Actualités IA — page 215

7 629 articles au fil, du plus récent au plus ancien.

34

4281Robotics Business Review 

Flex et Teradyne renforcent leur partenariat pour déployer l'IA physique à grande échelle

Flex et Teradyne Robotics ont annoncé l'élargissement de leur partenariat de longue date pour accélérer le déploiement de l'IA physique et de la robotique intelligente dans le secteur manufacturier mondial. Concrètement, la collaboration repose sur une double stratégie : Flex produit les composants clés des robots de Teradyne tout en devenant l'un des principaux terrains d'expérimentation de ces mêmes machines. L'entreprise prévoit de déployer des robots collaboratifs (cobots) d'Universal Robots et des robots mobiles autonomes (AMR) de Mobile Industrial Robot, deux filiales de Teradyne, dans ses propres usines à travers le monde. Les deux groupes ont déclaré qu'ils travailleront ensemble à résoudre les défis liés à l'alimentation électrique, à la gestion thermique et au passage à l'échelle, en s'appuyant sur des infrastructures IT avancées et des technologies de refroidissement de pointe. Ce rapprochement représente bien plus qu'un accord industriel classique : il efface la frontière traditionnelle entre fabricant de robots et utilisateur final. En intégrant directement les cobots et AMR de Teradyne dans ses lignes de production tout en construisant les composants qui les alimentent, Flex tente de résoudre le problème de mise à l'échelle qui freine depuis des années l'adoption massive de l'automatisation intelligente. Pour le secteur industriel au sens large, ce cas concret devra prouver que la synergie entre fabrication avancée et robotique pilotée par l'IA peut enfin transformer des expérimentations isolées en déploiements cohérents à l'échelle planétaire. Les retours opérationnels continus issus des usines de Flex permettront de valider les technologies en conditions réelles et d'accélérer la réplication des workflows d'automatisation réussis. Flex et Teradyne collaborent depuis plus de vingt ans sur des équipements de test de semi-conducteurs, ce qui donne à ce partenariat élargi une base technique et relationnelle solide. Flex est un géant discret de la chaîne d'approvisionnement mondiale : l'entreprise exploite plus de 100 sites dans 30 pays, emploie 140 000 personnes, travaille avec 16 000 fournisseurs et revendique la gestion de 80 % des besoins critiques en alimentation et en calcul pour les centres de données mondiaux. Teradyne Robotics, dont le siège est à North Reading dans le Massachusetts, s'appuie sur Universal Robots et MiR pour s'imposer comme un acteur central de la robotique industrielle collaborative. L'extension de l'accord vers l'automatisation intelligente reflète une évolution naturelle face à la complexité croissante des environnements de fabrication, notamment dans l'électronique, les équipements industriels et l'infrastructure des centres de données, secteurs en pleine expansion sous l'effet de la course mondiale à l'IA.

Robotique⚡Actu

1 source

47

4282The Information AI 

OpenAI prévoit 122 millions d'abonnés cette année grâce à l'offre ChatGPT à 8 dollars

OpenAI prévoit de transformer en profondeur son modèle économique en 2026, en misant sur un abonnement bas de gamme et financé par la publicité. Selon des projections internes non publiées, la société anticipe que les abonnés à ChatGPT Go, son nouveau forfait à 8 dollars par mois aux États-Unis (environ 5 dollars dans des pays comme l'Inde), atteindront 112 millions d'utilisateurs d'ici la fin de l'année, soit une multiplication par 36. Dans le même temps, les abonnés à ChatGPT Plus, le forfait phare à 20 dollars mensuels qui constitue depuis trois ans la principale source de revenus de l'entreprise, devraient chuter de 80 % pour tomber à environ 9 millions. L'abonnement Pro, le plus coûteux, devrait lui doubler d'utilisateurs, mais représenter moins de 1 % du total. Le nombre global d'abonnés consommateurs atteindrait ainsi 122 millions. Ce pari stratégique repose sur une logique contre-intuitive : OpenAI espère gagner davantage en touchant une base d'utilisateurs beaucoup plus large via la publicité qu'en préservant une base d'abonnés premium plus restreinte. La descente en gamme massive qu'elle anticipe, avec des dizaines de millions d'anciens abonnés Plus qui passeraient à ChatGPT Go, représente un risque réel sur ses revenus par abonnement. Mais si les revenus publicitaires compensent largement cette perte, le modèle pourrait s'avérer plus rentable à grande échelle. Ce virage intervient alors qu'OpenAI cherche à accélérer sa croissance pour justifier une valorisation désormais supérieure à 300 milliards de dollars, obtenue lors de sa dernière levée de fonds. La société subit aussi une pression concurrentielle croissante de la part de Gemini de Google, de Grok de xAI et d'alternatives gratuites comme DeepSeek. Adopter un modèle publicitaire rapprocherait OpenAI des pratiques de Google ou Meta, tout en élargissant son audience dans des marchés émergents où 20 dollars par mois restent prohibitifs. La question qui reste ouverte est celle de la compatibilité entre la confidentialité des données des utilisateurs et un modèle fondé sur la monétisation de leur attention.

Business❧Opinion

1 source

53

4283MarkTechPost 

OpenAI lance Privacy Filter, un modèle open source d'anonymisation des données personnelles

OpenAI a discrètement publié sur Hugging Face un modèle open source baptisé Privacy Filter, sous licence Apache 2.0, conçu spécifiquement pour détecter et supprimer automatiquement les données personnelles (PII) dans des textes. Le modèle est suffisamment léger pour tourner directement dans un navigateur web ou sur un ordinateur portable, tout en étant assez rapide pour des pipelines de traitement à haut débit. Il reconnaît huit catégories de données sensibles : numéros de compte, adresses privées, e-mails, noms de personnes, numéros de téléphone, URLs, dates privées et secrets. Cette dernière catégorie couvre les tokens d'authentification, les mots de passe et les chaînes à haute entropie. OpenAI reconnaît dans la fiche du modèle deux limites connues : la détection manquée de formats de credentials inédits et de secrets fragmentés sur plusieurs tokens. Ce qui rend Privacy Filter techniquement remarquable, c'est l'écart entre ses 1,5 milliard de paramètres totaux et ses seulement 50 millions de paramètres actifs à l'inférence, soit un rapport de 1 à 30. Cet écart s'explique par une architecture sparse mixture-of-experts (MoE) : pour chaque token traité, seuls 4 experts parmi 128 sont activés, les autres restant dormants. Le modèle repose sur 8 blocs transformer avec un residual stream de largeur 640, une attention groupée (GQA) avec embeddings positionnels rotatifs (RoPE), et bénéficie d'une fenêtre de contexte de 128 000 tokens. Son entraînement s'est déroulé en trois phases distinctes : préentraînement autorégressif classique style GPT, puis conversion architecturale avec remplacement de la tête de prédiction par une tête de classification et activation d'une attention bidirectionnelle (fenêtre locale de 257 tokens), et enfin fine-tuning supervisé sur des données PII étiquetées. La publication de Privacy Filter intervient dans un contexte où les équipes techniques cherchent à intégrer des outils d'IA dans leurs pipelines de données sans envoyer d'informations sensibles vers des APIs tierces. Ce modèle s'inscrit directement dans cette tendance des outils IA déployables en local, sur du matériel standard, sans dépendance cloud. Pour les organisations soumises au RGPD ou à des contraintes de conformité strictes, la capacité à nettoyer automatiquement des logs, des datasets ou du contenu utilisateur avant stockage représente un gain opérationnel concret. OpenAI positionne ainsi Privacy Filter comme une brique d'infrastructure réutilisable, et son architecture MoE issue de la même famille que gpt-oss laisse entrevoir une stratégie de réutilisation de checkpoints préentraînés pour des tâches spécialisées, une approche plus économique que de repartir de zéro pour chaque cas d'usage.

Outils⚒Outil

1 source

50

4284VentureBeat AI 

Poolside lance Laguna XS.2, un modèle ouvert gratuit et performant pour le codage local à base d'agents

La startup américaine Poolside, fondée à San Francisco en 2023, a lancé ce 28 avril 2026 deux nouveaux modèles de langage sous la marque Laguna, conçus spécifiquement pour les tâches de codage agentique. Le premier, Laguna M.1, est un modèle propriétaire de 225 milliards de paramètres au format Mixture of Experts (MoE), avec 23 milliards de paramètres actifs, destiné aux environnements d'entreprise et gouvernementaux à hautes exigences de sécurité. Le second, Laguna XS.2, est un modèle open source sous licence Apache 2.0 de 33 milliards de paramètres (3 milliards actifs), téléchargeable et exécutable localement sur un simple GPU de bureau ou d'ordinateur portable, sans connexion internet. Poolside accompagne ces deux modèles d'un agent de codage en ligne de commande baptisé "pool" et d'un environnement de développement web mobile appelé "shimmer". Temporairement, même le plus grand modèle M.1 est accessible gratuitement via l'API Poolside et des partenaires comme OpenRouter, Ollama et Baseten. L'arrivée de Laguna XS.2 en open source représente un signal fort dans un secteur dominé soit par des modèles propriétaires coûteux comme Claude d'Anthropic ou GPT-5.5 d'OpenAI, soit par des modèles chinois à licence ouverte comme ceux de DeepSeek. Poolside offre ici une alternative américaine, exécutable entièrement hors ligne, ce qui répond à un besoin critique pour les agences gouvernementales et les entreprises opérant dans des environnements ultra-sécurisés. L'ingénieur post-entraînement George Grigorev a précisé que Poolside peut "livrer des poids dans des environnements totalement isolés on-premises, sans connexion réseau", un avantage décisif face aux solutions cloud d'Anthropic ou Google. Par ailleurs, les deux modèles Laguna ont été entraînés intégralement from scratch, contrairement à plusieurs laboratoires américains qui s'appuient sur les modèles de base Qwen d'Alibaba, ce qui leur confère une indépendance technique notable. Poolside s'est jusqu'ici concentrée sur des contrats gouvernementaux et de défense, construisant ses modèles dans un environnement interne appelé "Model Factory", dont le moteur central est un logiciel maison nommé Titan. L'entreprise utilise également un optimiseur d'entraînement appelé Muon, qui accélère l'apprentissage d'environ 15% par rapport aux méthodes standards, un avantage compétitif non négligeable en termes de coûts et de délais. En s'ouvrant maintenant à la communauté des développeurs et à la recherche publique, Poolside change de stratégie et entre de plein pied dans la bataille de l'open source agentique, à un moment où les entreprises tech cherchent à réduire leur dépendance aux API propriétaires pour des raisons de coût, de confidentialité et de souveraineté technologique.

LLMs⚡Actu

1 source

34

4285Le Big Data 

Comprendre la fenêtre de contexte : limites et solutions techniques des LLM

La fenêtre de contexte est la limite fondamentale qui détermine ce qu'un modèle d'intelligence artificielle peut "garder en tête" lors d'une conversation ou d'une analyse de document. Concrètement, tout ce que le modèle traite en une seule fois, qu'il s'agisse de la question posée, de l'historique des échanges, des instructions système et de la réponse en cours de génération, doit tenir dans cet espace mesuré en tokens, des unités linguistiques représentant en moyenne trois quarts de mot. Sur une fenêtre de 2 000 tokens, un texte de 900 mots consomme déjà environ 1 200 tokens en entrée, ne laissant que 800 tokens pour la réponse avant que le modèle ne s'arrête net. Les premiers modèles géraient environ 2 000 tokens, soit 1 500 mots. Aujourd'hui, certains systèmes atteignent 1 million de tokens, l'équivalent d'un roman entier, mais chaque gain décuple les besoins matériels. Cette contrainte a des conséquences directes et mesurables sur la qualité des réponses. L'architecture Transformer, utilisée par tous les grands modèles actuels, calcule les relations entre chaque paire de tokens selon une complexité quadratique O(n²) : 1 000 tokens génèrent un million de connexions, et la mémoire GPU explose rapidement. Résultat : au-delà d'un certain seuil, le modèle perd les informations placées en début de contexte, répète des idées ou invente des faits, phénomène connu sous le nom d'hallucination. Le test "needle-in-haystack", qui consiste à vérifier si un modèle retrouve une information précise noyée dans un long texte, révèle 30 % d'échecs au-delà de 500 000 tokens. Les coûts ne sont pas négligeables non plus : traiter 1 million de tokens coûte environ dix centimes, sans compter les risques de sécurité, car un prompt malveillant placé en début de contexte peut manipuler le comportement du modèle sur toute la durée d'un long document. Pour contourner ces limites, plusieurs approches techniques ont émergé. Le KV-cache, qui mémorise les calculs d'attention déjà effectués plutôt que de les recalculer à chaque nouveau token généré, peut représenter jusqu'à 100 Go de mémoire temporaire mais accélère considérablement la génération. D'autres architectures cherchent à remplacer ou compléter l'attention quadratique par des mécanismes linéaires ou par de la mémoire externe, permettant de traiter des documents bien au-delà des capacités actuelles sans explosion des coûts. L'enjeu est industriel et stratégique : les cas d'usage les plus lucratifs, analyse juridique, recherche médicale, assistance sur des bases de code entières, nécessitent précisément de maintenir la cohérence sur de très longues séquences. La course aux grandes fenêtres de contexte est donc moins une question de prouesse technique que de viabilité économique pour des applications professionnelles à grande échelle.

LLMs≡Tuto

1 source

42

4286The Verge 

Elon Musk déclare au jury qu'il veut simplement sauver l'humanité

Elon Musk a témoigné à la barre lors de son procès très médiatisé contre Sam Altman, PDG d'OpenAI et ancien cofondateur de l'organisation aux côtés de Musk. Face au jury, le milliardaire a choisi de commencer par une longue présentation personnelle, remontant jusqu'à son enfance en Afrique du Sud, son arrivée au Canada pour ses études avec seulement 2 500 dollars en chèques de voyage et un sac de vêtements et de livres, puis son parcours entrepreneurial de Zip2 à PayPal, avant d'évoquer ses entreprises actuelles. Cette mise en scène de soi a occupé une part inhabituelle de son temps à la barre. Cette stratégie rhétorique n'est pas anodine : en se présentant comme un homme parti de rien, Musk cherche à convaincre le jury qu'il n'est pas motivé par l'appât du gain mais par une mission plus haute, celle de sauver l'humanité. L'enjeu du procès est considérable : Musk accuse Altman et OpenAI d'avoir trahi la mission originelle de l'organisation, fondée en 2015 comme entité à but non lucratif, en la transformant en une entreprise commerciale orientée vers le profit. Ce litige s'inscrit dans une rupture profonde entre deux figures centrales de la Silicon Valley. Musk, qui avait quitté le conseil d'administration d'OpenAI en 2018, a depuis fondé xAI et son propre modèle Grok, concurrent direct de ChatGPT. Le procès soulève des questions fondamentales sur la gouvernance des laboratoires d'IA et la tension entre mission publique et intérêts privés dans un secteur en pleine explosion.

Régulation⚖Reglementation

1 source

32

4287Robotics Business Review 

Apptronik recrute un nouveau CPO, une avancée majeure

Apptronik, la startup texane spécialisée dans la robotique humanoïde, vient de recruter Daniel Chu comme directeur produit (CPO). Chu est surtout connu pour avoir piloté le lancement du premier service de voitures autonomes sans conducteur humain chez Waymo, avant de rejoindre 23andMe en tant que CPO pour y développer des solutions de santé personnalisée. Cette nomination s'accompagne de plusieurs autres recrutements issus d'Amazon, Boston Dynamics et Paramount+. Elle intervient quelques semaines après qu'Apptronik a bouclé une levée de fonds Série A de 935 millions de dollars, l'une des plus importantes jamais réalisées dans le secteur de la robotique. La société, basée à Austin au Texas, s'apprête à commercialiser son robot humanoïde phare, Apollo, destiné dans un premier temps aux environnements industriels. Ce recrutement marque un tournant stratégique : Apptronik ne se présente plus comme un laboratoire de recherche avancée, mais comme une entreprise en phase d'industrialisation et de conquête commerciale. La présence de Chu est particulièrement significative parce qu'il a déjà traversé ce passage critique entre innovation de laboratoire et déploiement à grande échelle dans deux domaines exigeants, la conduite autonome et la médecine de précision. Pour le secteur de la robotique humanoïde, qui peine encore à démontrer sa viabilité en dehors des démonstrations contrôlées, cette crédibilité opérationnelle est un signal fort. L'ambition affichée d'Apptronik dépasse les entrepôts : l'entreprise cible à terme les soins aux personnes âgées, un marché colossal face au vieillissement démographique mondial, où les robots pourraient compenser le manque de personnel soignant. La robotique humanoïde traverse une période d'accélération sans précédent, portée par des acteurs comme Figure AI, 1X Technologies, Tesla avec Optimus ou encore Boston Dynamics. Apptronik se distingue par sa feuille de route progressive : applications industrielles d'abord, santé et aide à domicile ensuite. Le CEO Jeff Cardenas résume cette vision en parlant d'une "étoile du Nord" orientée vers les soins assistés. Chu, de son côté, décrit les robots humanoïdes comme une "IA incarnée", une rupture avec les logiciels cantonnés aux écrans, vers une plateforme universelle capable d'interagir physiquement avec le monde réel. Avec 935 millions en caisse et une équipe dirigeante renforcée, Apptronik dispose désormais des ressources pour tenter de transformer cette vision en réalité industrielle dans les prochaines années.

Robotique⚡Actu

1 source

43

4288The Verge 

Elon Musk témoigne au procès contre OpenAI

Elon Musk a pris la barre des témoins dans le procès qu'il a intenté contre Sam Altman, PDG d'OpenAI, et Greg Brockman, président de la société. Les trois hommes faisaient partie de l'équipe fondatrice originale d'OpenAI, Musk ayant investi jusqu'à 38 millions de dollars dans les premières années. Les tensions sont nées de désaccords profonds sur la structure et la mission de l'organisation, notamment sur la question d'intégrer OpenAI à Tesla. Musk a finalement quitté l'organisation, avant de fonder xAI, son propre concurrent direct, aujourd'hui détenu par SpaceX. Ce procès est l'un des plus médiatisés de l'industrie technologique, mettant face à face deux des figures les plus influentes de l'intelligence artificielle. Musk a déposé pas moins de quatre poursuites distinctes contre OpenAI, signalant une guerre juridique qui pourrait peser sur la gouvernance future des entreprises d'IA. Au coeur du litige se trouvent des questions fondamentales : une organisation à but non lucratif peut-elle légitimement se muer en entreprise commerciale, et quelles obligations les fondateurs ont-ils envers leur mission initiale ? La relation entre Musk et Altman s'est dégradée progressivement après le départ de Musk du conseil d'administration d'OpenAI en 2018. Depuis lors, OpenAI a levé des milliards de dollars, notamment auprès de Microsoft, et a entamé une transformation vers un statut à but lucratif que Musk présente comme une trahison de la mission originelle. Parallèlement, xAI concurrence directement OpenAI sur le marché des grands modèles de langage, ce qui donne à ce procès une dimension à la fois personnelle, idéologique et commerciale.

Régulation⚖Reglementation

Aussi surLe Monde Pixels

47

4289NVIDIA Developer Blog 

BioNeMo de NVIDIA : mise à l'échelle de la modélisation biomoléculaire par parallélisme de contexte

NVIDIA a annoncé une avancée majeure dans son framework BioNeMo avec l'intégration du parallélisme de contexte, une technique permettant de distribuer le traitement de longues séquences biologiques sur plusieurs GPU simultanément. Pendant des décennies, la biologie computationnelle s'était heurtée à une contrainte fondamentale : la mémoire limitée d'un seul GPU obligeait les chercheurs à fragmenter les protéines complexes en sous-unités isolées pour les modéliser. BioNeMo franchit désormais ce seuil en permettant le repliement de protéines entières et de complexes moléculaires sans découpage préalable, ce que les spécialistes appellent le repliement "zero-shot". L'impact est direct pour les laboratoires pharmaceutiques et les équipes de biologie structurale : modéliser des protéines longues ou des assemblages multi-chaînes avec précision, sans sacrifier la cohérence structurelle liée à la fragmentation artificielle. Le "fossé de contexte", cet angle mort où les grandes molécules devenaient inaccessibles aux modèles d'IA faute de mémoire, disparaît avec cette approche, ouvrant la voie à des prédictions structurelles bien plus fidèles à la réalité cellulaire. Cette évolution s'inscrit dans la course que se livrent les grands acteurs technologiques pour dominer la biologie computationnelle à l'ère de l'IA. NVIDIA positionne BioNeMo comme la plateforme de référence pour les modèles de fondation biomoléculaires, face à des concurrents comme DeepMind avec AlphaFold ou Evo de Arc Institute. Le parallélisme de contexte, déjà éprouvé dans la formation de grands modèles de langage via Megatron-LM, est ici adapté aux spécificités des séquences biologiques, signal fort que les techniques d'entraînement LLM migrent activement vers les sciences du vivant.

Recherche❖Paper

1 source

51

4290The Information AI 

AWS entre dans la course aux super-agents et lance sa propre version de Claude Cowork

Amazon Web Services a annoncé mardi le lancement d'Amazon Quick, une nouvelle application de bureau dédiée à ses agents IA. L'application tourne en arrière-plan sur l'ordinateur de l'utilisateur, lui permettant de continuer à travailler pendant que les agents automatisent des tâches comme la création de présentations, de documents ou d'images. Amazon Quick est proposée à partir de 20 dollars par mois et, fait notable, elle ne nécessite pas de compte AWS pour fonctionner. Les agents sont conçus pour interagir avec les fichiers locaux de l'utilisateur ainsi qu'avec des outils professionnels populaires : Google Workspace, Microsoft 365, Zoom et Salesforce. Ce lancement marque une nouvelle étape dans la course aux agents IA enterprise, un marché que tous les grands acteurs du cloud cherchent à conquérir. En rendant Amazon Quick accessible sans compte AWS, Amazon abaisse significativement la barrière à l'entrée pour les professionnels et les petites structures qui n'ont pas d'infrastructure cloud déjà en place. La capacité de déléguer des tâches bureautiques à des agents fonctionnant en parallèle représente un changement concret dans la productivité quotidienne, en particulier pour les équipes qui jonglent entre plusieurs plateformes collaboratives. AWS se retrouve cette semaine sous les feux des projecteurs pour une deuxième raison : le géant du cloud peut désormais proposer les modèles d'OpenAI à ses clients, après un changement dans le partenariat exclusif de longue date entre OpenAI et Microsoft. Pour AWS, la création d'une application enterprise à succès reste un objectif stratégique majeur, un défi que le groupe de Jeff Bezos cherche à relever depuis plusieurs années face à des concurrents comme Microsoft Copilot ou Google Workspace AI. Amazon Quick s'inscrit dans cette ambition, en ciblant directement l'utilisateur final plutôt que les équipes IT, avec une approche tarifaire simple et une intégration large des outils déjà en place dans les entreprises.

Outils⚒Outil

1 source

50

4291Le Big Data 

Claude devient surpuissant : l’IA d’Anthropic s’invite dans tous vos logiciels créatifs

Le 28 avril 2026, Anthropic a annoncé l'intégration directe de son modèle Claude dans plusieurs outils professionnels de création numérique, via une série de connecteurs développés en partenariat avec des acteurs majeurs du secteur. Parmi les logiciels concernés : Blender, Adobe Creative Cloud et Ableton Live. Concrètement, un nouveau connecteur Blender permet par exemple de déboguer une scène 3D, de construire de nouveaux outils ou d'appliquer des modifications en masse sur l'ensemble des objets d'un projet, le tout directement depuis l'interface de Claude. L'IA peut également générer des scripts et plugins personnalisés, guider pas à pas l'utilisateur dans des fonctionnalités complexes, convertir des formats de fichiers et synchroniser des ressources entre plusieurs applications. Pour les créateurs professionnels, l'enjeu est considérable. Jusqu'ici, l'usage d'une IA générative impliquait de jongler entre des interfaces distinctes, de copier-coller du contenu, de gérer manuellement les transferts entre outils. Avec cette intégration native, Claude devient capable d'exécuter des instructions directement dans le logiciel ouvert, de traiter des tâches par lots et d'automatiser les opérations répétitives qui freinent la production. Le gain de temps visé est réel : moins de temps passé sur l'exécution mécanique signifie davantage de capacité consacrée à la conception et aux idées. Des fonctionnalités comme Claude Design vont plus loin encore, en permettant de générer des interfaces, d'explorer des concepts visuels et d'itérer rapidement à partir de simples instructions textuelles. L'ensemble des outils connectés forme ainsi un pipeline quasi continu, où l'IA assure la cohérence et la fluidité entre chaque étape du workflow créatif. Cette annonce s'inscrit dans une dynamique plus large de déploiement des agents IA dans les environnements de travail professionnels. Après avoir dominé les usages conversationnels et la génération de contenu textuel, les grands modèles de langage cherchent désormais à s'ancrer dans les logiciels métiers existants, là où se trouve la valeur réelle pour les entreprises. Anthropic n'est pas seul sur ce terrain : OpenAI avec GPT-4o et Google avec Gemini Ultra avancent des ambitions similaires d'intégration dans les suites bureautiques et créatives. La question qui sous-tend toutes ces annonces reste néanmoins ouverte : à mesure que l'IA code, crée, automatise et interconnecte les outils, la frontière entre assistance et substitution devient plus difficile à tracer. Anthropic maintient que Claude amplifie la créativité humaine plutôt qu'il ne la remplace, mais la réponse définitive appartient à ceux qui utiliseront ces connecteurs au quotidien dans leur métier.

Outils⚒Outil

1 source

46

4292IEEE Spectrum AI 

Un meilleur matériel peut transformer les outsiders de l'IA en acteurs majeurs

Le dernier modèle Llama de Meta atteint les 2 000 milliards de paramètres, un chiffre vertigineux qui illustre la course effrénée au gigantisme dans l'industrie de l'IA. Mais des chercheurs de l'université de Stanford ont mis au point une puce expérimentale qui pourrait changer radicalement l'équation énergétique de ces modèles colossaux. Leur approche repose sur un phénomène connu sous le nom de sparsité : dans la plupart des grands modèles de langage, une majorité des paramètres (poids et activations) sont égaux à zéro, ou si proches de zéro qu'ils peuvent être traités comme tels sans perte de précision. L'équipe Stanford a conçu le premier accélérateur matériel capable de traiter efficacement tous les types de charges de travail sparses, en partant de zéro sur la pile complète : hardware, firmware bas niveau et logiciel applicatif. Résultat mesuré : la puce consomme en moyenne soixante-dix fois moins d'énergie qu'un CPU classique et effectue les calculs huit fois plus vite. L'enjeu est considérable pour l'ensemble de l'industrie. Les modèles d'IA actuels exigent des ressources computationnelles et énergétiques croissantes, avec un impact carbone qui devient difficile à ignorer. Or les GPU et CPU dominants aujourd'hui n'exploitent pas naturellement la sparsité : ils multiplient et additionnent les zéros comme n'importe quel autre nombre, gaspillant du temps et de l'énergie. Sauter ces opérations inutiles et ne stocker que les paramètres non nuls permettrait, en théorie, de faire tourner des modèles de très grande taille avec une fraction de l'infrastructure actuelle, sans sacrifier leurs performances. Pour les entreprises qui déploient des modèles en production, les économies potentielles sur les coûts d'inférence seraient substantielles. Il y a deux ans, Cerebras avait déjà démontré que l'on peut mettre à zéro jusqu'à 70 à 80 % des paramètres d'un grand modèle de langage sans perte de précision mesurable, en testant cette approche sur le Llama 7B de Meta, avec des implications étendues à des modèles comme ChatGPT ou Claude. La sparsité peut aussi être naturellement présente dans certaines architectures, comme les modèles de recommandation ou les graphes de réseaux sociaux, où la plupart des connexions possibles n'existent pas. Ce que l'équipe Stanford apporte maintenant, c'est la preuve matérielle que toute la chaîne d'exécution peut être repensée pour exploiter cette propriété. La prochaine étape sera de savoir si l'industrie, dominée par Nvidia et ses GPU denses, adoptera cette direction ou si la sparsité restera un sujet de recherche académique face à la brutalité des roadmaps de puissance brute.

Infrastructure❧Opinion

1 source

43

4293Ars Technica AI 

Des robots humanoïdes commencent à trier les bagages dans un aéroport de Tokyo face à la pénurie de main-d'œuvre

Japan Airlines lance en mai 2026 une expérimentation de robots humanoïdes à l'aéroport international de Haneda, à Tokyo. Ces machines seront déployées pour trier les bagages et charger le fret, avec l'ambition d'élargir progressivement leurs missions au nettoyage des cabines d'avion et à la manipulation d'équipements au sol comme les chariots à bagages. Les essais sont prévus jusqu'en 2028, ce qui signifie que les passagers en transit à Haneda pourront vraisemblablement croiser ces robots en action sur le tarmac ou dans les zones de traitement des bagages au cours des deux prochaines années. Cette initiative répond à une pression concrète sur le marché du travail japonais : la fréquentation des aéroports a fortement progressé ces dernières années, creusant un écart entre les besoins en personnel et les candidats disponibles. Pour Japan Airlines, automatiser des tâches physiques répétitives et pénibles comme la manutention des bagages permettrait de compenser ce déficit sans dépendre de recrutements difficiles à réaliser. Si les essais s'avèrent concluants, ce modèle pourrait s'étendre à d'autres compagnies ou aéroports confrontés aux mêmes contraintes démographiques, notamment dans un Japon où le vieillissement de la population aggrave les tensions sur l'emploi manuel. Les robots humanoïdes franchissent ainsi une nouvelle étape après leurs premiers déploiements dans les usines automobiles et les entrepôts logistiques, environnements relativement contrôlés où les tâches sont prévisibles. Un aéroport représente un défi autrement plus complexe : espaces ouverts, flux irréguliers, interactions avec des humains, objets de formes variées. La grande majorité des automatisations industrielles reposent encore sur des bras robotisés spécialisés, conçus pour répéter indéfiniment un geste identique. Les robots humanoïdes, eux, doivent s'adapter en temps réel à des situations changeantes, ce qui met à l'épreuve les dernières générations de logiciels de perception et de contrôle moteur. L'expérience de Haneda servira de test grandeur nature pour mesurer si la technologie actuelle est réellement à la hauteur de ces environnements imprévisibles.

Robotique❧Opinion

1 source

37

4294Robotics & Automation News 

Les robots livreurs s'imposent dans l'automatisation moderne

Les robots de livraison s'imposent comme un maillon central de la nouvelle vague d'automatisation industrielle. Longtemps cantonnée aux chaînes de montage et aux entrepôts, l'automatisation évolue vers un modèle en réseau piloté par l'intelligence artificielle, la robotique autonome et les systèmes numériques connectés. Dans ce cadre, les robots de livraison ne se contentent plus de déplacer des colis : ils assurent des opérations physiques complexes dans des environnements dynamiques, aux côtés des humains, dans des secteurs aussi variés que la logistique, la santé et le commerce de détail. L'enjeu concret est de taille. En comblant le fossé entre les tâches numériques automatisées et les opérations physiques de terrain, ces machines permettent aux entreprises de réduire leur dépendance à la main-d'œuvre pour les tâches répétitives, d'accélérer les délais de traitement et de maintenir des opérations continues, sans interruption. Dans le secteur hospitalier par exemple, des robots assurent déjà le transport de médicaments et de matériel entre services, libérant le personnel soignant pour des tâches à plus forte valeur ajoutée. Cette transformation s'inscrit dans un mouvement plus large de convergence entre l'IA et la robotique physique, porté par des acteurs comme Boston Dynamics, Starship Technologies ou encore Amazon avec ses systèmes Proteus et Hercules. La baisse des coûts des capteurs et des modèles d'IA embarqués accélère l'adoption. La prochaine étape attendue est l'intégration de ces robots dans des écosystèmes logistiques entièrement pilotés par des agents autonomes, capables de s'adapter en temps réel aux flux et aux incidents.

Robotique❧Opinion

1 source

38

4295AWS ML Blog 

Migrer un agent texte vers un assistant vocal avec Amazon Nova 2 Sonic

Amazon a publié un guide technique détaillé sur la migration d'agents textuels vers des assistants vocaux en utilisant Amazon Nova 2 Sonic, son modèle de traitement de la parole en temps réel. L'article, publié en avril 2026, s'adresse aux équipes d'ingénierie qui ont déjà déployé des agents conversationnels textuels et souhaitent les adapter à des interfaces vocales. Les secteurs visés sont larges : finance, santé, éducation, réseaux sociaux et commerce de détail, tous confrontés à une demande croissante d'interactions orales naturelles et instantanées. Amazon propose même un outil intégré dans des IDE comme Kiro et Claude Code, capable de convertir automatiquement un agent textuel en agent vocal à partir d'un référentiel de code existant. La différence entre un agent texte et un agent vocal est bien plus profonde qu'il n'y paraît, et c'est là l'enjeu central du guide. Un agent textuel peut retourner des tableaux, des listes à puces et des liens cliquables, le tout en une seule réponse que l'utilisateur lit à son rythme. Un agent vocal doit fonctionner différemment : les réponses doivent être courtes, séquentielles, avec des confirmations intermédiaires. Exemple concret : là où l'agent textuel d'une banque affiche un récapitulatif complet de trois comptes en une fois, l'agent vocal annonce un compte, demande si l'utilisateur veut continuer, puis présente le suivant. La latence devient également un critère critique : quelques secondes d'attente sont tolérables à l'écrit, mais créent une impression de coupure à l'oral, où chaque appel d'outil ajoute un silence perceptible. Cela oblige à repenser l'architecture en profondeur : streaming audio bidirectionnel permanent, détection d'activité vocale, gestion des interruptions en cours de phrase, et traitement asynchrone des outils pour ne pas bloquer le flux. Cette publication intervient alors que les grandes plateformes cloud cherchent à démocratiser la voix comme interface standard pour les applications d'entreprise. Amazon Nova 2 Sonic s'inscrit dans une compétition directe avec des modèles comme GPT-4o Audio d'OpenAI et Gemini Live de Google, tous capables de traitement vocal en temps réel avec de faibles temps de latence. La migration vers la voix soulève des enjeux techniques considérables, notamment la gestion des tours de parole fluides, la réduction des délais lors des appels à des API externes, et l'adaptation des prompts système pour un style oral plutôt qu'écrit. Le fait qu'Amazon intègre un outil de conversion automatique dans les IDE suggère que l'entreprise veut abaisser le seuil d'entrée pour accélérer l'adoption, tout en conservant une dépendance à son écosystème cloud pour l'inférence et le déploiement.

Outils⚒Outil

1 source

45

4296AI News 

IBM lance la plateforme IA Bob pour maîtriser les coûts du cycle de développement logiciel

IBM a lancé Bob, une plateforme d'intelligence artificielle conçue pour encadrer et rationaliser l'ensemble du cycle de développement logiciel en entreprise. L'annonce a été portée par Dinesh Nirmal, vice-président senior d'IBM Software, qui a résumé l'enjeu : « Chaque entreprise cherche à se moderniser, mais la vitesse sans contrôle est un risque. IBM Bob permet aux entreprises d'avancer à la vitesse de l'IA sans sacrifier la gouvernance et la sécurité. » La plateforme s'intègre directement dans le cycle de vie logiciel complet, avec des modes basés sur des profils utilisateurs, des appels d'outils automatisés et des contrôles humains à chaque étape critique. L'un de ses premiers cas d'usage concrets est APIS IT, une entreprise qui a déployé Bob pour moderniser des systèmes gouvernementaux chargés de décennies de dette technique sur des environnements mainframe et .NET. Résultat : une analyse d'architecture et une documentation produites dix fois plus vite, avec une précision de 100 % sur des systèmes JCL/PL1 vieillissants, et des migrations de services .NET réalisées en quelques heures au lieu de plusieurs semaines. L'enjeu est massif : entre 60 et 80 % du budget d'ingénierie des grandes organisations est absorbé par la maintenance et la mise à niveau de systèmes existants, des projets qui s'étirent souvent sur des mois. Les assistants de code classiques aggravent le problème lorsqu'ils sont utilisés sans garde-fous, car ils génèrent du code syntaxiquement correct mais fonctionnellement inutile, incapable de comprendre les bibliothèques internes ou la logique propriétaire d'une entreprise. Bob répond à ce problème en cartographiant d'abord les dépendances avant toute refactorisation, puis en coordonnant des agents spécialisés pour les tests, la documentation et l'intégration continue. Le système utilise une orchestration multi-modèles dynamique : les tâches simples sont routées vers des modèles légers et économiques, tandis que les raisonnements architecturaux complexes mobilisent des modèles de pointe comme Claude d'Anthropic, Mistral ou IBM Granite. Ce lancement s'inscrit dans une course plus large à l'automatisation du développement logiciel en entreprise, un marché où GitHub Copilot, Google Gemini Code Assist et des dizaines de startups se disputent déjà les contrats. IBM mise sur une différenciation claire : là où ses concurrents proposent des assistants de productivité individuelle, Bob cible la gouvernance à l'échelle de l'organisation, avec une traçabilité des coûts et une transparence sur les dépenses IA directement liées aux résultats en production. La capacité à gérer des environnements mainframe, souvent ignorés par les nouveaux entrants du marché, constitue un avantage stratégique pour IBM auprès de ses clients traditionnels dans la finance, les assurances et le secteur public, des industries où la dette technique se chiffre en milliards et où la compliance réglementaire n'est pas négociable.

Outils⚒Outil

1 source

47

4297The Verge 

Claude s'intègre désormais directement dans Photoshop, Blender et Ableton

Anthropic a lancé une série de connecteurs permettant à Claude de s'intégrer directement dans les principaux logiciels créatifs du marché : Adobe Creative Cloud, Affinity, Blender, Ableton et Autodesk font partie des premières applications compatibles. Ces connecteurs donnent à Claude la capacité d'accéder aux applications, d'en récupérer des données et d'y exécuter des actions concrètes sans quitter l'interface de l'assistant. Sur Blender, par exemple, il devient possible de déboguer des scènes 3D, de créer de nouveaux outils ou d'appliquer des modifications en lot sur des objets directement depuis le chatbot. Le lancement s'inscrit dans la continuité immédiate de Claude Design, présenté par Anthropic début avril 2026. Ces connecteurs représentent un pas concret vers l'intégration de l'IA dans les flux de travail créatifs professionnels, un terrain jusqu'ici peu exploré par les grands modèles de langage. Pour les designers, musiciens, architectes ou développeurs 3D, la possibilité de piloter leurs outils habituels via un assistant IA réduit le besoin de jongler entre logiciels et supprime une partie du travail manuel répétitif. L'enjeu est de taille : la suite Adobe Creative Cloud est utilisée par des dizaines de millions de professionnels dans le monde, et une intégration native d'un LLM dans cet environnement pourrait redéfinir les standards de productivité dans les métiers créatifs. Cette offensive d'Anthropic sur le secteur créatif s'inscrit dans une compétition directe avec OpenAI et Google, qui cherchent eux aussi à ancrer leurs modèles dans des environnements professionnels spécialisés. Anthropic avait jusqu'ici davantage ciblé les usages enterprise et le développement logiciel. Le pivot vers la création traduit une volonté d'élargir la base d'utilisateurs de Claude au-delà des profils techniques. La question qui suit naturellement est celle de la profondeur de ces intégrations : de simples assistants contextuels ou de véritables co-pilotes capables de modifier, générer et valider du contenu directement dans des environnements complexes comme After Effects ou Logic Pro.

Outils⚒Outil

1 source

51

4298AWS ML Blog 

NVIDIA Nemotron 3 Nano Omni est désormais disponible sur Amazon SageMaker JumpStart

NVIDIA vient de rendre disponible son modèle Nemotron 3 Nano Omni sur Amazon SageMaker JumpStart, avec une mise en ligne dite "day zero", soit le jour même du lancement officiel. Ce modèle de langage multimodal open source repose sur une architecture hybride Mamba2 Transformer avec Mixture of Experts (MoE), affichant 30 milliards de paramètres au total dont seulement 3 milliards actifs (architecture dite 30B A3B). Il intègre trois composants spécialisés : Nemotron 3 Nano LLM comme colonne vertébrale linguistique, CRADIO v4-H pour l'encodage visuel (images et vidéos), et Parakeet pour la transcription et la compréhension audio. Le modèle accepte des vidéos jusqu'à 2 minutes (256 images maximum), des fichiers audio jusqu'à 1 heure, des images JPEG et PNG, ainsi que du texte sur une fenêtre de contexte de 131 000 tokens. Il prend en charge le raisonnement en chaîne de pensée, les appels d'outils, la sortie JSON et les horodatages au niveau du mot pour la transcription. Disponible en précision FP8 sur SageMaker JumpStart, il est commercialisé sous la licence NVIDIA Open Model Agreement. L'apport concret de Nemotron 3 Nano Omni réside dans sa capacité à traiter vidéo, audio, images et texte en une seule passe d'inférence, là où les architectures actuelles empilent plusieurs modèles distincts pour chaque modalité. Cette fragmentation classique multiplie les allers-retours d'inférence, complique l'orchestration des pipelines, fragmente le contexte entre modalités et fait croître les coûts et les points de défaillance. En fonctionnant comme un sous-agent de perception unifié au sein d'un système d'agents, le modèle offre simultanément vision, ouïe et compréhension textuelle dans une même boucle de raisonnement. Les cas d'usage ciblés incluent les agents de contrôle d'interfaces graphiques, l'analyse documentaire, contrats, états financiers, rapports scientifiques, ainsi que la surveillance audio et vidéo pour le service client ou la recherche. Ce lancement s'inscrit dans une dynamique plus large de convergence des architectures multimodales, où les grands fournisseurs cherchent à réduire la complexité des systèmes agentiques d'entreprise. NVIDIA, historiquement dominant sur le matériel GPU, renforce ici sa présence sur la couche modèle avec une offre ouverte et commercialement exploitable, accessible directement via SageMaker JumpStart, la plateforme de déploiement géré d'Amazon Web Services. Cette disponibilité immédiate dans l'écosystème AWS facilite l'adoption pour les entreprises sans nécessiter de configuration d'infrastructure propre. La tendance vers des modèles unifiés capables de percevoir et raisonner sur plusieurs modalités simultanément devrait s'accélérer, à mesure que les architectures agentiques complexes cherchent à réduire latence, coûts et friction opérationnelle.

LLMs❧Opinion

Aussi surLe Big Data

44

4299Interesting Engineering 

Snapchat introduit des publicités dans les chats via des agents IA conçus pour simuler la conversation

Snapchat a dévoilé début 2026 un nouveau format publicitaire baptisé AI Sponsored Snaps, qui intègre des agents d'intelligence artificielle directement dans les fils de conversation de l'application. Ces agents de marque apparaissent dans l'interface Chat, là où les utilisateurs passent déjà l'essentiel de leur temps, et leur permettent d'explorer des produits, poser des questions et recevoir des recommandations sans jamais quitter la conversation. L'annonce s'appuie sur des chiffres impressionnants : Snapchat revendique plus de 950 milliards de messages échangés au premier trimestre 2026 et plus de 500 millions d'utilisateurs ayant interagi avec son chatbot My AI depuis son lancement. Experian est le premier partenaire annoncé pour la phase alpha, avec un cas d'usage centré sur l'éducation financière : les utilisateurs pourront poser des questions sur leur crédit et la gestion de leur argent directement dans Chat. Ce format représente une rupture significative avec la publicité digitale traditionnelle. Plutôt que d'interrompre l'expérience utilisateur avec des bannières ou des vidéos imposées, Snap Inc. parie sur une intégration qui épouse les habitudes de communication existantes. Pour les marques, l'enjeu est considérable : accéder à près d'un milliard d'utilisateurs mensuels actifs via un canal perçu comme personnel et de confiance, avec des signaux d'intention bien plus forts que ceux générés par la publicité display classique. Ajit Mohan, vice-président de Snapchat, résume l'ambition : "La conversation devient l'espace publicitaire le plus précieux. L'IA accélère ce basculement, transformant le chat en lieu où les gens découvrent des produits, posent des questions et prennent des décisions en temps réel." Les marques peuvent désormais déployer leurs propres agents sur la plateforme, construisant ainsi une expérience dite "full-funnel" au sein d'une seule interface. Ce lancement s'inscrit dans une tendance plus large qui voit les grandes plateformes sociales réinventer leur modèle publicitaire face à la montée en puissance des interfaces conversationnelles. Snapchat avait déjà introduit les Sponsored Snaps, un format classique affichant selon la société des taux de conversion supérieurs à la moyenne et des coûts réduits ; les AI Sponsored Snaps en sont l'évolution directe. La concurrence est vive : Meta teste également des agents d'IA dans WhatsApp et Messenger, et Google pousse ses propres formats conversationnels via Gemini. Pour Snap, qui cherche à diversifier ses revenus et à s'imposer face à TikTok, l'enjeu est de démontrer que la relation de confiance entretenue avec sa base d'utilisateurs jeunes peut être monétisée sans en altérer la nature. Le succès du partenariat avec Experian sera scruté de près avant tout déploiement à grande échelle.

Outils⚒Outil

1 source

52

4300NVIDIA Developer Blog 

NVIDIA Nemotron 3 Nano Omni intègre le raisonnement d'agents multimodaux dans un modèle ouvert et efficace

NVIDIA a dévoilé Nemotron-N-Nano-3B-Omni, un modèle multimodal compact capable de traiter simultanément du texte, des images, des vidéos et de l'audio au sein d'une seule architecture unifiée. Conçu pour l'inférence efficace, ce modèle de 3 milliards de paramètres est publié en open weights, ce qui permet à n'importe quel développeur de le télécharger, le modifier et le déployer sans dépendre des serveurs NVIDIA. Il prend en charge le raisonnement agentique, c'est-à-dire la capacité à enchaîner des perceptions et des actions dans une boucle autonome, couvrant aussi bien l'analyse de documents que l'interprétation d'écrans ou la compréhension vocale. L'intérêt principal de ce modèle réside dans sa conception monolithique : là où les systèmes agentiques actuels assemblent des chaînes de modèles spécialisés distincts pour la vision, l'audio et le texte, Nemotron Nano Omni gère l'ensemble dans un seul passage d'inférence. Cela réduit significativement la latence, la complexité d'orchestration et le coût de calcul, tout en maintenant une cohérence contextuelle entre les modalités. Pour les entreprises qui déploient des agents IA en production, c'est une réduction directe de la facture cloud et des points de défaillance. Ce lancement s'inscrit dans la stratégie plus large de NVIDIA de dominer non seulement le matériel GPU, mais aussi la couche logicielle et les modèles fondamentaux pour l'IA d'entreprise. La série Nemotron, qui comprend également des modèles plus grands comme Nemotron-4, vise à offrir des alternatives performantes aux modèles propriétaires d'OpenAI ou d'Anthropic. Avec la montée en puissance des agents autonomes capables d'interagir avec des interfaces graphiques, des fichiers et des flux audio, un modèle omnimodal efficace et ouvert représente une brique stratégique pour la prochaine génération d'assistants et d'automatisations.

LLMs❧Opinion

Aussi surAI Business,HuggingFace Blog,NVIDIA AI Blog