Actualités IA — page 213

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

51

Illustration générée par IA

4241VentureBeat AI 

Des chercheurs ont entraîné un agent de recherche IA open source, Harness-1, qui surpasse GPT-4.5 dans le rappel d'informations pertinentes

Des chercheurs de l'Université de l'Illinois à Urbana-Champaign (UIUC), de l'UC Berkeley et de la plateforme de bases de données vectorielles Chroma ont présenté Harness-1, un agent de recherche open source de 20 milliards de paramètres, construit sur le modèle gpt-oss-20B d'OpenAI. Évalué sur huit benchmarks complexes couvrant des recherches web ouvertes, des rapports financiers déposés auprès de la SEC, des bases de données de brevets de l'USPTO et des tâches de raisonnement multi-sources, Harness-1 atteint un score moyen de 73% en rappel d'informations pertinentes. Il devance ainsi GPT-5.4 (70,9%) et le meilleur concurrent open source, Tongyi DeepResearch 30B, de 11,4 points de pourcentage. Seul Opus-4.6 parvient à le surpasser légèrement en performance globale. Le modèle est disponible immédiatement sous licence Apache 2.0, avec les poids publiés sur Hugging Face. Sa formation a été réalisée via Tinker, une API d'entraînement distribuée développée par Thinking Machines. Ce résultat compte pour l'industrie parce qu'il invalide une hypothèse répandue: celle selon laquelle la performance sur des tâches de recherche complexe dépend avant tout de la taille du modèle. Harness-1, avec ses 20 milliards de paramètres, surpasse des systèmes propriétaires supposés atteindre des centaines de milliards voire des milliers de milliards de paramètres, comme GPT-5.4, Sonnet-4.6 ou Kimi-K2.5. Pour les entreprises qui doivent faire analyser de manière autonome des milliers de documents internes, de dossiers financiers ou de contrats, c'est une ouverture concrète: un modèle open source, modifiable et déployable sans coût de licence, capable de tenir la comparaison avec les solutions fermées les plus avancées du marché. La clé de cette performance réside dans une architecture qui rompt avec l'approche dominante. Jusqu'ici, les agents de recherche souffraient d'une forme d'"amnésie" au cours de sessions longues: ils oubliaient leurs requêtes initiales, retournaient sur des documents déjà rejetés ou perdaient le fil des affirmations à vérifier. La solution habituelle consistait à forcer les modèles à relire en permanence une transcription croissante de toutes leurs actions, alourdissant la fenêtre de contexte à chaque étape. Harness-1 externalise cette gestion d'état vers un environnement logiciel structuré, libérant la mémoire de travail du modèle pour le raisonnement pur. Ce principe rejoint ce qu'Anthropic a démontré avec Claude Code: ce qui détermine la performance d'un agent autonome n'est pas seulement le modèle brut, mais la qualité de l'environnement dans lequel il opère.

Recherche❖Paper

1 source

47

Illustration générée par IA

4242Ars Technica AI 

Apple annonce un assistant vocal plus conversationnel, surnommé « Siri AI »

Apple a officiellement présenté la refonte majeure de son assistant vocal Siri lors de sa conférence annuelle WWDC, filmée en avance comme à son habitude. Baptisée "Siri AI", cette nouvelle version s'inscrit dans le cadre plus large du programme "Apple Intelligence" dont le lancement avait été plusieurs fois repoussé. La mise à jour sera déployée cet automne via les mises à jour des systèmes d'exploitation Apple. Elle s'accompagne d'une intégration plus poussée des modèles d'IA embarqués, désormais alimentés en partie par Google, ainsi qu'une cohérence renforcée entre iOS, macOS et les autres plateformes de la marque. Le changement central porte sur la nature même de l'interaction : Siri ne se limite plus à des requêtes ponctuelles isolées, mais devient capable de mener des conversations continues, en jonglant entre différentes applications et contextes au fil d'un même échange. Lors des démonstrations, les cadres d'Apple ont montré l'assistant passer d'une tâche à une autre sans rupture, illustrant ce que la firme appelle une "expérience conversationnelle entièrement nouvelle". Pour les utilisateurs, cela représente un changement de paradigme : l'assistant devient un interlocuteur persistant plutôt qu'un outil de commande vocale. Apple tente ainsi de rattraper son retard face à des concurrents comme Google, OpenAI ou Microsoft, qui ont multiplié les annonces d'IA générative depuis 2023. Le vice-président senior Craig Federighi a d'ailleurs choisi de se démarquer explicitement, en critiquant implicitement cette course effrénée et en positionnant Apple comme un acteur centré sur l'utilisateur plutôt que sur la technologie pour elle-même. Ce discours, combiné au partenariat avec Google pour les modèles de fondation, soulève des questions sur la dépendance d'Apple à des tiers pour ses ambitions en IA, et sur la capacité de la marque à tenir ses promesses lors du déploiement effectif cet automne.

Outils⚒Outil

Aussi surTechCrunch AI

46

Illustration générée par IA

4243Ars Technica AI 

Gemini 3.5 et Antigravity arrivent dans Google NotebookLM

Google a annoncé une mise à jour majeure de NotebookLM, son outil d'analyse de documents propulsé par l'IA, en le faisant basculer vers Gemini 3.5 Flash, le modèle présenté lors du Google I/O 2025. Cette nouvelle version s'accompagne d'une prise en charge élargie des types de fichiers, d'une intégration web simplifiée pour ajouter des sources en ligne, et du support intégré d'Antigravity, un framework interne de Google. Selon l'entreprise, les tests comparatifs menés entre l'ancienne version basée sur Gemini 3.1 et la nouvelle donnent à NotebookLM un taux de victoire moyen de 65 % sur cinq dimensions d'évaluation clés : précision et qualité, support multilingue, analyse de grands documents, création de documents, et recherche avancée. Cette mise à jour compte pour les entreprises qui utilisent NotebookLM pour traiter de gros volumes de documents : Gemini 3.5 Flash promet des gains de vitesse significatifs et une réduction des coûts liés aux tokens, tout en maintenant une qualité de sortie comparable ou supérieure à la génération précédente. Pour les professionnels qui s'appuient sur l'outil pour synthétiser des rapports, analyser des contrats ou préparer de la documentation, les améliorations sur le multilingue et l'analyse de longs documents sont particulièrement concrètes. NotebookLM a été lancé en 2023, au tout début de l'explosion des outils d'IA générative, à une époque où Google multipliait les expérimentations sans nécessairement les pérenniser. Le fait que le produit soit non seulement maintenu mais régulièrement enrichi témoigne de son adoption réelle auprès des utilisateurs. Le déploiement de Gemini 3.5 Flash au-delà des API pour développeurs vers des produits grand public comme NotebookLM illustre la stratégie de Google : amortir les coûts de ses modèles les plus récents en les diffusant rapidement dans l'ensemble de son écosystème, face à une concurrence de plus en plus serrée de la part d'OpenAI, Anthropic et Microsoft.

Outils⚒Outil

1 source

42

Illustration générée par IA

4244Amazon Science 

Les agents IA ancrés dans le monde réel

En 2026, l'intelligence artificielle franchit une étape décisive : les modèles qui se contentaient de "savoir" cèdent la place à des agents capables d'"agir". Les grands modèles de fondation (Foundation Models), entraînés sur des volumes massifs de données, servent désormais de moteurs cognitifs à des agents déployés dans des environnements physiques réels, des entrepôts et usines aux hôpitaux et systèmes de transport. Amazon illustre concrètement ce virage avec le lancement de Project Eluna, un agent IA développé par les équipes Amazon Fulfillment Technology (AFT) en collaboration avec l'Université de Californie à San Diego. Hébergé dans le cloud, Eluna assiste les opérateurs de centres de traitement des commandes via des tableaux de bord numériques : il analyse en temps réel l'état des tapis roulants et des robots, anticipe les goulots d'étranglement et recommande des actions aux responsables logistiques avec un degré d'autonomie croissant. Le principal défi que ces agents doivent surmonter est celui des hallucinations. Dans un environnement virtuel, une IA peut inventer des citations ou produire des erreurs factuelles ; dans un environnement physique, les conséquences deviennent dangereuses. Si un agent propose un itinéraire robotique sans tenir compte de la masse ou de l'élan des objets déplacés, il peut mettre des humains en danger ou endommager des équipements. Pour y répondre, les chercheurs définissent quatre approches d'"ancrage" (grounding), soit l'intégration de données externes, de principes physiques et de simulations numériques dans le raisonnement du modèle. La première, l'apprentissage profond guidé par la physique (PGDL), consiste à intégrer des lois fondamentales comme la conservation de l'énergie ou les équations différentielles du mouvement directement dans la phase de préentraînement, ce qui réduit drastiquement la quantité de données nécessaires. La deuxième, baptisée UQ4CT, dote l'agent d'une conscience de ses propres incertitudes pour qu'il sache reconnaître ce qu'il ne sait pas, condition indispensable dans des contextes critiques où la surconfiance peut être fatale. Ces travaux s'inscrivent dans une dynamique industrielle plus large que l'on désigne sous le terme d'"IA physique". Pendant des années, les LLM ont démontré leur puissance dans les domaines numériques : génération de texte, code, analyse de données. Leur déploiement dans le monde matériel exige une couche supplémentaire de rigueur que les architectures actuelles n'intègrent pas nativement. Amazon, avec la superficie colossale de son réseau logistique mondial, constitue un terrain d'expérimentation idéal pour valider ces approches à grande échelle. Si les quatre piliers proposés font leurs preuves dans les entrepôts, leur portée pourrait s'étendre rapidement à d'autres secteurs industriels, de la robotique chirurgicale à la gestion des réseaux électriques, où erreur et physique ne font jamais bon ménage.

Recherche❖Paper

1 source

53

Illustration générée par IA

424501net 

Apple rend enfin Siri intelligent avec Siri AI (mais pas tout de suite en Europe…)

Apple s'apprête à transformer radicalement Siri en 2026, en intégrant l'intelligence artificielle générative ainsi que le modèle Gemini de Google au coeur de son assistant vocal. Cette refonte majeure dotера Siri d'une interface redessinée, d'une voix personnalisable et d'une capacité de compréhension contextuelle nettement améliorée, capable de produire des réponses plus précises et adaptées aux besoins de chaque utilisateur. Une nouvelle application dédiée permettra également de consulter l'historique complet des conversations et de synchroniser toutes les interactions sur l'ensemble des appareils Apple. Cette mise à jour représente un tournant pour Apple, qui accuse un retard significatif face à des concurrents comme OpenAI avec ChatGPT, Google avec Gemini ou Microsoft avec Copilot. L'intégration de l'IA générative devrait transformer Siri d'un assistant limité en un véritable copilote numérique capable de raisonner, d'enchaîner des tâches complexes et de maintenir le fil d'une conversation sur la durée. Pour les quelque 2 milliards d'utilisateurs d'appareils Apple dans le monde, cela représente un changement d'usage potentiellement profond. Le déploiement ne sera cependant pas immédiat ni universel : l'Europe, soumise aux contraintes réglementaires du Digital Markets Act, devra attendre une date encore indéfinie avant d'accéder à ces fonctionnalités. Ce retard illustre la tension croissante entre les ambitions des géants technologiques américains et le cadre législatif européen. Apple avait déjà retardé plusieurs fonctions d'Apple Intelligence dans l'Union européenne pour des raisons similaires, laissant les utilisateurs du Vieux Continent en marge des dernières avancées de la plateforme.

Outils❧Opinion

1 source

49

Illustration générée par IA

4246The Decoder 

Les sous-titres détaillés surpassent le volume brut pour entraîner des générateurs d'images efficaces, selon Lens de Microsoft Research

Microsoft Research a publié Lens, un modèle de génération d'images à partir de texte doté de seulement 3,8 milliards de paramètres, capable de rivaliser avec des modèles bien plus volumineux sur les benchmarks standard, à une fraction du coût d'entraînement habituel. La clé de cette performance réside dans les données : au lieu de s'appuyer sur les descriptions alternatives vagues issues du web, l'équipe a généré 800 millions de légendes d'images très détaillées à l'aide de GPT-4.1. Le code source et les poids du modèle ont été publiés sous licence open source. Ce résultat remet en question une hypothèse dominante dans l'industrie de l'IA : celle selon laquelle il faudrait toujours plus de paramètres et de données brutes pour obtenir de meilleures performances. Lens démontre qu'un modèle compact, nourri de données de haute qualité, peut égaler des modèles propriétaires bien plus lourds. Pour les équipes disposant de ressources limitées, cela ouvre la voie à des pipelines de génération d'images performants sans investissement massif en infrastructure. Cette publication s'inscrit dans une tendance qui valorise la qualité des données d'entraînement plutôt que leur quantité brute, une philosophie déjà portée par des modèles comme Phi chez Microsoft lui-même. L'utilisation de GPT-4.1 pour générer des descriptions riches et précises rappelle les approches de recaptioning adoptées par Stability AI ou Adobe Firefly. En rendant Lens accessible à tous, Microsoft Research contribue à démocratiser la recherche en génération visuelle, et pourrait accélérer l'émergence de modèles spécialisés plus efficaces dans des domaines comme le design, la médecine ou l'éducation.

Recherche❖Paper

1 source

38

Illustration générée par IA

4247Le Big Data 

Plus besoin de s’inquiéter ? Le Parti travailliste va mettre l’IA au service des salariés

Liz Kendall, secrétaire d'État britannique à la Technologie dans le gouvernement travailliste, a annoncé une série de mesures concrètes pour préparer les travailleurs aux bouleversements provoqués par l'intelligence artificielle. Parmi les dispositifs dévoilés, le programme TechFirst, doté de 187 millions de livres sterling et lancé l'an dernier, a été réorienté pour que 40 % des un million de jeunes visés proviennent d'établissements scolaires défavorisés. Deux projets pilotes ont également été lancés dans le nord-est et le nord-ouest de l'Angleterre, proposant des stages de formation professionnelle estivaux à des jeunes sans emploi, sans études et sans formation, les fameux NEET. Ces initiatives, développées avec des entreprises partenaires, couvrent pour l'instant 60 places dans le nord-ouest et 20 dans le nord-est, avec une extension nationale envisagée. Dans le nord-est, le dispositif s'intègre à un projet de zone de croissance dédiée à l'IA, financé en partie par la Garantie jeunesse travailliste, réservée aux jeunes éloignés de l'emploi depuis au moins dix-huit mois. L'enjeu dépasse largement la formation professionnelle : il s'agit de décider qui, des gouvernements ou des grandes entreprises technologiques, orientera la transformation numérique. Kendall est explicite sur ce point : laisser les travailleurs affronter seuls les conséquences de l'automatisation n'est pas une option. Son ambition est de s'assurer que les gains de productivité générés par l'IA bénéficient à l'ensemble de la société britannique, et non aux seuls acteurs puissants du secteur. Pour les millions de jeunes Britanniques dont les perspectives d'emploi sont incertaines, ces programmes représentent une première réponse tangible à une anxiété bien documentée. Le contexte international donne la mesure du défi. Kristalina Georgieva, directrice générale du Fonds monétaire international, a qualifié l'IA de véritable « tsunami » susceptible de remodeler profondément le marché du travail mondial, en soulignant que les jeunes générations seraient les plus exposées. Le gouvernement travailliste, arrivé au pouvoir en juillet 2024, essaie de tracer une troisième voie entre rejet technologique et acceptation passive. Kendall reconnaît que certains métiers disparaîtront, mais insiste sur le fait que d'autres émergeront et que la plupart des professions évolueront, un schéma historiquement associé aux grandes ruptures technologiques. La vraie question politique n'est donc pas de savoir si l'IA doit être adoptée, mais comment la réguler pour qu'elle serve l'intérêt collectif. Les prochains mois, notamment avec la possible extension des pilotes régionaux à l'échelle nationale, diront si cette vision reste un discours ou se traduit en politique publique durable.

Société⚖Reglementation

1 source

41

Illustration générée par IA

4248Le Big Data 

Nvidia AI PC : quand la puissance des supercalculateurs s’invite dans votre ordinateur

Nvidia accélère l'intégration de l'intelligence artificielle directement dans les ordinateurs personnels avec sa gamme AI PC, des machines construites autour des puces graphiques GeForce RTX et de leurs Tensor Cores, des circuits spécialisés dans les calculs matriciels qui constituent le socle mathématique de tout réseau de neurones. Là où les PC certifiés "Copilot+" du marché affichent des performances comprises entre 40 et 50 TOPS (trillions d'opérations par seconde), suffisantes pour flouter un fond de visioconférence ou traduire du texte, les machines Nvidia visent des centaines de TOPS, voire plusieurs Petaflops, permettant d'exécuter de grands modèles de langage en local, de manière fluide et sans connexion. Cette architecture déporte l'intégralité des charges d'IA sur le GPU, préservant le processeur central pour le reste des tâches et maintenant la réactivité globale du système. L'enjeu dépasse la simple course aux performances : le traitement local supprime les trois principaux obstacles du cloud. La latence liée au transfert des données disparaît, l'IA reste disponible sans connexion internet, et les fichiers sensibles ne quittent jamais la machine, ce qui répond à une préoccupation critique des entreprises confrontées à l'envoi de documents stratégiques vers des serveurs tiers. Pour les professionnels comme pour les créateurs, cela signifie des outils d'IA réactifs, privés par défaut, et utilisables dans n'importe quel contexte, y compris hors ligne. L'ordinateur cesse d'être un terminal dépendant du cloud pour devenir un système autonome capable de raisonner localement. Ce repositionnement de Nvidia intervient dans un contexte de bataille industrielle intense entre les grands concepteurs de puces, Intel, AMD, Qualcomm et Apple ayant chacun intégré des accélérateurs IA dans leurs architectures récentes. Nvidia, historiquement associé au marché du jeu vidéo, capitalise sur sa domination dans le calcul GPU pour s'imposer comme architecte de la prochaine génération d'ordinateurs personnels, redessinant la hiérarchie des constructeurs de composants. La décennie de supériorité du CPU comme unité centrale de traitement s'efface au profit d'architectures hybrides où le GPU devient le moteur principal de l'IA locale. La prochaine étape sera probablement une standardisation de ces capacités à mesure que les modèles ouverts s'optimisent pour fonctionner sur des puces grand public, rendant le traitement local accessible à une fraction du coût actuel.

Infrastructure❧Opinion

1 source

48

Illustration générée par IA

4249The Decoder 

Intel retrouve une seconde vie : Google et Nvidia l'envisagent comme alternative à TSMC pour leurs puces IA

Google a passé une commande de plus de trois millions de puces d'intelligence artificielle auprès d'Intel, prévue pour 2028. Parallèlement, Nvidia teste les capacités de fabrication d'Intel pour sa prochaine architecture Feynman. Ces deux mouvements, révélés simultanément, marquent un tournant inattendu pour la division fonderie d'Intel, qui traverse une période difficile depuis plusieurs années. L'enjeu est direct : TSMC, le fabricant taïwanais qui domine la production de puces avancées, ne parvient plus à répondre à la demande explosive en semi-conducteurs pour l'IA. Google et Nvidia, deux des acteurs les plus gourmands en capacité de calcul, cherchent activement à diversifier leurs sources d'approvisionnement pour sécuriser leurs chaînes de production. Pour Intel, ces commandes représentent une bouée de sauvetage concrète et une validation industrielle de sa technologie de fabrication. Intel Foundry Services, la branche externe d'Intel lancée pour concurrencer TSMC et Samsung, peinait à convaincre les grands clients malgré des investissements massifs. La congestion chez TSMC, amplifiée par la ruée vers les GPU et les accélérateurs pour les centres de données IA, crée désormais une fenêtre d'opportunité réelle pour Intel. Si les tests de Nvidia sur l'architecture Feynman aboutissent positivement, Intel pourrait s'imposer comme un second fournisseur stratégique à l'échelle mondiale, réduisant la dépendance de l'industrie envers un seul acteur taïwanais dans un contexte géopolitique tendu.

Infrastructure❧Opinion

Aussi surThe Information AI

42

Illustration générée par IA

4250Amazon Science 

Les agents autonomes face au défi entre intention et exécution

Des chercheurs en intelligence artificielle ont publié une étude approfondie sur ce qu'ils nomment l'« écart entre intention et exécution » dans les systèmes d'agents IA, le fossé entre ce qu'un modèle de langage entend faire et ce que le logiciel qui l'entoure réalise concrètement. Pour l'illustrer : un modèle peut vouloir corriger une seule instance d'une fonction dans du code, mais le harnais, le logiciel qui orchestre ses actions et gère ses interactions avec les outils, en modifie involontairement plusieurs. Pour combler cet écart sans aucun ajustement spécifique à une tâche, les chercheurs ont développé Simple Strands Agent (SSA), un harnais léger et personnalisable à agent unique. Testé sur plusieurs benchmarks de référence, dont SWE-Pro, SWE-Verified (qui évaluent la correction automatique de dépôts de code réels) et Terminal-Bench2 (environnements de terminal interactifs), SSA obtient des gains de performance constants sur plusieurs familles de modèles. Ce travail pointe un problème structurel souvent ignoré dans l'évaluation des agents IA : les performances publiées sur les benchmarks reflètent autant la qualité de l'infrastructure d'évaluation que la capacité intrinsèque du modèle. Des facteurs apparemment triviaux, délais d'expiration lors des interactions avec l'environnement, stabilité de l'infrastructure, contraintes de ressources, provoquent des variations de performance significatives. Les auteurs baptisent ce phénomène le « benchmaxing » : la tendance à optimiser les scores publiés sans nécessairement améliorer la capacité réelle du système. Pour les équipes qui déploient des agents en production, cela signifie qu'un gain impressionnant sur un benchmark peut disparaître entièrement dans un contexte légèrement différent, rendant les comparaisons entre systèmes peu fiables. L'étude s'inscrit dans un débat plus large sur la conception des agents IA. Pendant des années, la priorité a été donnée aux optimisations spécifiques : prompts ajustés, outils sur mesure, graphes d'exécution spécialisés. Or les chercheurs montrent que ces gains sont souvent fragiles, ce qui fonctionne pour un modèle ou une version donnée se dégrade ou régresse avec les modèles suivants, car ces optimisations surajustent implicitement le comportement d'un modèle particulier. La conclusion est qu'il faut désormais identifier des principes de conception invariants, valables quel que soit le modèle sous-jacent. L'interface entre modèle et harnais devient ainsi un domaine de recherche central, à l'image du rôle d'un système d'exploitation vis-à-vis d'un processeur. Les auteurs soulignent également que cette conception n'est pas entièrement agnostique au modèle : différentes familles de modèles ont des préférences distinctes en matière d'utilisation des outils et d'interprétation du contexte, faisant de la coconception modèle-harnais un levier décisif pour atteindre des performances optimales.

Recherche❖Paper

1 source

41

Illustration générée par IA

4251MarkTechPost 

Xiaomi MiMo et TileRT franchissent les 1000 tokens par seconde avec un modèle d'un billion de paramètres sur GPU grand public

Xiaomi, en collaboration avec le groupe système TileRT, a publié MiMo-V2.5-Pro-UltraSpeed, un mode de serving haute vitesse pour son modèle existant MiMo-V2.5-Pro. Ce modèle, basé sur une architecture Mixture-of-Experts (MoE) à l'échelle du trillion de paramètres, franchit pour la première fois la barre des 1 000 tokens par seconde sur cette classe de modèles, avec des pics mesurés à 1 200 tokens/s. Ce qui rend la performance remarquable, c'est le matériel utilisé : non pas des puces custom ou des accélérateurs spécialisés, mais un nœud standard de 8 GPU grand public. Le résultat découle de trois techniques coordonnées que Xiaomi qualifie de "codesign modèle-système extrême" : la quantification FP4 (format MXFP4 appliqué sélectivement aux experts MoE, le reste restant en FP8), le décodage spéculatif DFlash, et le moteur d'exécution TileRT. La qualité des benchmarks reste comparable au modèle original grâce à un entraînement avec conscience de la quantification (QAT). Ces vitesses changent concrètement ce qu'il est possible de faire avec un grand modèle en production. À 1 000 tokens/s, des tâches qui supposaient d'attendre plusieurs secondes entre chaque étape deviennent quasi-instantanées : un agent de code peut enchaîner les cycles génération-exécution-correction sans temps mort perceptible, des stratégies de raisonnement Best-of-N peuvent faire tourner des dizaines de branches en parallèle dans le même temps horloge, et des usages temps réel comme la détection de fraude ou le dialogue interactif deviennent viables sans infrastructure dédiée. Les démos publiées montrent la génération d'un jeu Snake en une dizaine de secondes, illustrant la fluidité atteinte pour des tâches de prototypage rapide. DFlash, la pièce centrale du gain de vitesse, résout un problème structurel du décodage spéculatif classique : le modèle brouillon génère les tokens un par un, créant un goulot d'étranglement séquentiel. DFlash utilise une prédiction parallèle masquée par blocs, permettant au modèle brouillon de remplir un bloc entier de positions en un seul passage. Sur des tâches de code, six à sept tokens sur huit sont acceptés à chaque round de vérification, atteignant parfois 7,14 en moyenne. TileRT complète le tableau côté système : à ces vitesses, chaque opérateur ne dure que quelques microsecondes, et les coûts de lancement d'opérateurs traditionnels fracturent le flux d'exécution. TileRT maintient un noyau persistant sur le GPU avec spécialisation par warp, éliminant ces interruptions. Xiaomi positionne cette combinaison comme une réponse directe à la montée en puissance de la vitesse d'inférence comme métrique concurrentielle, face aux investissements croissants de Meta, Google et OpenAI dans leurs propres accélérateurs propriétaires.

Infrastructure❧Opinion

1 source

45

Illustration générée par IA

4252AWS ML Blog 

Les clés de la flexibilité de l'IA en Europe : guide sur l'inférence interrégionale pour le traitement des données et l'accès aux modèles

Amazon Web Services a introduit une fonctionnalité appelée Cross-Region Inference (CRIS) dans Amazon Bedrock, son service d'IA générative managé, permettant aux entreprises européennes de router automatiquement leurs requêtes d'inférence vers plusieurs régions AWS au sein de zones géographiques prédéfinies. Concrètement, lorsqu'une application envoie une requête à un modèle comme Claude d'Anthropic ou un modèle Amazon Nova, CRIS peut la rediriger dynamiquement vers la région disposant de la meilleure capacité disponible, tout en maintenant les données dans un périmètre géographique contrôlé. Pour l'Europe, AWS propose des profils EU CRIS dont toutes les régions de destination sont situées exclusivement au sein de l'Union européenne. Les données transmises restent chiffrées et circulent uniquement sur le réseau privé AWS, sans jamais transiter par l'internet public. Ce mécanisme répond à un problème concret que rencontrent les entreprises européennes : la saturation des capacités de calcul GPU en période de forte demande, qui se traduit par des latences élevées ou des erreurs de disponibilité. En distribuant les requêtes sur plusieurs régions, les applications deviennent plus résilientes aux pics de charge et aux pannes locales. Du point de vue réglementaire, les profils EU CRIS sont conçus pour faciliter la conformité au RGPD, puisque le traitement reste borné à l'UE, un critère déterminant pour les secteurs soumis à des exigences strictes de résidence des données comme la finance, la santé ou les services publics. AWS souligne également que certains modèles sont disponibles à tarif réduit via les profils globaux CRIS, ajoutant un argument économique à l'argument technique. La pression réglementaire européenne sur le traitement des données par des fournisseurs cloud américains s'est intensifiée ces dernières années, notamment après les décisions de la CJUE sur les transferts transatlantiques de données. Les grands hyperscalers comme AWS, Google Cloud et Microsoft Azure ont tous investi massivement dans des infrastructures européennes et des offres de souveraineté pour répondre à ces contraintes. CRIS s'inscrit dans cette logique : plutôt que de forcer les clients à choisir une seule région et à subir ses limitations de capacité, AWS propose une abstraction qui optimise automatiquement tout en respectant les frontières réglementaires. La prochaine étape logique sera l'extension de ces profils géographiques à d'autres zones comme le Moyen-Orient ou l'Asie-Pacifique, et l'intégration de contrôles plus fins permettant aux entreprises de définir elles-mêmes les régions autorisées selon leurs obligations contractuelles ou sectorielles.

Infrastructure❧Opinion

1 source

47

Illustration générée par IA

4253AWS ML Blog 

Amazon Bedrock AgentCore permet d'héberger des agents de codage en toute sécurité

Amazon a lancé Bedrock AgentCore Runtime, un service cloud conçu pour héberger les agents de codage, Claude Code, Codex, Kiro, Cursor CLI, Gemini CLI ou tout autre outil similaire, sans que le développeur n'ait à garder son ordinateur portable allumé et ouvert. Chaque session obtient un microVM Linux isolé avec un espace de travail persistant, un shell réel et une exécution déterministe des commandes. Le service embarque également trois composantes clés : une couche d'identité qui fait agir l'agent au nom de l'utilisateur qui l'a déclenché, une passerelle MCP (Model Context Protocol) unique donnant accès à GitHub, Jira, Slack et aux services internes avec les vrais tokens stockés hors de portée de l'agent, et une intégration native à Amazon CloudWatch pour tracer chaque action effectuée. Amazon annonce que plusieurs agents concurrents, Claude Code, Codex, Kiro et Cursor, pourront être lancés simultanément sur le même dépôt, chacun dans son propre environnement isolé, et évalués sur la latence, le coût et le taux de réussite des tests. L'enjeu va bien au-delà du confort : héberger un agent de codage sur un laptop expose l'ensemble de l'environnement du développeur. L'agent partage le shell, le système de fichiers, les clés SSH, les credentials AWS stockés dans ~/.aws/credentials, les tokens npm, et le VPN actif. Un fichier README piégé suffit à déclencher une exécution malveillante avec accès complet aux secrets. La parallélisation pose un problème distinct : lancer deux agents via git worktree ne règle que la partie git, les deux processus se battent toujours pour le même localhost:5432, le même port :3000, le même trousseau SSH. Trois agents sur trois branches, c'est trois processus en compétition sur une seule machine. Enfin, fermer le couvercle du laptop tue la session : dépendances à moitié installées, refactoring en cours, suite de tests en attente, tout disparaît. Un chantier de 90 minutes ou une migration nocturne exige que l'écran reste allumé pendant toute la durée. La montée en puissance des agents de codage autonomes a rendu ce problème structurel. Ces outils peuvent désormais tenir des tâches longues, audit de codebase, migrations de schéma, refactoring multi-fichiers, qui dépassent largement la durée d'une session de travail classique. Les équipes qui veulent en tirer parti à l'échelle se heurtent aux limites du modèle "un agent par laptop ouvert". Amazon positionne AgentCore comme la réponse infrastructure à ce changement de régime : un environnement cloud dédié par agent, cloisonné par défaut, observable dès le départ, et déconnecté du cycle de vie de la machine du développeur. Le service s'inscrit dans une compétition plus large entre AWS, Google et Microsoft pour capter les workflows d'IA des équipes engineering, à mesure que les agents de codage passent du statut d'expérimentation à celui d'outil de production.

Infrastructure❧Opinion

1 source

35

Illustration générée par IA

4254AWS ML Blog 

L'optimisation mathématique là où l'intuition échoue : des décisions à grande échelle

Face aux décisions d'entreprise trop complexes pour l'intuition humaine, optimiser des milliers de routes de livraison, coordonner des centaines de robots en usine sans collision, gérer les plannings d'un hôpital 24h/24 en respectant toutes les contraintes réglementaires, des organisations de premier plan se tournent vers l'optimisation mathématique, une branche spécialisée de l'IA distincte du machine learning. L'équipe scientifique du AWS Generative AI Innovation Center accompagne ces entreprises en combinant expertise en modélisation mathématique, informatique quantique et calcul haute performance, entièrement déployés sur l'infrastructure AWS. Parmi les cas concrets, le Fidelity Center for Applied Technology (FCAT) illustre bien l'enjeu : leurs modèles de machine learning produisaient déjà de solides prédictions pour les décisions d'investissement et la gestion du risque, mais manquaient d'interprétabilité. En collaborant avec l'Innovation Center, FCAT a intégré l'explicabilité directement dans la construction des modèles, sans sacrifier leur précision prédictive, et en produisant des cadres réutilisables pour les développements futurs. Ce que l'optimisation mathématique apporte, que le machine learning ne peut pas fournir seul, c'est une réponse définitive et prouvablement optimale, et non une approximation probabiliste. Le machine learning est une IA inductive : il apprend des régularités à partir de milliers d'exemples pour produire des prédictions. L'optimisation est déductive : elle applique des principes mathématiques à un problème spécifique pour délivrer la meilleure décision possible compte tenu de toutes les contraintes réelles. Là où un algorithme prédictif dira "cet itinéraire est probablement efficace", l'optimisation répond "voici l'itinéraire optimal en intégrant chaque contrainte de votre système". Pour des opérations soumises à des limites physiques, des fenêtres horaires serrées ou des exigences réglementaires non négociables, cette différence est décisive. L'essor de ces approches s'inscrit dans une transformation plus large de l'IA d'entreprise, qui cherche à dépasser la simple prédiction pour atteindre la prescription, dire non pas ce qui va se passer, mais ce qu'il faut faire. Les pipelines dits "predict-then-optimize" combinent les deux disciplines : le machine learning prédit la demande future, l'optimisation mathématique détermine ensuite le plan d'action optimal à partir de ces prévisions. AWS positionne son Innovation Center comme un accélérateur de cette convergence, en prenant en charge la complexité scientifique que peu d'entreprises peuvent internaliser. La compétition pour maîtriser ces outils s'intensifie dans la logistique, la finance, la santé et l'industrie manufacturière, secteurs où une décision sous-optimale à grande échelle se chiffre en millions, et où l'IA prescriptive commence à supplanter les règles métier manuelles comme standard opérationnel.

Outils⚒Outil

1 source

43

Illustration générée par IA

4255AWS ML Blog 

Inférence ML chiffrée de bout en bout avec Amazon SageMaker AI et le chiffrement homomorphe

Amazon Web Services propose une nouvelle approche pour exécuter des modèles de machine learning dans le cloud sans jamais exposer les données traitées, même au fournisseur d'infrastructure. La méthode repose sur le chiffrement homomorphe intégral (FHE, pour Fully Homomorphic Encryption), une technique cryptographique qui permet d'effectuer des calculs directement sur des données chiffrées, sans jamais les déchiffrer. Concrètement, un client envoie une requête chiffrée à un modèle hébergé sur Amazon SageMaker AI, le modèle produit une prédiction chiffrée, et seul le client peut déchiffrer le résultat final. La bibliothèque open source concrete-ml, compatible avec l'API scikit-learn, sert de couche de haut niveau pour entraîner et déployer ces modèles FHE sans avoir à coder les algorithmes cryptographiques à la main. L'enjeu est considérable pour plusieurs secteurs régulés. Dans le domaine médical, un assureur pourrait déployer un modèle prédictif sur des données diagnostiques de patients sans que ces données quittent le contrôle du médecin, en conformité avec les réglementations sur la vie privée. Dans le secteur énergétique, une entreprise pétrolière pourrait analyser des photos satellites de sites sensibles géopolitiquement sans les confier en clair à un tiers. Un opérateur télécom pourrait filtrer des e-mails clients pour détecter du spam sans violer les obligations de protection des communications personnelles. Dans tous ces cas, le cloud fournit la puissance de calcul, mais reste cryptographiquement aveugle au contenu traité, y compris Amazon lui-même, selon AWS. Cette publication fait suite à un premier article d'AWS qui démontrait le FHE appliqué à SageMaker en construisant manuellement un algorithme de régression linéaire via la bibliothèque bas niveau SEAL. L'approche présentée ici est plus généraliste : concrete-ml prend en charge plusieurs types de modèles standards et s'intègre directement dans les workflows SageMaker existants, via des conteneurs personnalisés. Le FHE se distingue également des environnements d'exécution confidentiels comme AWS Nitro Enclaves, où les données sont déchiffrées dans un enclave isolé avant traitement. Avec le FHE, aucun déchiffrement n'a lieu nulle part dans la chaîne. Le principal frein reste la performance, le FHE est significativement plus lent que le calcul en clair, ce qui limite pour l'instant son usage aux modèles relativement simples, mais la progression rapide des bibliothèques spécialisées laisse entrevoir des applications plus larges à moyen terme.

Sécurité≡Tuto

1 source

41

Illustration générée par IA

4256AWS ML Blog 

Amazon Nova Sonic : évaluer un agent vocal à grande échelle, sans microphone

Amazon a publié le Nova Sonic Test Harness, un framework open source conçu pour automatiser les tests des agents vocaux construits sur son modèle Amazon Nova Sonic. Jusqu'ici, la seule méthode disponible pour les équipes de développement consistait à faire parler physiquement une personne à l'agent et à écouter les réponses, scénario par scénario. Avec 50 scénarios de conversation testés sur 3 personas utilisateurs distincts, cela représente 150 tests manuels, chacun prenant plusieurs minutes en temps réel. Multiplié par chaque modification de prompt ou de configuration d'outil, le coût en temps devient prohibitif. Le harness résout ce problème en simulant des conversations complètes multi-tours sans microphone, en évaluant les résultats via des techniques de jugement par LLM, et en détectant les cas d'hallucination audio, c'est-à-dire les situations où le texte généré et l'audio produit divergent, par exemple "15h00" à l'écrit contre "15h30" à l'oral. L'enjeu est considérable pour les entreprises qui déploient des agents vocaux dans des flux critiques comme la prise de rendez-vous, la gestion de commandes ou le support client. Sans framework d'évaluation automatisé, l'optimisation des prompts devient un travail à l'aveugle : impossible de savoir si une modification améliore ou dégrade le comportement de l'agent sur l'ensemble des cas d'usage avant un déploiement en production. Le harness permet désormais de lancer une suite de régression complète avant chaque mise à jour, de mesurer si l'agent gère correctement les cas limites sur des centaines de scénarios, et de détecter des régressions subtiles, comme un agent qui cesserait de confirmer une réservation, avant qu'un vrai client ne les rencontre. Les agents vocaux posent des défis techniques fondamentalement différents des chatbots textuels, ce qui explique pourquoi les outils d'évaluation existants ne s'adaptent pas directement. Les modèles speech-to-speech maintiennent une connexion full-duplex persistante avec flux audio et texte bidirectionnels simultanés, incompatible avec les outils HTTP classiques. Leurs réponses sont non-déterministes, le comportement pertinent se manifeste sur plusieurs tours de conversation, et les sessions expirent après environ huit minutes, nécessitant une gestion de la reconnexion et du replay d'historique. Amazon positionne Nova Sonic comme sa réponse aux besoins croissants des entreprises en matière d'interfaces vocales intelligentes, un marché en forte expansion où Google, Microsoft et des acteurs spécialisés comme ElevenLabs se disputent les contrats. La publication en open source du harness vise à abaisser la barrière d'adoption en offrant aux développeurs un outil de test professionnel dès le départ.

Outils⚒Outil

1 source

45

Illustration générée par IA

4257FrenchWeb 

PhysicsX lève 255 millions d’euros : la bataille de l’IA s’étend aux infrastructures stratégiques

PhysicsX, startup britannique spécialisée dans la simulation physique par intelligence artificielle, a bouclé une levée de fonds de 255 millions d'euros menée par Temasek, le fonds souverain singapourien. Ce tour de table, l'un des plus importants jamais réalisés dans le domaine de l'IA appliquée à l'ingénierie, positionne l'entreprise fondée par d'anciens chercheurs du CERN comme un acteur incontournable de ce que certains appellent déjà l'IA physique. PhysicsX développe des modèles capables de remplacer ou d'accélérer massivement les simulations numériques traditionnelles dans des secteurs comme l'aéronautique, l'énergie ou l'industrie automobile. L'enjeu est considérable : les simulations physiques représentent un goulot d'étranglement majeur dans la conception industrielle. Là où un calcul aérodynamique classique peut mobiliser des supercalculateurs pendant des heures, les modèles de PhysicsX promettent des résultats équivalents en quelques secondes. Pour les constructeurs, les énergéticiens et les fabricants d'équipements, cela signifie des cycles de développement réduits, des coûts abaissés et la possibilité d'explorer des espaces de conception jusqu'ici inaccessibles faute de capacité de calcul. Cette levée s'inscrit dans un mouvement plus large d'investissement dans l'IA dite "physique" ou "industrielle", distincte des grands modèles de langage grand public. Des acteurs comme Nvidia, avec ses outils de simulation, ou des startups concurrentes telles que Coreform et Pasteur Labs, s'attaquent au même marché. L'entrée de Temasek signale que les fonds souverains misent désormais sur cette verticale stratégique, jugée critique pour la souveraineté industrielle et la compétitivité économique à long terme.

Business❧Opinion

1 source

48

Illustration générée par IA

4258Le Big Data 

La science casse les codes : l’IA crée ses premiers vaccins humains

Des chercheurs de l'Université de Cambridge ont franchi une étape inédite dans l'histoire de la vaccination : un candidat vaccin contre les coronavirus, baptisé pEVAC-PS, conçu entièrement à l'aide de modèles d'intelligence artificielle, a été testé avec succès chez l'humain pour la première fois. L'essai de phase I a impliqué 39 volontaires sains qui ont reçu le vaccin par voie intradermique, sans aiguille. Aucun effet indésirable grave n'a été observé, et des signaux immunitaires ont été détectés contre plusieurs coronavirus distincts. Le vaccin a été développé en collaboration avec la société britannique DIOSynVax, qui ambitionne d'étendre la plateforme à d'autres agents pathogènes comme la grippe ou Ebola. Ce qui rend cette avancée significative, c'est l'approche adoptée pour contourner l'un des problèmes fondamentaux de la vaccinologie moderne : la dérive virale. Les coronavirus, comme les virus grippaux, mutent en permanence, rendant les vaccins existants progressivement moins efficaces. L'IA a permis ici d'identifier des zones structurellement stables, communes à plusieurs sarbecovirus, dont le SARS-CoV-2, le virus du SRAS de 2003 et des souches de coronavirus de chauve-souris à potentiel zoonotique. En ciblant ces régions conservées plutôt que des épitopes variables, le vaccin vise à entraîner le système immunitaire à reconnaître une famille entière de virus plutôt qu'un seul variant. C'est une stratégie qui pourrait transformer la manière dont l'humanité anticipe les pandémies, en passant d'une réponse réactive à une préparation proactive. Ce premier essai clinique s'inscrit dans un contexte de course mondiale à la prévention des prochaines crises sanitaires, accélérée par les leçons du Covid-19. Les gouvernements et institutions scientifiques cherchent des outils capables de réduire le délai entre l'émergence d'un nouveau pathogène et la mise à disposition d'un vaccin efficace. L'utilisation de l'IA pour la conception moléculaire représente une piste sérieuse : elle peut théoriquement compresser des années de tâtonnements expérimentaux en quelques mois de simulation computationnelle. Cela dit, les résultats immunitaires observés restent préliminaires et difficiles à interpréter, notamment parce que les volontaires avaient déjà été exposés au SARS-CoV-2 ou vaccinés contre le Covid-19. La prochaine étape, un essai de phase II avec un panel plus large de participants naïfs, sera déterminante pour évaluer l'efficacité réelle du pEVAC-PS. Cambridge et DIOSynVax ont encore plusieurs années de travail devant eux avant toute mise sur le marché, mais la preuve de concept est désormais posée.

Recherche❖Paper

1 source

47

Illustration générée par IA

4259The Information AI 

Les développeurs du data center Stargate d'OpenAI font face à des coûts plus élevés

À Abilene, au Texas, des ingénieurs de Crusoe, développeur de centres de données pour OpenAI et Oracle, travaillent d'arrache-pied pour faire fonctionner des turbines à gaz naturel en synergie avec l'un des supercalculateurs d'intelligence artificielle les plus coûteux jamais construits. Selon deux sources ayant connaissance directe du dossier, ainsi que des ingénieurs et experts du réseau électrique, l'opération s'avère bien plus complexe et onéreuse que prévu. Ce site fait partie du projet Stargate d'OpenAI, annoncé en janvier 2025 avec SoftBank et Oracle pour un investissement total de 500 milliards de dollars. Ces surcoûts imprévus font peser un risque budgétaire concret sur un programme dont les premières installations se concentrent au Texas. Si l'alimentation énergétique reste un défi non résolu, la montée en puissance des capacités de calcul qu'OpenAI juge indispensables pour entraîner ses prochains modèles pourrait être retardée, avec des conséquences directes pour les partenaires et investisseurs engagés dans ce pari industriel d'envergure inédite. La tension entre la demande électrique massive des centres de données IA et la capacité des infrastructures locales est un problème structurel qui dépasse largement ce seul projet. Le choix du gaz naturel visait à contourner les délais de raccordement au réseau électrique, mais cette stratégie se heurte à des contraintes d'ingénierie sous-estimées. Microsoft, Google, Amazon et Meta affrontent les mêmes obstacles et explorent des alternatives allant des petits réacteurs nucléaires aux accords directs avec des producteurs d'énergie, illustrant l'urgence de la course aux infrastructures IA.

Infrastructure⚡Actu

1 source

43

Illustration générée par IA

4260Le Big Data 

Il abandonne ses abonnements IA pour un Mac Mini et économise 2 500 $ par an

Un développeur vétéran a publié début juin 2026 le détail de son infrastructure IA personnelle : deux Mac Mini équipés de puces Apple Silicon, acquis pour un total de 1 198 dollars, qui remplacent intégralement un stack d'abonnements cloud lui coûtant 210 dollars par mois. Sur ces machines, il fait tourner l'agent open source Hermes ainsi que plusieurs modèles de langage en local, couvrant ses besoins en programmation, rédaction et analyse. Sa facture d'électricité liée à cette configuration s'élève à deux ou trois dollars mensuels. Le calcul est direct : une fois le matériel amorti, l'économie annuelle atteint environ 2 500 dollars, soit le prix d'un abonnement combinant ChatGPT Pro, Claude Code, Gemini Advanced et GitHub Copilot, des outils devenus des lignes budgétaires standard pour les développeurs actifs. L'impact le plus immédiat concerne les professionnels qui utilisent l'IA de façon intensive et qui accumulent plusieurs abonnements premium en parallèle. Pour eux, le retour sur investissement d'une configuration locale devient concret en moins d'un an. Au-delà du coût, le contrôle des données constitue un avantage distinct : les documents, le code source et les données sensibles ne transitent jamais par des serveurs externes, ce qui répond directement aux exigences de confidentialité dans des contextes professionnels réglementés ou compétitifs. Cette approche représente aussi un signal pour l'industrie : la proposition de valeur du cloud IA repose jusqu'ici sur la commodité et la puissance brute, mais l'Apple Silicon a réduit l'écart de performances au point que le calcul économique bascule pour une catégorie croissante d'utilisateurs. Cette tendance s'inscrit dans un mouvement plus large porté par la démocratisation des modèles open source et par la montée en puissance des puces ARM optimisées pour l'inférence. Apple a délibérément conçu l'Apple Silicon avec une mémoire unifiée à haute bande passante qui avantage précisément les charges de travail LLM, et la communauté open source a suivi avec des outils comme Ollama ou llama.cpp rendant le déploiement local accessible sans infrastructure spécialisée. La limite reste réelle : les modèles locaux disponibles sur deux Mac Mini ne rivalisent pas avec GPT-4o ou Claude Opus sur les tâches les plus complexes, et la mise en place requiert des compétences techniques que l'utilisateur moyen ne possède pas. La plupart des observateurs anticipent donc un modèle hybride : l'inférence locale pour les tâches répétitives et courantes, les API cloud pour les raisonnements lourds ponctuels. Ce que cette configuration démontre surtout, c'est que la dépendance totale aux abonnements cloud n'est plus une fatalité pour les développeurs qui savent ce qu'ils font.

Infrastructure❧Opinion

1 source