Actualités IA — page 209

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

42

Illustration générée par IA

4161arXiv cs.RO 

MV-Actor : sémantique multi-vue et conscience spatiale alignées pour la manipulation bimanuelle

Des chercheurs ont présenté MV-Actor (arXiv:2606.10899, juin 2026), un framework de perception multi-vues conçu pour la manipulation bimanuele robotique. Le système intègre trois modules successifs : Multi-view Semantic Interaction, qui partage la perception sémantique entre les différents flux caméra plutôt que de les traiter isolément ; Semantic-Spatial Token Interaction, qui ancre ces sémantiques visuelles dans une représentation 3D via un modèle de reconstruction feed-forward ; et un module Guided Metric Depth Repair, qui corrige la profondeur dégradée issue de capteurs grand public (Intel RealSense, Azure Kinect) pour fournir des ancres métriques fiables. Sur le benchmark PerAct2, référence académique dédiée à la manipulation bimanuele multi-tâches, MV-Actor atteint un taux de succès moyen de 87,8%, niveau state-of-the-art. Les évaluations en conditions réelles, avec changements de points de vue fréquents et profondeur bruitée, confirment des gains mesurables par rapport aux baselines RGB et RGB-D. Le verrou que MV-Actor tente de lever est structurel : les politiques multi-vues existantes encodent chaque vue indépendamment ou fusionnent les features de façon superficielle, ce qui produit une perception sémantique fragmentée et une localisation spatiale peu fiable. Pour les intégrateurs B2B qui déploient des cellules à deux bras (assemblage, emballage, picking de pièces déformables), c'est un problème concret : une politique qui "voit" mais ne comprend pas la cohérence entre vues génère des échecs en tâches coordonnées. Le module de réparation de profondeur est notable car il évite le recours à des lidars industriels onéreux, ce qui abaisse le seuil d'adoption. Le 87,8% sur PerAct2 est encourageant, mais ce benchmark reste simulé pour l'essentiel ; les auteurs mentionnent des tests réels sans publier de métriques détaillées par tâche, un point à nuancer. La manipulation bimanuele est un objectif central de plusieurs équipes : CMU, Stanford, ETH Zurich côté académique, et côté industrie les équipes de Figure, 1X Technologies et Sanctuary AI, qui intègrent des bras duaux dans leurs humanoïdes. Les politiques VLA (Vision-Language-Action) comme Pi-0 de Physical Intelligence ou les travaux DeepMind sur RoboVLMs s'attaquent au même problème de coordination multi-membres. PerAct2, publié en 2024, étend PerAct au cas bimanuel et s'impose comme référence de comparaison. MV-Actor est pour l'heure un travail académique sans affiliation industrielle déclarée ; aucun pilote ni partenariat de déploiement n'est annoncé, ce qui le situe côté recherche fondamentale plutôt que produit imminent.

Robotique❧Opinion

1 source

41

Illustration générée par IA

4162arXiv cs.RO 

AllDayNav : navigation permanente par apprentissage par renforcement en environnement réel

Des chercheurs ont publié sur arXiv (réf. 2606.10927) AllDayNav, un système de navigation robotique lifelong capable d'évoluer indéfiniment dans des environnements dynamiques sans carte explicite. Son architecture combine un grand modèle d'un milliard de paramètres, entraîné par apprentissage par renforcement directement en conditions réelles, et une mémoire multimodale auto-évolutive qui agrège images-clés visuelles, descriptions sémantiques et contexte temporel. Ce mécanisme permet au robot de générer automatiquement des instructions en vocabulaire ouvert, des objectifs visuels et des récompenses structurées, sans annotation humaine à chaque nouvelle tâche. Évalué sur des scénarios de navigation inter-pièces, inter-épisodes et inter-tâches, AllDayNav atteint des taux de succès proches de 100 % et surpasse des baselines de type SLAM, VLM et RL classique en efficacité de trajectoire et en robustesse, aussi bien en simulation qu'en environnement physique. Ce travail remet en question une hypothèse structurante du domaine : la navigation autonome fiable nécessiterait une représentation spatiale explicite de l'environnement (cartes métriques, graphes de scènes). AllDayNav montre qu'un modèle suffisamment large, affiné en continu par RL avec une mémoire implicite, peut dépasser ces approches y compris hors contextes contrôlés. Pour les intégrateurs de robots mobiles (AMR en logistique, robots de service en espaces publics), cela préfigure des systèmes adaptables aux modifications d'environnement sans reconfiguration manuelle. La prudence reste de mise : les chiffres de "100 % de succès" proviennent d'un preprint non encore évalué par les pairs, sans détail complet sur les conditions exactes d'évaluation ni sur la variabilité entre scènes. AllDayNav s'inscrit dans une tendance de fond visant à remplacer les pipelines modulaires perception-cartographie-planification par des modèles de fondation entraînés de bout en bout. Google DeepMind (travaux NavIRL, SayCan), CMU et Berkeley explorent des directions similaires pour la navigation mobile généraliste, tandis que des acteurs comme Boston Dynamics et ANYbotics continuent de s'appuyer sur des approches hybrides métriques. Soumis le 10 juin 2026, ce papier reste une contribution académique : aucun déploiement industriel ni partenariat commercial n'est annoncé à ce stade.

Robotique❖Paper

1 source

41

Illustration générée par IA

4163arXiv cs.RO 

MIND-V : modèle du monde hiérarchique pour la manipulation robotique à long horizon avec alignement physique par RL

Des chercheurs ont publié MIND-V, un modèle de monde hiérarchique conçu pour générer automatiquement des vidéos d'entraînement de manipulation robotique à long horizon, problème resté en grande partie non résolu jusqu'ici. L'architecture s'articule autour de trois modules : un Semantic Reasoning Hub (SRH) qui s'appuie sur un vision-language model pré-entraîné pour la planification de tâches, un Behavioral Semantic Bridge (BSB) qui traduit ces instructions abstraites en représentations invariantes au domaine, et un Motor Video Generator (MVG) chargé du rendu vidéo conditionnel. Pour garantir la cohérence physique des séquences générées, les auteurs ont introduit une phase de post-entraînement par reinforcement learning GRPO pilotée par une récompense inédite, la Physical Foresight Coherence (PFC), qui mobilise V-JEPA2 (le modèle de monde de Meta) comme arbitre de physique dans l'espace latent. Les expériences en simulation montrent des résultats état de l'art sur les benchmarks long-horizon, selon les auteurs. Le problème central que MIND-V adresse est la pénurie de données diversifiées pour l'intelligence incarnée : entraîner des politiques de manipulation requiert des milliers d'épisodes réussis sur des tâches enchaînées, données coûteuses à collecter en réel et difficiles à simuler de façon convaincante. L'approche est entièrement autonome, sans trajectoires définies manuellement, ce qui la distingue des générateurs de vidéos robotiques antérieurs limités à des clips courts et des gestes simples. La valeur opérationnelle est directe pour les équipes qui développent des VLA (Vision-Language-Action models) : des pipelines de synthèse de données à grande échelle pourraient réduire significativement la dépendance aux démonstrations téléopérées, principal goulot d'étranglement des robots comme Figure 03, Optimus ou 1X NEO. Ce travail s'inscrit dans une vague de recherche sur les world models pour la robotique, aux côtés de Dreamer, GAIA-1 adapté au robot, et du propre V-JEPA2 de Meta qu'il intègre comme brique de validation physique. L'article, initialement soumis en décembre 2024 (arXiv:2512.06628) et mis à jour en juin 2026, reste à ce stade un résultat en simulation uniquement : aucun déploiement physique ni intégration industrielle n'est mentionné, et le franchissement du sim-to-real gap reste à démontrer sur hardware réel.

Robotique❧Opinion

1 source

41

Illustration générée par IA

4164arXiv cs.RO 

OMG : génération de mouvements omnimodaux pour le contrôle généraliste des humanoïdes

Une équipe de chercheurs a déposé le 10 juin 2026 sur arXiv (ref. 2606.10340) un système baptisé OMG, Omni-Modal Motion Generation, conçu pour le contrôle whole-body généraliste des robots humanoïdes. L'architecture adopte une structure hiérarchique inspirée du système moteur biologique : un module supérieur de génération de mouvement basé sur la diffusion joue le rôle de "cerveau" planificateur, tandis qu'un contrôleur de suivi réactif bas niveau fait office de "cervelet". Ce cerveau est conditionnable simultanément sur du langage naturel, des signaux audio et des mouvements de référence humains. Le système s'appuie sur un pipeline de curation, filtrage et labellisation de données conçu pour couvrir un large spectre de comportements whole-body. Les auteurs revendiquent des performances state-of-the-art sur les benchmarks de contrôle humanoïde généraliste, ainsi qu'un comportement de scaling en fonction de la taille du modèle, deux propriétés clés pour qui veut construire un foundation model robotique. L'intérêt de OMG tient à son traitement simultané de deux limitations structurelles du domaine : d'un côté, les politiques spécialisées actuelles exigent un reward engineering intensif et ne généralisent pas au-delà de quelques skills ; de l'autre, les motion trackers existants peinent à intégrer de nouvelles modalités d'entrée sans refonte architecturale. En conditionnant un unique modèle sur des entrées multimodales extensibles, le papier prolonge la logique des VLA (Vision-Language-Action models) vers la génération de mouvement full-body. Si les résultats survivent à l'évaluation externe, cela plaiderait pour qu'un seul modèle généraliste remplace plusieurs politiques spécialisées par déploiement, un argument commercial direct pour les intégrateurs. Point de vigilance : il s'agit d'un preprint non évalué par les pairs, sans données de déploiement physique publiées à ce stade. Le papier s'inscrit dans une course active autour du contrôle humanoïde généraliste. Physical Intelligence a publié Pi-0 et Pi-0.5 autour d'architectures diffusion-based, NVIDIA a présenté GR00T N2 comme backbone transformer pour whole-body control, et Figure déploie Helix sur ses plateformes H1/H2 dans des environnements d'entrepôt. L'abstract ne mentionne ni institution d'origine ni robot physique cible, ce qui rend la comparaison directe avec ces systèmes impossible à ce stade. Les prochaines étapes naturelles seraient une soumission à CoRL ou RSS 2026 et une validation sur hardware réel, deux éléments absents de la publication actuelle.

Robotique❧Opinion

1 source

38

Illustration générée par IA

4165arXiv cs.RO 

Robustesse des tâches par ré-étiquetage des données vision-action pour robots

Une équipe de chercheurs a publié TREAD (Task Robustness via Re-Labelling Vision-Action Robot Data), un framework de ré-annotation automatique des datasets de robotique présenté sur arXiv (arXiv:2606.10918, juin 2026). L'approche exploite un grand modèle vision-langage (VLM) pré-entraîné en trois étapes séquentielles : génération de sous-tâches sémantiques à partir des labels d'instruction originaux et des scènes initiales, segmentation des vidéos de démonstration conditionnée sur ces sous-tâches, puis production d'instructions textuelles diversifiées intégrant les propriétés des objets manipulés. Le résultat : des démonstrations longues décomposées en paires langage-action ancrées dans la scène, enrichies de reformulations linguistiques variées du même objectif. Les évaluations sur le benchmark LIBERO montrent une amélioration des performances sur des tâches et objectifs non vus à l'entraînement, sans collecte de données supplémentaire. Ce travail cible un goulot d'étranglement bien identifié dans la course aux politiques de manipulation généralistes : les datasets de robotique existants manquent de diversité linguistique et de variété dans les séquences d'action, ce qui fait que les politiques de type VLA (Vision-Language-Action) peinent à suivre des instructions paraphrasées ou décomposées différemment. TREAD contourne ce problème en réutilisant la connaissance transférable des VLMs pour synthétiser de la diversité là où la collecte terrain serait coûteuse. L'approche améliore simultanément la généralisation de planification via la décomposition de trajectoires et la généralisation des politiques conditionnées au langage via la diversité des formulations, deux axes que les approches de scaling pur (plus de données, plus de paramètres) n'adressent pas directement. Le contexte est celui de la montée en puissance des politiques généralistes pour la manipulation robotique, incarnée par des modèles comme Pi-0 (Physical Intelligence), GR00T N2 (NVIDIA) ou OpenVLA. Ces architectures héritent des faiblesses de leurs datasets d'entraînement, souvent collectés avec des instructions standardisées et des démonstrations d'une seule séquence. TREAD s'inscrit dans une tendance émergente de data augmentation sémantique, en complémentarité avec les approches de génération synthétique par simulation (sim-to-real) ou de téléopération à grande échelle. LIBERO, le benchmark utilisé pour validation, est largement adopté dans la communauté pour comparer les politiques de manipulation en environnement tabletop. Les prochaines étapes naturelles seraient la validation sur des datasets plus larges comme Open X-Embodiment et des tests en déploiement réel sur plateformes commerciales.

Recherche❧Opinion

1 source

37

Illustration générée par IA

4166arXiv cs.RO 

QDepth-VLA : prédiction de profondeur quantifiée comme supervision auxiliaire pour les modèles vision-langage-action (VLA)

Des chercheurs ont publié sur arXiv (identifiant 2510.14836, troisième révision) QDepth-VLA, un cadre d'apprentissage qui augmente les modèles Vision-Language-Action (VLA) avec une tâche auxiliaire de prédiction de profondeur. Le principe : un module spécialisé, baptisé "depth expert", apprend à prédire des tokens latents quantifiés de cartes de profondeur, générés par un encodeur VQ-VAE (Vector Quantized Variational Autoencoder). Ces tokens sont intégrés au pipeline VLA comme supervision auxiliaire durant l'entraînement, sans modifier l'architecture de base du modèle. L'approche est validée sur des benchmarks de simulation et sur des tâches réelles de manipulation robotique, avec des résultats décrits par les auteurs comme "compétitifs", formulation prudente qui suggère des gains réels mais pas nécessairement un état de l'art incontestable. L'enjeu fondamental que traite QDepth-VLA est le déficit de perception 3D des VLA actuels. Des modèles comme OpenVLA, Pi-0 ou les variantes de RT-2 traitent les images comme des entrées 2D et peinent à raisonner sur la géométrie de la scène (distance d'un objet, orientation, profondeur d'emprise), ce qui limite leur précision sur des tâches de manipulation fine : assemblage, insertion de connecteurs, saisie d'objets transparents ou réfléchissants. En forçant le modèle à reconstruire une structure de profondeur quantifiée, QDepth-VLA injecte des indices géométriques explicites dans les représentations apprises, sans nécessiter de capteur de profondeur supplémentaire à l'inférence. C'est un argument concret pour les intégrateurs déployant des robots sur des cellules équipées uniquement de caméras RGB standard. QDepth-VLA s'inscrit dans une tendance plus large d'augmentation des VLA par des tâches auxiliaires : prédiction de flux optique chez Physical Intelligence avec Pi-0, estimation de pose 3D dans les travaux Google DeepMind, ou représentations implicites de scène. Les concurrents directs incluent SpatialVLA et plusieurs variantes de RoboVLMs intégrant des indices 3D explicites. Un point de vigilance : les auteurs ne précisent ni le robot utilisé pour les expériences réelles, ni les conditions expérimentales détaillées, ce qui rend difficile la comparaison directe avec d'autres approches. La prochaine étape pour positionner objectivement QDepth-VLA dans le paysage sera une évaluation sur des benchmarks standardisés comme LIBERO ou Open X-Embodiment, qui font aujourd'hui référence dans la communauté VLA.

Robotique❧Opinion

1 source

54

Illustration générée par IA

4167Latent Space 

[AINews] Claude Fable 5 : impressionnant mais sûr, avec des conditions controversées

Anthropic a lancé le 9 juin 2026 Claude Fable 5, son premier modèle dit "Mythos-class" disponible en accès général, soit 63 jours après l'annonce initiale du projet Mythos et 34 jours après un accord avec SpaceX. Ce modèle représente au minimum le double de la taille de Claude Opus 4.8, lui-même sorti il y a à peine deux semaines et déjà considéré comme le meilleur modèle au monde selon plusieurs classements. Fable 5 partage la même architecture de base que Mythos 5, version à accès restreint, avec des garde-fous supplémentaires. Ses performances sont spectaculaires: sur le nouveau benchmark FrontierCode Diamond, le score bondit de 13,4 % à 29,3 % par rapport au modèle précédent. Le tarif API est fixé à environ deux fois le prix d'Opus. La sortie coïncide avec la conférence Claude Tokyo et intervient une semaine avant l'introduction en bourse de SpaceX, dans un contexte où Anthropic et OpenAI ont déposé leurs S-1 à la SEC la même semaine. Deux décisions controversées accompagnent ce lancement et suscitent des réactions vives dans la communauté open source. D'abord, Anthropic abandonne la politique de rétention zéro des données (ZDR): toutes les conversations sur les modèles Mythos-class seront conservées 30 jours, y compris chez les tiers, sans être utilisées pour l'entraînement mais avec un accès humain tracé. Ensuite, Anthropic introduit une suppression silencieuse des capacités liées au développement de LLM concurrents, notamment pour la construction de pipelines de préentraînement, d'infrastructures d'entraînement distribué ou de conception d'accélérateurs ML. Ces limitations, estimées à 0,03 % du trafic total et concentrées dans moins de 0,1 % des organisations, sont invisibles pour l'utilisateur: le modèle ne bascule pas vers un autre, il est simplement rendu moins efficace via modification de prompt, vecteurs de pilotage (steering vectors) ou fine-tuning paramétrique (PEFT). Ce choix délibéré de ne pas signaler la restriction choque une partie de la communauté qui y voit une rupture de transparence. Ce lancement s'inscrit dans une course aux modèles de frontière qui s'est fortement accélérée en 2026, avec Anthropic et OpenAI désormais engagés dans des processus d'introduction en bourse simultanés. Rendre disponible en général un modèle de cette classe représente un effort d'ingénierie considérable, et Anthropic y voit un engagement envers l'accessibilité. Mais la restriction silencieuse sur le développement de modèles concurrents marque un précédent: c'est la première fois qu'un grand laboratoire implémente des contre-mesures techniques invisibles visant directement d'autres acteurs de l'IA. Si cela reste pour l'instant limité, la logique pourrait s'étendre, soulevant des questions profondes sur les limites acceptables entre sécurité, compétition commerciale et liberté de recherche.

LLMs❧Opinion

Aussi surZDNET AI

38

Illustration générée par IA

4168Le Big Data 

Q8botOne : ce robot de la taille d’une paume n’a aucun fil (et c’est une prouesse !)

Eric Wu, ingénieur et créateur du projet open source Q8bot, vient de dévoiler le Q8botOne, un robot quadrupède de la taille d'une paume de main capable de marcher, trotter et sauter. Le lancement commercial est prévu prochainement via une campagne de financement participatif. Contrairement aux kits robotiques habituels qui nécessitent des heures d'assemblage, le Q8botOne sera livré entièrement monté et opérationnel dès la sortie de la boîte. Sous son capot minimaliste, il embarque huit actionneurs intelligents DYNAMIXEL XL, un microcontrôleur ESP32-C3-MINI-N4 pour le traitement embarqué, des pattes à liaisons parallèles fabriquées par impression 3D Multi Jet Fusion avec des articulations à billes de précision, et une batterie lithium-ion rechargeable avec système de protection intégré. L'électronique est consolidée sur une carte de circuit imprimé centrale, ce qui élimine tout câblage interne complexe, une décision de conception qui réduit les pannes, allège la structure et facilite la maintenance. Pour la communauté robotique, le Q8botOne représente un point d'entrée rare : un robot à dynamique avancée (sauts inclus) accessible à des chercheurs, étudiants et makers sans budget institutionnel. La plateforme est entièrement open source, fidèle à l'esprit du projet original. Chaque unité est livrée avec une télécommande sans fil personnalisée dotée d'un joystick, de boutons physiques et d'un port USB-C pour la connexion PC, ce qui abaisse significativement la barrière à l'entrée pour les débutants. Pour les profils avancés, un connecteur Qwiic permet d'ajouter des capteurs SparkFun ou Adafruit sans câblage, et une interface UART accepte des coprocesseurs comme le Raspberry Pi, ouvrant la voie à des applications de vision par ordinateur, de navigation autonome ou d'intelligence artificielle embarquée. Le Q8botOne s'inscrit dans une tendance de fond : la miniaturisation et la démocratisation des robots à pattes, longtemps cantonnés aux laboratoires de Boston Dynamics ou aux universités bien dotées. Des projets comme Spot de Boston Dynamics ou les quadrupèdes de Unitree ont prouvé l'intérêt industriel de ces architectures, mais leur coût reste prohibitif pour la plupart des équipes indépendantes. L'approche open source et crowdfunding d'Eric Wu vise précisément ce marché intermédiaire, chercheurs en herbe, écoles d'ingénieurs, hobbyistes sérieux. Le succès de la campagne de financement participatif dira si ce créneau est suffisamment porteur pour transformer un projet de maker en produit viable. Les implications vont au-delà du gadget : une plateforme abordable et extensible pourrait accélérer la recherche sur la locomotion autonome dans des environnements non structurés, un problème central de la robotique moderne.

Robotique⚡Actu

1 source

47

Illustration générée par IA

4169The Information AI 

OpenAI négocie la location d'un datacenter de 10 gigawatts en Ohio, avec le soutien de Nvidia

OpenAI est en négociations avancées pour louer un campus de centres de données colossal sur des terres fédérales en Ohio, avec le soutien financier potentiel de Nvidia. Le projet, dont les discussions impliquent deux sources ayant une connaissance directe des négociations, porterait sur une capacité totale de 10 gigawatts, ce qui en ferait l'un des plus grands complexes de ce type au monde. Le coût total du projet, s'il est entièrement réalisé, atteindrait au moins 500 milliards de dollars aux prix actuels des puces, de la main-d'oeuvre, de l'énergie et des matériaux. OpenAI contrôlerait les équipements via un bail à long terme et serait responsable des paiements dès le lancement des opérations, la première phase étant attendue pour 2028. L'ampleur de cet investissement reflète la course effrénée aux infrastructures de calcul que se livrent les grands acteurs de l'IA. Un campus de 10 gigawatts représente une puissance électrique équivalente à celle de plusieurs grandes villes, signalant que les besoins en calcul de l'IA générative dépassent largement ce que les centres de données classiques peuvent offrir. L'implication de Nvidia, dont les GPU alimentent la quasi-totalité des systèmes d'IA de pointe, suggère une intégration verticale inédite entre fournisseur de puces et opérateur d'infrastructure. Ce projet s'inscrit dans la stratégie Stargate annoncée début 2025, par laquelle OpenAI, SoftBank et Oracle s'étaient engagés à investir jusqu'à 500 milliards de dollars en infrastructures IA aux États-Unis. Le choix de terres fédérales en Ohio souligne aussi le rôle croissant du gouvernement américain dans la facilitation de ces méga-projets, dans un contexte de concurrence technologique avec la Chine. Si les négociations aboutissent, ce campus deviendrait un pilier central de la capacité de calcul mondiale d'OpenAI pour la prochaine décennie.

Infrastructure⚡Actu

1 source

47

Illustration générée par IA

4170The Information AI 

Ce qui se cache derrière le pari prudent d'OpenAI sur son IPO

OpenAI a déposé en confidence son dossier d'introduction en bourse (IPO) lundi, franchissant une étape formelle vers une potentielle cotation en bourse. Mais le groupe, créateur de ChatGPT, a accompagné cette annonce d'une formulation délibérément vague : la société pourrait retarder son entrée sur les marchés publics "parce qu'il y a des choses que nous voulons faire qui sont probablement plus faciles en tant qu'entreprise privée." Aucune précision supplémentaire n'a été apportée sur ces mystérieuses ambitions. La semaine précédente, son concurrent direct Anthropic avait adopté une posture bien plus conventionnelle, en conditionnant simplement une éventuelle IPO aux "conditions de marché", une formule standard dans le secteur. Cette prudence d'OpenAI intervient dans un contexte boursier agité : le Nasdaq a reculé de 5 % sur la semaine écoulée, dont 1 % le mardi de l'annonce. La volatilité des marchés pèse nécessairement dans les calculs de la direction et de ses conseillers financiers, même si l'entreprise choisit de ne pas l'avouer explicitement. Derrière la rhétorique floue se cache une réalité stratégique classique : les entreprises technologiques fuient souvent les marchés publics pour préserver leur liberté de manœuvre, investissements massifs à long terme, paris risqués, restructurations coûteuses, sans subir la pression trimestrielle des actionnaires. Une flexibilité que les marchés privés accordent sans contrepartie de transparence. Pour Sam Altman, PDG d'OpenAI, la question de la cotation est particulièrement complexe. OpenAI traverse une transformation structurelle profonde : l'entreprise est en train de basculer d'un statut d'organisation à but non lucratif vers une structure commerciale classique, un processus juridiquement et politiquement sensible. Elle a par ailleurs levé des montants considérables en capital privé, dont une mégaronde de 40 milliards de dollars début 2025, réduisant la pression immédiate sur une IPO. Si Altman craignait vraiment les contraintes des marchés publics, la logique voudrait qu'il ne s'y aventure jamais. Son ambiguïté calculée suggère plutôt qu'une cotation reste probable, mais à l'heure et dans les conditions qu'OpenAI choisira elle-même.

Business❧Opinion

1 source

55

Illustration générée par IA

4171NVIDIA AI Blog 

NVIDIA intègre le calcul confidentiel pour renforcer le Private Cloud Compute d'Apple

Apple vient d'annoncer lors de sa conférence annuelle WWDC 2026 l'extension de son infrastructure Private Cloud Compute (PCC) au-delà de ses propres centres de données, vers Google Cloud. Pour sécuriser cette expansion, Apple s'appuie désormais sur les GPU NVIDIA avec Confidential Computing, notamment les puces Blackwell de dernière génération. Ces GPU servent à l'inférence confidentielle côté serveur pour les Apple Foundation Models, des modèles d'IA propriétaires développés conjointement par Apple et Google à partir des technologies qui sous-tendent la famille Gemini. C'est la première fois qu'Apple intègre explicitement du matériel NVIDIA dans l'architecture de sécurité matérielle de PCC, un système conçu pour traiter des requêtes d'intelligence artificielle sensibles sans exposer les données des utilisateurs. Cette collaboration soulève un enjeu fondamental pour l'IA à grande échelle : comment traiter des données personnelles dans le cloud sans sacrifier ni la performance ni la confidentialité. Le Confidential Computing de NVIDIA répond à cette contrainte en isolant les charges de travail dans des environnements d'exécution sécurisés, en chiffrant les flux de communication entre composants, et en permettant une attestation à distance, un mécanisme cryptographique qui permet au logiciel de vérifier que l'infrastructure n'a pas été compromise avant d'y envoyer des données sensibles. Concrètement, cela signifie que personne, y compris les ingénieurs d'Apple, de Google ou de NVIDIA, ne peut accéder aux conversations ou données des utilisateurs pendant le traitement. Pour des centaines de millions d'utilisateurs Apple qui activent des fonctions Apple Intelligence impliquant du traitement cloud, cette garantie est directement opérationnelle. Cette annonce s'inscrit dans une tendance de fond : à mesure que les expériences d'IA hybrides combinent traitement sur l'appareil et inférence serveur, la pression sur la chaîne de confiance s'intensifie. Apple avait fait de la confidentialité de PCC une promesse centrale depuis l'introduction d'Apple Intelligence, mais ses centres de données propriétaires limitaient sa capacité à monter en puissance. Le recours à Google Cloud, avec des GPU Blackwell sécurisés, lui permet de scaler sans renoncer à cette promesse. Pour NVIDIA, c'est une validation de son positionnement sur la sécurité de l'IA, un segment encore peu exploité mais stratégique face à des régulations croissantes sur les données personnelles. L'intégration de ces trois acteurs majeurs, Apple, Google et NVIDIA, autour d'un standard commun de confidentialité computationnelle pourrait accélérer l'adoption de ce type d'architecture dans l'ensemble de l'industrie.

Infrastructure❧Opinion

Aussi surLe Big Data

49

Illustration générée par IA

4172VentureBeat AI 

Le nouvel Siri d'Apple : plus qu'un assistant, une couche applicative pour les entreprises

Apple a dévoilé lundi une refonte profonde de Siri lors de sa conférence annuelle pour développeurs WWDC 2026, transformant l'assistant vocal en une couche d'interface IA transversale à l'ensemble de ses systèmes d'exploitation. Disponible sur iPhone, iPad, Mac, Apple Watch et Vision Pro, le nouveau Siri s'appuie sur quatre mécanismes techniques clés : les App Entities (qui exposent le contenu applicatif), l'index sémantique Spotlight, les App Intents et App Schemas (qui définissent les actions disponibles en langage naturel), et les View Annotations (qui associent les éléments visibles à l'écran à des objets applicatifs). Concrètement, un développeur qui adopte ces frameworks peut permettre à Siri d'accéder au contenu de son application, de le résumer, de le modifier ou d'agir dessus, sans que l'utilisateur ait besoin d'ouvrir l'app, de naviguer dans ses menus ni de taper une requête précise. L'impact pour les entreprises et les éditeurs de logiciels professionnels est considérable. Une société utilisant un CRM, un outil de gestion de projets, une solution de facturation ou un service desk sur appareils Apple pourrait voir ses flux de travail radicalement transformés : un employé pourrait demander à voix haute à Siri de résumer un fil client, d'ajouter une facture à ses dépenses ou de planifier un suivi sur une tâche en cours, directement depuis l'écran qu'il consulte. Apple ajoute également AppIntentsTesting, un framework de test qui valide les actions App Intents via la même infrastructure que Siri et Spotlight, sans nécessiter d'automatisation d'interface graphique. C'est un signal fort : les intégrations Siri ne seront plus des démos isolées, mais des fonctionnalités testables et intégrables dans les pipelines de développement classiques. Cette évolution s'inscrit dans une stratégie plus large d'Apple pour concurrencer les assistants d'entreprise de Google, Microsoft et Salesforce sur leur propre terrain. Là où les précédentes versions de Siri imposaient des structures de commandes rigides et des phrases d'invocation explicites, le nouveau modèle délègue aux développeurs la description sémantique de leurs données et capacités, laissant au système le soin de les rendre accessibles en langage naturel. Pour les éditeurs SaaS ciblant la productivité, la collaboration, la santé, la logistique ou les opérations terrain sur plateformes Apple, l'adoption de ces frameworks pourrait rapidement devenir un critère de compétitivité, voire une exigence de base des appels d'offres entreprise. La question n'est plus de savoir si Siri peut faire office de chatbot, mais si les applications métier sont prêtes à s'y connecter.

Outils⚒Outil

1 source

48

Illustration générée par IA

4173VentureBeat AI 

Cohere publie en open source un agent de code fonctionnant sur un seul H100

Cohere a lancé mardi North Mini Code, un modèle de codage agentique open source de 30 milliards de paramètres au format mixture-of-experts (MoE), avec seulement 3 milliards de paramètres actifs par token. Disponible sur Hugging Face sous licence Apache 2.0, il supporte une fenêtre de contexte de 256 000 tokens et une génération maximale de 64 000 tokens. Sa particularité technique : il tourne sur un seul GPU H100, et Nick Frosst, cofondateur de Cohere, l'a même démontré en fonctionnement sur un Mac Studio via MLX avec 20 Go de RAM. Le modèle a été entraîné via deux phases de fine-tuning supervisé suivies d'apprentissage par renforcement sur plus de 70 000 tâches vérifiables issues d'environ 5 000 dépôts, dédupliqués par rapport à SWE-Bench. Cohere revendique des performances supérieures aux modèles open source jusqu'à quatre fois plus grands, dont des modèles à 120 milliards de paramètres. North Mini Code représente une alternative concrète aux modèles propriétaires pour les équipes d'ingénierie qui veulent déployer des pipelines de codage agentique en interne, sans dépendre d'API externes. Le modèle gère l'orchestration de sous-agents, la cartographie d'architecture, la revue de code sur de larges bases de code multi-fichiers et le travail en environnement terminal. Selon les mesures indépendantes d'Artificial Analysis, il atteint 210 tokens par seconde avec un temps au premier token de 0,25 seconde, contre une médiane de 1,95 seconde pour sa catégorie. Face à Mistral Devstral Small 2 (24 milliards de paramètres dense), Cohere revendique un débit de sortie 2,8 fois supérieur et une latence inter-token réduite de 30 % dans des conditions matérielles identiques. Ces chiffres positionnent le modèle comme une option sérieuse pour des charges de production à volume élevé. Il existe néanmoins un point de vigilance notable : lors des tests de l'Intelligence Index d'Artificial Analysis, North Mini Code a généré 75 millions de tokens en sortie pour compléter l'évaluation, contre une médiane de 25 millions pour les modèles comparables. Cette verbosité excessive peut tripler les coûts d'inférence dans des pipelines agentiques intensifs, là où chaque appel enchaîne plusieurs étapes. Cohere a par ailleurs entraîné le modèle sur trois scaffolds d'agents distincts (SWE-Agent, Mini-SWE-Agent et OpenCode) plutôt qu'un seul, gagnant 10 points de pourcentage sur l'évaluation OpenCode tout en maintenant les performances sur SWE-Agent. Le modèle s'inscrit dans un marché en rapide consolidation face à GitHub Copilot, Cursor et les derniers modèles Mistral, où la capacité à s'auto-héberger sur du matériel standard devient un avantage différenciant majeur pour les entreprises soucieuses de contrôle et de coût.

LLMs❧Opinion

1 source

43

Illustration générée par IA

4174AWS ML Blog 

Mettre à l'échelle l'apprentissage par renforcement robotique avec NVIDIA Isaac Lab sur Amazon SageMaker AI

NVIDIA et Amazon Web Services ont publié un guide technique détaillant comment entraîner des politiques de comportement pour le robot humanoïde Unitree H1 en utilisant NVIDIA Isaac Lab sur Amazon SageMaker AI. La solution s'appuie sur deux options de calcul complémentaires : SageMaker HyperPod, une infrastructure distribuée managée pour des clusters persistants, et SageMaker Training Jobs, une approche entièrement à la demande où les instances GPU sont provisionnées à la volée puis supprimées à la fin du job. Le code complet est disponible publiquement sur GitHub. L'objectif est de permettre aux équipes robotique de lancer des entraînements par renforcement (RL) à grande échelle, aussi bien en phase d'expérimentation rapide qu'en production sur de longues durées, sans gérer eux-mêmes l'infrastructure de calcul. Cette publication répond à un défi concret : l'entraînement par renforcement pour des comportements complexes, comme la locomotion humanoïde sur terrain accidenté, est extrêmement gourmand en GPU. Un seul run d'entraînement peut durer de quelques heures à plusieurs jours. SageMaker HyperPod intègre un agent de surveillance de santé sur chaque nœud, capable de détecter automatiquement les pannes matérielles, de remplacer les instances défaillantes et de reprendre l'entraînement depuis le dernier checkpoint, sans intervention humaine. Le système publie en parallèle des centaines de métriques de cluster vers Amazon Managed Service for Prometheus, visualisables dans des dashboards Grafana préconfigurés, couvrant l'utilisation GPU, la mémoire, le débit réseau et les performances par tâche. Pour les expériences courtes, SageMaker Training Jobs élimine tout coût de calcul inactif entre les runs, chaque job ne consommant de ressources que le temps de son exécution. L'IA physique bascule progressivement de la recherche vers la production industrielle. Les robots sont désormais formés dans des simulations haute-fidélité accélérées par GPU avant leur déploiement en usine, en entrepôt ou dans des centres logistiques, parce que l'entraînement en conditions réelles reste lent, coûteux et risqué. Cette simulation compresse des mois d'apprentissage en quelques heures, mais déplace le problème vers la gestion du calcul distribué. C'est précisément le créneau que cherchent à occuper AWS et NVIDIA avec cette intégration : en abstraisant la couche infrastructure, ils permettent aux ingénieurs de se concentrer sur la conception des politiques de comportement robotique plutôt que sur la configuration des clusters. SageMaker HyperPod supporte l'orchestration via Amazon EKS ou Slurm, avec un système de quotas fins par instance, GPU entier ou partition MIG (NVIDIA Multi-Instance GPU), couvrant les accélérateurs, les vCPU et la mémoire. La prochaine étape logique sera l'extension de ces pipelines aux modèles de fondation robotique, qui nécessitent des infrastructures similaires mais à une échelle encore supérieure.

Robotique⚡Actu

1 source

47

Illustration générée par IA

4175Frandroid 

Siri AI n’arrive pas en France ? Voici comment le tester quand même sur iOS 27

Apple a lancé Siri AI dans le cadre d'iOS 27, mais la fonctionnalité reste inaccessible en Europe au moment du déploiement. Les utilisateurs français se retrouvent donc exclus d'office du nouveau assistant, qui intègre des capacités de compréhension contextuelle et de génération de texte bien plus avancées que l'ancien Siri. Pourtant, un contournement existe : en créant ou en utilisant un compte App Store américain, il est possible de rejoindre la liste d'attente officielle d'Apple et d'accéder à la version bêta depuis un iPhone en France. Cette situation illustre une fracture croissante entre les utilisateurs américains et européens dans l'accès aux fonctions d'IA grand public. Pendant que les États-Unis bénéficient en avant-première des nouvelles capacités d'Apple Intelligence, les Européens subissent des délais de plusieurs mois, voire plus, sans calendrier précis. Pour les professionnels et les early adopters qui souhaitent évaluer les outils IA intégrés à l'iPhone, l'absence de disponibilité officielle force à des contournements techniques qui restent accessibles mais impliquent de jongler entre deux comptes App Store. Ce blocage n'est pas nouveau : Apple avait déjà exclu l'Union européenne du lancement initial d'Apple Intelligence sous iOS 18, invoquant des contraintes liées au Digital Markets Act, la législation européenne sur les marchés numériques qui impose des obligations d'interopérabilité et de transparence aux grandes plateformes. La Commission européenne et Apple sont toujours en discussions sur les modalités de conformité, ce qui explique que les déploiements de nouvelles fonctionnalités restent suspendus à l'issue de ces négociations. La situation pourrait évoluer lors d'une mise à jour ultérieure d'iOS 27, mais aucune date n'a été communiquée.

Régulation⚖Reglementation

1 source

42

Illustration générée par IA

4176Le Big Data 

SkillMAS : quand l’IA réorganise son équipe et réécrit ses outils en temps réel

Une équipe de chercheurs des universités Jiao Tong de Shanghai et du Centre-Sud, en partenariat avec le fabricant de smartphones OPPO, a publié en mai 2026 les travaux fondateurs du framework SkillMAS, un nouveau système d'orchestration d'agents d'intelligence artificielle. L'architecture, entièrement non paramétrique, ne modifie pas les poids des modèles de langage sous-jacents : elle fonctionne comme une couche logicielle supérieure qui permet à des équipes d'agents autonomes de réorganiser leurs rôles et de réécrire leurs outils en temps réel, sans aucune reprogrammation manuelle. Le mécanisme central repose sur une coévolution synchronisée à deux échelles : une échelle micro, qui gère les compétences techniques de chaque agent individuel, et une échelle macro, qui supervise l'organigramme collectif et redistribue les responsabilités au sein de l'équipe. Les deux niveaux s'influencent mutuellement en continu, ce qui confère au système une plasticité jusqu'ici absente des architectures classiques. Ce niveau d'adaptabilité répond à une limite structurelle des systèmes multi-agents actuels : leurs rôles et leurs outils sont figés par les développeurs au moment de la conception. Face à l'imprévu, ces architectures rigides entrent en boucles d'erreurs, consomment des quantités massives de tokens et nécessitent une supervision humaine constante, ce qui cantonne la technologie à des tâches bien balisées. SkillMAS brise ce plafond en permettant au système de s'adapter dynamiquement aux tâches complexes, réduisant à la fois les coûts opérationnels et la dépendance au pilotage humain. Pour OPPO, l'enjeu est directement industriel : cette architecture ouvre la voie à des assistants virtuels capables de gérer des situations inédites sans intervention extérieure, un saut qualitatif significatif pour les appareils grand public. Entre 2023 et 2025, la recherche en systèmes multi-agents avançait sur deux fronts séparés : des projets comme Voyager (Microsoft Research, 2023) exploraient la capacité des agents à créer leurs propres outils, tandis que des frameworks comme MetaGPT se concentraient sur la coordination collective. Aucun système ne fusionnait réellement ces deux dimensions. SkillMAS représente cette convergence, en unifiant apprentissage automatique et systèmes distribués dans une architecture unique. La validation en laboratoire démontre sa supériorité face aux standards actuels, et l'implication directe d'un acteur industriel comme OPPO suggère un passage prochain vers des applications commerciales. La prochaine étape sera de confirmer ces performances dans des environnements réels, hors conditions de laboratoire, où la robustesse des systèmes adaptatifs sera véritablement mise à l'épreuve.

Recherche❖Paper

1 source

52

Illustration générée par IA

4177Ars Technica AI 

Anthropic interdit à Fable 5 d'aborder certains sujets jugés trop dangereux

Anthropic a lancé ce mardi Claude Fable 5, son premier modèle de la classe "Mythos", présenté comme supérieur à ses précédents modèles Opus en termes de capacités générales. Ce lancement s'accompagne de garde-fous notables : le modèle est configuré pour rediriger automatiquement les requêtes portant sur la cybersécurité, la biologie et la chimie vers l'ancien Claude Opus 4.8, en avertissant l'utilisateur du changement. Fable 5 partage la même base que Mythos 5, version plus puissante dont la préversion se clôt aujourd'hui, mais qui reste réservée à un groupe restreint d'experts en cyberdéfense accrédités dans le cadre du Project Glasswing. Ces restrictions répondent à une préoccupation centrale d'Anthropic : éviter que ses modèles les plus performants "augmentent" les capacités d'acteurs malveillants. La progression des benchmarks de Fable 5 en cybersécurité est particulièrement prononcée par rapport aux générations précédentes, ce qui justifie selon l'entreprise un niveau de prudence élevé. Anthropic admet que ses filtres sont "plus stricts qu'idéal" et peuvent générer de faux positifs, c'est-à-dire refuser des demandes pourtant inoffensives. Ces cas représentent moins de 5 % des sessions lors des tests, un compromis jugé acceptable pour empêcher toute assistance à des individus cherchant à "causer des dommages graves qu'ils n'auraient pas pu obtenir d'autres sources". Cette stratégie s'inscrit dans un débat plus large sur la responsabilité des laboratoires d'IA à mesure que leurs modèles gagnent en puissance. Anthropic, dont la mission affichée est le développement d'une IA sûre, a fait du contrôle des usages dangereux une priorité structurelle depuis sa fondation. Le Project Glasswing illustre une approche à deux vitesses : une version publique robuste mais bridée sur les domaines sensibles, et une version pleine capacité réservée à des partenaires vérifiés. La question reste entière quant à l'efficacité réelle de ces filtres face à des utilisateurs déterminés, et à l'équilibre difficile entre sécurité et utilité pour les chercheurs légitimes en sécurité informatique, biologie ou chimie.

Sécurité❧Opinion

1 source

55

Illustration générée par IA

4178Ars Technica AI 

Google annonce Gemini 3.5 Live Translate pour la traduction vocale en temps réel

Google a annoncé Gemini 3.5 Live Translate, un nouveau modèle d'intelligence artificielle dédié à la traduction vocale instantanée, disponible dans plus de 70 langues. Ce modèle speech-to-speech fait partie de la famille Gemini 3.5 lancée lors de Google I/O, dont seule la version Flash avait jusqu'ici été déployée. La version Live Translate se distingue par une latence très faible, capable de suivre une conversation naturelle avec seulement quelques secondes de décalage, tout en reproduisant l'intonation, le rythme et la tonalité de la voix d'origine plutôt qu'une synthèse vocale générique. L'impact est significatif pour quiconque communique régulièrement dans des langues différentes, que ce soit dans un cadre professionnel, lors de voyages ou dans des contextes médicaux ou juridiques. En s'affranchissant de la nécessité d'avoir un téléphone Pixel ou des écouteurs spécifiques, Google ouvre cette capacité à un public beaucoup plus large. La fidélité vocale, qui préserve les caractéristiques personnelles de la voix du locuteur, représente un saut qualitatif par rapport aux solutions robotiques actuelles, rendant les échanges traduits plus naturels et plus dignes de confiance. Google travaille sur la traduction en temps réel depuis plusieurs années, avec des démonstrations publiques récurrentes lors de ses événements annuels, mais les contraintes matérielles en limitaient l'accès. L'an dernier, la traduction en direct avait été étendue à l'application Google Translate, mais Gemini 3.5 Live Translate marque une nouvelle étape en intégrant cette capacité directement dans un modèle de la série 3.5. Une version Pro de Gemini 3.5 est attendue dans les prochaines semaines, ce qui laisse entrevoir des performances encore supérieures. La course à la traduction universelle s'intensifie, avec des concurrents comme Meta et Microsoft qui investissent également dans ce domaine, faisant de la barrière des langues l'un des prochains grands défis résolus par l'IA.

LLMs⚡Actu

Aussi surThe Decoder,01net,Frandroid

57

Illustration générée par IA

4179The Decoder 

Anthropic lance Claude Fable 5 et Mythos 5, avec des progrès majeurs en programmation et en science

Anthropic a dévoilé deux nouveaux modèles d'intelligence artificielle, Claude Fable 5 et Mythos 5, qui surpassent significativement la génération Opus actuelle, notamment en programmation et en recherche scientifique. Fable 5 s'est illustré de manière spectaculaire en réalisant en une seule journée une migration de code pour l'entreprise de paiements Stripe, une tâche qui aurait nécessité deux mois de travail à une équipe entière de développeurs. Mythos 5, de son côté, a démontré une capacité autonome à concevoir des candidats médicamenteux, mais reste pour l'instant inaccessible au public en raison de ses aptitudes jugées dangereuses en cybersécurité offensive. Ces deux modèles redéfinissent ce que l'on entend par agent autonome dans le secteur technologique. La performance de Fable 5 sur la migration Stripe représente un changement de paradigme pour les équipes d'ingénierie : des tâches autrefois réservées à des équipes entières pendant des semaines peuvent désormais être déléguées à un système IA en quelques heures, avec des implications directes sur les coûts et l'organisation du travail. Pour l'industrie pharmaceutique, les capacités de Mythos 5 ouvrent des perspectives considérables dans la découverte de médicaments, en accélérant des processus de recherche qui prennent habituellement des années. Ces annonces s'inscrivent dans une course intense entre les grands laboratoires d'IA, où Anthropic cherche à rivaliser avec OpenAI et Google DeepMind sur le terrain des modèles dits frontier. La décision de restreindre l'accès à Mythos 5 illustre une tension croissante entre la puissance des nouveaux modèles et les risques qu'ils engendrent : même leurs créateurs hésitent désormais à les rendre publics. Cette prudence d'Anthropic, laboratoire historiquement centré sur la sécurité, signale que les capacités des modèles les plus avancés franchissent des seuils préoccupants, et que la question de leur déploiement responsable va s'imposer comme enjeu central de l'industrie dans les mois à venir.

LLMs❧Opinion

1 source

46

Illustration générée par IA

4180Le Big Data 

iOS 27 : 5 choses incroyables que votre iPhone fera tout seul grâce à l’IA

Apple a présenté iOS 27 lors de sa conférence annuelle, une mise à jour qui place l'intelligence artificielle au coeur du système d'exploitation mobile. La nouveauté principale est Siri AI, une refonte complète de l'assistant vocal reposant sur la nouvelle génération d'Apple Intelligence. Pour les requêtes complexes, Siri s'appuie sur Gemini, le modèle de Google, tout en conservant les traitements dans l'infrastructure Private Cloud Compute d'Apple afin de préserver la confidentialité des données. Concrètement, l'assistant comprend désormais le contexte personnel de l'utilisateur : il peut retrouver l'heure d'un rendez-vous fixé par message, enchaîner plusieurs actions entre applications distinctes, localiser une adresse dans un email, l'ajouter à un contact, puis ouvrir l'itinéraire dans Plans, sans aucune intervention manuelle. L'application Photos intègre également de nouvelles fonctions IA : recadrage spatial pour modifier la composition d'un cliché après la prise de vue, outil Extend pour générer les éléments manquants en bordure d'image, et Clean Up pour effacer des objets indésirables en quelques secondes. Chaque image retouchée par IA reçoit un filigrane invisible SynthID. Safari, lui, pourra surveiller des pages web et alerter l'utilisateur lorsqu'un produit baisse de prix ou revient en stock. Enfin, iOS 27 est capable de remplacer automatiquement les mots de passe faibles directement sur les sites concernés. L'importance de cette mise à jour tient à son ambition d'automatiser des tâches jusqu'ici fragmentées entre plusieurs applications et plusieurs gestes. Pour les utilisateurs, cela signifie moins de friction au quotidien : plus besoin de jongler entre Messages, Contacts et Plans pour une simple question d'adresse. La surveillance de prix dans Safari s'adresse directement aux acheteurs réguliers en ligne, un marché colossal. Le remplacement automatique de mots de passe faibles touche à la sécurité de masse, un problème que les gestionnaires de mots de passe n'ont jamais réussi à résoudre complètement faute d'adoption. Pour l'industrie, Apple franchit une étape en intégrant un modèle tiers, Gemini de Google, dans son écosystème fermé, signal fort d'une évolution vers des architectures hybrides même chez les acteurs les plus verticalement intégrés. Cette direction n'est pas surprenante au regard des annonces des dernières années : Apple avait lancé Apple Intelligence en 2024 avec des fonctions jugées timides, puis accéléré ses partenariats avec OpenAI pour ChatGPT dans Siri. L'intégration de Gemini marque une deuxième alliance stratégique notable, révélant qu'Apple préfère désormais multiplier les fournisseurs de modèles plutôt que de tout développer en interne. La concurrence avec Google et Samsung, qui intègrent eux aussi l'IA dans leurs systèmes mobiles, pousse l'ensemble du secteur vers des assistants capables d'actions multi-applications. iOS 27 sera vraisemblablement disponible à l'automne 2026 avec les nouveaux iPhone, et l'enjeu sera de savoir si ces fonctions tiendront leurs promesses dans l'usage réel, là où Apple a parfois déçu par le passé.

Outils⚒Outil

1 source