Actualités IA — page 22

9 263 articles au fil, du plus récent au plus ancien.

51

Illustration générée par IA

421Next INpact 

Microsoft : prix ultra pour les premiers Surface avec la RTX Spark de NVIDIA

Microsoft a dévoilé le mercredi 7 octobre, lors de son événement Surface, les deux premiers appareils de sa gamme équipés de la puce RTX Spark N1X de NVIDIA, un système sur puce qui réunit CPU, GPU et mémoire unifiée, sur le modèle des puces Apple. Le premier est un ordinateur portable, le Surface Laptop Ultra, vendu à partir de 2 599 dollars et disponible dès le 16 octobre. Son processeur Grace compte de 18 à 20 cœurs, son GPU Blackwell de 5 120 à 6 144 cœurs, et la mémoire unifiée atteint 128 Go au maximum (24 Go par défaut). Le stockage démarre à 512 Go, avec un SSD remplaçable. L'écran tactile de 15 pouces affiche un pic de 2 000 nits en HDR, soit 25 % de plus que le MacBook Pro M5 (1 600 nits), comparaison que Microsoft met en avant. La machine propose le Wi-Fi 7, trois ports USB4, un USB-A 3.1, un HDMI 2.1b, un lecteur SD et une prise jack, pour une autonomie annoncée de 12 heures en usage web. Le second produit est le Surface RTX Spark Dev Box, un ordinateur de bureau sans écran, une première pour la gamme. Il embarque la version haut de gamme de la puce, avec 128 Go de mémoire unifiée et 2 To de stockage, à partir de 5 999 dollars, et ne sera d'abord vendu qu'aux États-Unis. Ces machines visent clairement l'exécution locale de l'intelligence artificielle. Le Surface Laptop Ultra est annoncé comme capable de faire tourner un modèle de 120 milliards de paramètres, ce qui intéresse les professionnels soucieux de garder leurs données en local ou de limiter leurs coûts de calcul dans le cloud. Le Dev Box s'adresse aux développeurs et ingénieurs IA qui hébergent leurs agents et disposent d'emblée des outils nécessaires : Visual Studio Code, Git, GitHub CLI, GitHub Copilot, WSL, Python et Node. Pour le portable, Microsoft a dû concevoir une architecture thermique inédite, avec un refroidissement 2,5 fois plus capacitif que celui des Surface Laptop actuels, dans un châssis de 18 mm d'épaisseur pesant 2 kg. Les tarifs placent ces appareils dans le très haut de gamme. Pour attirer les utilisateurs de Mac, le constructeur propose en outre jusqu'à 1 000 dollars de reprise pour qui abandonne un MacBook Pro. Ce lancement s'inscrit dans l'arrivée de NVIDIA sur le marché des PC Windows sur Arm. Début juin, le groupe a présenté RTX Spark, sa « superpuce » destinée à ces machines, après quoi Acer et Lenovo ont dévoilé leurs premiers modèles le mois dernier. Jusqu'ici, Qualcomm était le seul fournisseur de puces pour cette déclinaison de Windows, dont l'adoption progresse grâce aux efforts conjoints de Microsoft et de Qualcomm. L'entrée de NVIDIA ouvre donc une concurrence directe sur ce segment, tout en répondant à l'avance prise par Apple avec ses puces intégrées. Reste à voir si des prix aussi élevés permettront à cette nouvelle génération de dépasser le cercle des professionnels de l'IA.

Infrastructure⚡Actu

Aussi surNVIDIA AI Blog

38

Illustration générée par IA

422The Verge AI 

La mise à jour « Intelligent UI » de ChatGPT enrichit ses réponses d'images, de graphiques et de boutons

OpenAI déploie dans ChatGPT une fonction baptisée « Intelligent UI », qui permet au chatbot de répondre aux questions avec des éléments visuels interactifs plutôt qu'avec du seul texte. La mise à jour, proposée à tous les utilisateurs en même temps que GPT-6, autorise ChatGPT à associer à sa réponse des diagrammes, des graphiques, des formulaires, des boutons cliquables et d'autres composants. Selon l'article de blog d'OpenAI, GPT-6 a été entraîné à déterminer quand un visuel interactif est plus pertinent qu'un paragraphe, mais aussi à le mettre en forme dans sa réponse. L'entreprise donne l'exemple d'une question sur la conception d'un vélo à sept vitesses : ChatGPT affiche alors un schéma de la bicyclette, accompagné de boutons qui mettent en évidence les différentes pièces. Ce changement modifie la nature de l'échange avec l'assistant. L'utilisateur n'a plus seulement à lire une réponse : il peut manipuler un graphique, remplir un formulaire ou explorer un schéma sans quitter la conversation, ce qui réduit les allers-retours de questions de suivi. Pour l'éducation, l'analyse de données ou les démarches pratiques, cela rapproche le chatbot d'une petite application générée à la demande. Les éditeurs d'interfaces et d'outils de visualisation, eux, voient un acteur central de l'IA grand public absorber une partie de leur terrain. Le fait que la fonction soit ouverte à tous les utilisateurs, et pas réservée aux abonnés payants, en accentue la portée. Cette annonce s'inscrit dans la course à la différenciation entre assistants conversationnels, alors que la qualité brute des modèles tend à se rapprocher d'un concurrent à l'autre. Depuis plusieurs années, les réponses purement textuelles sont perçues comme une limite, et les acteurs du secteur multiplient les expériences d'interfaces génératives, des extraits enrichis aux espaces de travail interactifs. En intégrant cette capacité directement dans l'entraînement de GPT-6, OpenAI privilégie une approche où le modèle décide lui-même de la forme de sa réponse. Reste à voir comment les concurrents réagiront et si les utilisateurs adopteront ces formats plus riches au quotidien.

Outils⚒Outil

1 source

52

Illustration générée par IA

423The Decoder 

ChatGPT avec GPT-6 remplace le texte par une interface interactive : graphiques, boutons et mini-applications

OpenAI déploie GPT-6 dans ChatGPT avec une nouveauté baptisée « Intelligent UI ». Au lieu de répondre surtout par du texte, le modèle peut désormais transformer ses réponses en interfaces interactives : graphiques, boutons, formulaires, voire mini-applications que l'utilisateur manipule directement dans la conversation. Autre changement notable, GPT-6 peut commencer à répondre alors qu'il est encore en phase de réflexion, ce qui réduit les temps d'attente de 44 %. Le déploiement suit une logique d'abonnement : les clients payants accèdent à GPT-6 Sol, tandis que les utilisateurs gratuits reçoivent GPT-6 Luna. Pour les utilisateurs, ce changement déplace ChatGPT d'un simple assistant de conversation vers un outil de travail. Un graphique que l'on peut ajuster, un formulaire à remplir ou un bouton qui déclenche une action évitent de recopier des données et d'enchaîner les requêtes. La baisse de 44 % du temps d'attente répond à un irritant bien connu des modèles de raisonnement, qui font patienter avant de répondre. La séparation entre Sol et Luna maintient par ailleurs un écart entre offre payante et offre gratuite, tout en donnant aux deux publics accès à la nouvelle génération. Ce lancement s'inscrit dans une tendance plus large : les éditeurs d'IA cherchent à dépasser le texte brut pour faire de leurs assistants des plateformes capables d'héberger des applications. En proposant des interfaces générées à la volée, OpenAI se rapproche du terrain des développeurs d'applications et de ses concurrents, qui proposent eux aussi des fonctions de ce type. Reste à voir comment ces interfaces seront ouvertes aux développeurs tiers et si l'écart entre Sol et Luna sera perçu comme décisif.

LLMs⚡Actu

1 source

34

Illustration générée par IA

424Frandroid 

« Je n’avais jamais vu un PC » : comment Windows 3.1 a donné naissance à Nvidia en 1992

Jensen Huang, PDG de Nvidia, a déclaré mercredi 7 octobre, sur la scène de la keynote Windows et Surface de Microsoft, que son entreprise n'aurait jamais vu le jour sans Windows. Il a raconté qu'en 1992, au moment où il envisageait de fonder Nvidia, il n'avait jamais vu un PC de près. C'est l'arrivée de Windows 3.1 qui lui a ouvert la voie. Ce souvenir a été partagé le jour même où les deux groupes présentaient ensemble le Surface Laptop Ultra et des stations de travail dédiées à l'intelligence artificielle. Cette anecdote illustre à quel point les destins de Microsoft et de Nvidia sont liés. Nvidia, devenue l'un des fournisseurs les plus stratégiques de l'industrie grâce à ses puces graphiques et ses processeurs d'IA, doit une partie de son existence à la plateforme logicielle qui a démocratisé le PC. Pour les utilisateurs et les professionnels, le lancement conjoint d'un portable haut de gamme et de stations de travail pour l'IA confirme que les deux entreprises veulent faire du PC un outil central pour exécuter et développer des modèles d'IA en local, et pas seulement dans le cloud. Windows 3.1 avait popularisé l'interface graphique auprès du grand public au début des années 1990. Elle a créé un marché massif pour les cartes graphiques et les accélérateurs 3D, sur lequel Nvidia s'est construite avant de devenir un géant de l'IA. Aujourd'hui, la relation est devenue un partenariat d'égal à égal. Microsoft a besoin des puces de Nvidia pour ses services et ses machines, tandis que Nvidia compte sur Windows pour toucher des centaines de millions d'ordinateurs. La suite dépendra de l'accueil réservé à ces nouvelles machines.

Infrastructure⚡Actu

1 source

44

Illustration générée par IA

425AWS ML Blog 

Claude Haiku 5.5 est disponible sur AWS

AWS et Anthropic annoncent la disponibilité de Claude Haiku 5.5 sur Amazon Bedrock et sur Claude Platform on AWS. Selon Anthropic, il s'agit du modèle le plus rapide et le plus efficace de la famille Claude 5.5, conçu pour les sous-agents et les tâches à gros volume sensibles aux coûts. Il coûte environ 75 % de moins que Claude Haiku 4.5 pour la plupart des usages. C'est aussi le premier modèle Haiku doté de contrôles d'effort, qui permettent d'ajuster le compromis entre coût et intelligence tâche par tâche plutôt que d'imposer un seul réglage à toute une charge de travail. Anthropic le présente comme son Haiku le plus performant en programmation, utilisation d'outils, utilisation d'ordinateur et tâches agentiques. Sur Bedrock, les données restent dans l'infrastructure AWS avec une résidence régionale, et le service s'intègre aux outils déjà employés par les équipes : IAM pour les accès, CloudTrail pour l'audit, CloudWatch pour la surveillance et Bedrock Guardrails. La consommation apparaît sur la facture AWS. Claude Platform on AWS offre pour sa part l'accès à l'expérience native d'Anthropic (mêmes API, mêmes fonctionnalités, même console) via la console AWS, avec facturation et authentification unifiées. L'enjeu est surtout économique et opérationnel. Haiku 5.5 vise le travail rapide et répétitif exécuté à grande échelle : routage de requêtes, revue de code, classification de longs documents, extraction d'informations dans des documents de taille petite à moyenne, premiers balayages et réponses rapides sur une base de connaissances. Il traite aussi les tâches classiques de traitement du langage (classification, résumé, génération de texte) à un volume et un coût compatibles avec une production. Il gère le codage agentique, les enchaînements d'outils en plusieurs étapes et les images haute résolution. Il peut servir de sous-agent d'utilisation d'ordinateur pour des tâches répétitives dans un navigateur ou sur un bureau, ainsi que pour itérer vite sur l'interface et l'expérience utilisateur ou pour de petites modifications ciblées réparties sur plusieurs fichiers. Sa rapidité permet aussi de lancer de nombreux sous-agents en parallèle. Haiku 5.5 s'inscrit dans une logique d'architecture à deux niveaux avec Claude Opus 5.5, annoncé récemment. Opus 5.5 planifie, découpe les problèmes complexes, choisit l'approche et assume le raisonnement le plus difficile, comme le débogage de versions, la revue de sécurité de grosses pull requests ou les longues analyses aboutissant à un rapport. Haiku 5.5 forme la couche rapide de sous-agents : routage, classification, résumé, réécriture de longs documents, application de changements ciblés sur de nombreux fichiers. Dans un rôle de relecteur, il peut vérifier l'ordre des opérations et la direction générale pour qu'Opus consacre ses jetons aux raisonnements les plus ardus. Pour l'essayer sur Bedrock, il suffit d'ouvrir la console, de choisir Test puis Playground et de sélectionner Haiku 5.5. Le modèle est aussi accessible par programmation via l'API Anthropic Messages, avec le SDK Anthropic, sur bedrock-runtime.

LLMs⚡Actu

1 source

52

Illustration générée par IA

426The Decoder 

Claude Haiku 5.5 sort avec de fortes baisses de prix, la course aux tarifs de l'IA est loin d'être terminée

Anthropic a lancé Claude Haiku 5.5, la nouvelle version de son modèle compact, qui améliore nettement les performances de son prédécesseur. Sur OSWorld, le test de référence pour l'utilisation d'un ordinateur par une IA, le score passe de 15,7 % à 72,4 %. Parallèlement, l'entreprise réduit fortement ses tarifs : le prix des tokens baisse jusqu'à 90 % selon les cas. Cette baisse est toutefois partiellement compensée par un nouveau tokenizer, qui découpe le texte en davantage de tokens pour une même tâche. La facture finale dépend donc de l'usage réel et ne diminue pas autant que les tarifs affichés. Pour les développeurs et les entreprises, ce lancement change l'équation économique des agents capables de manipuler un poste de travail : navigation, saisie, enchaînement d'applications. Un score de 72,4 % place un modèle de petite taille et peu coûteux dans une catégorie réservée jusqu'ici aux modèles phares, beaucoup plus chers. Les tâches répétitives ou à fort volume, qui étaient trop onéreuses à automatiser, deviennent envisageables. L'effet du tokenizer rappelle toutefois qu'il faut comparer le coût par tâche accomplie plutôt que le prix au million de tokens. Cette annonce s'inscrit dans une course aux prix que se livrent les grands laboratoires, où chaque génération de modèles s'accompagne de tarifs plus bas et de capacités plus élevées. Anthropic cherche à garder une longueur d'avance sur ses concurrents, notamment OpenAI et Google, sur le segment des modèles légers destinés aux déploiements massifs. Le bond sur OSWorld montre aussi que l'utilisation d'ordinateur par les agents progresse très vite. Reste à voir si les rivaux répondront par de nouvelles baisses, et si les utilisateurs constateront en pratique les économies annoncées.

LLMs⚡Actu

1 source

48

Illustration générée par IA

427The Verge AI 

Tout ce qu'il faut retenir de l'événement Microsoft consacré au Surface Laptop Ultra

Microsoft a tenu à San Francisco une grande keynote consacrée à Windows et à Surface. L'annonce principale concerne le Surface Laptop Ultra, un ordinateur portable animé par la puce RTX Spark de Nvidia, à architecture Arm. Il sera disponible le 16 octobre, à partir de 2 599 dollars pour une configuration à processeur 8 coeurs, 24 Go de mémoire vive et 512 Go de stockage. Il abandonne le port de charge magnétique propriétaire Surface Connect au profit d'une recharge magnétique USB-C intégrée. Microsoft a aussi ouvert les précommandes du Surface RTX Spark Dev Box, un mini PC pour développeurs, à 5 999 dollars, avec des livraisons prévues en novembre. Côté logiciel, l'entreprise a détaillé de prochaines évolutions de Windows. Les fonctions « Hybrid Intelligence » permettront à Copilot d'exploiter les fichiers présents sur le PC pour effectuer des actions, et une nouvelle recherche offrira des actions rapides directement depuis la barre de recherche. Muse arrivera également sur Windows. Ces annonces dessinent un Windows où l'assistant ne se contente plus de répondre, mais agit à partir des documents de l'utilisateur. C'est un changement notable dans la manière d'utiliser un PC, qui soulève aussi des questions de confiance quant à l'accès de Copilot aux fichiers personnels. Sur le matériel, les premiers ordinateurs équipés de la puce RTX Spark de Nvidia peuvent coûter jusqu'à 7 000 dollars, ce qui place cette génération sur le haut de gamme. Le passage à l'USB-C magnétique devrait simplifier la vie des utilisateurs de Surface, qui n'ont plus à dépendre d'un chargeur spécifique. Le Dev Box, lui, vise clairement les développeurs désireux de travailler sur cette nouvelle plateforme. Cette keynote met en avant le rapprochement entre Microsoft et Nvidia autour des PC fonctionnant sur architecture Arm, un terrain où Windows cherche depuis plusieurs années à s'imposer face aux machines concurrentes. Le connecteur Surface Connect était une signature de la gamme, et son abandon montre une volonté de s'aligner sur les standards du marché. L'intégration poussée de Copilot s'inscrit dans la stratégie de Microsoft de faire de l'IA le coeur de Windows. La suite dépendra des tests indépendants du Surface Laptop Ultra, de l'accueil réservé à ses tarifs élevés et de la réaction des utilisateurs face aux nouveaux pouvoirs de Copilot.

Outils⚒Outil

Aussi surFrandroid,Frandroid,01net

38

Illustration générée par IA

428AWS ML Blog 

Repenser le contrôle d'accès pour le RAG avec Amazon Quick et Amazon Bedrock

Les organisations adoptent massivement la génération augmentée par récupération (RAG) pour exploiter leurs sources de connaissances internes, comme Microsoft SharePoint, Google Drive ou Atlassian Confluence. Or ces sources sont soumises à des structures de permissions complexes, et garantir que les réponses d'une IA respectent ces droits reste l'un des défis les plus difficiles de l'IA d'entreprise. Amazon Web Services affirme y répondre avec Amazon Quick et Amazon Bedrock Knowledge Bases grâce à un contrôle des listes de contrôle d'accès (ACL) en temps réel. Au moment de la requête, le système interroge directement la source faisant autorité pour vérifier les droits de l'utilisateur. Cette vérification vient s'ajouter au filtrage des ACL déjà appliqué avant la récupération, et s'appuie sur une architecture hybride qui combine la performance de la recherche sémantique et une sécurité vérifiée en direct. L'enjeu est considérable pour les entreprises. Prenons le cas d'un responsable de site SharePoint qui crée une base de connaissances utilisée par des équipes de plusieurs départements via un assistant IA : chaque collaborateur ne doit recevoir que des réponses issues de documents qu'il est autorisé à consulter. Un seul document non autorisé cité dans une réponse pourrait exposer une stratégie confidentielle, des données financières non publiées ou des informations sensibles de ressources humaines. Les organisations veulent démocratiser l'accès aux analyses produites par l'IA sans affaiblir leur posture de sécurité existante. Le contrôle en temps réel supprime le risque de s'appuyer sur des permissions périmées ou mal traduites, et permet de déployer ces assistants à plus grande échelle avec davantage de confiance. L'approche dominante jusqu'ici consiste à répliquer puis filtrer. Un connecteur récupère les ACL lors d'une synchronisation périodique, les stocke comme attributs dans un index, puis associe l'utilisateur connecté à ces attributs pour filtrer les résultats. AWS identifie trois faiblesses fondamentales. D'abord, le système d'IA n'est pas la source de vérité : les connecteurs doivent reproduire fidèlement la logique de permissions propre à chaque source, avec ses hiérarchies d'héritage, ses appartenances à des groupes, ses politiques d'accès conditionnel et ses règles de refus, ce qui est source d'erreurs sur des dizaines de connecteurs. Ensuite, les permissions deviennent obsolètes : les ACL ne reflètent que l'état de la dernière synchronisation, et certaines sources comme Confluence n'émettent pas d'événement lors d'un changement d'appartenance à un groupe. Entre deux synchronisations, un utilisateur dont l'accès a été révoqué peut donc encore recevoir des réponses tirées de documents qu'il ne devrait plus voir. Enfin, les sources évoluent : une nouvelle fonction de permission dans SharePoint ou une modification du modèle de partage de Google Drive peut créer des trous dans la logique de correspondance, exposant du contenu jusqu'à la mise à jour du connecteur. En interrogeant l'autorité d'origine à chaque requête, AWS entend contourner ces trois problèmes à la racine.

Sécurité⚒Outil

1 source

40

Illustration générée par IA

429MarkTechPost 

Liquid AI publie d1-3B et d1-omni-600M, des modèles de décision multimodaux en open weights qui ne produisent aucun token en sortie

Liquid AI a publié Open d1, deux modèles multimodaux à poids ouverts de sa famille de modèles de décision d1. d1-3B lit du texte et des images, tandis que d1-omni-600M lit du texte accompagné d'une image, ou du texte accompagné d'un extrait audio. Aucun des deux n'écrit de texte : chacun renvoie, en une seule passe avant, des réponses typées et calibrées, avec zéro token en sortie. Un modèle de décision reçoit un état et une série de questions nommées, puis renvoie une probabilité pour chaque réponse autorisée. Trois types de questions existent : oui/non (renvoyé sous forme de P(oui)), choix parmi des libellés nommés avec une distribution complète de probabilités, et score sur une grille ordonnée de 2 à 10 niveaux. Plusieurs questions peuvent partager le même état dans un seul appel. d1-3B compte 3,12 milliards de paramètres. Il dérive de LFM2.5-VL-3B, dont le socle textuel a été moyenné avec LFM2.5-2.6B, puis affiné sur plusieurs graines et mélanges de données avant une nouvelle fusion. Il embarque un encodeur visuel SigLIP2 NaFlex de 400 millions de paramètres et un contexte de 32 768 tokens. d1-omni-600M (587 millions de paramètres) repose sur l'encodeur bidirectionnel LFM2.5-Encoder-350M, avec un encodeur visuel de 94 millions de paramètres et un encodeur audio FastConformer de 112 millions, un contexte de 16 384 tokens et des clips audio limités à 30 secondes. Une requête contient des images ou de l'audio, jamais les deux. Les deux points de contrôle sont sur Hugging Face, chargeables via Transformers, avec un support llama.cpp dès le premier jour. Sur les benchmarks, d1-3B obtient 48,57 sur Decision Index v0.2.1, devant tous les modèles de moins de 10 milliards de paramètres et devant Decider 35B-A3B (47,11). Seul Winnow-12B fait mieux, avec 50,02. Liquid AI a exécuté lui-même le scorer officiel, ces résultats ne sont donc pas des soumissions à un classement. Le modèle domine les catégories Tools (74,5) et Arts (36,3) mais reste en retrait sur Knowledge (23,8). Sur sept benchmarks textuels publics, il affiche 82,9 de moyenne contre 81,1 pour Decider 4B ; d1-omni-600M atteint 78,4 et signe les meilleurs scores sur Civil Comments (95,8) et PAWS-X (79,5). Sur onze benchmarks d'images, d1-3B obtient 74,1 contre 73,9 pour son modèle de base. La latence de bout en bout, mesurée sur une requête chaude à la fois, est de 8 ms sur RTX 4090 et 9 ms sur AMD MI325X pour une question. Sur Jetson, elle est de 16 ms sur AGX Thor, 26 ms sur AGX Orin et 50 ms sur Orin Nano. Une image de 384 pixels est lue en 35 ms sur AGX Thor. L'intérêt tient à la suppression de l'étape d'analyse de texte généré, source classique de fragilité dans les chaînes d'agents. Pour le tri de tickets de support, un seul appel de d1-3B peut vérifier l'éligibilité à un remboursement, désigner l'équipe responsable et évaluer l'urgence sur le même message. À la périphérie, le modèle permet l'inspection visuelle et la modération en temps réel : la démo Open d1 Arcade l'exécute image par image sur une caméra en direct pour la modération de contenu et le contrôle gestuel. d1-omni-600M vise le routage de commandes vocales sur petits appareils, en renvoyant directement l'intention du locuteur. Liquid AI recommande aussi d1 pour le reranking, l'évaluation par LLM-juge et les garde-fous d'agents. Les probabilités calibrées permettent de fixer des seuils d'action plutôt que de se fier à une réponse textuelle. Ces modèles s'inscrivent dans une tendance à spécialiser des petits modèles pour des tâches de décision, face aux grands modèles génératifs coûteux et lents pour de simples classifications. Liquid AI cible la pile NVIDIA (serveurs DGX, stations RTX, cartes Jetson) tout en montrant des mesures sur AMD. La licence LFM Open v1.0 autorise l'usage commercial gratuit sous 10 millions de dollars de revenu annuel. Des limites subsistent : d1-omni-600M est une version de recherche précoce, sans chiffres de latence publiés, entraînée uniquement sur des requêtes en anglais d'un locuteur à un assistant. Liquid AI qualifie les benchmarks de décision audio de problème ouvert, et d1-3B ne progresse que marginalement sur les images par rapport à sa base. Aucun des deux n'est un modèle de chat.

LLMs⚡Actu

Aussi surHuggingFace Blog

45

Illustration générée par IA

430Frandroid 

128 Go de RAM et puce Nvidia : voici la réponse de Microsoft à Apple avec le Surface Laptop Ultra

Microsoft a ouvert mercredi 7 octobre les précommandes du Surface Laptop Ultra, un ordinateur portable de 15 pouces équipé de la puce Nvidia RTX Spark. Il est proposé à partir de 2 599 dollars aux États-Unis. Il peut embarquer jusqu'à 128 Go de mémoire unifiée, c'est-à-dire une mémoire partagée entre le processeur et la partie graphique, sur le modèle des Mac d'Apple. Microsoft le présente comme la première Surface conçue à la fois pour le jeu et pour l'exécution de modèles d'intelligence artificielle en local, sans passer par le cloud. Ce lancement compte parce qu'il vise un public jusqu'ici peu servi par les Surface, celui des développeurs, créateurs et joueurs qui ont besoin de beaucoup de mémoire et de puissance graphique dans un format portable. Avec 128 Go de mémoire unifiée, la machine peut charger des modèles de langage volumineux que les ordinateurs portables classiques, limités par la mémoire de leur carte graphique, ne peuvent pas exécuter. Faire tourner ces modèles en local intéresse les professionnels soucieux de confidentialité ou de coûts d'API. Le prix de départ place l'appareil dans la gamme des MacBook Pro haut de gamme, ce qui en fait un concurrent direct. Cette annonce est la réponse de Microsoft à l'avance prise par Apple, dont les puces maison à mémoire unifiée se sont imposées comme référence pour l'IA locale sur portable. Jusqu'ici, les PC Windows reposaient sur une architecture séparée entre processeur et GPU, et les machines Copilot+ à base de puces Arm n'ont pas offert de véritable alternative pour le jeu. Le choix d'une puce Nvidia traduit un rapprochement entre Microsoft et le fabricant, qui cherche à étendre son emprise du centre de données au PC. La suite dépendra des performances mesurées par les premiers tests, de la compatibilité des logiciels et de la date de disponibilité hors des États-Unis, notamment en Europe, que l'article ne précise pas.

Infrastructure⚡Actu

Aussi surPresse-citron

51

Illustration générée par IA

431The Verge AI 

Microsoft donne à Copilot un contrôle accru sur Windows et sur vos fichiers

Lors de son événement consacré à Windows et à Surface, Microsoft a dévoilé une évolution de son assistant Copilot, qui pourra accéder aux fichiers stockés localement sur le PC et exécuter des actions à travers tout le système d'exploitation. Cette mise à niveau s'inscrit dans ce que le groupe appelle « Hybrid Intelligence », une approche où les applications et les outils combinent des modèles d'IA locaux et des modèles hébergés dans le cloud pour accomplir leurs tâches efficacement. Pour l'illustrer, Jacob Andreou, vice-président exécutif de Microsoft chargé de Copilot, a présenté sur scène une démonstration vidéo de l'outil Autopilot appliqué à la déclaration d'impôts. Il y expliquait à l'agent d'IA avoir reçu un courriel de son comptable et lui demandait de lui transmettre les éléments réclamés. Pour les utilisateurs, le changement est net : l'assistant ne se contente plus de répondre à des questions, il devient un agent capable de fouiller dans les documents personnels et d'agir dans les applications à leur place. Le gain de temps sur les tâches administratives répétitives pourrait être important. En contrepartie, donner à une IA l'accès à des données financières et à des fichiers privés soulève des questions de confidentialité, de sécurité et de contrôle. Le recours à des modèles locaux pourrait limiter les envois vers le cloud et réduire les délais, en réservant les modèles distants aux demandes les plus lourdes. Microsoft intègre Copilot à Windows depuis plusieurs années, et cette étape prolonge sa stratégie de faire du système d'exploitation un terrain privilégié pour les agents d'IA, dans une course où les grands acteurs du secteur cherchent tous à automatiser des tâches complètes sur l'ordinateur. La suite dépendra de la manière dont l'entreprise encadrera les permissions accordées à l'agent, de la fiabilité de ses actions et de l'accueil que lui réserveront les particuliers comme les entreprises.

Outils⚒Outil

Aussi surFrandroid

39

Illustration générée par IA

432Ars Technica AI 

Un fraudeur condamné à de la prison pour avoir utilisé 10 000 bots et des chansons générées par IA afin de dépasser Taylor Swift en écoutes

Michael Smith, 54 ans, originaire de Caroline du Nord, a été condamné à 18 mois de prison après avoir plaidé coupable d'avoir détourné plusieurs millions de dollars aux plateformes de streaming musical. Il faisait générer des chansons par intelligence artificielle, puis les faisait écouter en boucle par environ 10 000 comptes automatisés. Ces bots lui permettaient de totaliser des volumes d'écoutes comparables à ceux de grandes vedettes comme Taylor Swift. Le ministère américain de la Justice a annoncé la sentence mardi dans un communiqué. Inculpé une première fois en 2024, Smith a fait tourner son système pendant sept ans sans être détecté. Selon le ministère, il s'agit du premier Américain poursuivi au pénal pour une fraude au streaming assistée par l'IA. L'affaire touche directement les artistes. Les plateformes redistribuent leurs revenus à partir d'une enveloppe commune, de sorte que chaque écoute fictive prélève de l'argent qui aurait dû revenir à des créateurs réels. Sept années d'activité sans détection montrent aussi la difficulté, pour les services de streaming, de distinguer une écoute humaine d'une écoute artificielle, surtout quand le catalogue lui-même est produit par des machines. Cette condamnation s'inscrit dans l'essor rapide de la musique générée par IA, qui permet de produire des milliers de morceaux à très faible coût et inonde les catalogues des plateformes. Les services de streaming, les labels et les sociétés de gestion de droits se retrouvent sous pression pour renforcer leurs outils de détection et leurs règles de paiement. Le jugement pourrait servir de précédent pour d'autres poursuites visant des schémas similaires.

Régulation⚖Reglementation

1 source

49

Illustration générée par IA

433The Decoder 

Google annonce que 180 milliards d'images et de vidéos portent désormais un filigrane SynthID, et ouvre son détecteur au public

Google ouvre au public son détecteur SynthID. N'importe qui peut désormais vérifier si une image, une vidéo ou un fichier audio a été produit par les IA de Google ou par celles de partenaires comme OpenAI et Nvidia. Selon le groupe, plus de 180 milliards de contenus portent déjà ce filigrane invisible. L'outil a toutefois une limite nette : il ne reconnaît que les contenus marqués avec SynthID. Il ne permet pas de savoir si un média a été généré par une IA en général. Cette limite compte pour les journalistes, les plateformes et les internautes qui veulent contrôler l'origine d'un contenu. Un résultat positif apporte une preuve solide qu'un média est issu d'une IA participante. Un résultat négatif ne prouve en revanche rien. Le contenu peut venir d'un modèle qui n'intègre pas SynthID, d'un outil open source ou d'un générateur qui n'a pas adhéré au dispositif. Le détecteur est donc un outil de vérification partiel, et non un test universel d'authenticité. SynthID a été développé par Google DeepMind. Le principe est d'insérer dans les contenus générés un signal imperceptible, que l'on peut retrouver ensuite. L'adhésion de concurrents comme OpenAI et Nvidia suggère un début de convergence autour d'un mécanisme commun, au moment où les deepfakes et la désinformation poussent les régulateurs et le public à réclamer plus de transparence. La suite dépendra de l'arrivée d'autres fabricants de modèles dans le dispositif et de la robustesse du filigrane face aux tentatives de suppression.

Éthique⚒Outil

1 source

45

Illustration générée par IA

434Frandroid 

Microsoft veut faire tourner des IA géantes sur PC : prévoyez jusqu’à 60 Go de RAM

Microsoft prépare l'exécution locale, sur les PC Windows, de modèles d'IA de très grande taille, entre 70 et 284 milliards de paramètres. Trois modèles sont concernés : MAI Code 1.1 Flash, développé par Microsoft, un nouveau modèle de la famille Nemotron de Nvidia, et DeepSeek V4 Flash. Ce dernier, une fois compressé en 1,6 bit par paramètre, tient dans environ 60 Go de mémoire, ce qui fixe un ordre de grandeur de la RAM nécessaire pour les configurations les plus ambitieuses. Microsoft insiste surtout sur une approche d'« intelligence hybride », où le PC s'appuie à la fois sur des modèles locaux et sur ceux du cloud selon les besoins. L'enjeu est d'abord matériel. Jusqu'ici, les PC dits « IA » faisaient tourner des modèles de quelques milliards de paramètres, nettement plus modestes. Viser des modèles de plusieurs dizaines ou centaines de milliards de paramètres suppose des machines dotées de 64 Go de mémoire ou plus, ce qui concerne pour l'instant surtout les postes haut de gamme et professionnels. Pour les utilisateurs, l'intérêt est double : une meilleure confidentialité, puisque les données restent sur l'appareil, et la possibilité de travailler sans connexion ou avec une latence réduite. Pour les développeurs, l'exécution locale d'un modèle de code comme MAI Code 1.1 Flash ouvre la voie à des assistants plus réactifs et moins coûteux à exploiter. Cette stratégie s'inscrit dans la course à l'IA embarquée que se livrent Microsoft, Nvidia, Apple et les fabricants de puces, après des années de promesses autour des PC dotés d'unités de calcul neuronal. La compression extrême des modèles, ici en 1,6 bit, est devenue un levier central pour rapprocher des modèles géants des machines grand public, au prix d'une possible perte de qualité. Le choix de mêler un modèle maison, un modèle de Nvidia et un modèle du laboratoire chinois DeepSeek montre aussi que Microsoft cherche à ne pas dépendre d'un seul fournisseur. Reste à voir quels PC pourront réellement absorber ces exigences mémoire, et à quel prix.

Infrastructure⚡Actu

1 source

37

Illustration générée par IA

435The Verge AI 

ChatGPT propose de nouveaux outils pour préparer les études supérieures

OpenAI s'apprête à ajouter un outil baptisé College Planner à ChatGPT for Teens, le mode destiné aux adolescents lancé en août avec des garde-fous et des rappels de pause. Il doit accompagner les lycéens dans leurs candidatures universitaires. Il rassemble dans un seul plan les exigences d'admission, les échéances, les tâches à accomplir et les démarches d'aide financière pour chaque établissement de la liste de l'élève. Selon OpenAI, les étudiants qui postulent dans plusieurs universités pourront y revenir pour mettre à jour leur progression, se servir de la chronologie pour anticiper et voir ce qu'il leur reste à faire. Ils pourront aussi poser des questions à ChatGPT en chemin, de la signification d'une exigence à la manière de s'y prendre pour commencer. Le déploiement est annoncé pour « bientôt », sans date précise. Le processus de candidature oblige à jongler avec des calendriers, des pièces à fournir et des formalités financières qui diffèrent d'une université à l'autre. Centraliser ces informations réduit le risque d'oublier une date limite ou un document. Les familles qui n'ont pas facilement accès à un conseiller d'orientation pourraient y trouver un appui disponible à toute heure. L'outil place aussi ChatGPT au cœur d'une décision à fort enjeu pour des mineurs, ce qui rend la fiabilité des informations affichées particulièrement sensible. Cette annonce prolonge la stratégie d'OpenAI envers les adolescents, entamée avec ChatGPT for Teens et ses mesures de protection. Les entreprises d'IA sont sous pression pour encadrer l'usage de leurs produits par les plus jeunes, tout en y cherchant des cas d'usage utiles et durables. L'éducation en fait partie. Reste à voir la date de lancement, l'exactitude des données sur les établissements et l'accueil des élèves et des familles.

Outils⚒Outil

1 source

31

Illustration générée par IA

436Microsoft Research 

Agent Lightning v1.0 : un framework léger d'apprentissage par renforcement pour agents (3 500 lignes) qui entraîne avec de vrais harnais

Microsoft Research Asia a publié Agent Lightning v1.0, une reconstruction complète de son framework d'apprentissage par renforcement (RL) pour agents, fondée sur un nouveau paradigme baptisé « Harnessed Agentic RL ». Le principe est que le harnais d'agent utilisé en production participe directement à l'entraînement, sans qu'il faille réimplémenter l'agent dans le framework d'apprentissage. L'ensemble du plan de contrôle tient en environ 3 500 lignes de code. Les agents s'exécutent comme de simples jobs Kubernetes, sur clusters autogérés, Kubernetes dans le cloud ou infrastructure locale, sans dépendre de services commerciaux de bacs à sable payants. Un exemple complet d'agent de code, bâti sur Qwen3.5-9B, fait passer le score Pass@1 sur SWE-bench Verified de 41,8 % à 56,4 %, soit un gain absolu de 14,6 points, avec seulement 6 000 échantillons d'entraînement issus d'un jeu de données ouvert. Concrètement, un proxy de modèle de langage s'intercale entre l'agent et le modèle : il suffit de rediriger vers Agent Lightning le point d'accès qui appelait l'API du modèle, et le framework observe et enregistre les appels, sans toucher au code du harnais. Cette approche change le coût et la fiabilité de l'entraînement d'agents. Jusqu'ici, améliorer un agent par RL obligeait à le reconstruire dans le framework d'entraînement, ce qui coûtait cher et produisait un agent légèrement différent de celui réellement déployé, avec des comportements qui pouvaient diverger. En entraînant le harnais réel, les équipes optimisent exactement ce qui sera mis en production, y compris sa gestion du contexte, ses protocoles d'outils et sa logique d'exécution. Le support natif de Kubernetes abaisse la barrière pour les organisations qui disposent déjà d'une infrastructure et ne veulent pas payer un service de sandbox tiers pour lancer des rollouts à grande échelle. Enfin, une base de code réduite à 3 500 lignes est assez compacte pour être comprise, modifiée et étendue par une équipe de recherche ou d'ingénierie, et le gain obtenu avec un modèle de 9 milliards de paramètres et peu de données montre qu'une recette reproductible peut rester accessible. Ce travail répond aux limites des systèmes d'RL agentique de première génération comme verl, AReaL et slime. Ceux-ci supposaient que le framework d'entraînement possède la boucle d'interaction avec l'environnement : dans une boucle de type ReAct, le modèle produit une action, l'environnement renvoie une observation, celle-ci est ajoutée au contexte, et tout le déroulement forme une trajectoire continue de tokens. Les harnais actuels ont dépassé ce cadre. Des agents de code comme mini-SWE-agent, OpenHands, OpenCode, Claude Code ou Codex embarquent chacun leur gestion du contexte, leurs protocoles d'outils, leur logique d'exécution et leurs dépendances, tout comme les systèmes d'agents généralistes. Les agents ne sont plus de simples modèles, mais des systèmes complets associant modèle, outils et environnements d'exécution, dont les capacités dépendent de plus en plus de la coordination assurée de l'extérieur. Avec cette version 1.0, les chercheurs formalisent la voie du proxy, déjà esquissée dans la version originale d'Agent Lightning, en insistant sur la légèreté, l'intégration de vrais harnais et un pipeline d'entraînement complet et reproductible.

Outils⚒Outil

1 source

41

Illustration générée par IA

437AWS ML Blog 

Au-delà des heures économisées : construire l'argumentaire économique de l'automatisation à base d'agents

Les entreprises qui inscrivent l'automatisation agentique, c'est-à-dire des logiciels capables de raisonner et de s'adapter pour mener à bien des tâches, sur la feuille de route de leur centre d'excellence en IA se heurtent à un problème de méthode. Le calcul habituel du retour sur investissement (heures économisées multipliées par le coût du travail, moins le coût de construction) a été conçu pour des outils à base de règles comme l'automatisation robotisée des processus (RPA). Pour y remédier, l'article propose l'« Agentic Value Model », un cadre qui mesure quatre dimensions de valeur, plus une condition qui détermine si elles atteignent réellement le compte de résultat. Le gain de temps reste pertinent, mais les agents l'appliquent à un volume de travail plus large, y compris des tâches que la RPA gère mal. La gestion des exceptions pèse lourd : selon les repères d'AWS, corriger une erreur peut coûter 1,5 à 4 fois la transaction d'origine, et l'erreur humaine représenter 2 à 15 % des coûts opérationnels. La qualité de décision compte aussi, car un seul meilleur arbitrage en crédit, en tarification ou en risque peut valoir plus qu'une année de minutes économisées. Enfin, la résilience au changement et le coût de maintenance jouent dans les deux sens. Cette approche change la manière de justifier, de financer et de prioriser les projets. Le modèle classique suppose des processus stables, donc ignore le coût de maintenance. Il suppose des tâches régies par des règles, donc n'a aucune ligne pour les exceptions. Il suppose que la tâche est tout le travail, donc ne compte pas la supervision humaine. Surtout, il traite une heure économisée comme une valeur acquise, alors que la capacité libérée se remplit souvent d'arriérés de travail et n'atteint jamais le compte de résultat. Pour les responsables de centres d'excellence en IA, le risque est double : sous-estimer des projets à forte valeur, ou approuver des automatisations dont les gains restent théoriques. L'arbitrage dépend aussi de la nature du processus. Les scripts sont fragiles et cassent quand un écran ou un système amont change. Les agents absorbent une partie de la variation sans réécriture, mais déplacent la maintenance vers les évaluations, les instructions, la supervision et l'exploitation des modèles, avec un coût de fonctionnement propre. Dans les processus qui évoluent souvent, le calcul peut donc favoriser les agents. Dans les processus figés, ce n'est pas garanti. Le constat rejoint une critique plus large de la façon dont les entreprises déploient l'IA. McKinsey décrit dans une publication de 2026 sur la conduite du changement agentique un « schéma 1:3:5 » propre aux transformations réussies : pour chaque dollar investi dans la technologie agentique, les organisations en dépensent trois dans la refonte des processus et cinq dans le développement des compétences et l'adoption. Selon le cabinet, la plupart des entreprises inversent entièrement cette formule. L'idée centrale est que la valeur de l'automatisation agentique se situe moins dans la tâche elle-même qu'autour d'elle : le jugement, les exceptions, la coordination entre systèmes. Les vrais gains viennent donc de la refonte du flux de travail autour des agents, pas de leur simple insertion dans un processus inchangé. L'article annonce également des critères pour choisir les flux de travail qui méritent d'être confiés à des agents. Le texte fourni s'interrompt avant la présentation de cette condition finale, qui gouverne l'ensemble du cadre.

Business❧Opinion

1 source

36

Illustration générée par IA

438AWS ML Blog 

Comment Qlik a conçu une IA fiable et ancrée dans les données d'entreprise avec Amazon Bedrock

Qlik a détaillé la manière dont son assistant Qlik Answers, disponible en disponibilité générale depuis février 2026, s'appuie sur Amazon Bedrock pour fournir des réponses fondées sur des sources vérifiables à plus de 40 000 clients dans le monde. L'outil permet à n'importe quel employé, et pas seulement aux analystes, de poser une question en langage naturel et d'obtenir une réponse sourcée, issue selon les cas d'une base de connaissances, d'une application analytique en direct, d'un glossaire ou d'un document. Le système choisit lui-même le chemin à suivre. L'adoption est déjà visible : l'agent Discovery, chargé de détecter les anomalies et valeurs aberrantes, a produit plus de 100 000 découvertes depuis son lancement, et la majorité des comptes Qlik Cloud ayant activé les outils agentiques les utilisent activement. Bystronic, spécialiste de la tôlerie, a déployé un chatbot en 15 minutes. Lintech International a indexé plus de 17 000 documents techniques, accéléré ses réponses de 75 % et fait gagner jusqu'à 7 heures par semaine à ses responsables. TouchPoint Support Services, qui couvre 650 sites de santé, fournit des conseils conformes aux règles à 15 000 employés. Pour y parvenir, Qlik a refusé le modèle de l'assistant unique et généraliste, qui devient plus lent et moins précis à mesure qu'on lui ajoute des capacités. L'architecture repose sur des couches aux frontières nettes : un point d'entrée conversationnel stable dans Qlik Cloud, qui permet d'ajouter des fonctions en coulisses sans changer l'expérience des clients ; une couche de routage légère, qui lit le message et le contexte de la conversation pour décider où envoyer la requête, sans chercher à résoudre la tâche elle-même ; et une couche de réponse, qui coordonne la génération en choisissant entre un chemin rapide pour les demandes simples et un traitement plus approfondi pour les autres. L'enjeu dépasse le cas de Qlik, car il touche aux obstacles qui freinent l'IA générative en entreprise : des réponses sans sources, l'impossibilité de vérifier un résultat et l'absence de voie de déploiement en environnement réglementé. Qlik devait résoudre trois problèmes simultanément. D'abord, orchestrer un raisonnement spécialisé sans ralentir les utilisateurs, puisque les questions vont de la simple recherche à l'exploitation de données structurées, de documents ou d'automatisations. Ensuite, respecter la souveraineté des données dans les différentes régions, en Europe, en Asie-Pacifique et dans les Amériques : un déploiement global unique ne satisfaisait pas ces exigences, mais 11 versions régionales distinctes auraient été difficiles à maintenir et à faire évoluer de façon cohérente. Enfin, anticiper la capacité des modèles, car la consommation de jetons et la disponibilité doivent être planifiées trois à six mois avant les grands lancements, puis comparées à l'usage réel pour que le succès ne se transforme pas en problème de capacité. C'est sur ces contraintes que Qlik s'appuie sur Amazon Bedrock à l'échelle mondiale.

Outils⚒Outil

1 source

38

Illustration générée par IA

439AWS ML Blog 

Former des bâtisseurs d'IA : guide pour combler l'écart entre connaissances et compétences en IA

Des professionnels qui n'écrivent pas de code mais dont le travail quotidien dépend de plus en plus des solutions d'IA peuvent apprendre à construire eux-mêmes des agents, à condition d'être outillés et encadrés. C'est la thèse d'AWS, qui s'appuie sur un programme structuré de six semaines associant des profils métier à des mentors et à des outils de niveau production. L'entreprise a d'abord interrogé des employés qui utilisent l'IA tous les jours sans développer en production : 90 % d'entre eux voulaient une expérience pratique de construction d'agents. Si 80 % avaient exploré Amazon Bedrock et Amazon Bedrock AgentCore, plateforme pour créer, connecter et optimiser des agents à grande échelle avec n'importe quel framework ou modèle, moins d'un sur cinq avait touché au SDK Strands Agents ou construit avec des agents AWS Lambda. Beaucoup évitaient les hackathons, persuadés que leur niveau technique ne leur permettrait pas de rivaliser avec des ingénieurs. Quatre professionnels en contact avec la clientèle, qui n'avaient jamais travaillé ensemble ni suivi de cursus d'ingénierie, ont présenté au bout de six semaines WealthWise, un outil de conseil financier multi-agents qui a remporté la première place. Il réunit cinq agents spécialisés (analyse de portefeuille, évaluation des risques, planification financière, perspectives de marché, recommandations d'investissement personnalisées), une architecture à deux serveurs (Node.js et Python Flask) avec des modèles Amazon Nova, le SDK Strands Agents pour l'orchestration et la mémoire conversationnelle, quatre tables Amazon DynamoDB et des données de marché en direct, pour des réponses en moins de cinq secondes. Chaque agent choisit seul les outils à invoquer et les enchaîne pour raisonner en plusieurs étapes. Le message s'adresse à toutes les organisations dont les équipes commerciales, opérationnelles, financières ou produit discutent d'IA avec leurs clients, évaluent des offres de fournisseurs ou repèrent des pistes d'automatisation sans avoir jamais rien construit avec ces outils. Faute de pratique, elles ne savent pas répondre à la question « comment cela fonctionne-t-il vraiment ? ». Le coût est concret : adoption plus lente, gains de productivité retardés, cas d'usage non identifiés et fossé grandissant entre ce que les équipes connaissent et ce qu'elles peuvent mettre en œuvre. L'enseignement principal est que l'obstacle n'est ni le manque d'intérêt ni la méconnaissance, mais l'absence de cadre pour se lancer sans risque. Le prototype gagnant montre qu'avec des outils de production et un accompagnement, des non-ingénieurs peuvent produire en six semaines un système multi-agents crédible, extensible au-delà du programme, ce qui change la façon dont les entreprises peuvent former leurs équipes à l'IA agentique. Ce programme s'inscrit dans un contexte où les outils d'IA agentique sont devenus accessibles très vite, plus rapidement que les compétences des équipes métier pour les maîtriser. Les formations et certifications se sont multipliées, mais elles ont laissé un vide entre la théorie et la pratique. AWS, qui promeut Bedrock, AgentCore, Strands et Nova, a donc conçu un dispositif mêlant mentorat, rituels d'équipe et outils éprouvés. L'équipe lauréate attribue sa réussite à cinq principes fixés dès le premier jour : privilégier l'apprentissage sur la victoire, en choisissant des approches ambitieuses plutôt que des raccourcis sûrs ; tenir des points quotidiens pour éviter l'isolement et repérer les problèmes tôt ; démarrer par un produit minimum viable, avec un flux complet de bout en bout dès le deuxième jour, puis itérer ; et solliciter activement les permanences d'experts. AWS invite les entreprises à reproduire cette méthode pour transformer des équipes qui parlent d'IA en équipes qui la construisent.

Société⚡Actu

1 source

45

Illustration générée par IA

440Frandroid 

« Une médaille Fields immédiate » : l’IA d’OpenAI revendique une avancée sur l’hypothèse de Riemann

OpenAI a publié mardi 6 octobre 722 manuscrits de mathématiques produits par un modèle interne qui n'est pas accessible au public. Parmi eux figure un résultat portant sur la fonction zêta de Riemann, au cœur de l'hypothèse du même nom. Un mathématicien de l'université Rutgers l'a comparé à un travail digne d'une médaille Fields, parlant même d'une « médaille Fields immédiate ». L'entreprise présente ce résultat comme une avancée sur ce problème, sans que l'on sache à ce stade s'il a été validé par des pairs. Si le résultat se confirme, l'enjeu dépasse la seule théorie des nombres. La fonction zêta est liée à la répartition des nombres premiers, et l'hypothèse de Riemann figure parmi les sept problèmes du millénaire de l'Institut Clay, dotés chacun d'un million de dollars. Une avancée produite par une IA montrerait que ces systèmes peuvent contribuer à la recherche mathématique de haut niveau, et pas seulement résoudre des exercices. La publication simultanée de 722 textes pose aussi un défi de vérification : les mathématiciens devront examiner un volume considérable de preuves, dont la fiabilité reste à établir. Cette annonce survient dans un climat de prudence. Le mois dernier, la revendication d'OpenAI sur les équations de Navier-Stokes, autre problème du millénaire, avait été contestée par des spécialistes. Cet épisode incite à attendre une relecture indépendante avant de conclure. La compétition entre laboratoires d'IA se joue désormais aussi sur la démonstration de capacités de raisonnement scientifique, et les prochaines semaines diront si ce résultat résiste à l'examen.

Recherche❖Paper

Aussi surNumerama