Actualités IA — page 316

7 570 articles au fil, du plus récent au plus ancien.

45

6301The Information AI 

Un investisseur historique d'Anthropic développe une « grille » pour les serveurs IA

Anjney Midha, ancien associé général chez Andreessen Horowitz et investisseur personnel de la première heure dans Anthropic, sort de l'ombre pour dévoiler son nouveau projet d'infrastructure IA très attendu. Sa société, baptisée AMP, ambitionne de lever plus de 10 milliards de $ pour construire ce qu'il décrit comme une "grille pour l'IA". Le concept s'inspire directement du modèle du réseau électrique : de même qu'une infrastructure centralisée gère et distribue l'électricité, AMP entend rationaliser l'accès aux serveurs IA, une ressource aujourd'hui rare et disputée. Pour les développeurs IA qui peinent à obtenir la puissance de calcul nécessaire à leurs projets, cette approche pourrait transformer en profondeur les conditions d'accès à l'infrastructure. Le nom AMP est loin d'être anodin, il fait directement référence à l'ampère, l'unité de mesure du courant électrique, soulignant la vision de Midha d'un accès à la compute aussi fluide et universel que l'électricité. L'ambition financière est colossale : dépasser les 10 milliards de $ de levée ferait d'AMP l'un des plus grands tours de financement dans l'infrastructure IA à ce jour. Avec son double profil d'investisseur institutionnel (a16z) et de parieur précoce sur Anthropic, Midha arrive sur ce marché avec une crédibilité et un réseau rares. La course à l'infrastructure IA s'intensifie alors que la demande en puissance de calcul explose, et AMP pourrait s'imposer comme un acteur structurant entre les hyperscalers et les développeurs.

Business⚡Actu

1 source

43

6302The Decoder 

Cursor affronte OpenAI et Anthropic avec Composer 2, un modèle dédié au code conçu pour rivaliser avec ses concurrents à une fraction du coût

Cursor franchit une nouvelle étape dans la course aux outils de développement assistés par IA en lançant Composer 2, la deuxième génération de son modèle maison dédié exclusivement à la programmation. L'objectif affiché est clair : rivaliser directement avec les meilleurs modèles de code proposés par OpenAI et Anthropic, tout en proposant des coûts significativement inférieurs. Cette sortie s'inscrit dans un contexte de concurrence féroce sur le segment des assistants de développement. Jusqu'ici, Cursor s'appuyait principalement sur les modèles tiers de ses deux grands concurrents pour alimenter son éditeur de code. En développant sa propre architecture spécialisée, la startup cherche à réduire sa dépendance vis-à-vis de ces fournisseurs tout en offrant à ses utilisateurs un rapport performance/prix plus avantageux, un argument de poids pour les équipes d'ingénierie qui consomment massivement des tokens au quotidien. Composer 2 est conçu comme un modèle code-only, c'est-à-dire optimisé exclusivement pour les tâches de développement logiciel, contrairement aux modèles généralistes d'Anthropic (Claude) ou d'OpenAI (GPT-4o, o3). Cette spécialisation permet théoriquement d'atteindre des performances comparables sur les benchmarks de programmation à une fraction du coût d'inférence. La startup, valorisée à plusieurs milliards de $ après ses dernières levées de fonds, mise ainsi sur une verticalisation de son stack technologique. Si Cursor parvient à tenir ses promesses de parité qualitative à moindre coût, cela pourrait redistribuer les cartes sur un marché dominé par les grands laboratoires. Les développeurs, déjà acquis à l'interface de l'éditeur, auraient alors un incitatif supplémentaire à rester dans l'écosystème, et Anthropic comme OpenAI perdraient un client parmi leurs plus importants consommateurs de modèles de code.

Outils⚡Actu

1 source

44

6303Le Big Data 

Snowflake lance Project SnowWork : l’IA qui crée rapports et analyses seule

Snowflake franchit un nouveau cap dans l'automatisation de la donnée avec Project SnowWork, une plateforme d'IA autonome actuellement en research preview. L'objectif : permettre aux équipes métiers de générer directement des analyses complètes, des rapports et des présentations, sans passer par des spécialistes des données ni écrire une seule ligne de code. L'outil s'appuie sur une combinaison de technologies déjà présentes dans l'écosystème de l'entreprise : AI Data Cloud, Snowflake Intelligence et Cortex Code. Le problème que SnowWork cherche à résoudre est bien connu en entreprise : les équipes métiers dépendent des data analysts pour obtenir des insights, un processus qui peut s'étaler sur plusieurs semaines. Résultat, les décisions stratégiques sont prises sur la base d'intuitions plutôt que de données fraîches. En réduisant ce délai à quelques minutes, Snowflake repositionne sa plateforme cloud, historiquement un entrepôt de données, en un outil capable de produire directement des livrables exploitables pour les décideurs. Concrètement, un utilisateur peut formuler un objectif précis, identifier des risques de désabonnement, générer des prévisions pour une réunion stratégique ou analyser des problèmes dans la chaîne d'approvisionnement, et laisser l'agent autonome orchestrer les étapes nécessaires sur les données gouvernées de l'entreprise. Selon Robert Kramer, analyste chez Moor Insights and Strategy, cette automatisation libèrera les équipes data pour des tâches plus stratégiques : gouvernance, modélisation, supervision des systèmes. Ashish Chaturvedi de HFS Research souligne de son côté que cette approche répond à un besoin critique d'agilité décisionnelle dans les grandes organisations. Snowflake n'évolue pas seul sur ce terrain : Databricks, Salesforce avec Agentforce, Microsoft avec Copilot et ServiceNow développent des initiatives comparables. La question centrale reste celle de la qualité des données sous-jacentes, des données incomplètes ou biaisées produiront des analyses erronées, quelle que soit la sophistication de l'agent. La complexité des environnements data en entreprise constitue également un frein potentiel à l'adoption à grande échelle.

Outils⚒Outil

1 source

43

6304AWS ML Blog 

Exécutez NVIDIA Nemotron 3 Super sur Amazon Bedrock

NVIDIA vient d'élargir sa famille de modèles ouverts sur Amazon Bedrock avec l'arrivée de Nemotron 3 Super, désormais disponible en mode entièrement géré et serverless. Ce modèle rejoint les Nemotron Nano déjà présents dans l'environnement Bedrock, offrant aux développeurs un accès immédiat à une IA de pointe sans gestion d'infrastructure. L'intégration sur Amazon Bedrock marque une étape importante pour les entreprises souhaitant déployer des systèmes d'IA agentique complexes. En s'appuyant sur l'inférence managée d'AWS, les équipes peuvent se concentrer sur leurs cas d'usage métier, de la cybersécurité à la finance en passant par le retail, sans se soucier de l'orchestration des serveurs ni de la mise à l'échelle. Sur le plan technique, Nemotron 3 Super repose sur une architecture hybride Mixture of Experts (MoE) Transformer-Mamba, avec 120 milliards de paramètres totaux dont seulement 12 milliards actifs à l'inférence. Le modèle affiche une efficacité jusqu'à 5x supérieure à la version précédente et une précision 2x plus élevée sur les tâches de raisonnement. Sa fenêtre de contexte atteint 256 000 tokens, et il supporte sept langues dont le français. Deux innovations architecturales clés le distinguent : le Latent MoE, qui mobilise 4x plus d'experts à coût d'inférence constant, et la prédiction multi-token (MTP), qui accélère la génération pour les longues chaînes de raisonnement. Les benchmarks cités incluent AIME 2025, SWE Bench et Terminal-Bench. Avec des poids, jeux de données et recettes d'entraînement publiés en open source via NVIDIA NeMo, le modèle reste entièrement personnalisable sur infrastructure privée, un argument de poids pour les organisations soumises à des contraintes réglementaires strictes, notamment dans les secteurs financier et de la santé.

LLMs⚡Actu

1 source

40

6305AI Business 

Tencent va doubler ses investissements en IA pour dépasser 5 milliards de dollars l'an prochain

Tencent s'apprête à franchir un cap majeur dans la course à l'intelligence artificielle : le géant technologique chinois prévoit de doubler ses investissements en IA pour dépasser le seuil des 5 milliards de dollars au cours de la prochaine année. Une décision stratégique qui confirme l'accélération massive des grands groupes tech dans ce secteur. Ce virage s'inscrit dans un contexte de compétition intense entre les acteurs technologiques mondiaux, où les investissements en infrastructure IA sont devenus un marqueur de puissance industrielle. Pour Tencent, quatrième plus grande entreprise technologique mondiale par capitalisation, rater ce tournant signifierait perdre du terrain face à ses rivaux nationaux, Alibaba, Baidu ou ByteDance, autant que face aux géants américains. Le groupe mise en particulier sur le marché émergent des agents IA personnels, une catégorie de produits qui promet d'automatiser des tâches complexes pour les utilisateurs individuels et les entreprises. Avec un budget annuel dépassant les 5 milliards de dollars, Tencent entend couvrir à la fois le développement de modèles fondamentaux, l'infrastructure de calcul et l'intégration de l'IA dans ses produits existants, notamment WeChat, qui compte plus d'un milliard d'utilisateurs actifs. Cette annonce s'inscrit dans une dynamique plus large : en 2025, les grandes entreprises technologiques chinoises ont collectivement accéléré leurs dépenses en IA après la levée partielle des restrictions américaines sur les semi-conducteurs. La trajectoire de Tencent suggère que la bataille pour la domination des agents IA ne fait que commencer, et que les acteurs asiatiques entendent bien y jouer un rôle central.

Business⚡Actu

1 source

52

6306ActuIA 

Appel à candidatures : la Région Île-de-France lance la DSP pour un Tiers-Lieu dédié à l'Intelligence Artificielle à Paris

La Région Île-de-France lance un appel à candidatures pour une Délégation de Service Public (DSP) visant à créer un Tiers-Lieu dédié à l'Intelligence Artificielle à Paris. Ce projet s'inscrit dans la stratégie régionale de soutien à l'innovation et à l'écosystème IA francilien. Les candidats intéressés sont invités à soumettre leur dossier pour gérer cet espace collaboratif centré sur l'IA.

Régulation⚡Actu

1 source

40

6307Frandroid 

Nvidia DLSS : avantages, fonctionnement, performances… Quand l’IA vient au secours de vos jeux

Nvidia continue de s'imposer comme le leader incontesté de l'optimisation graphique grâce au DLSS (Deep Learning Super Sampling), sa technologie d'upscaling basée sur l'intelligence artificielle. Intégrée directement dans ses GPU GeForce RTX, cette solution permet d'afficher des images en haute résolution à partir de rendus natifs inférieurs, offrant des gains de performances substantiels sans sacrifier la qualité visuelle. Le DLSS répond à un enjeu central du jeu vidéo moderne : permettre aux joueurs de profiter des effets graphiques les plus exigeants, ray tracing, résolutions 4K, fréquences d'images élevées, sans que le matériel ne soit poussé à ses limites. Pour les utilisateurs disposant de cartes graphiques RTX, c'est une porte d'entrée vers des expériences visuelles premium sans nécessairement investir dans le GPU le plus haut de gamme du marché. Le fonctionnement repose sur un réseau de neurones entraîné par Nvidia sur des milliers d'images haute résolution, capable de reconstruire les détails fins à partir d'un rendu sous-natif. La technologie évolue avec les générations : DLSS 3 introduit la génération de frames par IA (Frame Generation), multipliant les images par interpolation, tandis que DLSS 3.5 ajoute le Ray Reconstruction pour améliorer le rendu du ray tracing. Face à DLSS, AMD propose son FSR (FidelityFX Super Resolution) et Intel son XeSS (Xe Super Sampling), deux alternatives ouvertes compatibles avec un plus large éventail de matériel. Si AMD FSR et Intel XeSS ont l'avantage de fonctionner sur les GPU de la concurrence, DLSS conserve une longueur d'avance sur la qualité d'image grâce à son approche propriétaire basée sur le deep learning, une supériorité que Nvidia entend maintenir en continuant d'intégrer des cœurs Tensor dédiés à l'inférence IA dans ses prochaines architectures.

Outils⚒Outil

1 source

38

6308AWS ML Blog 

Utiliser RAG pour la génération vidéo avec Amazon Bedrock et Amazon Nova Reel

La génération vidéo par intelligence artificielle franchit un nouveau cap avec l'introduction d'un pipeline Video Retrieval Augmented Generation (VRAG) développé sur les services cloud d'Amazon Web Services. Cette approche combine la récupération d'images pertinentes et la génération vidéo automatisée pour produire des contenus visuels personnalisés à partir de simples descriptions textuelles, surmontant ainsi la principale limite des modèles génératifs actuels, cantonnés à leurs données d'entraînement. L'enjeu est considérable pour des secteurs entiers. La publicité, la production médiatique, l'éducation et le jeu vidéo peinent aujourd'hui à exploiter la génération vidéo IA faute de contrôle suffisant sur le contenu produit. En ancrant la génération dans une bibliothèque d'images réelles indexées, le pipeline VRAG permet une personnalisation précise, transformant un simple prompt comme "une agence de voyage veut illustrer une destination" en séquences vidéo cohérentes et fidèles à l'univers visuel de la marque. Techniquement, la solution repose sur quatre composants AWS : Amazon Bedrock comme socle d'orchestration, Amazon Nova Reel pour la génération vidéo, le moteur vectoriel d'Amazon OpenSearch Service pour la recherche sémantique d'images, et Amazon S3 pour le stockage. Le workflow est entièrement automatisé : l'utilisateur fournit un objet d'intérêt (ex. : "ciel bleu") et un prompt d'action (ex. : "la caméra pivote dans le sens horaire"), le système récupère l'image la plus pertinente, génère la vidéo en mode asynchrone, puis stocke et télécharge automatiquement le résultat. Le traitement par lots via un fichier prompts.txt permet de produire plusieurs vidéos en une seule exécution. Le potentiel applicatif est immédiat : création de vidéos pédagogiques puisant dans une base de connaissances illustrées, spots publicitaires ciblés alignés sur des profils démographiques précis, ou contenus personnalisés adaptés aux centres d'intérêt de chaque utilisateur. Cette approche VRAG représente une évolution structurelle dans la production vidéo assistée par IA, en faisant du contexte documentaire, et non plus du seul modèle, le véritable moteur de la personnalisation.

Outils⚒Outil

1 source

35

6309AWS ML Blog 

Présentation de V-RAG : révolutionner la production vidéo assistée par IA grâce à la génération augmentée par récupération

La génération vidéo par intelligence artificielle franchit une nouvelle étape avec l'introduction du V-RAG (Video Retrieval-Augmented Generation), une approche qui combine la génération augmentée par récupération (RAG) avec les modèles de génération vidéo de pointe. L'objectif : rendre la production de contenu vidéo assistée par IA plus fiable, plus précise et moins imprévisible pour les organisations qui peinent aujourd'hui à maîtriser les sorties de ces systèmes. L'enjeu est considérable. La génération vidéo par IA promet de transformer radicalement la production de contenus visuels dans des secteurs aussi variés que le marketing, l'éducation, le divertissement ou la communication d'entreprise, sans caméras, acteurs ni post-production lourde. Pourtant, les outils actuels souffrent de limitations structurelles : les prompts textuels manquent de précision, les modèles interprètent parfois les instructions de manière inattendue, et les contraintes de tokens limitent le niveau de détail possible. Le V-RAG s'attaque à ces failles en plusieurs couches. Au-delà du simple prompt texte, des outils de personnalisation avancés permettent de contrôler directement le style, l'ambiance et les détails visuels. Le fine-tuning de modèles pré-entraînés sur des datasets métier spécifiques, démonstrations produit avec une identité visuelle cohérente, contenus médicaux éducatifs, styles artistiques distinctifs, permet de créer des générateurs vidéo spécialisés. C'est en intégrant la récupération d'information dans ce pipeline que le V-RAG vise à ancrer les générations dans des références concrètes plutôt que dans des interpolations aléatoires. La véritable rupture que propose cette architecture réside dans son potentiel pour les usages professionnels : là où les créateurs devaient jusqu'ici "espérer" que le modèle interprète correctement leurs intentions, le V-RAG leur donne les mécanismes pour diriger activement le processus créatif. L'acquisition de données de qualité pour le fine-tuning reste néanmoins un obstacle majeur, et les prochaines implémentations pratiques seront déterminantes pour valider les promesses de cette approche.

Outils⚒Outil

1 source

37

6310The Decoder 

OpenAI revoit la sélection de modèles de ChatGPT

OpenAI repense en profondeur la manière dont les utilisateurs de ChatGPT choisissent et accèdent aux différents modèles d'intelligence artificielle disponibles sur la plateforme. Cette refonte de l'interface de sélection marque un tournant dans la façon dont la société entend simplifier l'expérience utilisateur face à une offre de modèles qui ne cesse de s'élargir. Cette évolution intervient dans un contexte où OpenAI multiplie les modèles, GPT-4o, o1, o3, o4-mini, chacun optimisé pour des cas d'usage différents (raisonnement, vitesse, coût, créativité). La prolifération de ces options crée une complexité croissante pour les utilisateurs ordinaires, qui peinent à identifier quel modèle correspond le mieux à leur besoin du moment. Repenser la sélection devient donc un enjeu stratégique autant qu'ergonomique. Le nouveau système vise à rendre le choix de modèle plus intuitif, en réduisant la friction entre l'utilisateur et la bonne version du moteur IA. Plutôt que de laisser les utilisateurs naviguer dans une liste technique, OpenAI semble orienter vers une sélection guidée ou automatisée selon le contexte de la requête, une approche qui rapproche ChatGPT d'un assistant transparent plutôt que d'un outil à configurer manuellement. Cette refonte s'inscrit dans la compétition acharnée avec Google (Gemini), Anthropic (Claude) et Microsoft (Copilot), où la simplicité d'usage devient un différenciateur clé autant que la performance brute des modèles. La bataille pour l'adoption grand public se joue désormais aussi sur l'expérience produit.

Outils⚒Outil

1 source

47

6311Wired AI 

Le "Mode Adulte" de ChatGPT pourrait ouvrir une nouvelle ère de surveillance intime

OpenAI s'apprête à franchir une nouvelle frontière en autorisant les échanges à caractère sexuel avec ChatGPT, une évolution qui soulève des questions profondes sur la nature de la relation entre les utilisateurs et l'intelligence artificielle. Ce "mode adulte", encore en développement, marquerait un tournant majeur dans l'usage des assistants conversationnels grand public. L'enjeu dépasse largement la question morale : c'est avant tout un problème de confidentialité sans précédent. Lorsqu'un utilisateur partage des fantasmes, des préférences intimes ou des détails de sa vie sexuelle avec un système IA, ces données sont potentiellement stockées, analysées et pourraient alimenter les modèles d'entraînement futurs. Des experts en interaction humain-IA alertent sur le risque de constitution d'une base de données d'une sensibilité extrême, vulnérable aux fuites, aux piratages ou à des usages commerciaux non anticipés. Selon des spécialistes du domaine, les utilisateurs tendent à développer un sentiment de confiance accru avec les IA conversationnelles, les incitant à divulguer des informations qu'ils ne confieraient pas à un moteur de recherche classique. OpenAI, dont le modèle économique repose en partie sur la valorisation des données d'interaction, se retrouve dans une position délicate : proposer une fonctionnalité lucrative, le marché du contenu adulte en ligne pèse plusieurs dizaines de milliards de dollars, tout en garantissant une protection rigoureuse de données parmi les plus sensibles qui soient. La question réglementaire s'annonce également centrale : le RGPD en Europe et les législations américaines émergentes sur la protection des données personnelles intimes pourraient constituer des obstacles majeurs au déploiement mondial de cette fonctionnalité. Des voix s'élèvent déjà pour réclamer un cadre légal spécifique aux interactions à caractère sexuel avec les systèmes d'IA, avant que ces usages ne se généralisent sans garde-fous suffisants.

Éthique❧Opinion

1 source

35

631201net 

L’IA de Tinder veut fouiller la galerie photo de votre smartphone pour créer votre profil

Tinder franchit une nouvelle étape dans l'intégration de l'intelligence artificielle à ses fonctionnalités de mise en relation. L'application de rencontres teste actuellement en Australie une fonction inédite : analyser le contenu de la galerie photo de l'utilisateur pour identifier automatiquement ses centres d'intérêt et enrichir son profil de rencontre. L'enjeu est significatif pour le secteur des applications de rencontres, où la qualité et la complétude des profils conditionnent directement l'engagement des utilisateurs. En automatisant la construction du profil à partir de données visuelles déjà présentes sur l'appareil, Tinder cherche à réduire la friction à l'inscription et à proposer des profils plus représentatifs des utilisateurs réels, une réponse directe au problème chronique des profils incomplets ou peu soignés. Sur le plan technique, Tinder indique que le traitement des images est réalisé en local, directement sur l'appareil de l'utilisateur, sans envoi des photos vers des serveurs distants. Des mécanismes de protection de la vie privée sont annoncés, bien que leurs détails précis restent flous à ce stade du test. La fonctionnalité est pour l'instant limitée au marché australien, une zone géographique fréquemment utilisée comme terrain d'expérimentation par les grandes plateformes avant un éventuel déploiement mondial. Malgré les garanties avancées par l'entreprise, cette approche soulève des questions légitimes sur la confidentialité : accorder à une application d'accès à l'intégralité d'une galerie photo représente un niveau de permission particulièrement élevé, et la frontière entre analyse locale et collecte de métadonnées reste difficile à vérifier pour l'utilisateur ordinaire. Le test australien sera scruté de près par les régulateurs et les défenseurs de la vie privée.

Outils⚒Outil

1 source

49

6313InfoQ AI 

QCon London 2026 : Morgan Stanley repense son programme API à l'ère MCP

Morgan Stanley franchit un cap décisif dans l'intégration de l'intelligence artificielle à ses opérations bancaires. Lors de la conférence QCon London 2026, deux ingénieurs de la banque ont présenté comment l'institution repense en profondeur son programme API pour répondre aux exigences des agents IA, en s'appuyant sur le protocole MCP (Model Context Protocol) et le standard FINOS CALM. L'enjeu est considérable pour le secteur financier : permettre aux agents IA d'interagir de manière fiable et sécurisée avec des systèmes bancaires critiques impose des garanties que les architectures API traditionnelles ne fournissent pas. En adoptant MCP comme couche d'interopérabilité et FINOS CALM comme cadre d'architecture, Morgan Stanley se positionne parmi les premières grandes banques à industrialiser ce type d'approche, ouvrant potentiellement la voie à d'autres institutions financières. Les démonstrations en direct ont mis en avant trois axes concrets : des garde-fous de conformité automatisés, des portes de déploiement conditionnelles, et des mises en production sans interruption de service sur un portefeuille de plus de 100 APIs. Le résultat le plus frappant reste la compression spectaculaire du cycle de déploiement : le premier déploiement API est passé de deux ans à deux semaines. Les ingénieurs Jim Gough et Andreea Niculcea ont également démontré l'exécution du protocole A2A (Agent-to-Agent) de Google, fonctionnant en parallèle de MCP, signal que l'écosystème multi-protocoles commence à prendre forme dans des environnements de production réels. Cette présentation illustre une tendance de fond : les grandes institutions financières ne se contentent plus d'expérimenter avec l'IA générative, elles refondent leurs infrastructures pour y intégrer nativement des agents autonomes. La coexistence de MCP et A2A dans un même environnement bancaire suggère que l'interopérabilité entre protocoles deviendra rapidement un critère de sélection architectural incontournable.

Outils⚡Actu

1 source

36

6314Numerama 

En Chine, votre Big Mac pourrait bientôt être servi par un robot humanoïde

Un restaurant McDonald's de Shanghai expérimente l'intégration de robots humanoïdes dans ses équipes, selon une vidéo publiée sur X le 18 mars 2026. Ces machines occupent des postes jusqu'ici réservés aux employés humains, marquant une étape concrète dans l'automatisation de la restauration rapide en Chine. Cette expérimentation s'inscrit dans un contexte économique et industriel particulier : la Chine a fait de la robotique humanoïde un axe stratégique national, avec des investissements massifs de l'État et une multiplication des startups spécialisées. Pour les chaînes de restauration rapide, l'automatisation représente une réponse à la pression sur les marges et à l'évolution du marché du travail dans les grandes métropoles chinoises. L'essai se déroule dans un établissement McDonald's de Shanghai, l'une des villes les plus avancées technologiquement du pays. L'image d'un robot humanoïde en uniforme de fast-food illustre la vitesse à laquelle ces machines quittent les laboratoires pour intégrer des environnements commerciaux réels, un signal fort envoyé à l'ensemble de l'industrie. Si l'expérimentation est encore à un stade préliminaire, elle annonce une tendance de fond : les grandes enseignes mondiales, sous pression concurrentielle, pourraient rapidement généraliser ce type de déploiement, en commençant par les marchés où l'écosystème robotique est le plus mature.

Robotique⚡Actu

1 source

37

6315Next INpact 

« Perroquets stochastiques » : une notion toujours valide malgré les critiques

Cinq ans après sa publication, la notion de « perroquets stochastiques » fait l'objet de critiques croissantes dans le débat sur l'IA générative. Introduite en 2021 par quatre chercheuses, Emily Bender, Timnit Gebru, Angelina McMillan-Major et Margaret Mitchell, cette métaphore désigne la capacité des grands modèles de langage à produire du texte statistiquement cohérent sans véritable compréhension ni intention. Certains chercheurs estiment aujourd'hui qu'elle ne reflète plus l'état de l'art, voire qu'elle entrave une réflexion nuancée sur les transformations induites par l'IA générative. L'enjeu dépasse la simple querelle académique. La métaphore du « perroquet probabiliste » s'est diffusée dans le débat public comme argument central des positions critiques vis-à-vis de l'IA, parfois de façon réductrice. Ses détracteurs actuels pointent une « réception publique paresseuse » : l'image serait trop souvent mobilisée pour disqualifier les LLM en bloc, au détriment d'une analyse plus fine des usages réels et des transformations sociétales en cours. Rédigé en 2020 et publié en 2021, l'article original précède la sortie de ChatGPT et se voulait avant tout un avertissement : risques de propagation des biais, désinformation, coûts environnementaux élevés. Les autrices ne niaient pas la fluidité croissante du texte généré automatiquement, elles alertaient précisément sur ce que cette fluidité révèle de nos propres mécanismes cognitifs. C'est notre compétence linguistique et notre tendance à projeter sens et intention dans tout acte de communication qui nous rendent vulnérables à l'illusion d'interlocution humaine. Malgré les critiques, la validité fondamentale de la métaphore concernant les modèles de langage reste défendue. Le débat illustre une tension plus large dans la recherche en IA : comment maintenir un cadre critique rigoureux quand les technologies évoluent plus vite que les concepts qui les analysent, sans pour autant abandonner des mises en garde qui restent structurellement pertinentes.

Éthique❧Opinion

1 source

41

6316Amazon Science 

Optimiser la sélection des modules cibles LoRA pour un affinage efficace

Le fine-tuning de grands modèles de langage consomme des ressources GPU considérables, mais une technique appelée LoRA (Low-Rank Adaptation) permet de réduire drastiquement ces coûts. Plutôt que de mettre à jour l'ensemble des paramètres d'un modèle, LoRA gèle les poids d'origine et insère de petites matrices légères, appelées adaptateurs, dans des sous-couches spécifiques. Une nouvelle étude d'ablation publiée par des chercheurs d'Amazon apporte des réponses concrètes à une question centrale : où exactement placer ces adaptateurs pour maximiser l'efficacité sans sacrifier la précision ? L'enjeu est loin d'être théorique. Le choix des modules cibles influence directement la latence d'inférence, la consommation mémoire et les coûts d'entraînement. Cibler trop de modules améliore les performances mais alourdit le système ; en choisir trop peu risque de brider la capacité d'adaptation du modèle. Trouver le bon équilibre est donc critique pour les entreprises qui déploient des modèles personnalisés à grande échelle, notamment dans des contextes de serving à la demande ou de partage de modèle de base entre plusieurs GPU. En utilisant le modèle multimodal Amazon Nova 2.0 Lite comme base, les chercheurs Rushil Anirudh, Anjie Fang et Bhoomit Vasani ont mené une étude systématique de l'impact de chaque module de l'architecture Transformer. Leur conclusion est nette : le module o_proj, une transformation linéaire qui fusionne les représentations issues des différentes têtes d'attention en une forme cohérente pour le reste du modèle, offre le meilleur compromis efficacité/précision lorsqu'un seul adaptateur est utilisé. Ce module s'avère donc être le point d'insertion optimal pour la grande majorité des cas d'usage clients. Ces résultats ouvrent la voie à des configurations standardisées de LoRA qui pourraient s'appliquer sans ajustement manuel à un large spectre de tâches. Pour les équipes ML déployant des dizaines de modèles spécialisés, disposer d'une configuration par défaut validée empiriquement représente un gain opérationnel significatif, réduisant à la fois le temps de configuration et les coûts d'infrastructure liés à l'entraînement et à l'inférence.

Recherche❖Paper

1 source

48

6317Le Big Data 

Mistral va vous laisser « forger » votre propre IA : la stratégie du Franças face à OpenAI

Mistral franchit une nouvelle étape dans sa stratégie B2B avec le lancement de Forge, une plateforme annoncée lors de la conférence Nvidia GTC. L'objectif est clair : permettre aux entreprises de construire leur propre modèle d'IA, entraîné directement sur leurs données internes, plutôt que de dépendre de modèles généralistes incapables de saisir les spécificités métier. La démarche répond à un constat largement partagé dans l'industrie : la majorité des projets d'IA échouent non par manque de puissance brute, mais parce que les modèles standard, entraînés sur des données publiques issues d'Internet, restent inadaptés aux contextes professionnels. Banques, industries, administrations, ces organisations s'appuient sur des années de documents internes, de jargon spécialisé et de contraintes réglementaires qu'un modèle générique ne peut véritablement assimiler. Les approches comme le RAG (Retrieval-Augmented Generation) ne constituent qu'un palliatif : le modèle se réfère aux données sans les comprendre en profondeur. Forge propose une boîte à outils complète intégrant des pipelines de pré-entraînement, de post-entraînement et d'apprentissage par renforcement sur données propriétaires, avec un support pour les architectures denses et les systèmes multi-agents. Les entreprises peuvent s'appuyer sur les modèles ouverts de Mistral, dont Mistral Small 4, comme base, puis les façonner selon leurs priorités : langues non anglophones, données techniques, comportements à privilégier ou à exclure. La réduction de la dépendance aux fournisseurs externes constitue un argument central de la proposition de valeur. Sur le plan stratégique, Mistral assume pleinement son positionnement en rupture avec OpenAI et Anthropic, dont la bataille se joue principalement sur le grand public. La startup française cible un marché plus restreint mais structurellement plus rentable : les entreprises. Elle est en passe d'atteindre 1 milliard de dollars de revenus récurrents annuels, un signal fort de la demande. Dans un contexte où, selon le Financial Times, les entreprises européennes cherchent activement à réduire leur dépendance aux acteurs américains, Forge se positionne comme une alternative souveraine et maîtrisable.

Outils⚒Outil

1 source

42

6318Le Big Data 

L’entreprise chinoise Moonshot AI vise 18 milliards de valorisation

Moonshot AI, la startup chinoise derrière le chatbot Kimi, cherche à lever 1 milliard de dollars lors d'un nouveau tour de table qui la valoriserait à 18 milliards de dollars, soit plus de quatre fois sa valorisation de fin 2025. Cette opération fait suite à une levée de plus de 700 millions de dollars en début d'année, qui avait déjà propulsé l'entreprise à 10 milliards de dollars, avec Alibaba et Tencent parmi les investisseurs. Cette ascension fulgurante s'inscrit dans une dynamique plus large : les startups d'IA chinoises attirent massivement les capitaux, portées par l'émergence de modèles open source compétitifs et la volonté de rivaliser avec des acteurs occidentaux comme OpenAI (valorisé à 730 milliards de dollars) ou Anthropic (380 milliards de dollars). L'essor de l'agent open source OpenClaw, salué par Nvidia comme "le prochain ChatGPT", a notamment accéléré cette dynamique, incitant fournisseurs cloud et jeunes entreprises à lancer leurs propres solutions. Au cœur de cette valorisation : les performances de Kimi K2.5, désormais une plateforme multimodale et agentique reposant sur une architecture Mixture-of-Experts (MoE) d'environ 1 000 milliards de paramètres (dont 32 milliards activés par requête). Le modèle traite des contextes allant jusqu'à 256 000 tokens et enchaîne 200 à 300 appels d'outils sans perte de cohérence. Sur le benchmark Humanity's Last Exam, Kimi atteint 50,2 %, devançant GPT-5 (41,7 %) et Claude Sonnet 4.5 (32 %). Sur BrowseComp, il affiche 60,2 % contre 54,9 % pour GPT-5.1. Les modèles K2 et K2.5 sont disponibles en open source. Pour les utilisateurs, cette concurrence accrue entre acteurs chinois et occidentaux se traduit concrètement par une réduction des coûts d'accès et une accélération de l'innovation : assistants conversationnels, agents autonomes, outils spécialisés, le marché se diversifie à un rythme soutenu, offrant davantage de choix à des prix plus compétitifs.

Business⚡Actu

1 source

38

6319AWS ML Blog 

Métriques enrichies pour les endpoints Amazon SageMaker AI : une visibilité approfondie pour de meilleures performances

Amazon SageMaker AI enrichit ses capacités de monitoring avec le lancement de métriques améliorées pour ses endpoints de déploiement de modèles. Cette mise à jour majeure apporte une visibilité granulaire jusqu'au niveau des conteneurs individuels et des instances EC2, permettant aux équipes d'ingénierie d'identifier précisément les goulots d'étranglement en production avant qu'ils n'affectent les utilisateurs finaux. Jusqu'ici, les métriques CloudWatch proposées par SageMaker n'offraient qu'une vue agrégée sur l'ensemble des instances et conteneurs d'un endpoint. Cette approche masquait les problèmes individuels : une instance défaillante, un conteneur saturé ou une distribution inégale du trafic restaient invisibles dans les moyennes globales. La nouvelle fonctionnalité comble ce manque critique pour les équipes MLOps qui exploitent des modèles en production à grande échelle. Les métriques enrichies se déclinent en deux catégories principales. Les métriques de ressources EC2 couvrent l'utilisation CPU, GPU et mémoire, disponibles pour chaque instance de tout endpoint SageMaker, y compris l'utilisation par accélérateur individuel sur les instances GPU. Les métriques d'invocation permettent de tracer requêtes, erreurs 4XX/5XX, latence modèle et latence overhead jusqu'au niveau instance. Pour les utilisateurs d'Inference Components, qui hébergent plusieurs modèles sur un même endpoint, une couche supplémentaire expose ces mêmes métriques au niveau conteneur, identifiées par InferenceComponentName et ContainerId, publiées dans les namespaces CloudWatch /aws/sagemaker/Endpoints, /aws/sagemaker/InferenceComponents et AWS/SageMaker. Au-delà du diagnostic, cette granularité ouvre une capacité nouvelle : calculer le coût réel par modèle dans un environnement multi-tenant. En traçant l'allocation GPU au niveau de chaque Inference Component, les équipes peuvent désormais imputer précisément les coûts d'infrastructure à chaque modèle déployé, un argument fort pour les organisations qui cherchent à optimiser leurs dépenses cloud en IA.

Outils⚡Actu

1 source

43

632001net 

Le mystérieux modèle IA de Xiaomi égale les géants américains pour un prix dérisoire

Xiaomi vient de lever le voile sur un modèle d'intelligence artificielle qui a brièvement déstabilisé la Silicon Valley avant que son origine ne soit identifiée. Apparu discrètement sur les benchmarks, ce modèle inconnu affichait des performances comparables aux meilleurs systèmes américains, provoquant une onde de choc dans un secteur habitué à dominer sans partage. L'offensive de Xiaomi s'inscrit dans une tendance lourde : après DeepSeek et Alibaba, c'est au tour du géant chinois des smartphones de démontrer que la course à l'IA n'est plus le monopole des acteurs américains. Ce qui frappe ici, c'est moins la performance brute que le rapport coût-efficacité, un argument massue à l'heure où OpenAI, Google et Anthropic dépensent des dizaines de milliards de dollars en infrastructure. Le modèle de Xiaomi rivaliserait avec les références du marché pour une fraction du coût de développement habituellement requis. Cette démonstration de force rappelle la secousse provoquée par DeepSeek R1 en janvier 2025, qui avait fait plonger les valeurs technologiques américaines en bourse. L'approche chinoise, optimiser l'efficacité plutôt qu'augmenter la puissance de calcul, semble désormais constituer une stratégie à part entière. Si Xiaomi confirme ses ambitions dans l'IA au même niveau que ses concurrents d'hardware, cela pourrait redistribuer les cartes sur le marché des modèles embarqués dans les appareils mobiles et connectés, un terrain sur lequel le groupe est déjà en position de force avec des centaines de millions d'appareils vendus chaque année.

LLMs⚡Actu

1 source