Aller au contenu principal
Le Fil IA

Actualités IA — page 300

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

Le bémol sur le retrait de Benchmark du capital de Manus
Illustration générée par IA
5981The Information AI 

Le bémol sur le retrait de Benchmark du capital de Manus

Le fonds de capital-risque américain Benchmark a distribué à ses investisseurs les bénéfices de la vente de Butterfly Effect, la startup singapourienne à l'origine de l'agent IA Manus, avant même que les régulateurs chinois ne bloquent la transaction. Meta avait annoncé en décembre 2025 le rachat de cette entreprise pour plus de 2 milliards de dollars. Benchmark avait mené un tour de financement de 75 millions de dollars au printemps 2024, valorisant la startup à environ 500 millions de dollars. La transaction avait été bouclée en fin d'année, et les retours sur investissement ont déjà été redistribués aux limited partners du fonds avant que Pékin n'intervienne cette semaine pour exiger l'annulation de l'opération. Le blocage par les autorités chinoises crée une situation juridique inédite : Meta se retrouve contrainte de se défaire d'un actif qu'elle a déjà acquis, sans pouvoir récupérer facilement les fonds versés aux investisseurs. Frank Aquila, avocat spécialisé en fusions-acquisitions chez Sullivan & Cromwell, qualifie ce scénario de "proche de l'impossible", comparant la situation à vouloir "remettre le génie dans sa bouteille". Ce précédent serait, selon lui, "dangereux" pour toutes les entreprises envisageant des opérations transfrontalières impliquant des capitaux ou des actifs liés à la Chine. Butterfly Effect avait été fondée à Pékin avant de déménager à Singapour, mais cette délocalisation n'a pas suffi à échapper à la juridiction de Pékin sur l'opération. L'investissement initial de Benchmark avait déjà suscité des critiques dans la communauté du capital-risque américain, certains VC estimant qu'il représentait un risque pour la sécurité nationale. L'affaire illustre les tensions croissantes entre les ambitions mondiales des géants technologiques américains et le durcissement du contrôle de Pékin sur les actifs stratégiques liés à l'IA, une dynamique qui risque de compliquer durablement les transactions transatlantiques et transpacifiques dans ce secteur.

BusinessOpinion
1 source
Elon Musk accuse OpenAI d'avoir trahi sa mission caritative lors d'un procès aux États-Unis
Illustration générée par IA
5982Interesting Engineering 

Elon Musk accuse OpenAI d'avoir trahi sa mission caritative lors d'un procès aux États-Unis

Elon Musk a témoigné mardi devant un tribunal américain dans le cadre de son procès contre OpenAI, réclamant 150 milliards de dollars de dommages et intérêts ainsi que des changements structurels majeurs au sein de l'entreprise. Face aux jurés, le milliardaire a accusé OpenAI et ses dirigeants, le PDG Sam Altman et le président Greg Brockman, d'avoir trahi la mission caritative originelle de l'organisation. Musk affirme avoir été à l'origine du concept, du nom, du recrutement des fondateurs clés et du financement initial. "C'était spécifiquement conçu pour être une organisation caritative qui ne bénéficie à aucun individu", a-t-il déclaré, ajoutant qu'il aurait pu bâtir une entreprise commerciale dès le départ mais avait volontairement choisi de ne pas le faire. Il a également demandé que Altman et Brockman soient écartés de leurs fonctions et qu'OpenAI revienne intégralement à un statut à but non lucratif. La transformation d'OpenAI soulève des enjeux qui dépassent largement le cadre d'une querelle entre fondateurs. Musk a averti les jurés que valider une telle dérive reviendrait à légitimer le détournement d'organisations caritatives à l'échelle nationale : "Si on accepte de piller une association, tout le fondement du don caritatif en Amérique sera détruit." L'affaire touche également à l'avenir de la gouvernance de l'IA à grande échelle, à un moment où OpenAI est devenue l'une des entreprises technologiques les plus influentes au monde, soutenue par un investissement de 10 milliards de dollars de Microsoft en 2023. La question de savoir si une organisation née pour l'intérêt public peut légitimement se muer en machine à profit intéresse bien au-delà du secteur technologique. La défense d'OpenAI a contre-attaqué vigoureusement. L'avocat William Savitt a affirmé que Musk lui-même avait poussé à la création d'une branche commerciale lors de la phase de croissance de l'entreprise, qu'il avait cherché à en prendre le contrôle, et que cette action en justice n'était qu'une réaction à un échec personnel : "Nous sommes ici parce que M. Musk n'a pas obtenu ce qu'il voulait." OpenAI a publié un communiqué accusant son ancien cofondateur d'agir par "jalousie et regret", rappelant qu'il avait lui-même approuvé en 2017 la nécessité d'une structure commerciale pour lever des fonds suffisants, et qu'il avait même proposé de fusionner OpenAI avec Tesla. L'entreprise précise que ses 38 millions de dollars de dons ont bien financé de la recherche, et qu'une fondation à but non lucratif continue de superviser sa mission dans les domaines de la santé, de la sécurité et des risques liés à l'IA. Musk doit poursuivre son témoignage mercredi, alors que le procès s'enfonce dans des questions fondamentales de gouvernance et d'orientation de l'intelligence artificielle.

BusinessActu
1 source
Le décalage entre OpenAI et Wall Street
Illustration générée par IA
5983The Information AI 

Le décalage entre OpenAI et Wall Street

Les marchés financiers ont sanctionné le secteur technologique mardi, après un article du Wall Street Journal révélant qu'OpenAI avait manqué certains de ses objectifs de revenus internes. Les entreprises les plus touchées sont celles qui dépendent étroitement d'OpenAI pour leur activité : Oracle a perdu 4 % en bourse, tandis que CoreWeave, fournisseur d'infrastructure cloud spécialisé dans les GPU, a chuté de 5,8 %. La réaction des investisseurs illustre à quel point la santé financière d'OpenAI est devenue un baromètre pour tout un pan de l'écosystème IA. Ce que cette correction révèle est plus préoccupant que les chiffres eux-mêmes : les signes de difficultés chez OpenAI s'accumulent depuis plusieurs mois, mais Wall Street semblait jusqu'ici les ignorer. La société avait fixé un objectif ambitieux d'un milliard d'utilisateurs actifs par semaine d'ici fin 2025, selon plusieurs rapports de The Information. Elle n'a atteint que 920 millions, soit un écart non négligeable qui rend le manque à gagner sur les revenus parfaitement prévisible. Quand la croissance des utilisateurs ralentit, les revenus suivent mécaniquement, surtout pour un modèle économique encore largement fondé sur les abonnements grand public et les accès API. OpenAI occupe une position paradoxale : entreprise la plus médiatisée de l'IA, valorisée à plusieurs centaines de milliards de dollars lors de sa dernière levée de fonds en 2024, mais dont les fondamentaux opérationnels restent opaques et dont la trajectoire vers la rentabilité n'est pas clairement tracée. La dépendance d'acteurs comme Oracle et CoreWeave à un seul client stratégique les expose à une volatilité inhabituelle. À mesure que le marché de l'IA générative mûrit et que la concurrence s'intensifie, avec des rivaux comme Google Gemini, Anthropic ou les modèles open source, la pression sur OpenAI pour convertir sa notoriété en revenus solides ne fera que croître.

BusinessOpinion
1 source
DSO : optimisation par pilotage direct pour la réduction des biais
Illustration générée par IA
5984Apple Machine Learning 

DSO : optimisation par pilotage direct pour la réduction des biais

Des chercheurs ont présenté une nouvelle méthode appelée DSO (Direct Steering Optimization) visant à réduire les biais démographiques dans les modèles de vision-langage (VLM). Ces systèmes d'IA, utilisés pour décrire ou interpréter des images, tendent à associer certains rôles professionnels à des attributs perçus comme le genre ou l'origine ethnique : un modèle peut ainsi refuser d'identifier une femme comme médecin, ou favoriser systématiquement certains profils dans des scénarios de sélection. DSO propose un mécanisme d'optimisation directe permettant de corriger ces biais tout en laissant à l'utilisateur ou au déployeur la possibilité de calibrer le niveau de correction selon ses besoins propres. L'enjeu est concret : les VLM sont déjà intégrés dans des outils d'assistance aux personnes malvoyantes, des systèmes de recrutement automatisé, ou des plateformes de triage médical. Un biais non corrigé dans ces contextes peut produire des discriminations réelles et documentées. Ce que DSO apporte en plus des approches existantes, c'est la capacité à ajuster le curseur entre performance globale du modèle et degré de neutralité démographique, évitant le compromis brutal qui forçait jusqu'ici les équipes à sacrifier l'un pour l'autre. La question des biais dans les modèles multimodaux est devenue centrale depuis que les VLM ont quitté les laboratoires pour des déploiements à grande échelle. Des travaux antérieurs ont montré que des modèles comme CLIP ou LLaVA reproduisent et amplifient des stéréotypes présents dans leurs données d'entraînement. DSO s'inscrit dans une dynamique de recherche active autour de l'alignement et de l'équité algorithmique, un champ où la pression réglementaire, notamment en Europe avec l'AI Act, pousse les entreprises à documenter et corriger ces comportements avant tout déploiement commercial.

RecherchePaper
1 source
Raisonnement adaptatif : les LLM savent quand raisonner dans l'espace latent
Illustration générée par IA
5985Apple Machine Learning 

Raisonnement adaptatif : les LLM savent quand raisonner dans l'espace latent

Des chercheurs ont publié des travaux sur une nouvelle approche d'optimisation du raisonnement dans les grands modèles de langage (LLM), baptisée "Adaptive Thinking". Le principe : permettre aux modèles d'ajuster dynamiquement leur budget de calcul selon la complexité réelle d'une requête, plutôt que d'appliquer un niveau fixe de raisonnement à chaque réponse. L'étude exploite la technique du chain-of-thought (CoT), qui consiste à générer une chaîne de raisonnement intermédiaire avant de produire une réponse, et introduit la notion de raisonnement dans l'espace latent, une représentation interne au modèle. L'enjeu est directement économique et qualitatif : allouer trop de capacité de calcul à des questions simples est un gaspillage ; en allouer trop peu à des questions complexes dégrade la performance. Les chercheurs utilisent la "self-consistency", c'est-à-dire le degré d'accord entre plusieurs chemins de raisonnement parallèles, comme indicateur proxy de la nécessité réelle de raisonner. Cette métrique permet au modèle de détecter automatiquement si une question mérite un effort cognitif étendu ou une réponse directe. Ce travail s'inscrit dans une tendance de fond qui agite les laboratoires depuis l'émergence des modèles de type "reasoning" comme o1 d'OpenAI ou DeepSeek-R1 : comment rendre le raisonnement à l'inférence à la fois plus puissant et plus efficient. Trouver le bon équilibre entre budget de calcul et performance est devenu un axe de compétition majeur, notamment pour les applications en temps réel où la latence et le coût par requête sont critiques.

RecherchePaper
1 source
Comment créer des agents de raisonnement sur mesure avec un minimum de calcul
Illustration générée par IA
5986VentureBeat AI 

Comment créer des agents de raisonnement sur mesure avec un minimum de calcul

Des chercheurs de JD.com et de plusieurs institutions académiques ont publié une nouvelle méthode d'entraînement pour les modèles d'IA raisonnants, baptisée RLSD, pour Reinforcement Learning with Verifiable Rewards with Self-Distillation. L'approche combine deux techniques existantes : l'apprentissage par renforcement avec récompenses vérifiables (RLVR), qui évalue simplement si une réponse finale est juste ou fausse, et l'auto-distillation, qui fournit un retour granulaire sur chaque étape du raisonnement. Selon les expériences publiées, les modèles entraînés avec RLSD surpassent ceux construits avec les algorithmes classiques de distillation et d'apprentissage par renforcement. Chenxu Yang, co-auteur de l'étude, a précisé à VentureBeat les défauts fondamentaux des méthodes précédentes : avec RLVR standard, une trace de raisonnement de plusieurs milliers de tokens ne reçoit qu'une seule récompense binaire, 0 ou 1, et chaque token dans cette trace obtient exactement le même crédit, qu'il s'agisse d'une étape logique décisive ou d'une phrase accessoire. Pour les équipes d'ingénierie en entreprise, RLSD réduit concrètement les barrières techniques et financières pour construire des modèles de raisonnement sur mesure adaptés à leur logique métier. La méthode concurrente dite OPD (On-Policy Distillation) exige de maintenir un grand modèle "enseignant" actif en permanence durant tout l'entraînement, ce qui, selon Yang, "double approximativement votre empreinte GPU". Elle impose également que le modèle enseignant et le modèle étudiant partagent exactement la même structure de vocabulaire, ce qui exclut de facto la majorité des configurations multi-architectures, multi-modalités ou multilingues que les entreprises utilisent réellement. RLSD contourne ces contraintes sans sacrifier la qualité du signal d'apprentissage. L'auto-distillation en mode OPSD (On-Policy Self-Distillation), qui faisait jouer au même modèle le rôle de l'enseignant et de l'étudiant, semblait être le compromis idéal, mais souffre d'un défaut structural identifié par les chercheurs : la "fuite d'information privilégiée". Lorsque la version enseignante du modèle dispose d'une clé de réponse vérifiée et que la version étudiante tente de reproduire son comportement sans cette information, il existe un écart irréductible entre les deux distributions que l'étudiant ne peut jamais combler. RLSD est conçu pour résoudre précisément ce problème, en combinant les avantages de chaque paradigme sans en hériter les défauts. Cette publication s'inscrit dans une course plus large à démocratiser l'entraînement de modèles raisonnants de qualité, jusqu'ici réservé aux acteurs disposant de grandes infrastructures de calcul.

RecherchePaper
1 source
Flex et Teradyne renforcent leur partenariat pour déployer l'IA physique à grande échelle
Illustration générée par IA
5987Robotics 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.

RobotiqueActu
1 source
OpenAI prévoit 122 millions d'abonnés cette année grâce à l'offre ChatGPT à 8 dollars
Illustration générée par IA
5988The 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.

BusinessOpinion
1 source
OpenAI lance Privacy Filter, un modèle open source d'anonymisation des données personnelles
Illustration générée par IA
5989MarkTechPost 

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.

OutilsOutil
1 source
Poolside lance Laguna XS.2, un modèle ouvert gratuit et performant pour le codage local à base d'agents
Illustration générée par IA
5990VentureBeat 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.

LLMsActu
1 source
Comprendre la fenêtre de contexte : limites et solutions techniques des LLM
Illustration générée par IA
5991Le 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.

LLMsTuto
1 source
Elon Musk déclare au jury qu'il veut simplement sauver l'humanité
Illustration générée par IA
5992The 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.

RégulationReglementation
1 source
Apptronik recrute un nouveau CPO, une avancée majeure
Illustration générée par IA
5993Robotics 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.

RobotiqueActu
1 source
Elon Musk témoigne au procès contre OpenAI
Illustration générée par IA
5994The 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.

RégulationReglementation
Aussi surLe Monde Pixels
BioNeMo de NVIDIA : mise à l'échelle de la modélisation biomoléculaire par parallélisme de contexte
Illustration générée par IA
5995NVIDIA 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.

RecherchePaper
1 source
AWS entre dans la course aux super-agents et lance sa propre version de Claude Cowork
Illustration générée par IA
5996The 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.

OutilsOutil
1 source
Claude devient surpuissant : l’IA d’Anthropic s’invite dans tous vos logiciels créatifs
Illustration générée par IA
5997Le 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.

OutilsOutil
1 source
Un meilleur matériel peut transformer les outsiders de l'IA en acteurs majeurs
Illustration générée par IA
5998IEEE 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.

InfrastructureOpinion
1 source
Des robots humanoïdes commencent à trier les bagages dans un aéroport de Tokyo face à la pénurie de main-d'œuvre
Illustration générée par IA
5999Ars 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.

RobotiqueOpinion
1 source
Les robots livreurs s'imposent dans l'automatisation moderne
Illustration générée par IA
6000Robotics & 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.

RobotiqueOpinion
1 source