entre 150 et 200 millions d'euros, contre environ un milliard il y a quelques années, grâce à la chute des coûts d'entraînement. Ce virage marque une montée en puissance significative pour OVHcloud, qui ne se positionne plus seulement comme fournisseur d'infrastructure mais comme acteur de la couche modèle, territoire jusqu'ici dominé par OpenAI, Anthropic et Mistral. Pour les entreprises européennes soucieuses de souveraineté numérique, l'émergence d'un LLM made in Europe, hébergé et entraîné sur sol européen, représente une alternative crédible aux géants américains. La qualification « et de l'IA » ajoutée récemment à tous les communiqués de presse d'OVHcloud signale que ce changement de positionnement est déjà assumé en interne, bien avant la sortie d'un premier modèle. Pour préparer ce lancement, OVHcloud a mené une série d'acquisitions ciblées depuis le début de l'année. En janvier, le groupe a racheté Seald, startup française spécialisée dans le chiffrement bout en bout, dont le SDK bénéficie d'un visa de sécurité CSPN délivré par l'ANSSI. En mars, c'est Dragon LLM qui a rejoint le giron, société française dédiée aux modèles souverains et spécialisés. Plus récemment, OVHcloud est entré en négociations exclusives pour acquérir Gladia, spécialisée dans l'IA vocale. Ces rachats s'accompagnent d'un renforcement des équipes internes en fine-tuning, la technique permettant de spécialiser un modèle pré-entraîné sur des tâches précises. La principale inconnue reste l'approvisionnement en GPU : Klaba a lui-même comparé les puces Nvidia à des fraises qui « pourrissent le lendemain », tant leur cycle de dépréciation est rapide face aux nouvelles générations. Entraîner des modèles compétitifs en exige des volumes importants, et la question de la rentabilité de ces investissements matériels reste entière.

LLMs❧Opinion

Aussi surPresse-citron

46

Illustration générée par IA

3783MarkTechPost 

La course à la compression du KV Cache : TurboQuant vs OSCAR vs EpiCache

La mémoire cache des modèles de langage à long contexte est devenue l'un des principaux goulots d'étranglement de l'IA générative, et plusieurs équipes de recherche publient en 2026 des solutions radicalement différentes. Le mécanisme en question, le cache KV (clé-valeur), stocke à chaque couche du transformeur les vecteurs calculés pour chaque token déjà traité, évitant ainsi de les recalculer à chaque étape. Le problème : ce cache grossit linéairement avec la longueur du contexte. Pour Llama-3.1-70B en BF16, le coût atteint environ 0,31 Mo par token, soit 40 Go pour 128 000 tokens, et plus de 300 Go pour un million de tokens, un volume supérieur aux 140 Go des poids du modèle lui-même. À haute concurrence, ce cache monopolise la bande passante mémoire et ralentit l'inférence indépendamment de la puissance de calcul disponible. TurboQuant, développé conjointement par Google et l'Université de New York et présenté à l'ICLR 2026, répond à ce défi sans calibration préalable : chaque vecteur est d'abord soumis à une rotation aléatoire qui distribue les valeurs de façon approximativement gaussienne, puis quantifié par un quantificateur scalaire optimal (Lloyd-Max). Un second étage applique une transformation Johnson-Lindenstrauss à 1 bit sur le résidu, produisant une estimation sans biais des logits d'attention. OSCAR, développé par Together AI, adopte l'approche inverse : constatant que quatre niveaux de représentation (INT2) laissent trop peu de précision pour une rotation aveugle, il calcule lors d'une passe de calibration hors ligne une rotation spécifique au modèle, les clés sont projetées dans la base propre de la covariance des requêtes, les valeurs dans celle des valeurs pondérées par les scores d'attention. Apple a de son côté publié EpiCache pour s'attaquer à un problème que ni TurboQuant ni OSCAR n'adressent. L'enjeu dépasse largement l'optimisation technique : réduire le cache KV, c'est rendre accessibles des contextes très longs à coût maîtrisé, ce qui change concrètement l'économie des services d'IA. Un modèle capable d'ingérer un million de tokens sans saturer la mémoire GPU peut traiter des documents entiers, des bases de code complètes ou des historiques de conversation longs sans dégradation ni coût prohibitif. TurboQuant affiche une neutralité qualitative à 3,5 bits et une dégradation marginale à 2,5 bits par canal, avec une précision quasi-totale sur le benchmark Needle-in-a-Haystack à compression 4x. OSCAR, conçu pour la production, est livré sous forme de bibliothèque C intégrable, ce qui facilite son déploiement dans des systèmes existants. Ces travaux s'inscrivent dans une course à la compression des caches KV démarrée avec KIVI, qui avait établi la référence en quantifiant les clés par canal et les valeurs par token, réduisant la mémoire de pointe d'environ 2,6x, sans aucun réglage fin. La vraie difficulté reste les canaux aberrants : quelques dimensions aux magnitudes disproportionnées qui faussent la quantification et effondrent la précision en INT2 naïf. TurboQuant et OSCAR attaquent ce problème différemment, l'un par rotation aléatoire à coût nul, l'autre par calibration ciblée, laissant la porte ouverte à des hybrides qui combineraient les deux approches selon le régime de compression visé.

Recherche❖Paper

1 source

47

Illustration générée par IA

3784AI News 

Microsoft vend les modèles OpenAI en Chine, OpenAI et Anthropic refusent

Microsoft est devenu, discrètement mais significativement, le principal fournisseur de modèles OpenAI en Chine. Selon une enquête de Bloomberg publiée cette semaine, les plus grandes entreprises internet chinoises achètent les modèles GPT via Azure, la plateforme cloud de Microsoft, alors qu'OpenAI et Anthropic refusent de commercialiser leurs technologies directement dans le pays, invoquant des risques de détournement de propriété intellectuelle. ByteDance, la maison mère de TikTok, est le plus grand client IA de Microsoft dans le monde, et devrait dépenser plus d'un milliard de dollars par an en services cloud et IA Microsoft. Ant Group, Meituan et Tencent font également partie des acheteurs. En interne, la croissance est célébrée : les revenus IA d'Azure en Chine ont environ triplé sur l'exercice fiscal clos en juin 2025, après une hausse de 400 % l'année précédente. Judson Althoff, alors directeur commercial, a présenté Microsoft comme la seule entreprise capable de "relier les deux pôles" de l'IA mondiale, soit la côte ouest américaine et la Chine. Cette situation place Microsoft dans une position géopolitique et commerciale inédite : l'entreprise encaisse la marge des deux côtés d'une frontière technologique que ses propres partenaires refusent de franchir. Le contrat singulier liant Microsoft à OpenAI lui permet de fixer ses propres conditions pour revendre les modèles GPT à l'étranger, ce qu'OpenAI ne fait pas lui-même. Mais cette position soulève des questions concrètes sur le contrôle des usages : OpenAI a en privé demandé à Microsoft de mieux surveiller la pratique de "distillation", technique consistant à utiliser les sorties d'un modèle pour en entraîner un autre. Microsoft affirme se limiter aux entreprises établies et s'appuyer sur une surveillance automatisée, mais des sources proches du dossier indiquent qu'aucune vigilance particulière n'est exercée sur les clients chinois, et que les données synthétiques générées restent difficiles à tracer. Le paradoxe s'approfondit lorsqu'on examine la stratégie globale de Microsoft. D'un côté, la société vend des modèles américains en Chine. De l'autre, elle a ajouté DeepSeek R1 à Azure AI Foundry en janvier 2025 et teste actuellement une version affinée de DeepSeek-V4 pour alimenter son agent d'entreprise Copilot Cowork, aujourd'hui propulsé par OpenAI et Anthropic. Microsoft vend donc aussi un modèle chinois à ses clients occidentaux, captant la marge sur les deux jambes du commerce. Cette acrobatie s'inscrit dans un contexte politique tendu : à Washington, des élus considèrent la poussée IA chinoise comme une menace directe pour l'industrie américaine, et la part du marché chinois représentait environ 1,5 % du chiffre d'affaires de Microsoft en 2024 selon Brad Smith, son président. La pression pourrait s'intensifier si OpenAI décide de rendre publiques ses objections, jusqu'ici discrètes.

Business⚡Actu

1 source

48

Illustration générée par IA

3785Le Big Data 

Databricks et Nvidia préparent ensemble l’avenir de l’IA agentique

Databricks et Nvidia ont annoncé lors du Data + AI Summit un renforcement significatif de leur partenariat, centré sur le déploiement industriel de l'IA agentique en entreprise. Les deux groupes intègrent désormais plus profondément leurs infrastructures matérielles et logicielles, avec un accès serverless aux GPU Nvidia A10 et H100 directement dans la plateforme Databricks via un environnement baptisé AI Runtime (AIR). Les GPU Hopper, couplés au réseau Quantum InfiniBand, prennent en charge les entraînements distribués à grande échelle, tandis que la compatibilité avec l'architecture Blackwell prépare l'accès aux prochaines générations de puissance de calcul. Databricks a également annoncé la prise en charge des GPU Nvidia dans son édition gratuite, ainsi que le support prochain des conteneurs NGC et des environnements CUDA personnalisés, permettant aux équipes d'exécuter leurs stacks spécialisées sans multiplier les couches d'infrastructure externes. Ce tournant est stratégique pour les entreprises qui ne se contentent plus d'expérimenter l'IA générative : elles cherchent à industrialiser des agents capables de raisonner, d'agir et d'interagir avec leurs données métier dans des environnements sécurisés et gouvernés. L'accès GPU dans l'édition gratuite de Databricks abaisse concrètement la barrière d'entrée pour les startups, développeurs indépendants et équipes de recherche à budgets limités, ce qui pourrait accélérer significativement l'adoption de l'IA avancée hors des grandes entreprises. La réduction de la complexité opérationnelle, en rapprochant entraînement et déploiement des données gouvernées, répond à l'un des freins majeurs identifiés dans les projets d'IA en production. Le partenariat entre Databricks et Nvidia s'inscrit dans une mutation plus profonde des architectures d'IA. Les grands modèles de langage ont jusqu'ici concentré l'attention sur les GPU pour l'inférence, mais les agents autonomes de nouvelle génération exigent bien davantage : exécution d'appels d'outils, interrogation de bases de données, coordination de plusieurs étapes de raisonnement en temps réel, interaction avec des systèmes métiers hétérogènes. C'est dans ce contexte que Nvidia met en avant Vera, son futur processeur conçu pour ces charges de travail agentiques hybrides, combinant CPU et GPU dans une même puce. Databricks, valorisé 62 milliards de dollars lors de sa dernière levée de fonds en 2024, positionne ainsi sa plateforme comme la couche d'orchestration centrale pour les entreprises qui construisent la prochaine vague d'IA, au moment où la concurrence avec Snowflake, Google et Microsoft s'intensifie sur ce segment précis du marché.

Infrastructure❧Opinion

1 source

46

Illustration générée par IA

3786Le Big Data 

Adobe dévoile Brand Visibility pour le GEO

Adobe a lancé Brand Visibility, une nouvelle solution destinée à aider les entreprises à mesurer et améliorer leur présence dans les réponses générées par les assistants IA comme ChatGPT, Perplexity ou Microsoft Copilot. L'outil combine les données de Semrush, partenaire de référence en analyse SEO, avec les capacités de la plateforme Adobe LLM Optimizer, déjà intégrée à Adobe Experience Manager. La solution s'appuie sur une base de près de 300 millions de requêtes réelles issues des principales plateformes conversationnelles pour fournir aux équipes marketing une vision précise de leur visibilité dans cet écosystème. Des indicateurs concrets sont proposés : fréquence des citations, part de visibilité par thématique, et comparaison directe avec les concurrents sur des requêtes identifiées. Des agents IA analysent ensuite ces données et génèrent des recommandations priorisées, applicables directement depuis la plateforme, avec une transmission automatique aux modèles d'IA et aux contenus web. L'enjeu est considérable. Entre octobre 2024 et mai 2026, le trafic provenant des interfaces IA vers les sites de e-commerce américains a progressé de 1 324 %, et de 2 215 % dans le secteur du tourisme. Ces chiffres, avancés par Adobe, illustrent la vitesse à laquelle les assistants conversationnels s'imposent comme un nouveau canal d'acquisition. Comme le souligne Anil Chakravarthy, président de l'activité Customer Experience Orchestration chez Adobe, une part croissante des consommateurs interagit désormais avec une IA avant même de visiter directement le site d'une marque. Pour les équipes marketing, cela signifie qu'une absence dans les réponses de ChatGPT ou Copilot peut se traduire par une perte de trafic et de revenus, sans même que la marque en soit consciente. Brand Visibility vise précisément à rendre ce phénomène mesurable et actionnable. Ce lancement s'inscrit dans une tendance de fond : l'émergence du GEO, le Generative Engine Optimization, en miroir du SEO traditionnel. Depuis l'explosion des modèles de langage grand public, les entreprises spécialisées en référencement cherchent à adapter leurs outils à ces nouveaux points de contact. Adobe, dont la plateforme Experience Cloud cible les grandes entreprises, se positionne ainsi en acteur incontournable de cette transition, en intégrant la dimension IA directement dans ses outils de gestion de l'expérience client. La collaboration avec Semrush, qui dispose d'une des plus grandes bases de données de requêtes au monde, renforce la crédibilité de l'approche. La capacité annoncée à relier les optimisations réalisées à des résultats commerciaux mesurables, réservations ou chiffre d'affaires, sera déterminante pour convaincre des directions marketing encore sceptiques sur la maturité du GEO comme levier stratégique.

Outils⚒Outil

1 source

52

Illustration générée par IA

3787Next INpact 

OpenAI : une croissance fulgurante, mais des pertes colossales

OpenAI a transmis à la SEC américaine un dossier financier confidentiel dans le cadre de sa préparation à une introduction en Bourse. Des documents ont fuité, révélant l'état réel des finances du laboratoire. En 2025, OpenAI a généré 13,1 milliards de dollars de chiffre d'affaires, contre 3,7 milliards en 2024, soit une hausse de plus de 250 % en un an. À fin 2025, la société encaissait 2 milliards de dollars par mois, deux fois plus que son chiffre trimestriel de fin 2024. Mais les pertes nettes ont atteint 38,5 milliards de dollars sur l'exercice, contre 5,09 milliards l'année précédente. En retranchant un ajustement comptable exceptionnel d'environ 30 milliards lié à la réorganisation juridique de l'entreprise, les pertes opérationnelles réelles s'établissent à 8 milliards, soit tout de même 60 % de plus qu'en 2024. Les dépenses d'exploitation ont failli tripler, passant de 12,5 à 34 milliards de dollars, avec une R&D qui explose à 19,18 milliards contre 7,81 milliards l'année précédente. En 2025, Microsoft a perçu 17,2 milliards de dollars d'OpenAI, dont 10,59 milliards pour couvrir les coûts d'infrastructure Azure liés à l'entraînement des modèles. Ces chiffres illustrent une réalité structurelle de l'IA générative : même les acteurs les plus rentables sur le plan commercial brûlent des liquidités à une vitesse sans précédent. OpenAI dépense nettement plus vite qu'elle ne gagne, et la dynamique ne semble pas près de s'inverser. Pour les utilisateurs et les entreprises clientes, cela signifie que la course aux modèles toujours plus puissants est financée par une accumulation de pertes qui repose entièrement sur la confiance des investisseurs. Pour l'industrie, cela confirme que le modèle économique de l'IA de pointe reste fragile : les marges sont négatives et les infrastructures de calcul représentent un coût colossal, capturé ici en grande partie par Microsoft via Azure. OpenAI a entamé sa transformation en société à but lucratif classique au cours des derniers mois, une restructuration juridique qui a généré la charge comptable exceptionnelle de 30 milliards. Ce changement de statut est précisément ce qui ouvre la voie à une introduction en Bourse. En mars 2026, la société annonçait une levée de fonds de 122 milliards de dollars sur une valorisation de 852 milliards, ce qui lui laisse 25 milliards de trésorerie disponible. SoftBank figure parmi les investisseurs clés avec 867 millions versés à OpenAI, tandis que Microsoft, malgré ses 17 milliards encaissés, reste à la fois fournisseur d'infrastructure, partenaire stratégique et client. La future cotation en Bourse imposera une transparence totale sur ces flux financiers complexes, et les marchés devront alors trancher : OpenAI vaut-elle vraiment près de mille milliards de dollars, ou est-elle une bulle alimentée par l'enthousiasme autour de l'IA ?

Business❧Opinion

1 source

58

Illustration générée par IA

3788Le Big Data 

Après Anthropic, et si les États-Unis décidaient de couper les meilleures IA ? Macron s’inquiète

Emmanuel Macron a profité du sommet du G7, le 17 juin 2026, pour exprimer publiquement ses inquiétudes face à la capacité des États-Unis à couper l'accès aux meilleurs modèles d'intelligence artificielle. Son intervention s'appuie directement sur une décision prise quelques jours plus tôt par Washington : l'administration Trump a interdit à Anthropic d'exporter ses modèles les plus avancés, Fable 5 et Mythos 5, invoquant des raisons de sécurité nationale après un signalement d'Amazon sur d'éventuelles failles. Sam Altman (OpenAI) et Dario Amodei (Anthropic) étaient présents au déjeuner de travail sur l'IA organisé en marge du G7, aux côtés de Donald Trump et de plusieurs dirigeants mondiaux. La décision de blocage reste en vigueur malgré les critiques de nombreux spécialistes en cybersécurité, qui soulignent que des capacités comparables à celles de Mythos 5 existent déjà dans d'autres modèles accessibles publiquement. Ce qui préoccupe Macron dépasse largement le cas Anthropic. Si un gouvernement peut suspendre l'accès à un modèle d'IA stratégique du jour au lendemain, aucune entreprise étrangère ne dispose d'une garantie durable. Les sociétés qui ont construit leurs services sur des IA américaines se retrouvent exposées à un risque systémique : celui de voir leurs outils essentiels disparaître sur décision unilatérale de Washington. Le Premier ministre indien Narendra Modi partage cette analyse et estime que les démocraties doivent pouvoir accéder aux meilleurs modèles pour protéger leurs infrastructures critiques. Pour les fournisseurs américains eux-mêmes, la situation n'est pas sans danger : leurs partenaires internationaux pourraient accélérer leur recherche d'alternatives, fragilisant ainsi leur position dominante sur le marché mondial. L'épisode relance le débat sur la souveraineté numérique, un sujet que l'Europe tente de traiter depuis plusieurs années sans avoir réussi à réduire significativement sa dépendance aux grandes plateformes américaines. Dans le domaine de l'IA, la réalité est particulièrement difficile à contourner : les modèles les plus performants proviennent encore majoritairement des États-Unis, ce qui rend les appels à diversifier les sources peu convaincants pour les entreprises en quête d'efficacité. Pour répondre à ces inquiétudes, les dirigeants du G7 ont évoqué la mise en place d'un programme de "partenaires de confiance", qui permettrait à certains pays et entreprises non américains de conserver un accès privilégié aux modèles avancés d'Anthropic ou d'OpenAI. Une piste encore floue, mais qui traduit l'urgence ressentie par les alliés des États-Unis face à un risque de dépendance technologique qui n'était jusqu'ici qu'hypothétique.

Régulation⚖Reglementation

1 source

48

Illustration générée par IA

3789La Tribune 

La licorne Databricks bouscule la Silicon Valley grâce à des agents IA d'entreprise conçus pour casser les coûts

Databricks, valorisé 134 milliards de dollars, vient d'annoncer le lancement d'une suite d'agents d'intelligence artificielle destinés aux entreprises. Ces outils sont conçus pour permettre à des équipes sans compétences techniques de générer automatiquement des stratégies commerciales, analyser des données complexes et automatiser des processus métier entiers. La licorne américaine, fondée en 2013 et connue pour sa plateforme de gestion et d'analytique de données, positionne ces agents comme une alternative significativement moins coûteuse aux solutions concurrentes déjà en place. L'enjeu économique est considérable. En promettant de "casser les coûts", Databricks cible directement les entreprises qui hésitent encore à déployer l'IA faute de budgets suffisants ou d'expertise interne. Si ces agents tiennent leurs promesses d'autonomie, ils pourraient démocratiser l'accès aux outils d'IA décisionnelle, jusqu'ici réservés aux grandes organisations dotées d'équipes data solides. Pour les DSI et les directeurs de transformation numérique, cela ouvre la perspective de moderniser les opérations sans recruter de spécialistes coûteux. Cette annonce s'inscrit dans une bataille ouverte pour le contrôle de la couche IA en entreprise. Databricks, concurrent direct de Snowflake sur le terrain des données, étend désormais son ambition vers des plateformes universelles, empiétant sur les positions de Microsoft avec Copilot, Salesforce avec Agentforce ou encore ServiceNow. Après une levée de fonds record de 15 milliards de dollars en 2024, la licorne dispose des ressources pour tenir ce pari sur la durée. La prochaine étape sera de convaincre des entreprises encore méfiantes que des agents autonomes peuvent réellement prendre des décisions stratégiques fiables sans supervision humaine constante.

Outils⚒Outil

1 source

48

Illustration générée par IA

3790Next INpact 

Botsitting, botshitting : quand l’IA au travail crée plus de travail qu’elle n’en supprime

Une étude du Work AI Institute, regroupant plusieurs universitaires américains spécialisés dans l'organisation du travail, révèle un paradoxe saisissant à l'ère de l'IA professionnelle. Menée auprès de 6 000 professionnels du numérique aux États-Unis, au Royaume-Uni et en Australie, elle montre que 87 % d'entre eux utilisent l'IA au travail, et 77 % jonglent avec plusieurs outils simultanément, un tiers en utilise au moins quatre. Ces outils permettent d'automatiser 27 % de leur production et font gagner en moyenne 11 heures par semaine, soit près d'un tiers du temps de travail. Pourtant, 6,4 heures de ces mêmes 11 heures sont consacrées à ce que les chercheurs appellent le « botsitting » : fournir le contexte manquant à l'IA, vérifier ses sorties, et corriger les réponses erronées qu'elle formule avec aplomb. Résultat : le gain net réel se réduit à moins de cinq heures hebdomadaires. Le fossé entre bénéfices individuels et valeur organisationnelle est l'enjeu central de cette étude. Si 75 % des travailleurs se disent plus productifs à titre personnel, seulement 13 % estiment que leur entreprise en profite réellement. Ce découplage s'explique par une dérive documentée par les chercheurs sous le terme de « botshitting » : 69 % des utilisateurs admettent livrer du travail généré par l'IA sans l'avoir relu, sans le comprendre entièrement, et sans être capables de le défendre si on les interrogeait. 41 % soumettent des résultats IA en production qu'ils sont incapables d'expliquer à leurs collègues ou supérieurs, générant ainsi de la charge cognitive chez les autres. 28 % vont jusqu'à attribuer leurs propres erreurs à l'IA qu'ils ont utilisée. Ces chiffres révèlent une transformation profonde des rapports au travail et à la compétence. 48 % des professionnels interrogés se tournent vers l'IA avant même de tenter de résoudre un problème par eux-mêmes, et 52 % trouvent plus facile de collaborer avec un bot qu'avec un collègue humain. 61 % estiment que l'IA les aide davantage que leur propre responsable hiérarchique. Le Work AI Institute pointe une incapacité structurelle des organisations à transformer ces gains individuels en valeur collective : les entreprises n'ont ni budgété, ni supervisé, ni même reconnu le temps invisible consacré à encadrer les IA. À mesure que la dépendance aux outils s'intensifie et que la vérification humaine s'érode, le risque n'est plus seulement une perte d'efficacité, c'est une dégradation silencieuse de la qualité et de la responsabilité professionnelle à l'échelle des organisations.

Société❖Paper

1 source

53

Illustration générée par IA

3791Next INpact 

☕️ L’Estonie veut attribuer une identité numérique à chaque agent IA

L'Estonie va créer un système d'identité numérique spécifiquement destiné aux agents IA. Kristen Michal, Premier ministre du pays balte, a annoncé la mise en place d'un « code d'identification personnel pour l'intelligence artificielle ». Concrètement, chaque agent IA agissant au nom d'un particulier ou d'une organisation recevra une identité traçable, assortie de droits précisément définis : il pourra être autorisé à consulter des données, préparer un document ou effectuer des actions dans un cadre financier déterminé. L'objectif déclaré est de répondre à trois questions fondamentales : qui agit, pour le compte de qui, et qui porte la responsabilité des actions effectuées. Il ne s'agit pas d'attribuer une personnalité juridique aux agents IA ni de leur conférer un statut légal propre, mais de formaliser leur périmètre d'action dans l'espace numérique estonien, notamment pour les démarches administratives et les services publics. L'enjeu principal est la traçabilité des actions que les agents IA effectuent au nom d'humains dans des contextes de plus en plus sensibles : rédaction de rapports, préparation de déclarations fiscales, communication avec des systèmes d'information officiels. Aujourd'hui, dans les entreprises, les agents IA disposent généralement d'accès restreints à l'infrastructure, et les principaux fournisseurs ont mis en place des mécanismes de journalisation et d'approbation. Mais ces garde-fous restent confinés aux systèmes privés. Le modèle estonien vise à étendre cette logique aux services publics, où la responsabilité est encore plus engagée. Pour Michal, un utilisateur ne devrait jamais être contraint d'accorder à son assistant IA un accès complet à l'ensemble de ses droits, services et données personnelles. Le système permettrait au contraire des délégations granulaires et auditables. L'Estonie est particulièrement bien placée pour porter cette initiative. Depuis les années 2000, le pays a bâti une infrastructure numérique unique en Europe : carte d'identité électronique adoptée par l'ensemble de la population, signature numérique légalement reconnue, et X-Road, le réseau sécurisé qui interconnecte les services publics estoniens et a inspiré des projets similaires dans plusieurs pays. C'est cette maturité technique qui rend le projet crédible là où il ne serait qu'un concept ailleurs. Michal présente explicitement l'initiative comme une opportunité pour son pays de définir un standard international sur la traçabilité des agents IA, un espace encore totalement non régulé à l'échelle mondiale. Alors que les agents autonomes commencent à agir de façon concrète dans des domaines jusqu'ici réservés aux humains, la question de leur identité et de leur responsabilité devient urgente pour les gouvernements, les entreprises et les citoyens.

Régulation⚖Reglementation

1 source

52

Illustration générée par IA

3792NVIDIA AI Blog 

La France fait progresser l'avenir de l'IA en Europe avec les technologies NVIDIA

La France accélère son infrastructure d'intelligence artificielle à grande échelle, avec plusieurs annonces majeures dévoilées cette semaine à VivaTech 2026. Mistral, la licorne française de l'IA, a mis en service son premier centre de données à Bruyères-le-Châtel, en région parisienne, équipé de 18 000 systèmes NVIDIA GB200. Ce site de 44 mégawatts constitue la première étape d'un plan visant 200 mégawatts de capacité de calcul répartis à travers l'Europe d'ici 2027. Mistral collabore par ailleurs avec la banque publique Bpifrance, la société d'investissement MGX et NVIDIA pour développer Campus AI, un réseau d'usines d'IA dont l'élément central devrait atteindre 1,4 gigawatt. Bull et Foxconn ont annoncé la production en Europe du supercalculateur NVIDIA Vera Rubin NVL72 : les systèmes seront fabriqués en République tchèque puis assemblés et validés dans l'usine Bull d'Angers. Le fournisseur de cloud Scaleway propose désormais des instances NVIDIA Blackwell B300-SXM, et un consortium de huit entreprises françaises a soumis une candidature pour accueillir une gigafactory européenne de l'IA sur le sol français. Ces investissements positionnent la France comme l'un des pivots de l'infrastructure IA en Europe, dans un contexte de compétition mondiale intense pour la puissance de calcul. Pour les entreprises et développeurs du continent, disposer de ces ressources localement réduit la dépendance aux infrastructures américaines et répond aux exigences de souveraineté et de conformité imposées par la réglementation européenne. L'essor de modèles ouverts, adaptés aux langues et aux cadres juridiques locaux, donne aux organisations publiques et privées la capacité d'inspecter, d'adapter et d'auditer leurs systèmes d'IA. Schneider Electric, associé à NVIDIA pour concevoir des plans de déploiement de centres de données à l'échelle du gigawatt, entend industrialiser ces infrastructures pour répondre à une demande qui ne cesse d'accélérer. Ce déploiement prolonge la dynamique lancée à GTC Paris lors de VivaTech 2025, où la France avait annoncé ses ambitions nationales en matière d'IA. Le programme France 2030, le Sommet pour l'action sur l'IA de 2025 et le sommet Choose France ont depuis mobilisé des milliards d'euros d'engagements d'investissement. Sur scène à VivaTech cette année, des responsables de Gradium, H Company, LINAGORA et Pleias ont débattu du rôle des modèles ouverts dans l'écosystème européen. Pierre-Carl Langlais, directeur technique de Pleias, a résumé l'enjeu : "On passe de la construction d'un modèle isolé à une infrastructure de modèles en continu, où les modèles s'entraînent mutuellement, gèrent les données et valident l'apprentissage par renforcement." L'objectif affiché est que les pratiques de pointe en IA se diffusent à l'ensemble de l'économie européenne, en dehors de toute dépendance exclusive aux acteurs américains.

Infrastructure⚡Actu

1 source

36

Illustration générée par IA

3793Numerama 

Edge AI et stockage local : les caméras de surveillance qui coupent le cordon avec le cloud [Sponso]

Les caméras de surveillance connectées connaissent une adoption massive dans les foyers et entreprises, mais elles dissimulent un compromis fondamental : pour accéder à leurs fonctionnalités avancées, détection de mouvement, alertes intelligentes, reconnaissance de personnes, la quasi-totalité des modèles exige que les flux vidéo soient envoyés vers des serveurs distants. Reolink, fabricant spécialisé dans la vidéosurveillance connectée, propose une alternative architecturale en embarquant le traitement directement dans la caméra, couplé à un stockage local sur carte SD ou NAS. Cette approche, dite Edge AI, change concrètement la donne pour les utilisateurs soucieux de leur vie privée et de leur souveraineté numérique. Les données ne quittent jamais le domicile ou les locaux de l'entreprise, supprimant le risque de fuite lors d'une violation côté cloud ou d'un changement brutal de politique tarifaire de l'éditeur. L'indépendance vis-à-vis d'un abonnement mensuel représente aussi un argument économique réel sur la durée, les services cloud de surveillance pouvant atteindre plusieurs dizaines d'euros par an et par caméra. La dépendance au cloud dans la vidéosurveillance grand public s'est imposée progressivement comme modèle dominant, portée par Nest (Google), Ring (Amazon) ou Arlo, qui y trouvent un levier de revenus récurrents. Face aux inquiétudes croissantes sur la protection des données personnelles et aux discussions réglementaires européennes autour du RGPD, le modèle local regagne en légitimité. L'embarquement de puces d'inférence IA directement dans les appareils ouvre la voie à des caméras pleinement autonomes, capables d'analyse intelligente sans dépendance réseau permanente.

Outils⚒Outil

1 source

49

Illustration générée par IA

3794Le Big Data 

AWS prépare une nouvelle génération d’agents IA d’entreprise

Amazon Web Services a dévoilé une série d'annonces autour de sa plateforme Bedrock et de plusieurs nouveaux services destinés à accélérer l'intégration des agents IA dans les environnements d'entreprise. Les évolutions touchent quatre domaines principaux : l'accès à la connaissance, l'automatisation des processus métier, la sécurité applicative et le développement logiciel. Bedrock AgentCore s'enrichit notamment de connecteurs vers SharePoint, Confluence, Google Drive et Amazon S3, mais aussi d'une capacité de navigation web directement intégrée au périmètre sécurisé du client. Un mécanisme d'accès aux contenus sous licence est également prévu, permettant aux fournisseurs de données de monétiser leur usage par les agents. Sur le terrain de la gouvernance, les équipes peuvent désormais analyser les erreurs récurrentes, tester différentes configurations et renforcer la protection contre les injections de prompt via Bedrock Guardrails. L'assistant métier Amazon Quick reçoit des capacités de gestion autonome de tâches, avec une vue unifiée regroupant échanges, rendez-vous et actions en attente, et s'ouvre à de nouveaux partenaires comme Adobe, Figma, Shopify, Snowflake et WhatsApp. Ces annonces marquent un changement de paradigme dans la façon dont AWS positionne l'IA en entreprise : il ne s'agit plus d'outils de question-réponse, mais d'agents capables d'agir de façon autonome sur des workflows réels. Pour les équipes de développement, AWS Continuum automatise l'identification et la correction des vulnérabilités logicielles, tandis qu'AWS Transform surveille en continu les dépôts de code pour détecter les composants vieillissants et proposer des pull requests correctives. AWS DevOps Agent élargit quant à lui son périmètre à la validation pré-production et à la génération automatique de scénarios de test. L'environnement de développement piloté par agents Kiro devient accessible sur iPhone. Ce virage vers l'automatisation concrète représente un enjeu majeur pour les directions techniques et les DSI, qui doivent désormais évaluer comment déléguer des pans entiers de leur chaîne de valeur à des systèmes autonomes. Ces évolutions s'inscrivent dans une compétition intense entre les grands fournisseurs de cloud pour capter les budgets IA des entreprises. AWS répond ainsi aux offres de Microsoft Copilot et de Google Vertex AI, qui avancent sur des territoires similaires. Le nouveau service AWS Context, qui construit automatiquement une représentation des liens entre données d'entreprise pour les rendre exploitables par les agents, illustre la volonté d'AWS de résoudre la fragmentation de l'information dans les grandes organisations, un problème structurel que ni les outils de recherche classiques ni les premiers chatbots d'entreprise n'ont su régler. La capacité à monétiser les données premium via les agents ouvre par ailleurs un nouveau marché pour les éditeurs de contenu, dont les modalités de valorisation restent encore à définir dans un cadre réglementaire et contractuel qui n'en est qu'à ses débuts.

Outils⚒Outil

1 source

57

Illustration générée par IA

3795FrenchWeb 

Le jour où la Silicon Valley a compris qu’elle n’était pas souveraine

Depuis vendredi 13 juin 2026, l'interdiction d'accès aux modèles Mythos et Fable d'Anthropic en Europe a provoqué une onde de choc dans l'industrie technologique. Des milliers d'entreprises et développeurs qui intégraient ces outils dans leurs produits se sont retrouvés du jour au lendemain privés de services sur lesquels ils avaient bâti des infrastructures entières. La décision, dont les contours réglementaires restent flous, a déclenché une cascade de réactions des deux côtés de l'Atlantique. L'événement agit comme un révélateur brutal d'une dépendance longtemps ignorée. Pour les acteurs européens du numérique, petites startups comme grandes entreprises, le blocage soudain d'un modèle fondateur illustre concrètement ce que signifie s'appuyer sur des infrastructures dont on ne contrôle ni la gouvernance ni la continuité. La question n'est plus théorique : une décision unilatérale américaine, qu'elle soit réglementaire, commerciale ou géopolitique, peut interrompre des services critiques sans préavis. Le débat sur la souveraineté numérique européenne couvait depuis des années, alimenté par la domination des hyperscalers américains sur le cloud et, désormais, sur l'IA générative. L'Europe investit dans des initiatives comme Mistral ou les programmes de recherche publique, mais la dépendance aux modèles frontier américains reste massive. Cet épisode pourrait accélérer les discussions autour d'une véritable politique industrielle de l'IA au niveau de l'Union, tout en forçant la Silicon Valley à mesurer les risques géopolitiques de son propre rayonnement technologique.

Régulation⚖Reglementation

1 source

44

Illustration générée par IA

3796Latent Space 

Midjourney Medical : scanner ses organes aussi simplement que monter sur une balance

Midjourney, le studio d'intelligence artificielle connu pour sa plateforme de génération d'images, a présenté le 17 juin 2026 un projet inattendu : le Midjourney Scanner, un système d'imagerie médicale à ultrasons plein corps. Décrit par le fondateur David Holz comme "la première nouvelle modalité d'imagerie médicale complète en 50 ans", l'appareil utilise des ultrasons plutôt que des rayons X, des IRM ou des scanners à radiation. Techniquement, il embarque 358 000 éléments ultrasoniques répartis sur 40 systèmes en anneau de 70 cm de diamètre, capture environ 40 Go de données par tranche corporelle à un débit de 17 Go/s, et reconstruit les images sur 21 serveurs représentant 2 pétaflops de puissance de calcul. La résolution annoncée atteint 0,5 mm pour les tissus internes. Le prototype actuel, testé sur une douzaine de personnes, nécessite encore environ 20 minutes par scan en raison de goulots d'étranglement techniques. Midjourney a également annoncé le Midjourney Spa, un premier espace bien-être de 2 300 m² prévu autour d'Union Square à San Francisco, avec 9 à 10 scanners intégrés, des saunas, bains froids et équipements sportifs, dont l'ouverture est visée pour fin 2027. L'ambition derrière ce projet dépasse largement le gadget technologique. Holz a déclaré que quelques dizaines de ces machines, fonctionnant à pleine capacité, pourraient réaliser plus de scanners corporels complets que l'ensemble des appareils IRM de la planète. L'objectif affiché à terme est un parc de 50 000 scanners capables d'effectuer jusqu'à un milliard de scans par mois, ce qui rendrait l'imagerie médicale préventive accessible à l'échelle mondiale. Pour les utilisateurs, cela ouvrirait la voie à un suivi de santé régulier, quotidien ou hebdomadaire, permettant de détecter des anomalies avant l'apparition de symptômes, de suivre la composition corporelle ou d'assister un médecin avec une première analyse augmentée par IA. L'approche sans investisseurs externes, financée en propre par Midjourney, confère à l'entreprise une liberté stratégique rare dans ce secteur. Ce lancement s'inscrit dans une tendance plus large de convergence entre les grandes capacités de calcul développées par les labos d'IA et le domaine médical, à l'image de ce qu'ont représenté les CryoEM de Chan Zuckerberg Biohub pour la biologie structurale. Midjourney a déjà entamé des discussions avec la FDA américaine, avec une stratégie réglementaire initiale orientée vers la composition corporelle, un segment jugé plus accessible. La deuxième génération du scanner est attendue pour fin 2026, puis une troisième avec des puces silicium sur mesure. Aucune IA n'était présente dans les images montrées lors du lancement, mais Holz a clairement indiqué que physique, simulation et apprentissage automatique seront au cœur des prochaines générations. L'équipe actuelle ne compte que neuf personnes, ce qui rend l'ampleur du projet d'autant plus saisissante.

Outils⚒Outil

1 source

42

Illustration générée par IA

3797Le Big Data 

ChatGPT met de l’ordre dans vos tâches planifiées avec cette nouvelle interface

OpenAI a déployé le 17 juin 2026 une nouvelle interface de gestion des tâches planifiées dans ChatGPT, baptisée page "Planifiées", accessible depuis la barre latérale sur le Web et sur mobile. Cette mise à jour concerne les abonnés Go, Plus, Pro, Business et Enterprise. Concrètement, l'ensemble des automatisations créées par un utilisateur se retrouve désormais regroupé en un seul endroit, avec la possibilité de consulter la prochaine exécution de chaque tâche, de la modifier, de la suspendre ou de la supprimer. OpenAI a également revu le processus de création : des exemples de commandes sont proposés d'emblée, et il suffit d'écrire une demande en langage naturel dans une conversation pour programmer une action. Les horaires gagnent en souplesse, avec des plages matin, après-midi ou soir sans obligation de spécifier une heure précise. Les limites varient selon l'abonnement : trois tâches actives simultanées pour Go, cinq pour Plus, quinze pour Pro, Business, Éducation et Enterprise. Ce changement répond à un problème concret qui freinait l'adoption des tâches planifiées depuis leur lancement il y a plusieurs mois : les automatisations se créaient au fil des conversations, rendant leur retrouvaille laborieuse. En centralisant cette gestion, OpenAI abaisse significativement la barrière d'usage pour les professionnels et les utilisateurs réguliers qui recourent à ChatGPT pour des rappels, des surveillances d'informations ou des tâches récurrentes. Les notifications s'améliorent également : une fois les autorisations accordées, les rappels peuvent être reçus sur toutes les plateformes connectées au compte, avec le choix entre notifications push, e-mails ou les deux. OpenAI intègre par ailleurs ces tâches dans Pulse, un espace dédié aux automatisations où ChatGPT peut surveiller un sujet précis et alerter l'utilisateur uniquement en cas de changement significatif, avec des résumés visuels consultables à la demande. Les tâches planifiées de ChatGPT avaient été introduites progressivement depuis fin 2024, mais restaient une fonctionnalité de niche, peu visible et difficile à gérer. Cette refonte s'inscrit dans une stratégie plus large d'OpenAI visant à faire de ChatGPT un véritable agent personnel capable d'agir de façon autonome dans la durée, au-delà des échanges ponctuels. La concurrence est vive sur ce terrain : Google avec Gemini et Microsoft avec Copilot poussent eux aussi vers des assistants capables d'automatiser des workflows complexes. Des restrictions subsistent néanmoins : les conversations vocales et les GPT personnalisés restent incompatibles avec la fonctionnalité. La vraie question désormais est de savoir si OpenAI ira plus loin en permettant des tâches déclenchées par des événements externes, ce qui rapprocherait ChatGPT d'outils d'automatisation comme Zapier ou Make.

Outils⚒Outil

Aussi surBlog du Modérateur

52

Illustration générée par IA

3798Le Big Data 

Noam Shazeer : le cerveau de Gemini lâche Google pour OpenAI

Noam Shazeer, vice-président de l'ingénierie chez Google et l'un des principaux architectes du modèle Gemini, a annoncé le 18 juin 2026 son départ pour rejoindre OpenAI. Il y prend le poste de responsable de la recherche en architecture, une nomination confirmée par l'entreprise de Sam Altman. Dans un message publié sur X, Shazeer a exprimé sa fierté du travail accompli chez Google tout en affichant son enthousiasme pour cette nouvelle étape. L'accueil chez OpenAI a été chaleureux : Mark Chen a salué ses contributions aux architectures Transformer et Mixture of Experts, le qualifiant de l'un des plus grands spécialistes de l'intelligence artificielle générale. Sam Altman, lui, a déclaré attendre ce moment depuis la création même d'OpenAI il y a dix ans. Ce départ représente un coup dur symbolique et technique pour Google à un moment particulièrement sensible. Shazeer est considéré comme l'un des chercheurs ayant joué un rôle décisif dans l'accélération de Gemini face à ChatGPT, contribuant à maintenir Google dans la course alors que la pression concurrentielle n'avait jamais été aussi forte. Son transfert vers OpenAI, qui prépare actuellement son introduction en bourse, renforce la position de la startup dans la bataille des talents en IA. Pour l'industrie, cela illustre une tendance lourde : les ingénieurs les plus influents de l'IA circulent entre les grands acteurs, emportant avec eux une expertise difficilement remplaçable. Shazeer est une figure fondatrice de l'IA moderne. Entré chez Google en 2000, il a notamment contribué au développement d'AdSense avant de cosigner en 2017 l'article "Attention Is All You Need", qui a introduit l'architecture Transformer aujourd'hui au coeur de pratiquement tous les grands modèles génératifs. Il avait ensuite quitté Google pour cofonder Character.AI, une plateforme de chatbots conversationnels que Google a rachetée en 2024 pour 2,7 milliards de dollars. Ce rachat l'avait ramené chez Google avec une partie de son équipe de recherche, où il avait rapidement pris la tête du développement de Gemini. Son nouveau départ, moins de deux ans après ce retour, intervient dans un contexte où OpenAI cherche à consolider son avance technologique avant son entrée en bourse et où Google doit défendre sa position sur un marché de l'IA générative de plus en plus disputé.

Business❧Opinion

Aussi surThe Information AI,The Decoder

46

Illustration générée par IA

3799arXiv cs.RO 

RL résiduel centré sur les objets pour l'amélioration zéro-shot des VLA en transfert simulation-réel

Des chercheurs de Microsoft Research ont publié fin juin 2026 un framework baptisé Object-Centric Residual RL (arXiv:2606.18953), conçu pour améliorer la robustesse des modèles Vision-Language-Action (VLA) dans des tâches de manipulation physique précise. Le principe : entraîner une politique correctrice en simulation pure, basée non pas sur des images mais sur les poses des objets, puis la transférer directement sur un robot réel sans aucun fine-tuning supplémentaire. Sur un bras Franka Research 3 (FR3), la méthode fait passer le taux de succès moyen de 42 % à 76 % en zero-shot sur cinq tâches de manipulation, avec une politique résiduelle entraînée exclusivement en simulation, avec injection de bruit de pose et dropout. Le processus inclut également le rejeu des démonstrations de télé-opération en simulation pour entraîner un VLA "jumeau" simulé, auquel la politique résiduelle est ensuite couplée avant transfert zero-shot. L'enjeu est direct pour les intégrateurs et les équipes de déploiement robotique : les VLA actuels, qu'il s'agisse de Pi-0 (Physical Intelligence), d'OpenVLA ou des modèles RT de Google, généralisent bien à travers des tâches variées mais accumulent des erreurs d'exécution lors d'interactions physiques précises (pincements, insertions, assemblages) où la précision millimétrique est requise. Les approches concurrentes butent sur un trilemme classique : les méthodes à états privilégiés nécessitent une distillation coûteuse pour le déploiement, les méthodes basées image souffrent du fossé visuel sim-to-réel, et le RL en conditions réelles reste coûteux et risqué pour le matériel. En substituant les poses d'objets aux images comme espace d'observation, le framework crée une représentation compacte et cohérente entre simulation et réalité, suffisamment légère pour un transfert zero-shot fiable. Autre résultat notable : les rollouts améliorés peuvent être réutilisés pour ré-entraîner le VLA de base, ouvrant une boucle d'auto-amélioration sans télé-opération supplémentaire. Le sim-to-real gap est un problème structurel qui freine la commercialisation des robots polyvalents depuis plusieurs années, et les VLA n'y échappent pas malgré leurs capacités de généralisation linguistique. Cette publication s'inscrit dans une dynamique de recherche intense où Physical Intelligence (Pi-0, Pi-0 FAST), Figure AI et 1X Technologies tentent chacun de réduire cet écart par des voies différentes : données réelles massives, domain randomization, ou standardisation du hardware. Microsoft Research, moins visible sur le déploiement commercial que ces acteurs, confirme ici un axe de recherche sur la correction post-entraînement des fondations robotiques par RL simulé. La page projet est publiée en accès ouvert sur le site de Microsoft Research ; aucun partenariat industriel ni timeline de déploiement n'est mentionné dans la publication, qui reste pour l'heure une contribution académique.

Robotique❧Opinion

1 source

45

Illustration générée par IA

3800arXiv cs.RO 

DREAM-Chunk : regroupement d'actions réactif avec modèle du monde latent

DREAM-Chunk (arXiv:2606.18589, juin 2026) est une méthode d'inférence conçue pour corriger une fragilité structurelle des modèles vision-language-action (VLA) : l'exécution en boucle ouverte lors de l'action chunking. Ce paradigme, devenu standard dans les VLA actuels, consiste à inférer à basse fréquence un bloc d'actions (un "chunk") que le robot exécute séquentiellement à haute fréquence, sans rétroaction intermédiaire. Dès qu'un chunk est lancé, le robot le suit à l'aveugle, vulnérable aux perturbations dynamiques, aux erreurs matérielles et à l'observabilité partielle. DREAM-Chunk adresse ce problème sans modifier ni réentraîner la politique sous-jacente : à l'inférence, il génère plusieurs chunks candidats, simule leurs trajectoires dans un espace latent via un world model léger, et sélectionne celui dont l'état prédit correspond le mieux à l'observation réelle. La méthode est validée sur le benchmark Kinetix et sur quatre tâches de manipulation couvrant deux plateformes robotiques et deux architectures VLA distinctes. L'intérêt pratique est direct pour les intégrateurs industriels qui déploient des VLA pré-entraînés sans accès au pipeline d'entraînement : DREAM-Chunk s'insère comme une couche plug-and-play, sans fine-tuning requis. La méthode s'inscrit dans la tendance du test-time compute scaling, bien établie côté LLM mais encore naissante en robotique physique, où dépenser davantage de calcul à l'inférence peut compenser les limites d'un modèle sans passer par un nouveau cycle d'entraînement coûteux. Les résultats montrent que les gains augmentent avec le nombre de chunks candidats échantillonnés, et que l'avantage est particulièrement marqué lorsque les démonstrations contiennent des comportements correctifs, ce qui soulève une question pratique sur la composition des datasets de démo. Les world models latents en robotique ont une longue tradition (DREAMER, TD-MPC2, DreamerV3), mais leur couplage avec des VLA basés sur le chunking reste récent. Physical Intelligence avec pi-0, Figure AI et des équipes de Stanford, CMU et Berkeley explorent simultanément comment améliorer la robustesse en déploiement sans réentraînement complet. DREAM-Chunk se distingue par son caractère agnostique au modèle sous-jacent, ce qui facilite son adoption sur des architectures hétérogènes. La prochaine étape logique serait une validation sur des plateformes commerciales à manipulation dextre (Fourier GR1, Unitree G1) et des tâches à dynamiques hautement stochastiques comme l'assemblage de précision. Le papier ne mentionne ni partenaires industriels ni pilotes commerciaux annoncés.

Robotique❧Opinion

1 source