Actualités IA — page 2

7 536 articles au fil, du plus récent au plus ancien.

44

21AWS ML Blog 

Correction et harmonisation des métadonnées par IA

Amazon Web Services a présenté un système automatisé de correction et d'harmonisation des métadonnées, conçu pour combler l'écart croissant entre le volume de données générées par les organisations et leur capacité à les standardiser. L'architecture repose sur plusieurs briques du cloud AWS : Amazon Bedrock assure l'alignement sémantique des schémas grâce à des grands modèles de langage, Amazon S3 stocke les schémas et les résultats, Amazon DynamoDB suit l'avancement des tâches, Amazon Cognito gère l'authentification et Amazon ECS fournit la puissance de calcul. Le processus démarre lorsqu'un utilisateur téléverse ses fichiers de métadonnées. Le système lance alors deux vérifications parallèles : l'alignement des schémas, qui repère les colonnes manquantes, mal nommées ou mal structurées, et la validation des champs individuels, qui détecte les valeurs obligatoires absentes ou vides, comme un identifiant d'échantillon manquant, ainsi que les valeurs ne correspondant pas aux listes autorisées. Lorsqu'une anomalie est identifiée, l'outil propose des corrections ciblées que l'utilisateur reste libre d'approuver ou de rejeter avant toute modification définitive. Deux modes d'utilisation sont proposés : une validation supervisée à chaque étape par un humain, et un mode entièrement autonome piloté par des agents pour les organisations souhaitant industrialiser le traitement à grande échelle. Cette automatisation répond à un problème très concret pour les équipes de recherche et d'analyse de données : l'harmonisation des métadonnées, c'est-à-dire la standardisation des libellés, identifiants et formats permettant à des jeux de données issus de sources différentes de fonctionner ensemble, reste aujourd'hui largement manuelle. Ce travail fastidieux ralentit l'analyse, complique l'interprétation des résultats et freine le partage de données entre institutions, un enjeu central pour la science ouverte. En s'appuyant sur la compréhension sémantique des modèles de langage plutôt que sur une simple comparaison de chaînes de caractères, le système peut reconnaître des synonymes propres à un secteur, déduire le sens d'une colonne à partir de son contexte, ou détecter qu'une colonne source doit être scindée en plusieurs colonnes cibles, des cas que les approches fondées sur des règles fixes ou le rapprochement approximatif de texte ne parviennent généralement pas à traiter correctement. Cette initiative s'inscrit dans un mouvement plus large où les entreprises technologiques cherchent à appliquer les grands modèles de langage à des tâches d'infrastructure de données jusqu'ici considérées comme trop répétitives pour être automatisées mais trop complexes pour être entièrement codées en dur. AWS met en avant, en complément de l'architecture technique, des recommandations de gouvernance pour encadrer le déploiement de ces outils dans les organisations, notamment le maintien d'un contrôle humain sur les décisions finales malgré l'automatisation croissante. La coexistence proposée entre un mode supervisé et un mode autonome laisse présager une adoption progressive de ces systèmes, d'abord dans des contextes où l'expertise humaine reste jugée indispensable, avant une éventuelle généralisation à des flux de traitement de données entièrement automatisés à mesure que la confiance dans ces modèles se consolide.

Outils⚒Outil

1 source

50

22NVIDIA AI Blog 

Comment les XPU s'intègrent dans une AI factory de classe mondiale

NVIDIA a détaillé sa technologie NVLink Fusion, conçue pour connecter des puces d'intelligence artificielle personnalisées, appelées XPU, à son infrastructure afin de construire des usines d'IA à grande échelle. La sixième génération de NVLink relie jusqu'à 72 XPU au sein d'un même domaine de calcul, avec une latence de bout en bout trois fois inférieure aux solutions Ethernet standard et un débit de paquets dix fois supérieur. Les systèmes GB300 NVL72, qui exploitent ce domaine à 72 GPU, offrent un débit par GPU et une interactivité supérieurs aux configurations basées sur le NVIDIA B300. La feuille de route prévoit à terme des domaines pouvant atteindre 1 152 accélérateurs, associés à des liaisons optiques co-intégrées. La technologie inclut aussi NVLink-C2C, qui relie les XPU aux processeurs NVIDIA Vera ou à d'autres CPU de l'écosystème, avec une efficacité énergétique jusqu'à six fois supérieure à une interface PCIe classique. Tim Wilson, vice-président et directeur général de l'ingénierie silicium des centres de données chez Intel, a salué la flexibilité offerte, qui laisse aux clients le choix de l'architecture CPU et du niveau de performance adapté à leurs charges de travail. Pour les grands fournisseurs cloud et les entreprises natives de l'IA qui développent leurs propres puces XPU en alternative aux GPU standards, le principal obstacle n'est pas la conception de la puce mais l'infrastructure qui l'entoure : réseau d'interconnexion, architecture de racks, logiciels de production et chaîne de fournisseurs. En intégrant NVLink Fusion, ces acteurs concentrent leur innovation sur leur propre silicium tout en s'appuyant sur une pile technologique NVIDIA déjà éprouvée à grande échelle. L'enjeu est directement économique : dans une usine d'IA, la rentabilité se mesure en tokens générés par seconde, en tokens par watt et en coût par token. Un réseau trop lent fait chuter le taux d'utilisation des puces et augmente le coût de chaque token, un problème critique pour les modèles à mille milliards de paramètres, les architectures de mélange d'experts et l'IA agentique. En réduisant les risques opérationnels et en accélérant la mise sur le marché, NVIDIA consolide sa position centrale malgré la montée du silicium maison des géants technologiques. Cette annonce s'inscrit dans une course où les grands groupes cherchent à réduire leur dépendance aux GPU NVIDIA en développant leurs propres accélérateurs, tout en restant confrontés à la complexité de bâtir une infrastructure complète autour de ces puces. NVLink Fusion répond à cette tension en ouvrant l'écosystème NVIDIA à des partenaires tiers concepteurs d'ASIC, de CPU, de propriété intellectuelle et d'interconnexions optiques, Intel en tête. Ce virage permet à NVIDIA de rester fournisseur d'infrastructure incontournable même lorsque le calcul est assuré par des puces conçues par d'autres. Les domaines à 1 152 accélérateurs et l'optique co-packagée annoncés laissent entrevoir une escalade continue de la densité de calcul dans les futures générations d'usines d'IA.

Infrastructure⚡Actu

1 source

58

23NVIDIA AI Blog 

Avec Groq 3 LPX en pleine production, NVIDIA étend Vera Rubin à l'inférence pour agents

NVIDIA a annoncé ce mardi 24 août, lors de la conférence Hot Chips à Palo Alto, la mise en production complète de sa puce Groq 3 LPX, intégrée à la plateforme Vera Rubin NVL72 pour accélérer l'inférence des systèmes d'IA agentique. Selon un benchmark d'Artificial Analysis mené sur le modèle open source Gemma 4 31B, la puce génère 3 400 tokens par seconde sur des contextes longs de 100 000 tokens, soit quatre fois plus vite que la meilleure alternative du marché. Nebius devient le premier cloud à adopter Groq 3 LPX, via son offre Token Factory, tandis que CoreWeave déploie en production Spectrum-X Multiplane, un réseau reliant plusieurs racks Vera Rubin. SpaceXAI, de son côté, a annoncé l'utilisation des processeurs NVIDIA Vera pour son IA agentique, des centres de données terrestres jusqu'à ses satellites en orbite. Cette annonce illustre un basculement de l'industrie de l'IA, où l'entraînement des modèles cède la place à l'inférence comme principal poste de dépense et de différenciation. Les agents IA génèrent davantage de tokens, traitent des contextes bien plus longs et collaborent entre eux pour résoudre des tâches complexes, ce qui impose une infrastructure optimisée pour le débit, la latence et le coût par token, pas seulement pour la puissance de calcul brute. En intégrant calcul, réseau et inférence dans une architecture unique, NVIDIA cherche à réduire le coût de génération des tokens pour les entreprises qui déploient des assistants de code, des agents conversationnels ou des applications temps réel à grande échelle. Pour des clouds comme Nebius et CoreWeave, cela représente un avantage compétitif direct: proposer une inférence plus rapide et moins chère devient un argument commercial aussi important que la qualité des modèles. Cette approche, que NVIDIA appelle la conception extrême (extrême codesign), consiste à concevoir simultanément le calcul, le réseau et l'accélération d'inférence plutôt que d'optimiser chaque composant séparément, et structure désormais toute la feuille de route de la plateforme Vera Rubin. L'annonce survient alors que la concurrence sur les puces d'inférence s'intensifie, portée par la demande croissante pour des agents capables de raisonner sur de longues séquences et d'utiliser des outils externes, des usages beaucoup plus gourmands que la simple génération de texte court. Le choix de SpaceXAI d'étendre ces processeurs jusqu'à ses satellites en orbite illustre l'ambition de NVIDIA de dépasser les seuls centres de données terrestres. À mesure que d'autres clouds suivront l'exemple de Nebius et CoreWeave, la bataille sur le coût et la vitesse de génération des tokens devrait s'intensifier dans les prochains mois.

Infrastructure⚡Actu

Aussi surZDNET FR

50

24NVIDIA AI Blog 

Jusqu'à 30x plus de puissance par watt : NVIDIA Vera Rubin NVL72 fixe une nouvelle norme d'efficacité pour les agents IA

NVIDIA a dévoilé de nouvelles données de performance montrant que ses systèmes Vera Rubin NVL72 offrent jusqu'à 30 fois plus de débit par mégawatt que les systèmes GB300 NVL72 actuels sur les charges de travail d'IA agentique. Ces mesures s'appuient sur AgentX, un protocole de test développé par le cabinet d'analyse SemiAnalysis, qui reproduit des sessions réelles de codage agentique avec croissance de contexte, appels d'outils et création de sous-agents. Les tests couvrent plusieurs modèles agentiques, dont Kimi K3, MiniMax M3, GLM5.3, Qwen3.5 et DeepSeek V4 Pro. Sur ce dernier modèle, les GB300 NVL72 affichaient déjà jusqu'à 15 fois plus de débit par mégawatt que l'architecture Hopper, et les Vera Rubin NVL72 poussent cet avantage jusqu'à 30 fois. NVIDIA annonce aussi un coût par million de tokens jusqu'à 35 fois inférieur à celui des GB300 NVL72, grâce notamment à la technologie de gestion d'énergie DSX MaxLPS, qui permet de déployer jusqu'à 40 % de GPU supplémentaires dans une même enveloppe de mégawatts. Ces résultats préliminaires sont en cours de validation par SemiAnalysis et n'incluent pas encore les performances du CPU Vera pour les appels d'outils. Selon des données d'OpenRouter citées par NVIDIA, les charges agentiques consomment déjà 15 fois plus de tokens qu'une simple requête de chat classique. Cette efficacité énergétique compte parce que les agents IA fonctionnent très différemment d'un chatbot standard. Là où une conversation ou un résumé de document mobilise typiquement entre 1 000 et 8 000 tokens, un agent qui enchaîne recherches, appels d'outils et sous-agents peut accumuler plusieurs centaines de milliers de tokens de contexte avant de produire une réponse. Pour les centres de données contraints par leur capacité électrique, le débit par mégawatt détermine directement le chiffre d'affaires possible, tandis que le coût par token conditionne la marge dégagée sur cette activité. Un gain de 30 fois sur l'efficacité permet donc de faire tourner des agents en continu, à grande échelle, sur l'ensemble des usages professionnels, du développement logiciel au service client en passant par la recherche approfondie, sans multiplier d'autant la facture énergétique. Ces annonces s'inscrivent dans la cadence accélérée de renouvellement matériel de NVIDIA, qui enchaîne les générations d'architectures, de Hopper à Blackwell (GB300) puis à Vera Rubin, avec à chaque étape une conception poussée conjointement au niveau du matériel et du logiciel. L'entreprise précise que les optimisations logicielles continues devraient encore améliorer les performances des plateformes GB300 NVL72 et Vera Rubin NVL72 dans les mois à venir. Cette course à l'efficacité par watt reflète l'essor rapide de l'IA agentique en production dans l'industrie, où la demande en tokens explose et où la disponibilité d'électricité devient un facteur limitant aussi critique que la puissance de calcul elle-même.

Infrastructure⚡Actu

1 source

56

25Next INpact 

Twitch accusé d’avoir donné les contenus de ses créateurs à Amazon et ses modèles IA

Twitch fait face à une proposition de recours collectif déposée le 20 août 2026 en Californie contre la plateforme et sa maison mère Amazon. Le plaignant, Warren Pandiscia, streamer du Connecticut, accuse Amazon d'avoir utilisé sans rémunération ni consentement les contenus des créateurs Twitch pour entraîner ses modèles d'intelligence artificielle. La controverse a éclaté le 12 août, lorsque Twitch a confirmé exploiter automatiquement le contenu des chaînes à cette fin : l'option est activée par défaut, et même les échanges dans un chat restent exploitables dès qu'un seul participant a accepté la collecte. Mike Minton, directeur produit de Twitch, avait justifié ce choix par défaut sans détour, expliquant que si l'option était volontaire, personne ne l'activerait. La plainte va plus loin en affirmant qu'Amazon utilisait déjà des contenus Twitch pour ses modèles dès 2024, année de l'acquisition du service, sans qu'aucun mécanisme de refus n'existe alors, Minton ayant lui-même reconnu que ces données servaient à des prototypes. Cette affaire soulève des enjeux financiers et juridiques majeurs pour l'ensemble des créateurs de contenus en ligne. Si la certification en class action est accordée, la procédure pourrait représenter tous les créateurs Twitch américains dont les œuvres auraient été collectées sans autorisation explicite pour nourrir les modèles d'Amazon. La plainte formule quatre chefs d'accusation : rupture d'un contrat implicite et du devoir de bonne foi contre Twitch, enrichissement injustifié contre Twitch et Amazon, rupture de contrat explicite contre les deux entreprises, et violation de la loi californienne sur les pratiques commerciales déloyales. L'affaire illustre une tension croissante entre les géants technologiques et les créateurs dont les contenus alimentent silencieusement l'entraînement de l'IA générative, sans compensation ni transparence claire sur l'usage réel de ces données. Un élément clé de l'argumentation du plaignant repose sur l'évolution des conditions générales d'utilisation de Twitch. Jusqu'alors, la licence accordée par les utilisateurs permettait à Twitch d'exploiter leurs contenus uniquement en lien avec la monétisation de ses services. Or, le 12 août, jour même de l'annonce sur l'entraînement IA, cette formulation a été élargie pour couvrir les activités de Twitch et/ou de ses affiliés, une catégorie qui inclut Amazon. Pour la poursuite, ce changement de langage constitue un aveu implicite : si l'ancienne licence autorisait déjà l'usage des contenus pour l'IA générative d'Amazon, cet élargissement n'aurait pas été nécessaire. L'issue de cette procédure, encore au stade de la demande de certification en class action, pourrait avoir des répercussions sur la manière dont les plateformes de streaming et les réseaux sociaux formulent leurs conditions d'utilisation concernant l'exploitation des contenus par des filiales ou partenaires technologiques à des fins d'entraînement de modèles d'IA.

Régulation⚖Reglementation

Aussi sur01net

48

26MIT Technology Review 

Comment encourager un usage plus intelligent de l'IA en classe

Depuis la sortie des chatbots grand public il y a quelques années, les établissements scolaires cherchent encore la bonne méthode pour encadrer leur usage. C'est le cas de la Cheshire Academy, école privée internat et externat du Connecticut qui compte environ 400 élèves de la seconde à la terminale (grades 9 à 12). Selon George Aiello, bibliothécaire et coordinateur technologique de l'établissement, la « grande majorité » des enseignants y utilisent déjà l'intelligence artificielle sous une forme ou une autre, bien que la direction n'impose aucune obligation en ce sens. Les professeurs combinent des outils généralistes comme ChatGPT et Perplexity avec des plateformes spécialisées telles que MagicSchool, conçue spécifiquement pour les enseignants. Plutôt que d'imposer un outil unique, l'école a suivi les conseils de consultants et formé son personnel à des techniques générales de rédaction de prompts, tout en insistant sur les limites du système, notamment les risques d'erreurs et de biais. Miriam Przybyla-Baum, professeure de français depuis près de trente ans, n'utilise pas l'IA pour elle-même mais a bâti un dispositif pédagogique : les élèves font corriger leurs devoirs par un modèle de langage puis identifient les corrections pertinentes et celles qui effacent leur propre style, ou évaluent anonymement les travaux assistés par IA de leurs camarades. Cette expérimentation illustre un problème plus large : malgré les encouragements d'organisations comme OpenAI ou l'UNESCO à intégrer l'IA en classe, la plupart des enseignants restent désorientés quant à la marche à suivre concrète. La charge de travail des professeurs, déjà lourde entre préparation des cours, création de devoirs et correction, s'est encore alourdie avec l'obligation de s'adapter à cette nouvelle technologie sans cadre clair. Des inquiétudes sur la qualité, la personnalisation et la confidentialité des données empêchent par exemple les enseignants de Cheshire Academy d'utiliser l'IA pour donner un retour direct aux élèves, même si certains le souhaiteraient. Ces tensions traduisent un enjeu qui dépasse une seule école : comment tirer parti d'un outil puissant sans dévaloriser l'apprentissage ni compromettre l'intégrité académique. Le phénomène n'est pas totalement nouveau : Przybyla-Baum observait déjà des élèves contourner les exercices de langue via Google Translate bien avant le lancement de ChatGPT. Face à cette continuité, Cheshire Academy a généralisé une méthode de signalisation inspirée des feux tricolores pour classer les devoirs : vert pour un usage libre de l'IA, rouge pour une interdiction totale, et jaune pour un usage partiel, comme l'autorisation du correcteur orthographique sans recours au chatbot. L'établissement pilote aussi un « Student AI Council », un programme où les élèves eux-mêmes produisent des contenus et animent des discussions sur un usage sain de l'IA, signe que la réflexion s'oriente désormais vers l'implication directe des étudiants dans la définition des règles.

Société≡Tuto

1 source

46

27MarkTechPost 

GEN-1.5 de Generalist AI : un modele de fondation pour robots qui apprend une nouvelle tache a partir d'une seule demonstration de 3 a 12 secondes

Generalist AI a dévoilé GEN-1.5, un modèle fondation pour robots capable d'apprendre une nouvelle tâche physique à partir d'une seule démonstration de 3 à 12 secondes de données sensorimotrices, insérée dans une fenêtre de contexte de 30 secondes. Sans mise à jour de gradient ni fine-tuning, le robot exécute alors la tâche directement. Sur dix tâches de manipulation variées, cet apprentissage en un coup, dit "physical prompting", atteint en moyenne 59% de réussite (écart-type de 10 points) avec le seul modèle pré-entraîné. Dix pas de gradient sur cinq minutes de données par tâche, soit environ 50 démonstrations, font grimper ce taux à 83% (écart-type de 9 points). Dans un cas extrême, un seul pas de gradient sur une minute de données a permis d'atteindre 66,5% de réussite sur une tâche inédite, sans réglage spécifique des hyperparamètres. GEN-1.5 est un modèle multimodal traitant vidéo, capteurs, langage et proprioception, produisant des trajectoires d'action à 100 Hz, entraîné en continu depuis plus de huit mois sur des données d'interaction physique collectées dans des foyers, entrepôts et usines. Il s'agit pour l'instant d'une publication de recherche: aucun poids public, aucune API, aucune tarification, l'accès passant uniquement par un partenariat direct avec Generalist AI. Cette avancée est significative car l'adaptation des politiques robotiques nécessitait jusqu'ici des dizaines de milliers de pas de gradient. Ici, dix pas suffisent à faire évoluer les poids du modèle de moins de 0,15% sur des tâches inédites, ce qui suggère que le fine-tuning reconfigure des connaissances déjà acquises plutôt qu'il n'en construit de nouvelles. Generalist AI y voit un équivalent, pour la robotique, du moment GPT-3, où l'apprentissage en contexte était apparu sans avoir été conçu comme objectif d'entraînement. Pour l'industrie, cela laisse entrevoir des robots capables d'apprendre nombre de tâches sur site, à partir de démonstrations filmées, sans passer par des cycles longs et coûteux de collecte de données puis de réentraînement, ce qui pourrait accélérer le déploiement de robots polyvalents en entrepôt ou à domicile. Le contexte est celui d'une course entre laboratoires de robotique à produire des modèles fondation généralistes, capables de transférer des compétences d'une tâche à l'autre comme les grands modèles de langage transfèrent des connaissances entre domaines. Generalist AI met en avant plusieurs capacités de transfert obtenues avec GEN-1.5: la généralisation compositionnelle, qui permet d'enchaîner deux démonstrations indépendantes en un seul comportement continu avec des mouvements de transition inédits; le transfert simulation vers réel, où une démonstration entièrement simulée sert de guide au robot réel alors que le pré-entraînement ne contenait aucune donnée simulée; et l'imitation humain vers robot, où une personne démontre le geste de ses propres mains devant les caméras du robot, qui le reproduit ensuite avec ses propres pinces. Ces résultats, bien que limités à des tâches courtes et simples selon l'entreprise elle-même, ouvrent la voie à des suites: extension à des tâches plus longues, ouverture progressive de l'accès au-delà des partenariats directs, et concurrence accrue avec d'autres acteurs de la robotique fondation qui cherchent eux aussi à réduire la dépendance aux données d'entraînement massives.

Robotique⚡Actu

1 source

55

28The Information AI 

Les mouvements frénétiques de Jensen Huang

Jensen Huang, directeur général de Nvidia, multiplie les initiatives stratégiques alors que des incertitudes pèsent sur la construction des infrastructures d'intelligence artificielle. Dimanche, il a été révélé que Nvidia prévoyait de mener un investissement de plusieurs milliards de dollars dans Perplexity, l'entreprise de recherche devenue fournisseur d'agents IA, dont la croissance du chiffre d'affaires a été particulièrement forte cette année. Quelques jours auparavant, Huang avait annoncé le troisième d'une série d'investissements rapides dans des sociétés spécialisées dans le foncier et l'énergie destinés aux centres de données d'IA. Par ailleurs, des fabricants de serveurs ont averti leurs clients d'une hausse de prix de 17 % pour certains systèmes phares équipés des puces Blackwell et Rubin de Nvidia, qui doivent arriver l'an prochain. Ces mouvements traduisent une stratégie claire de Nvidia visant à sécuriser la place de son offre matérielle et logicielle le plus tôt possible dans la chaîne de construction des centres de données. En investissant en amont, dans le foncier et l'énergie autant que dans les applications d'IA elles-mêmes, l'entreprise cherche à devancer un possible excédent de puces, qui pourrait survenir si les fournisseurs de cloud et les développeurs de centres de données subissent des retards liés à l'approvisionnement énergétique ou des dépassements de coûts imprévus. La hausse annoncée de 17 % sur les futurs systèmes Blackwell et Rubin illustre concrètement ces pressions sur les coûts, un signal potentiellement inquiétant pour les grands clients du secteur qui doivent déjà composer avec des investissements massifs en infrastructures IA. Ces décisions s'inscrivent dans un contexte où Nvidia, dominant le marché des puces pour l'IA, cherche à diversifier ses points d'ancrage face à des signes de tension dans le cycle d'expansion de l'IA générative. En misant à la fois sur des acteurs d'infrastructure énergétique, sur des fournisseurs d'applications comme Perplexity, et en ajustant sa politique tarifaire, l'entreprise tente de garder la main sur l'ensemble de la chaîne de valeur. Les prochains mois devraient révéler si cette stratégie d'investissements tous azimuts permet réellement d'anticiper les goulots d'étranglement énergétiques et matériels qui menacent le rythme actuel de déploiement de l'IA à grande échelle.

Infrastructure❧Opinion

1 source

47

29MarkTechPost 

Google Research présente ME-POIs, un modèle qui intègre l'usage réel des lieux aux embeddings textuels de POI

Google Research et l'université de Californie du Sud (USC) ont dévoilé ME-POIs (Mobility-Embedded POIs), un système qui enrichit les représentations textuelles de lieux (POI, points d'intérêt) avec des données réelles de déplacement humain. L'idée : deux cafés peuvent avoir la même catégorie, la même adresse et le même vecteur textuel, alors que l'un accueille des clients pressés en coup de vent et l'autre les retient une heure et demie. Chaque visite est encodée sous forme de vecteur contextualisé (position, heure d'arrivée, heure de départ) via un Transformer à 4 couches et 8 têtes, puis alignée par apprentissage contrastif sur un prototype unique appris pour chaque lieu. Testé sur cinq tâches d'enrichissement cartographique à partir de données de mobilité de Los Angeles (39 557 POI, 6,9 millions de visites sur toute l'année 2019) et de Houston (28 419 POI, 715 604 visites sur 20 jours en mars 2020), le modèle améliore 34 des 35 combinaisons modèle-tâche testées à Los Angeles, avec des gains allant jusqu'à 81,9% en score F1 sur l'intention de visite et une réduction de 24,7% de l'erreur sur la fréquentation. Le modèle ne compte que 53,7 millions de paramètres et a été entraîné sur une seule carte graphique NVIDIA Tesla V100 de 16 Go. Ce résultat pèse sur un débat central en intelligence artificielle appliquée à la géolocalisation : les descriptions textuelles suffisent-elles à comprendre un lieu ? La réponse de Google Research est non. Une variante du modèle entraînée uniquement sur les données de mobilité, sans aucun alignement textuel, a surpassé les embeddings de Gemini sur la classification du niveau de prix (0,600 contre 0,559 de précision) et a battu toutes les méthodes concurrentes basées sur les trajectoires, sur toutes les tâches. Autrement dit, le comportement collectif des usagers révèle parfois plus qu'une fiche descriptive rédigée en langage naturel. Pour les entreprises de cartographie, de recommandation locale ou de logistique urbaine, cela ouvre la voie à des systèmes capables de détecter des fermetures, d'estimer l'affluence ou de deviner les habitudes de fréquentation sans dépendre uniquement de textes souvent imprécis ou obsolètes. Le principal obstacle reste la disponibilité des données : ME-POIs exige des journaux de visites concédés sous licence ou des données internes de première partie, ainsi que les contours précis des lieux, des ressources rares et coûteuses. Autre défi technique, la rareté des données pour la majorité des lieux : seuls 9,07% des POI de Los Angeles et 7,04% de ceux de Houston dépassaient le seuil minimal de visites nécessaire pour servir d'ancre fiable. Pour pallier ce manque, les chercheurs ont conçu un mécanisme de transfert par noyaux gaussiens à plusieurs échelles (0,3, 1 et 3 kilomètres), qui propage les habitudes de fréquentation des lieux bien documentés vers les lieux peu visités. À ce stade, Google Research n'a publié que l'article scientifique, sans code ni poids de modèle disponibles publiquement, ce qui limite l'adoption immédiate à des équipes capables de reconstruire l'architecture elles-mêmes. Les labels d'évaluation proviennent de SafeGraph et de Google Maps, ce qui laisse entrevoir un possible déploiement futur au sein des propres produits cartographiques de Google.

Recherche❖Paper

1 source

46

30InfoQ AI 

Microsoft passe la gouvernance de l'IA de la politique interne à l'application en temps réel

Microsoft a dévoilé une architecture de gouvernance de l'intelligence artificielle organisée autour de neuf domaines de gouvernance et de quatre fonctions centrales : la politique, le contrôle, la visibilité et la preuve. Décrite par Leela Kumili, cette architecture relie les politiques de gouvernance à leur application effective au moment de l'exécution, à l'évaluation continue des systèmes, à l'observabilité, à la gestion des identités, à la sécurité et à la production de preuves d'audit. L'objectif affiché est de permettre aux organisations de vérifier concrètement le respect des exigences de gouvernance pendant que les applications et les agents d'IA fonctionnent réellement en production, et non plus seulement au stade de la conception ou de la documentation théorique. Ce basculement d'une gouvernance essentiellement déclarative, fondée sur des politiques écrites et des audits ponctuels, vers un contrôle appliqué en continu au moment de l'exécution répond à une préoccupation croissante des entreprises qui déploient des agents IA autonomes dans leurs systèmes critiques. Pour les responsables conformité, sécurité et risque, cela signifie disposer d'un mécanisme capable de démontrer, preuves à l'appui, que les agents respectent effectivement les règles fixées, plutôt que de s'appuyer sur une simple attestation théorique. Une telle approche pourrait devenir une référence pour les grandes organisations cherchant à industrialiser le déploiement d'agents IA tout en satisfaisant des exigences réglementaires et internes de plus en plus strictes. Cette initiative s'inscrit dans un mouvement plus large de l'industrie technologique visant à combler l'écart entre des cadres de gouvernance IA souvent théoriques et leur application réelle dans des environnements de production où les agents agissent de façon toujours plus autonome. À mesure que les entreprises multiplient les déploiements d'assistants et d'agents capables d'exécuter des tâches sans supervision humaine constante, la traçabilité et la responsabilité deviennent des enjeux centraux face aux régulateurs. Microsoft cherche ainsi à se positionner non seulement comme fournisseur de capacités d'IA, mais aussi comme fournisseur des garde-fous nécessaires pour les déployer en toute confiance.

Sécurité⚡Actu

1 source

47

31Import AI 

Import AI 470 : pas de droits pour les machines, génération automatique d'environnements avec SPADE, de meilleurs kernels GPU avec Hawkeye

Le 470e numéro de la newsletter Import AI, publié par des chercheurs indépendants, présente une étude de l'organisation de recherche METR mesurant où l'intelligence artificielle accélère réellement la découverte scientifique, en comparant trois domaines : la cybersécurité, les mathématiques et la recherche en IA elle-même. Pour la cybersécurité, l'accélération est jugée majeure : le nombre de vulnérabilités signalées a fortement augmenté en 2026 par rapport à 2025, aussi bien sur des projets précis comme cURL, OpenSSL, Firefox et les logiciels Microsoft que dans les bases de données agrégées américaines NVD et OSV. En mathématiques, l'effet est plus modeste mais réel : les soumissions sur arXiv ont doublé dans certains sous-domaines en moins de douze mois, et plusieurs problèmes réputés difficiles ont été résolus, dont la conjecture jacobienne de la liste de Smale, le problème 44 de la liste de Green portant sur le crible de division par deux, et la moitié sofique du problème 100 de Green. En revanche, pour l'optimisation de la recherche en IA elle-même, aucune accélération mesurable n'a été constatée sur sept repères significatifs (CIFAR-10, la compression Hutter, l'optimisation mixte-entière avec Gurobi, MIPLIB, nanoGPT, le moteur d'échecs Stockfish et l'exposant de multiplication matricielle), seuls nanoGPT et CIFAR-10 montrant une contribution attribuable à des modèles de langage, et à un rythme bien plus faible que dans les deux autres domaines. Ce constat compte parce qu'il montre que l'IA ne progresse pas de façon uniforme dans les sciences et technologies, mais par poches localisées, très marquées en cybersécurité, plus diffuses en mathématiques, quasi invisibles dans l'auto-amélioration algorithmique de l'IA. Pour les entreprises et laboratoires qui investissent massivement dans l'automatisation de la recherche, cela suggère que le passage à un régime d'accélération dépend d'un basculement de compétence propre à chaque domaine, comme cela s'est produit pour la programmation quotidienne en 2025 puis pour le piratage informatique en 2026, plutôt que d'un simple effet d'échelle généralisé. Le numéro détaille aussi SPADE, un système d'entraînement conçu par des chercheurs de neuf institutions, dont l'Université de Washington, Stanford, le MIT, Carnegie Mellon et l'Université nationale de Singapour. SPADE fait alterner un même modèle entre deux rôles : concepteur d'environnements exécutables complexes, comme des simulations de laboratoire de biologie, et agent chargé de les résoudre, créant ainsi ses propres données d'entraînement en boucle. Ce type d'approche illustre les tentatives naissantes d'auto-amélioration récursive des modèles, un axe de recherche suivi de près par la communauté, notamment pour ses implications potentielles en matière de sécurité et de contrôle des systèmes d'IA à mesure que leur autonomie augmente.

Recherche❖Paper

1 source

50

32VentureBeat AI 

Anthropic ajoute Claude Tag à Slack : l'agent lit toute la conversation et intervient sans y être invité

Anthropic a mis à jour Claude Tag, l'agent d'intelligence artificielle qui opère dans les canaux Slack, pour qu'il lise le contexte de conversations entières plutôt que d'évaluer chaque message isolément. Selon l'entreprise, ce changement rend Claude environ 30% plus performant pour décider quand intervenir dans un échange, et surtout quand s'abstenir. Scott White, responsable produit entreprise chez Anthropic, a détaillé cette évolution dans un entretien avec VentureBeat, la présentant comme le socle d'une stratégie baptisée "multiplayer AI". L'idée centrale: l'intelligence artificielle en entreprise ne doit plus être un outil consulté individuellement, mais un agent capable de lire le contexte organisationnel et de s'insérer de façon proactive dans le travail collectif, parfois sans y être invité. White résume ce basculement par une formule: Claude "ressemblait à un chef de cabinet personnel" et se comporte désormais, dans un cadre organisationnel, "comme le chef de cabinet de l'entreprise elle-même". Cette évolution compte parce qu'elle redéfinit la manière dont les organisations pourraient structurer le travail de connaissance. White découpe l'histoire récente de l'IA en entreprise en trois phases: d'abord des tâches partielles comme compléter une ligne de code, puis des tâches complètes comme rédiger un rapport, et désormais la poursuite d'objectifs de plus haut niveau, tels que fiabiliser un produit ou accélérer un processus de révision juridique, avec un modèle opérant en arrière-plan sur plusieurs sources de données. Or ces objectifs impliquent par nature plusieurs personnes, contrairement à une tâche isolée. White souligne que le travail de connaissance manque des infrastructures collaboratives dont dispose l'ingénierie logicielle depuis des décennies, comme Git ou les pull requests, et que sa qualité ne se vérifie pas aussi facilement qu'un code qui compile: elle requiert un jugement humain. Cette bascule vers une IA multi-utilisateurs pourrait donc transformer profondément l'organisation du travail collaboratif dans les entreprises qui adoptent ces outils. Trois avancées techniques ont rendu possible cette proactivité, selon White. La première est la connectivité, portée par le Model Context Protocol (MCP), un standard ouvert introduit par Anthropic fin 2024 et depuis adopté par des concurrents comme OpenAI et Google en 2025, qu'il compare à un "USB-C pour les connecteurs IA" donnant à Claude un accès régulé aux systèmes de données d'entreprise. La deuxième est un seuil d'intelligence des modèles suffisant pour rendre la proactivité utile plutôt qu'intrusive, permettant à Claude de croiser des données issues de sources multiples pour repérer un problème et proposer une solution de sa propre initiative. Cette stratégie s'inscrit dans une compétition plus large entre grands laboratoires d'IA pour dominer le marché de l'IA d'entreprise, où la capacité à s'intégrer profondément dans les flux de travail organisationnels devient un enjeu commercial majeur.

Outils⚒Outil

1 source

55

33The Decoder 

Thomson Reuters investit 40 millions de dollars pour développer sa propre IA plutôt que dépendre d'OpenAI ou Anthropic

Thomson Reuters a annoncé le lancement de "Thomson", un modèle de langage développé en interne et construit sur la base du modèle Qwen d'Alibaba, pour un investissement d'environ 40 millions de dollars étalé sur deux ans. Selon les données communiquées par l'entreprise, ce modèle n'obtient ses meilleurs résultats aux tests de performance que lorsqu'il peut s'appuyer sur les contenus propriétaires du groupe, notamment sa base juridique Westlaw. Le directeur technique de Thomson Reuters, Joel Hron, résume la logique du projet en expliquant que l'enjeu n'est pas de disposer de l'intelligence artificielle la plus performante dans l'absolu, mais de déterminer précisément quelle brique d'intelligence l'entreprise a intérêt à posséder plutôt qu'à louer. Cette décision marque une rupture avec la pratique dominante consistant à s'appuyer sur des modèles loués à des fournisseurs comme OpenAI ou Anthropic. Pour un groupe comme Thomson Reuters, dont la valeur repose largement sur des bases de données juridiques et financières exclusives, garder la main sur le modèle qui exploite ces données permet de mieux contrôler les coûts à long terme, de limiter la dépendance à des acteurs tiers et de protéger un avantage concurrentiel construit sur des décennies d'accumulation de contenus spécialisés. Cette stratégie s'inscrit dans une tendance plus large où de grandes entreprises disposant de données propriétaires de valeur choisissent de construire leurs propres modèles à partir de bases open source, comme Qwen d'Alibaba, plutôt que de dépendre entièrement des grands fournisseurs commerciaux américains. Le pari de Thomson Reuters illustre un arbitrage désormais central pour l'industrie : la performance brute d'un modèle générique compte moins que sa capacité à être associé aux données spécifiques d'une organisation, ce qui pourrait inciter d'autres entreprises détentrices de contenus propriétaires à suivre une voie similaire.

Business⚡Actu

1 source

37

34MIT Technology Review 

Le Download : les enfants apprennent plus vite que l'IA, et les agents s'invitent dans les voyages spatiaux

Apprendre une langue maternelle ne demande à un enfant qu'une fraction infime des données nécessaires à un grand modèle de langage pour atteindre le même niveau de maîtrise, selon un article publié par la journaliste Elise Cutts dans la newsletter The Download du MIT Technology Review. Un LLM ingère typiquement jusqu'à cent mille fois plus de mots qu'un enfant n'en entend avant de maîtriser sa langue maternelle. Cet écart, que les chercheurs appellent le "data efficiency gap" (écart d'efficacité des données), intrigue autant les scientifiques cognitifs que les concepteurs de modèles d'intelligence artificielle. Des équipes de recherche tentent aujourd'hui de rétro-ingénierer les mécanismes d'apprentissage linguistique des jeunes enfants pour comprendre comment ils parviennent à un résultat aussi performant avec si peu d'exposition, alors même que les modèles les plus sophistiqués nécessitent des corpus de textes gigantesques, souvent extraits d'internet. Cette question dépasse la simple curiosité académique. Si les chercheurs parviennent à percer le mécanisme qui permet aux enfants d'apprendre autant avec si peu de données, cela pourrait ouvrir la voie à des modèles d'IA radicalement plus économes en données d'entraînement, donc moins coûteux à développer, moins gourmands en ressources de calcul et potentiellement plus adaptés aux langues peu dotées en corpus numériques. Un tel progrès aurait des répercussions concrètes pour l'industrie de l'IA, confrontée à l'épuisement progressif des données textuelles de haute qualité disponibles sur le web, un problème régulièrement évoqué comme un frein structurel à la prochaine génération de modèles. Comprendre l'apprentissage enfantin pourrait aussi éclairer des débats plus anciens sur le développement cognitif et le rapport entre langage et esprit humain. Ce travail s'inscrit dans un contexte où l'entraînement des grands modèles de langage repose sur des volumes de texte extraits massivement d'internet, en contraste frappant avec les quelques milliers d'heures de parole auxquelles un enfant est exposé avant de devenir locuteur compétent. Le sujet ravive aussi un débat scientifique de longue date entre les théories nativistes du langage, popularisées par Noam Chomsky, et les approches statistiques de l'apprentissage, sur lesquelles reposent justement les LLM actuels. Des initiatives comme les défis de modélisation "développementalement plausible" cherchent déjà à entraîner des systèmes avec des volumes de données comparables à ceux reçus par un enfant. Ces travaux, présentés dans le cadre d'un prochain numéro du magazine du MIT Technology Review consacré à l'enfance, pourraient à terme inspirer de nouvelles méthodes d'entraînement fondées sur l'apprentissage progressif et l'ancrage sensoriel et social, plutôt que sur la seule accumulation de texte.

Recherche❖Paper

1 source

59

35Le Big Data 

Pourquoi Microsoft élargit son écosystème IA avec ses puces et de nouvelles alliances B2B

Microsoft accélère la diversification de son infrastructure d'intelligence artificielle en misant sur ses propres puces et sur de nouvelles alliances commerciales. Le groupe de Redmond a commandé plus de 300 000 exemplaires de son accélérateur Maia 300 auprès du fondeur taïwanais TSMC, en vue d'une production prévue pour 2027, avec l'ambition affichée de faire grimper les volumes vers environ un million de puces l'année suivante, selon des informations relayées début août 2026. Cette montée en puissance s'accompagne d'un déploiement élargi des solutions cloud de Microsoft auprès de clients tels que LegalZoom, Paychex et ArcelorMittal, qui intègrent Microsoft 365 Copilot dans leurs fonctions juridiques, RH et industrielles. Sur les marchés, le titre Microsoft a clôturé à 492,81 dollars au Nasdaq, en hausse de 25,3 % sur la semaine et de 54,7 % sur trois ans. Ce mouvement s'inscrit dans une dynamique de financement bien plus large : Citadel Securities anticipe jusqu'à 500 milliards de dollars d'émissions de dette d'ici 2028 pour financer l'infrastructure mondiale des semi-conducteurs dédiés à l'intelligence artificielle. Cette stratégie vise directement à réduire la dépendance de Microsoft envers les processeurs graphiques de Nvidia, dont l'exclusivité impose des coûts financiers et opérationnels croissants aux géants du cloud. En développant ses propres accélérateurs, optimisés pour l'inférence des grands modèles de langage grâce à une meilleure efficience énergétique et une bande passante mémoire adaptée, Microsoft cherche à maîtriser l'ensemble de sa chaîne de valeur, de la fabrication du silicium jusqu'aux applications métiers. Fait notable, cette puissance de calcul n'est plus réservée à OpenAI, partenaire historique de Microsoft, mais s'ouvre désormais à des concurrents comme Anthropic, dont le modèle Claude est proposé aux côtés des technologies OpenAI sur Azure. Pour les entreprises clientes, cette diversification matérielle se traduit par une baisse des coûts opérationnels et une plus grande liberté de choix entre plusieurs modèles d'IA, réduisant le risque d'enfermement propriétaire et améliorant le retour sur investissement des projets d'intelligence artificielle. Cette évolution répond à une pression croissante sur les coûts de traitement des requêtes d'IA, qui pousse l'ensemble des hyperscalers à repenser leur approvisionnement en composants plutôt que de dépendre d'un seul fournisseur. Amazon avec ses puces Trainium et Google avec ses TPU ont déjà emprunté cette voie, et l'arrivée de la puce Maia positionne Microsoft comme un acteur crédible face à ces solutions concurrentes. La réservation de capacités massives auprès de TSMC jusqu'en 2027 doit garantir un approvisionnement stable en calcul, un enjeu stratégique alors que les tensions logistiques autour des semi-conducteurs restent vives. Avec des besoins de financement pouvant atteindre 500 milliards de dollars de dette d'ici 2028 selon Citadel Securities, l'industrie entre dans un cycle d'investissement capitalistique inédit, où la maîtrise du matériel devient aussi déterminante que celle des modèles eux-mêmes pour les grands acteurs du cloud.

Infrastructure⚡Actu

1 source

44

36Le Big Data 

Vidéo : ce robot humanoïde chevauche… un cheval robotisé à Pékin

À Pékin, la Conférence mondiale sur la robotique 2026 a mis en scène une image inattendue : un robot humanoïde chevauchant un robot quadrupède conçu comme un cheval mécanique. L'engin, baptisé Qiji X1, a été développé par DaxAI Robotics, une entreprise pékinoise fondée autour de 2025 par Wang Kun, avec Xu Wenqiang comme cofondateur et directeur technique, fort d'une expérience en intelligence artificielle. Le Qiji X1 se présente comme un robot quadrupède pilotable, équipé de quatre pattes articulées remplaçant roues et chenilles, d'une selle et d'un guidon frontal permettant à un passager de le diriger. Selon DaxAI Robotics, l'appareil pourrait transporter jusqu'à 300 kilogrammes, soit environ 660 livres. Lors des démonstrations organisées à Pékin le 23 août 2026, largement relayées en vidéo sur les réseaux sociaux, le robot avançait encore lentement et avec prudence, mais suffisamment pour capter l'attention des visiteurs présents à l'événement. Cette démonstration illustre un axe de recherche en plein essor dans la robotique chinoise : remplacer les systèmes de locomotion classiques par des pattes articulées capables de franchir des obstacles inaccessibles aux véhicules à roues. L'enjeu dépasse l'anecdote spectaculaire : si les robots à pattes progressent en stabilité et en autonomie, ils pourraient à terme transporter des personnes ou du matériel sur des terrains accidentés, en montagne, en zone sinistrée ou sur des chantiers difficiles d'accès, là où motos et véhicules tout-terrain montrent leurs limites. Pour l'industrie, cela confirme aussi l'intérêt croissant porté à des plateformes robotiques hybrides, combinant capacités de transport et pilotage humain direct, un segment encore largement expérimental mais qui attire l'attention des fabricants chinois en quête de nouveaux débouchés commerciaux. Le Qiji X1 n'était toutefois pas la seule attraction de la conférence pékinoise. L'événement a également braqué les projecteurs sur les robots humanoïdes, avec plusieurs fabricants chinois présentant des machines capables de marcher, danser et reproduire divers mouvements humains, signe d'une compétition technologique intense entre entreprises du secteur en Chine. Ce contexte s'inscrit dans une stratégie plus large de la Chine visant à s'imposer comme un leader mondial de la robotique, entre humanoïdes destinés à l'industrie ou aux services et plateformes quadrupèdes expérimentales comme celle de DaxAI Robotics. Pour l'instant, le cheval robotisé reste un prototype de démonstration, loin de remplacer une voiture, une moto ou un vélo, mais il illustre la direction que plusieurs acteurs chinois cherchent à donner à la mobilité robotique dans les années à venir.

Robotique⚡Actu

1 source

46

37InfoQ AI 

Prompt to Prod : concevoir un cycle de développement logiciel autonome à grande échelle

Andrew Swerdlow, ingénieur chez Roblox, a présenté "Prompt to Prod: Engineering an Autonomous SDLC at Scale", une intervention détaillant comment l'entreprise fait évoluer son développement logiciel vers un modèle autonome, du prompt initial jusqu'à la mise en production. Swerdlow y décrit la construction de sandboxes de sécurité robustes destinés à encadrer l'exécution du code généré par l'intelligence artificielle. Il explique également comment Roblox extrait sa connaissance institutionnelle en s'appuyant sur des exemples de revues de code (code review exemplars), afin que les systèmes automatisés reproduisent les standards internes de qualité. L'entreprise a par ailleurs revu son infrastructure d'ingénierie pour l'adapter à ce nouveau mode de production, et redéfini ses métriques de productivité autour de la vélocité des fonctionnalités livrées et de la durée des sessions autonomes d'IA (long-running AI turns). Cette démarche illustre un tournant pour l'industrie du logiciel: il ne s'agit plus seulement d'utiliser l'IA pour assister les développeurs, mais de lui confier un cycle de développement complet, jusqu'au déploiement, avec un niveau de confiance suffisant pour s'en passer d'une validation humaine systématique. Pour une entreprise de la taille de Roblox, qui gère une plateforme utilisée par des dizaines de millions de personnes, automatiser le SDLC (software development lifecycle) à grande échelle représente un gain potentiel de vitesse considérable, mais impose aussi de nouvelles exigences en matière de sécurité et de fiabilité du code produit. Ce chantier s'inscrit dans une tendance plus large où les grandes entreprises technologiques cherchent à transformer les agents d'IA en véritables collaborateurs capables de mener des tâches d'ingénierie de bout en bout. Les enjeux soulevés par Swerdlow, sécurité des sandboxes, transmission des savoirs internes, mesure de la productivité, deviennent des points de référence pour d'autres organisations qui envisagent une automatisation comparable de leurs propres pipelines de développement.

Outils⚒Outil

1 source

60

38Le Big Data 

Rachat de Hugging Face : quel impact sur la souveraineté de vos projets IA ?

Un possible rachat de Hugging Face, plateforme franco-américaine dédiée à l'intelligence artificielle open source, valoriserait l'entreprise à plus de 13 milliards de dollars, selon des informations rapportées par Business Insider et relayées le 23 août 2026 par le compte Wall St Engine sur X. D'après ces sources, la société travaillerait avec une banque pour évaluer l'intérêt de potentiels acquéreurs, sans qu'aucun accord n'ait encore été conclu. Ce montant marquerait un bond spectaculaire par rapport à la dernière valorisation connue de Hugging Face, fixée à 4,5 milliards de dollars lors de sa levée de série D en août 2023. Le PDG et cofondateur Clément Delangue privilégierait toutefois une introduction en bourse plutôt qu'une cession, afin de préserver l'autonomie de la plateforme. Parmi les investisseurs déjà présents au capital figurent Google, Amazon, Salesforce et Nvidia, susceptibles de compter parmi les prétendants. Depuis sa création, Hugging Face s'est imposée comme un carrefour mondial pour les développeurs en IA grâce à des acquisitions structurantes: l'outil de démonstration Gradio, la plateforme de gestion de données XetHub, l'outil d'annotation Argilla, et plus récemment le fabricant de robots Pollen Robotics, racheté en avril 2025. Pour les directions des systèmes d'information, cette perspective de rachat fragilise un équilibre construit autour de la neutralité supposée de la plateforme. De nombreuses entreprises ont bâti leurs projets d'intelligence artificielle sur des modèles ouverts hébergés par Hugging Face, précisément pour échapper à la dépendance envers des API propriétaires fermées. Un passage sous le contrôle d'un géant technologique ferait planer le risque d'une révision de la gouvernance des données, de nouvelles conditions tarifaires, de restrictions de licences ou d'intégrations privilégiées vers un cloud spécifique. Les offres Hugging Face Enterprise, utilisées par des organisations soucieuses de concilier ouverture communautaire et exigences de sécurité, seraient particulièrement exposées à ce type de changement de gouvernance. Cette situation rappelle le rachat de GitHub par Microsoft en 2018, qui avait suscité des inquiétudes similaires sur le contrôle d'un espace communautaire par un acteur propriétaire. L'enjeu paraît toutefois plus sensible aujourd'hui, du fait de la centralisation croissante des modèles de fondation et des jeux de données d'apprentissage sur cette plateforme. L'identité franco-américaine de Hugging Face constituait jusqu'ici un repère de confiance pour les acteurs européens soumis aux exigences de l'AI Act. Face à ces incertitudes, les entreprises sont incitées à renforcer la portabilité de leurs modèles, à adopter des pipelines MLOps agnostiques et à privilégier des hébergements sur des clouds souverains, afin de limiter leur dépendance à un intermédiaire unique dont l'avenir capitalistique reste, pour l'instant, incertain.

Business❧Opinion

1 source

57

39The Decoder 

Les chatbots IA orientent souvent les utilisatrices enceintes vers des sites anti-avortement sans le signaler

Une enquête publiée par l'organisation allemande AlgorithmWatch révèle que les chatbots d'intelligence artificielle orientent régulièrement les utilisatrices confrontées à une grossesse non désirée vers des sites opposés à l'avortement, sans jamais signaler leur positionnement idéologique. En analysant 270 réponses générées par ChatGPT, Gemini, Grok et Claude à des questions sur ce sujet, les chercheurs ont constaté que l'organisation anti-avortement Profemina apparaissait dans 17 % des réponses fournies. En Allemagne, les chatbots ont également renvoyé des utilisatrices vers Caritas pour la consultation préalable obligatoire à toute interruption de grossesse, alors que cette association catholique ne délivre pas le certificat légalement requis à l'issue de cet entretien, rendant la démarche inutile pour les personnes qui en ont besoin. Ce constat pose un problème concret pour les femmes qui se tournent vers ces outils dans un moment de vulnérabilité, cherchant une information neutre et fiable plutôt qu'un discours militant non identifié comme tel. En orientant discrètement les utilisatrices vers des structures idéologiquement marquées, sans transparence sur leurs objectifs, les chatbots risquent de retarder ou de compliquer l'accès à des soins de santé reproductive légaux, avec des conséquences potentiellement lourdes selon les délais légaux applicables à l'avortement. Cette affaire s'inscrit dans un débat plus large sur les biais invisibles des systèmes d'IA générative, entraînés sur des corpus de données dont l'origine et les orientations restent souvent opaques pour le grand public. Elle relance les appels à une plus grande transparence de la part des entreprises comme OpenAI, Google, xAI et Anthropic sur les sources d'information privilégiées par leurs modèles, particulièrement sur des sujets sensibles touchant à la santé et aux droits reproductifs.

Éthique⚡Actu

1 source

49

40MIT Technology Review 

Les enfants apprennent mieux que l'IA, et on ignore toujours pourquoi

Des scientifiques cognitifs s'interrogent sur un fossé persistant entre l'apprentissage humain et celui des intelligences artificielles: alors que les grands modèles de langage comme Claude, DeepSeek ou les modèles GPT d'OpenAI parviennent à imiter la fluidité humaine, ils nécessitent des volumes de données sans commune mesure avec ceux d'un enfant. Michael C. Frank, chercheur en sciences cognitives à Stanford, souligne qu'il faut encore "brûler une forêt entière et aspirer la somme de toutes les connaissances humaines" pour reproduire ce qu'un enfant accomplit en une année dans son salon. Llama 3.1, le modèle ouvert publié par Meta il y a deux ans, a ingéré 15 000 milliards de tokens lors de son pré-entraînement, et selon Ethan Gotlieb Wilcox, linguiste et chercheur en sciences cognitives à l'université de Georgetown, les modèles les plus avancés pourraient désormais s'entraîner sur dix fois plus de données encore. À titre de comparaison, un préadolescent élevé dans un foyer linguistiquement riche n'a entendu qu'environ 100 millions de mots, un total qui grimpe à peine à 300 millions vers l'âge de 20 ans en intégrant la lecture. Imprimées sur papier, les données d'entraînement d'un modèle comme Claude formeraient une pile dépassant la Station spatiale internationale, contre à peine 20 mètres pour les 100 millions de mots d'un enfant. Cet écart, baptisé "fossé d'efficacité des données", n'est pas qu'une curiosité académique: il touche directement à l'avenir de l'intelligence artificielle. Les réserves de texte facilement accessibles sur internet s'épuisent, et certains chercheurs anticipent une pénurie de données d'entraînement dès les années 2030. Comprendre comment les enfants apprennent avec si peu d'exemples pourrait donc permettre de concevoir des modèles bien plus économes en données, utiles pour entraîner des IA sur la vidéo ou pour développer des assistants conversationnels destinés aux langues minoritaires, actuellement mal servies faute de corpus suffisants. Au-delà de l'ingénierie, cette question touche aussi à des débats fondamentaux en linguistique et en psychologie du développement. Ce fossé s'inscrit dans une décennie où les modèles de langage ont surtout progressé grâce à l'augmentation brute de leur taille et de leurs données d'entraînement, une stratégie qui approche désormais de ses limites physiques. En étudiant comment les enfants acquièrent le langage avec des ressources aussi limitées, les chercheurs espèrent trancher des questions anciennes: l'être humain naît-il avec un instinct inné du langage, ou pourrait-il en principe l'apprendre uniquement par l'expérience? Le traitement du langage relève-t-il d'une particularité biologique propre à l'espèce humaine, ou reflète-t-il des contraintes universelles qui s'appliqueraient aussi, en théorie, aux machines? Tester ces hypothèses sur des modèles artificiels pourrait ainsi éclairer à la fois la conception de futures IA et la compréhension du développement cognitif humain.

Recherche❖Paper

1 source