Actualités IA — page 398

9 301 articles au fil, du plus récent au plus ancien.

38

Illustration générée par IA

7941Le Monde Pixels 

« La valeur de l’ingénieur ou de consultant se mesure désormais moins en heures travaillées que dans sa maîtrise des systèmes d’IA »

L'intelligence artificielle est en train de redéfinir en profondeur la valeur économique du travail intellectuel. Selon Sami Mahroum, entrepreneur et contributeur au Monde, le critère traditionnel de facturation, le temps passé, est en voie d'obsolescence au profit d'un nouveau standard : la capacité à maîtriser et à orchestrer des systèmes d'IA. Ingénieurs, consultants et experts de tout secteur voient ainsi la nature même de leur valeur ajoutée se transformer. Ce basculement n'est pas anodin pour les économies qui ont bâti leurs protections sociales sur le modèle du travail à la durée. Les contrats de prestation, les conventions collectives, les cotisations sociales, toute cette architecture repose sur le temps travaillé comme unité de mesure fondamentale. Si ce référentiel s'effondre, c'est une partie de la logique contractuelle entre employeurs, travailleurs et État qui se trouve fragilisée. Mahroum soulève un risque de décrochage structurel pour les pays attachés à leurs modèles sociaux actuels. Les nations qui tardent à intégrer l'IA dans leurs pratiques professionnelles, ou qui s'y opposent pour préserver des acquis sociaux, pourraient perdre en compétitivité face à des économies plus agiles. La transformation ne porte pas seulement sur la productivité individuelle, mais sur la capacité collective d'un pays à valoriser autrement que par le temps son capital humain. La tribune s'inscrit dans un débat croissant sur la refonte des modèles de rémunération et de protection sociale à l'ère de l'IA générative. Elle pose une question centrale : comment adapter des systèmes conçus pour le travail horaire à une économie où la valeur réside dans la qualité du jugement augmenté par la machine, et non dans le volume d'heures produites ?

Business❧Opinion

1 source

45

Illustration générée par IA

7942The Decoder 

Les maths demandent du temps de réflexion, la connaissance du quotidien demande de la mémoire, une nouvelle architecture Transformer vise à combiner les deux

Une équipe de recherche allemande vient de proposer une nouvelle architecture Transformer capable d'adapter dynamiquement son propre processus de réflexion selon la nature de la tâche. Contrairement aux modèles classiques qui appliquent un nombre fixe d'étapes de traitement, ce système laisse le modèle décider lui-même combien de fois il doit « réfléchir » avant de produire une réponse, une avancée qui reflète une intuition simple : résoudre une équation n'exige pas les mêmes ressources cognitives que se souvenir d'un fait du quotidien. L'enjeu est de taille pour le secteur. Les architectures actuelles souffrent d'un compromis structurel : augmenter les capacités de raisonnement tend à dégrader la mémorisation factuelle, et inversement. Cette nouvelle approche cherche à réconcilier les deux en couplant le mécanisme de réflexion adaptative à un module de mémoire externe, permettant au modèle de stocker et de rappeler des connaissances sans mobiliser inutilement du temps de calcul supplémentaire. Les résultats sont significatifs : sur des benchmarks de mathématiques, l'architecture surpasse des modèles de plus grande taille, ce qui suggère que l'efficacité du raisonnement peut compenser le manque de paramètres bruts. Le principe repose sur une allocation intelligente des ressources, les problèmes complexes déclenchent davantage d'itérations internes, tandis que les requêtes factuelles simples court-circuitent ce processus pour aller directement puiser dans la mémoire. Si cette approche se confirme à plus grande échelle, elle pourrait redéfinir la manière dont on conçoit les grands modèles de langage : non plus en empilant toujours plus de paramètres, mais en dotant les modèles d'une forme d'intelligence métacognitive, la capacité de savoir quand penser davantage, et quand simplement se souvenir.

Recherche❖Paper

1 source

42

Illustration générée par IA

7943La Tribune 

Projet « Terafab » : Elon Musk va fabriquer ses propres puces pour IA

Elon Musk franchit une nouvelle étape dans sa stratégie d'indépendance technologique : le projet « Terafab » vise à produire ses propres semi-conducteurs aux États-Unis, au Texas, pour alimenter l'ensemble de ses activités liées à l'intelligence artificielle. L'enjeu est considérable. En contrôlant sa propre chaîne de fabrication de puces, Musk cherche à s'affranchir de sa dépendance vis-à-vis de fournisseurs comme Nvidia, dont les GPU H100 et H200 sont actuellement au cœur de la course à l'IA, tout en sécurisant l'approvisionnement de ses entités xAI, Tesla et SpaceX. Dans un contexte de tensions géopolitiques autour des semi-conducteurs et de pénuries récurrentes, la verticalisation de la production devient un avantage compétitif majeur. Le périmètre de Terafab est particulièrement ambitieux : les puces produites serviraient non seulement aux infrastructures d'IA de xAI (le modèle Grok et ses supercalculateurs), mais aussi aux robots humanoïdes Optimus de Tesla et, fait notable, aux centres de données spatiaux envisagés par SpaceX. L'implantation au Texas s'inscrit dans la dynamique de relocalisation industrielle que Musk a initiée avec les gigafactories de Tesla à Austin. Ce projet place Musk en compétition directe avec Apple, Google et Amazon, qui ont tous développé leurs propres architectures de silicium. La question de la capacité de fabrication reste ouverte, concevoir une puce est une chose, la produire en masse en exige une autre, ce qui pourrait impliquer un partenariat avec des fonderies comme TSMC ou Intel Foundry.

Business⚡Actu

1 source

32

Illustration générée par IA

7944MarkTechPost 

Déployer des modèles de ML en production en toute sécurité : quatre stratégies contrôlées (A/B, Canary, Interleaved, Shadow Testing)

Le déploiement en production d'un modèle de machine learning représente l'une des étapes les plus risquées du cycle de vie d'un système d'IA. Les performances mesurées lors des phases d'évaluation hors ligne ne reflètent pas toujours la réalité du terrain : distribution des données changeante, comportements utilisateurs imprévisibles, contraintes systèmes inattendues. Pour sécuriser cette transition, les équipes ML ont développé des stratégies de déploiement contrôlé qui permettent de valider un nouveau modèle en conditions réelles tout en limitant l'exposition au risque. Ces approches sont devenues incontournables dans l'industrie car elles découplent le déploiement technique de la mise en production effective. Plutôt que de basculer brutalement d'un modèle à l'autre, elles permettent une montée en charge progressive, facilitent la détection précoce des régressions et offrent la possibilité d'un retour arrière rapide. L'enjeu est direct : protéger l'expérience utilisateur et les indicateurs métier comme le taux de conversion, l'engagement ou le chiffre d'affaires. Quatre stratégies principales se distinguent. L'A/B testing divise le trafic entrant entre l'ancien modèle (contrôle) et le candidat, typiquement 90/10, pour comparer les métriques en conditions réelles. Le Canary testing, inspiré des canaris utilisés autrefois dans les mines de charbon pour détecter les gaz toxiques, expose d'abord un sous-groupe restreint d'utilisateurs avant d'élargir progressivement si les résultats sont positifs. L'Interleaved testing mélange les prédictions des deux modèles dans une même réponse, par exemple dans une liste de recommandations, permettant une comparaison directe au sein de la même interaction utilisateur, sans biais liés aux différences de cohortes. Enfin, le Shadow testing (ou dark launch) fait tourner le nouveau modèle en parallèle sur le trafic réel, mais sans jamais retourner ses résultats aux utilisateurs : ses sorties sont simplement journalisées pour analyse, sans aucun impact sur l'expérience. Le choix entre ces stratégies dépend du contexte : l'A/B testing convient aux comparaisons statistiques à grande échelle, le Canary testing aux déploiements progressifs sur des populations ciblées, l'Interleaved testing aux systèmes de recommandation où la comparaison directe est possible, et le Shadow testing aux cas où tout risque d'impact utilisateur doit être éliminé avant validation. En pratique, les équipes les combinent souvent, Shadow d'abord pour valider la stabilité technique, puis Canary pour la montée en charge, et enfin A/B pour la décision finale de bascule.

Outils≡Tuto

1 source

37

Illustration générée par IA

7945MarkTechPost 

Implémentation d'un système LLM avec gestion de l'incertitude, estimation de confiance, auto-évaluation et recherche web automatique

Un tutoriel publié récemment présente une architecture originale pour rendre les systèmes LLM plus fiables : un pipeline en trois étapes combinant estimation de confiance, auto-évaluation et recherche web automatique. Le principe est simple mais puissant, forcer le modèle à admettre ses incertitudes, puis déclencher automatiquement une recherche d'informations en temps réel si la confiance est jugée insuffisante. L'enjeu est considérable pour le secteur. L'un des problèmes majeurs des grands modèles de langage reste leur tendance à générer des réponses avec une assurance trompeuse, même sur des sujets mal maîtrisés ou des événements postérieurs à leur date de coupure. Ce framework introduit une forme de méta-cognition artificielle : le modèle ne se contente plus de répondre, il évalue la qualité de sa propre réponse avant de la transmettre. Techniquement, l'implémentation s'appuie sur OpenAI GPT-4o-mini, la bibliothèque DDGS pour les recherches web, et une structure de données LLMResponse qui encapsule la réponse, le score de confiance (entre 0 et 1), le raisonnement justificatif et les sources utilisées. Deux seuils critiques pilotent le comportement : 0,55 (confiance faible, recherche web déclenchée) et 0,80 (confiance haute, réponse acceptée). Le prompt système contraint le modèle à répondre exclusivement en JSON structuré, forçant une transparence explicite sur les lacunes de connaissance. Ce type de framework ouvre la voie à des assistants IA vérifiables capables de distinguer ce qu'ils savent de ce qu'ils ignorent, une propriété essentielle pour les cas d'usage professionnels où les hallucinations sont inacceptables. La combinaison auto-évaluation + recherche temps réel représente une piste sérieuse pour contourner les limitations des modèles figés dans le temps.

Outils≡Tuto

1 source

40

Illustration générée par IA

7946The Decoder 

OpenAI prévoit de presque doubler ses effectifs d'ici 2026 pour accélérer son offensive sur le marché entreprise

OpenAI s'apprête à franchir un cap organisationnel majeur : la société envisage de quasiment doubler ses effectifs pour atteindre 8 000 employés d'ici fin 2026. Cette expansion massive s'inscrit dans une offensive commerciale ciblant le marché de l'IA en entreprise, un segment devenu la bataille centrale de l'industrie. Ce mouvement stratégique intervient alors qu'Anthropic, rival direct d'OpenAI, gagne régulièrement du terrain sur le segment enterprise. Les grandes organisations, attirées par des garanties de conformité, de sécurité et de confidentialité des données, constituent désormais l'enjeu financier le plus important du secteur, bien au-delà du grand public. Le plan de recrutement porte les effectifs d'OpenAI de son niveau actuel à 8 000 personnes, représentant une croissance considérable en moins de deux ans. Cette montée en puissance concerne notamment les équipes commerciales, d'ingénierie et de support dédiées aux clients professionnels, secteur où Anthropic et ses modèles Claude ont su séduire de nombreuses entreprises du Fortune 500 en mettant en avant leur positionnement sur la sécurité. La course au talent et aux parts de marché enterprise s'intensifie à un moment où les deux acteurs cherchent à transformer leurs avancées technologiques en revenus récurrents durables. Pour OpenAI, doubler ses effectifs signifie également doubler sa capacité d'exécution, une condition nécessaire pour tenir face à la concurrence croissante d'Anthropic, Google et des acteurs open source.

Business⚡Actu

1 source

50

Illustration générée par IA

7947Numerama 

Pourquoi générer son mot de passe avec l’IA est une très mauvaise idée

Générer un mot de passe avec un modèle de langage semble intuitif, on lui demande une chaîne aléatoire complexe, il en produit une. Mais derrière cette apparente simplicité se cache un problème fondamental : les LLMs ne sont pas conçus pour produire du hasard. Ils génèrent des tokens en fonction de probabilités apprises, et ce biais statistique transforme des mots de passe « aléatoires » en cibles prévisibles. L'enjeu dépasse le cas individuel. Si des millions d'utilisateurs délèguent la création de leurs identifiants à des assistants IA comme ChatGPT, Claude ou Gemini, les mots de passe produits partagent structurellement les mêmes patterns, même longueur, mêmes caractères favoris, mêmes positions de chiffres ou de majuscules. Un attaquant qui modélise le comportement d'un LLM peut construire des dictionnaires d'attaque ciblés, réduisant drastiquement l'espace de recherche par force brute. Les modèles de langage fonctionnent par inférence probabiliste : chaque caractère est choisi en maximisant la vraisemblance selon les données d'entraînement. Ils reproduisent donc des schémas présents dans les mots de passe humains qu'ils ont vus, à rebours de ce qu'exige la cryptographie. Un vrai générateur de mots de passe s'appuie sur une source d'entropie cryptographique, /dev/urandom sous Linux, CryptGenRandom sous Windows, garantissant une distribution uniforme que les LLMs sont structurellement incapables de reproduire. Les experts en sécurité recommandent sans ambiguïté d'utiliser un gestionnaire de mots de passe dédié (Bitwarden, KeePassXC, 1Password) dont les générateurs sont bâtis sur des primitives cryptographiques éprouvées. L'IA reste un outil puissant pour de nombreuses tâches, mais la génération de secrets cryptographiques n'en fait pas partie.

Sécurité❧Opinion

1 source

39

Illustration générée par IA

7948IEEE Spectrum AI 

Vidéo du vendredi : un robot humanoïde apprend à jouer au tennis face à des humains

Le monde de la robotique humanoïde franchit de nouvelles étapes spectaculaires cette semaine, avec deux démonstrations particulièrement marquantes. D'un côté, le système LATENT (Learns Athletic humanoid TEnnis skills from imperfect human motion daTa) parvient à reproduire des échanges de tennis face à de vrais joueurs humains, une prouesse que l'on croyait encore lointaine, compte tenu de la vitesse et de l'imprévisibilité inhérentes à ce sport. De l'autre, la startup Sharpa revendique être la première entreprise robotique à démontrer un robot capable d'éplucher une pomme avec deux mains dotées de doigts articulés. Ces avancées illustrent un tournant dans la manipulation robotique dite contact-rich : là où les pinces industrielles classiques atteignent leurs limites, des mains à haute dextérité commencent à rivaliser avec la motricité humaine. L'enjeu dépasse le gadget, maîtriser la manipulation bimanuelle fine ouvre la voie à des applications en cuisine automatisée, en logistique, en chirurgie assistée et dans les environnements domestiques non structurés. Le système de Sharpa repose sur une architecture baptisée MoDE-VLA (Mixture of Dexterous Experts), qui fusionne données visuelles, linguistiques, de force et tactiles via un ensemble de modules spécialisés. Plutôt que de téléopérer chaque doigt individuellement, ce qui s'avère quasi impossible en pratique, l'opérateur déclenche des primitives de mouvement pré-apprises (rotation d'objet, saisie précise) via une simple touche clavier. Cette approche de shared autonomy rend la collecte de données d'entraînement scalable et ouvre la voie à l'apprentissage par renforcement sur des tâches complexes. Côté tennis, LATENT contourne l'absence de données cinématiques parfaites en apprenant à partir de captures de mouvement imparfaites, une approche pragmatique qui pourrait s'appliquer bien au-delà du sport. Parmi les autres développements notables de cette sélection hebdomadaire de l'IEEE Spectrum : le laboratoire KAIST DRCD Lab présente son humanoïde v0.7 entraîné par apprentissage profond par renforcement, NVIDIA Isaac Lab est cité pour son rôle dans l'entraînement de politiques de contrôle acrobatiques, et des chercheurs s'attaquent à la question croissante des déchets électroniques générés par l'essor même de la robotique, une mise en perspective bienvenue dans un secteur souvent peu enclin à l'autocritique.

Robotique⚡Actu

1 source

36

Illustration générée par IA

7949The Information AI 

OpenAI prévoit de porter ses effectifs à environ 8 000 personnes cette année

OpenAI s'apprête à doubler ses effectifs en l'espace d'une seule année. La société prévoit de porter son nombre d'employés à environ 8 000 personnes d'ici fin 2026, contre 4 500 actuellement, selon une source proche du dossier. Une expansion massive qui traduit une accélération stratégique assumée. Cette montée en puissance intervient à un moment charnière pour l'entreprise, qui recentre une partie de ses ressources sur ses produits phares plutôt que sur de nouvelles initiatives. ChatGPT reste la priorité absolue, aux côtés des outils de codage assisté par IA, un segment en forte croissance où la concurrence avec Google, Anthropic et d'autres acteurs s'intensifie chaque mois. Le recrutement massif, près de 3 500 postes supplémentaires en moins d'un an, témoigne à la fois de la solidité financière d'OpenAI et de la pression concurrentielle qui l'oblige à grossir vite. La société, valorisée à 300 milliards de $ lors de sa dernière levée de fonds, dispose des moyens de ses ambitions, mais doit aussi justifier cette trajectoire auprès d'investisseurs qui attendent une monétisation à la hauteur des dépenses engagées. Ce pivot stratégique vers les produits existants plutôt que vers l'exploration de nouveaux territoires suggère qu'OpenAI entre dans une phase de consolidation et d'exécution. Doubler ses équipes tout en maintenant le cap sur ChatGPT et le code, c'est le pari d'une entreprise qui veut dominer les usages actuels avant de se projeter vers les suivants.

Business⚡Actu

1 source

39

Illustration générée par IA

7950The Verge AI 

Le culte de l'IA générative a un goût d'eugénisme

Valerie Veatch, réalisatrice américaine, a rejoint la communauté des utilisateurs de l'IA générative après le lancement public de Sora, le modèle texte-to-vidéo d'OpenAI, en 2024. Attirée par la promesse de connexions créatives avec d'autres artistes, elle a rapidement déchanté face à ce qu'elle a découvert : une technologie produisant régulièrement des contenus chargés de racisme et de sexisme. Ce qui l'a le plus troublée n'est pas tant les biais du modèle lui-même, mais l'indifférence de sa communauté d'adoption. Ses pairs enthousiastes semblaient tolérer, voire ignorer, les dérives discriminatoires générées par les outils qu'ils célébraient. Cette dynamique soulève une question de fond sur la culture qui entoure l'IA générative : dans quelle mesure normalise-t-elle des représentations dégradantes sous couvert d'innovation technologique ? L'article pointe une tension structurelle : les modèles génératifs sont entraînés sur des corpus massifs de données humaines, qui reflètent et amplifient les biais historiques présents dans la culture visuelle et textuelle. Lorsque ces biais ressurgissent dans des images générées à grande échelle, l'absence de réaction critique de la part des utilisateurs, et parfois des éditeurs eux-mêmes, renvoie à une forme d'acceptation implicite de hiérarchies discriminatoires. Le titre de l'article convoque explicitement le terme eugénisme, non dans son sens médical, mais comme métaphore d'une technologie qui "sélectionne" et perpétue certaines représentations de l'humanité au détriment d'autres. Le témoignage de Veatch s'inscrit dans un débat plus large sur la responsabilité des plateformes d'IA et la nécessité d'une gouvernance éthique des modèles génératifs. À mesure que ces outils s'intègrent dans les pratiques créatives grand public, la question de leur impact culturel, et des valeurs qu'ils véhiculent implicitement, devient centrale pour l'ensemble du secteur.

Éthique❧Opinion

1 source

39

Illustration générée par IA

7951The Decoder 

95% des étudiants britanniques utilisent désormais l'IA, avec des expériences très partagées

L'intelligence artificielle générative s'est imposée comme un outil quasi universel dans les universités britanniques : 95 % des étudiants y ont désormais recours, selon une nouvelle enquête. Ce chiffre marque une adoption massive et rapide, bien au-delà des prévisions de la plupart des établissements d'enseignement supérieur. Les expériences rapportées par les étudiants sont cependant profondément contrastées. Une partie d'entre eux affirment que l'IA approfondit leur apprentissage, leur permettant d'explorer des sujets plus en détail ou de mieux structurer leur réflexion. À l'opposé, d'autres expriment une inquiétude croissante : celle de voir leur capacité à penser par eux-mêmes s'éroder au fil d'une dépendance grandissante aux outils génératifs. L'enquête pointe également un décalage structurel entre l'adoption massive par les étudiants et la réponse institutionnelle des universités britanniques, jugée insuffisante. Les établissements peinent à s'adapter à cette réalité : absence de cadres clairs sur l'usage de l'IA, manque de formation des enseignants, et politiques académiques souvent floues face aux questions d'intégrité et d'évaluation. Cette situation reflète un débat plus large traversant l'ensemble des systèmes éducatifs occidentaux : comment intégrer des outils comme ChatGPT ou Copilot sans sacrifier les compétences fondamentales que l'enseignement supérieur est censé développer, esprit critique, autonomie intellectuelle, capacité de rédaction. Le Royaume-Uni se retrouve ainsi en première ligne d'une transformation pédagogique pour laquelle personne n'est encore vraiment prêt.

Société⚡Actu

1 source

46

Illustration générée par IA

7952The Verge AI 

L'automatisation des tâches par Gemini est lente, maladroite et vraiment impressionnante

Gemini franchit un cap symbolique sur mobile en prenant littéralement le contrôle des applications à la place de l'utilisateur. Testé sur le Pixel 10 Pro et le Galaxy S26 Ultra, cette nouvelle fonctionnalité d'automatisation des tâches permet à l'assistant IA de naviguer dans des apps, passer des commandes et déclencher des actions sans intervention humaine, une première sur smartphone grand public. L'enjeu dépasse la simple commodité. Depuis des années, les assistants vocaux promettent une interaction naturelle avec le téléphone mais se cantonnent à des réponses textuelles ou à des raccourcis basiques. Avec cette approche, Google tente de concrétiser la vision d'un agent IA véritablement opérationnel, capable d'agir dans des interfaces conçues pour les humains, ce que l'industrie appelle l'"agentic AI". Pour l'heure, la fonctionnalité reste en version bêta et limitée à un nombre restreint de services : quelques plateformes de livraison de repas et d'applications de transport. L'expérience est décrite comme lente et parfois maladroite. Elle ne résout aucun problème urgent que l'utilisateur ne pouvait déjà gérer seul. Mais le principe fonctionne, hors démo contrôlée, hors keynote soigneusement scénarisée. C'est précisément ce dernier point qui marque une rupture. Les démonstrations d'agents IA sur mobile ont longtemps semblé prometteuses sur scène avant de décevoir en conditions réelles. Que Gemini y parvienne, même imparfaitement, sur du matériel commercialisé suggère que l'automatisation contextuelle sur smartphone n'est plus un horizon lointain, mais une trajectoire engagée.

Outils⚒Outil

1 source

41

Illustration générée par IA

7953Frandroid 

Ce roman d’horreur vient d’être retiré de la vente en urgence, son auteur ne serait pas totalement humain

Hachette retire en urgence des circuits de distribution le roman d'horreur "Shy Girl" après que des soupçons ont émergé quant à l'origine réelle de l'œuvre : son auteur ne serait pas entièrement humain. La décision, prise avant même la mise en vente officielle, illustre la tension croissante entre l'industrie éditoriale et la montée en puissance de la création assistée par intelligence artificielle. Pour un éditeur de l'envergure d'Hachette, retirer un titre en urgence représente un coût éditorial, commercial et réputationnel significatif. Cette affaire soulève une question fondamentale pour le secteur du livre : comment détecter et prévenir la publication d'œuvres générées, totalement ou partiellement, par des outils d'IA générative, alors que les détecteurs automatiques restent imparfaits et contestés ? L'incident s'inscrit dans un contexte où plusieurs grandes maisons d'édition ont renforcé leurs chartes de soumission pour exiger des auteurs qu'ils déclarent explicitement tout recours à des outils d'IA. Le genre de l'horreur, particulièrement prolifique et prisé des auto-éditions, est devenu un terrain fertile pour ce type de publications suspectes. "Shy Girl" devait paraître sous le catalogue américain d'Hachette, l'un des "Big Five" de l'édition mondiale. Cette affaire devrait accélérer la mise en place de processus de vérification plus robustes au sein des grandes maisons d'édition, et relancer le débat sur la nécessité d'un label ou d'une certification d'authenticité humaine pour les œuvres littéraires, une problématique qui dépasse largement le seul genre de l'horreur.

Éthique⚡Actu

1 source

40

Illustration générée par IA

7954Frandroid 

DLSS 5 : date de sortie, cartes compatibles, rendu neuronal… Tout savoir sur la technologie de Nvidia

Nvidia a levé le voile sur le DLSS 5 lors de sa conférence annuelle GTC (GPU Technology Conference), marquant une nouvelle étape dans l'évolution de sa technologie de super-échantillonnage par intelligence artificielle. Cette annonce intervient dans un contexte de vifs débats autour de la pertinence et des limites des générations précédentes du DLSS. Le DLSS (Deep Learning Super Sampling) est au cœur de la stratégie de Nvidia pour améliorer les performances graphiques sans sacrifier la qualité visuelle. Avec cette cinquième version, le constructeur américain pousse plus loin le concept de rendu neuronal, une approche où l'IA génère ou reconstruit une partie significative de l'image finale, soulevant des questions légitimes sur la frontière entre rendu traditionnel et synthèse artificielle. Les détails techniques précis, compatibilité des cartes graphiques, date de déploiement officiel et performances annoncées, font partie des réponses que Nvidia a commencé à apporter à la communauté des joueurs et développeurs lors de la GTC. La technologie s'inscrit dans la continuité du DLSS 4 et de sa fonction Multi Frame Generation, qui avait déjà suscité des controverses sur la nature même des images produites. La question centrale reste celle de l'adoption : les développeurs de jeux devront intégrer explicitement le DLSS 5 dans leurs titres, et la compatibilité matérielle conditionnera l'accès aux fonctionnalités les plus avancées du rendu neuronal de nouvelle génération.

Outils⚒Outil

1 source

37

Illustration générée par IA

7955The Decoder 

Le scientifique en chef d'OpenAI fait confiance à l'IA pour les expériences, mais estime qu'elle n'est pas encore capable de concevoir des systèmes complexes

Jakub Pachocki, scientifique en chef d'OpenAI, a partagé une perspective nuancée sur l'utilisation de l'IA dans son propre travail de recherche : si l'IA a profondément transformé sa productivité quotidienne, elle reste, selon lui, loin d'être autonome sur les tâches de conception complexes. Celui qui pilote la recherche fondamentale chez OpenAI reconnaît que les outils d'IA ont radicalement changé son flux de travail. Des expériences qui lui demandaient auparavant une semaine entière peuvent désormais être déléguées à l'IA, lui libérant un temps précieux pour des réflexions de plus haut niveau. Ce témoignage de première main, venant d'un des chercheurs les plus influents du domaine, illustre concrètement le gain de productivité que ces outils apportent même aux experts. Malgré cet enthousiasme pratique, Pachocki pose une limite claire : l'IA n'est pas encore capable de concevoir des systèmes complexes de façon autonome. Là où l'automatisation fonctionne bien pour les tâches répétitives et les expériences balisées, la conception architecturale, qui exige raisonnement stratégique, intuition et prise de décision dans l'incertitude, reste le domaine réservé de l'humain. Une distinction importante à l'heure où le débat sur les agents autonomes de recherche s'intensifie. Cette prise de position intervient dans un contexte où OpenAI et ses concurrents investissent massivement dans des systèmes capables d'automatiser la recherche scientifique elle-même. Le signal envoyé par Pachocki est clair : l'IA est un outil de levier, pas encore un chercheur indépendant.

LLMs❧Opinion

1 source

30

Illustration générée par IA

7956Ben's Bites 

Les constructions de Ben : #2

Ben Tossell, fondateur de la newsletter Ben's Bites, publie le deuxième volet de son journal de builder, révélant une semaine contrastée : peu productive sur le plan technique, mais riche en observations de terrain. De retour dans sa ville natale de Cardiff pour intervenir dans son ancienne école, il a constaté avec inquiétude que la quasi-totalité des 16-18 ans interrogés n'utilisent ChatGPT que pour leurs devoirs scolaires, aucun ne s'en sert pour construire quoi que ce soit. Ce constat l'a conforté dans une direction stratégique déjà esquissée : former les non-développeurs à créer avec l'IA. Il annonce le lancement de "Fork Off", une formation ouverte une fois par trimestre pour apprendre à des non-codeurs à concevoir des applications, des automatisations et des agents IA. La cadence trimestrielle est délibérée : dans un secteur qui évolue aussi vite, elle lui permet de maintenir le contenu à jour sans perturber les participants en cours de formation. Côté réalisations techniques, Tossell a développé une application web de recherche dans les favoris X (Twitter), outil qu'il utilise désormais comme source principale pour ses contenus. Il a également tenté d'améliorer son agent de tri d'emails via Replit Agent 4, qu'il juge sévèrement, "💩" est son verdict, avant d'abandonner au profit de ses outils habituels (Droid et Pi). Son stack intègre désormais Chops pour gérer les compétences IA sur Mac, et Claude Cowork, qu'il utilise quotidiennement malgré ses limites aux seuls modèles Anthropic. Sur la question de l'écriture assistée par IA, Tossell adopte une posture nuancée : il explore des outils anti-générique comme Tropes et les AI style guides d'Every, tout en s'appuyant sur le corpus de Jack Butcher pour générer une première ébauche de copie pour Fork Off. Une approche pragmatique qui illustre bien la tension entre gain de productivité et préservation d'une voix authentique.

Outils≡Tuto

1 source

34

Illustration générée par IA

7957The Decoder 

Le PDG de Nvidia Jensen Huang dit qu'il serait "profondément inquiet" si un développeur à 500 000 $ dépensait moins de 250 000 $ en tokens d'IA

Jensen Huang, PDG de Nvidia, a livré un message sans équivoque à destination des développeurs les mieux rémunérés : si vous gagnez 500 000 $ par an, vous devriez consacrer au minimum 250 000 $ à l'achat de tokens d'IA. Une déclaration qui illustre sa vision radicale de l'intégration de l'intelligence artificielle dans le travail quotidien des ingénieurs. Cette prise de position intervient alors que le débat sur le retour sur investissement des outils d'IA en entreprise s'intensifie. Pour Huang, la question n'est pas de savoir si les développeurs doivent utiliser l'IA, mais à quelle échelle. Consacrer la moitié de son salaire en tokens revient à considérer l'IA comme un véritable coéquipier, un multiplicateur de productivité dont le coût doit être proportionnel à la valeur créée. Le PDG de Nvidia a également affiché son optimisme sur le potentiel de revenus du secteur de l'IA, estimant que les projections actuelles de l'industrie sont largement sous-estimées. Ces déclarations s'inscrivent dans une stratégie de communication cohérente de sa part : convaincre les entreprises et les individus d'accélérer leur adoption des infrastructures de calcul, dont Nvidia reste le fournisseur dominant avec ses GPU H100 et B200. Si ce seuil de 250 000 $ en dépenses de tokens peut sembler provocateur, il reflète une tendance de fond : les grandes entreprises tech commencent effectivement à budgétiser l'IA comme une ligne de coût opérationnel à part entière, au même titre que les licences logicielles ou l'infrastructure cloud.

Business❧Opinion

1 source

46

7958The Decoder 

Cursor a discrètement construit son nouveau modèle de code sur le Kimi K2.5, open source chinois

Cursor vient de dévoiler Composer 2, la deuxième génération de son modèle d'IA maison dédié au développement logiciel, et la surprise vient de son architecture : l'éditeur de code a discrètement construit ce nouveau modèle sur la base de Kimi K2.5, un modèle open source développé par la startup chinoise Moonshot AI. Ce choix stratégique illustre une tendance de fond dans l'industrie : s'appuyer sur des modèles open source de haute qualité pour proposer des solutions compétitives à moindre coût. En utilisant Kimi K2.5 comme socle, Cursor peut rivaliser avec les meilleurs modèles de code d'Anthropic et d'OpenAI tout en maîtrisant ses coûts d'inférence, un avantage décisif dans un marché où la guerre des prix fait rage. Composer 2 est conçu pour tenir tête aux modèles phares du secteur, notamment Claude Sonnet d'Anthropic et les modèles GPT-4o d'OpenAI, références incontournables pour les tâches de génération et d'édition de code. Le fait que Cursor, une des licornes montantes du développement assisté par IA, ait choisi un modèle open source chinois comme fondation révèle à quel point l'écosystème mondial de l'IA s'est diversifié, les laboratoires américains ne sont plus les seuls à produire des modèles de premier plan. Cette décision pourrait faire école : d'autres éditeurs d'outils de développement pourraient à leur tour s'appuyer sur des modèles open source performants comme Kimi K2.5 ou DeepSeek pour construire des produits différenciés, sans dépendre exclusivement des API propriétaires d'OpenAI ou d'Anthropic.

Outils⚡Actu

1 source

44

Illustration générée par IA

7959The Information AI 

Un document d'Anthropic révèle que les négociations ont continué après la déclaration sur la « Supply Chain »

Un document déposé en justice par Anthropic révèle que les négociations avec le Département de la Défense américain (DoD) se sont poursuivies bien après que le secrétaire à la Défense Pete Hegseth a annoncé, le 27 février, son intention de désigner l'entreprise comme un risque pour la « chaîne d'approvisionnement » (supply chain risk). Cette désignation, si elle était officialisée, pourrait avoir des conséquences majeures pour Anthropic : elle risquerait d'exclure l'entreprise des contrats fédéraux et de compliquer durablement ses relations avec les agences gouvernementales américaines. Le fait que des discussions aient continué malgré cette déclaration publique souligne la tension entre les signaux politiques envoyés par l'administration Trump et les besoins opérationnels réels des services de défense, qui cherchent à intégrer des outils d'IA avancés dans leurs missions. Selon le document soumis, Anthropic démontre que le DoD était proche de conclure un accord d'utilisation de ses technologies d'intelligence artificielle, vraisemblablement ses modèles Claude, même après la déclaration publique de Hegseth. Ce dossier juridique suggère que la menace de classification en risque supply chain n'a pas immédiatement mis fin aux échanges bilatéraux, illustrant une dichotomie entre le discours politique et les négociations techniques en coulisses. Cette affaire intervient dans un contexte de vives tensions entre certaines entreprises tech et l'administration américaine autour des contrats de défense liés à l'IA. Elle pourrait contraindre Anthropic à défendre publiquement sa position face aux autorités fédérales, tout en révélant à quel point les agences gouvernementales restent dépendantes des acteurs privés du secteur pour accéder aux capacités d'intelligence artificielle de pointe.

Business⚡Actu

1 source

44

7960TechCrunch AI 

Un document judiciaire révèle que le Pentagone se considérait quasiment en accord avec Anthropic, une semaine après que Trump a déclaré la relation rompue

Anthropic a déposé vendredi soir deux déclarations sous serment auprès d'un tribunal fédéral de Californie, contestant directement l'affirmation du Pentagone selon laquelle la société d'IA représenterait un «risque inacceptable pour la sécurité nationale». L'entreprise riposte juridiquement une semaine seulement après que l'administration Trump a publiquement déclaré la relation rompue. Dans ces documents judiciaires, Anthropic soutient que les arguments avancés par le gouvernement reposent sur des incompréhensions techniques et, surtout, sur des griefs qui n'ont jamais été soulevés au cours des mois de négociations préalables. Cette révélation est significative : elle suggère que la rupture n'aurait pas été précédée d'un dialogue de bonne foi, ce qui pourrait fragiliser la position juridique du Pentagone devant le tribunal. Le document judiciaire révèle également que le Pentagone se considérait lui-même «quasiment en accord» avec Anthropic dans les semaines précédant la déclaration publique de rupture signée par l'administration Trump. Cet écart entre les communications internes du ministère et sa posture officielle constitue l'un des éléments centraux de la stratégie de défense d'Anthropic, qui tente de démontrer l'incohérence des accusations portées contre elle. L'issue de cette bataille judiciaire aura des répercussions majeures sur les relations entre l'industrie de l'IA et les institutions fédérales américaines, à un moment où Washington cherche à encadrer, et simultanément à mobiliser, les capacités des grands laboratoires d'intelligence artificielle à des fins de défense nationale.

Sécurité⚡Actu

1 source