Actualités IA — page 41

9 291 articles au fil, du plus récent au plus ancien.

36

Illustration générée par IA

801The Verge AI 

Les caméras IA d'Apple Home font-elles mieux que celles d'Amazon et Google ? Je les ai testées

Jennifer Pattison Tuohy, journaliste au site The Verge, a testé les nouvelles fonctionnalités d'intelligence artificielle intégrées aux systèmes de sécurité domestique de trois géants concurrents : Gemini for Home de Google, Apple Intelligence for Home et l'IA maison d'Amazon pour ses caméras Ring. Pour ce comparatif, elle a utilisé la sonnette connectée Nest de Google, la caméra G400 d'Aqara (compatible avec l'écosystème HomeKit d'Apple) et la Ring Pro 4K d'Amazon. Elle illustre l'enjeu par une anecdote personnelle : lors d'une chasse aux œufs de Pâques sur une plage avec ses enfants, son téléphone a reçu une série de notifications "mouvement détecté" envoyées par sa caméra de surveillance, qu'elle a d'abord ignorées en pensant qu'il s'agissait simplement de son chien dans le jardin. Lorsqu'elle a finalement tenté de visionner les vidéos correspondantes, les clips sont restés bloqués en chargement, l'empêchant de vérifier ce qui se passait réellement chez elle pendant son absence. Cet épisode met en évidence le problème que les nouvelles fonctionnalités d'IA générative cherchent justement à résoudre : remplacer les alertes de mouvement génériques et anxiogènes par des descriptions textuelles automatiques, capables de résumer en une seule phrase ce qu'une caméra vient de filmer. Un tel résumé permettrait de distinguer instantanément l'agitation d'un animal domestique de la présence d'un inconnu, sans avoir à ouvrir ni attendre le chargement d'une vidéo. Pour les utilisateurs, l'enjeu est concret : moins de fausses alertes, moins d'anxiété et une réaction plus rapide en cas de réel problème. Pour l'industrie, cette comparaison reflète une bataille stratégique entre Google, Apple et Amazon pour s'imposer comme le cerveau IA de référence de la maison connectée, chacun cherchant à démontrer que son assistant interprète les images de sécurité avec le plus de justesse et de fiabilité. Ce test s'inscrit dans une escalade plus large autour de l'IA domestique. Google a récemment déployé Gemini for Home, une refonte générative de son assistant Google Home, tandis qu'Apple a doté son écosystème HomeKit, longtemps jugé en retard sur l'intelligence artificielle, de fonctions équivalentes sous le nom d'Apple Intelligence for Home. Amazon mise de son côté sur sa gamme de sonnettes et caméras Ring pour proposer ses propres résumés automatisés. Le choix des appareils testés, une sonnette Google, une caméra Aqara compatible Apple et une caméra Ring, souligne aussi la fragmentation persistante du marché de la domotique, où les consommateurs restent souvent enfermés dans l'écosystème d'un seul fabricant. Des comparatifs comme celui-ci, menés par des médias spécialisés, pèsent de plus en plus dans les choix d'achat, à mesure que les promesses marketing autour de l'IA sont confrontées à l'épreuve d'un usage domestique réel.

Outils⚒Outil

1 source

48

Illustration générée par IA

802The Decoder 

L'agent Muse de Meta offre à chaque utilisateur un ordinateur cloud complet sous Ubuntu Linux

Meta a lancé Muse, un agent qui offre à chaque utilisateur un ordinateur cloud complet tournant sous Ubuntu Linux, accessible gratuitement. Sur cette machine virtuelle, les utilisateurs peuvent installer des logiciels, écrire du code et naviguer sur le web comme sur un poste de travail classique. Un processus baptisé "Sentinel" surveille en permanence les actions sensibles effectuées en dehors de l'espace de travail de l'utilisateur, tandis que ce dernier conserve la possibilité d'inspecter chaque fichier présent sur le système. Dès sa première semaine de disponibilité, Muse a dépassé les 500 000 utilisateurs, un chiffre que Meta met en avant pour illustrer l'adoption rapide de son produit. Cette approche marque un choix stratégique clair de la part de Meta : privilégier la portée et l'accessibilité du produit plutôt que la seule puissance brute du modèle sous-jacent. En donnant à chaque utilisateur un environnement Linux complet et fonctionnel, Meta abaisse considérablement la barrière à l'entrée pour des tâches auparavant réservées aux développeurs disposant de leur propre infrastructure. Pour les utilisateurs non techniques, cela ouvre la possibilité d'exécuter des workflows complexes, du développement logiciel à l'automatisation de tâches, sans avoir à configurer quoi que ce soit localement. Cette initiative s'inscrit dans la course plus large que se livrent les grands acteurs de l'IA pour transformer leurs agents en véritables environnements de travail autonomes, capables d'agir directement sur des systèmes informatiques plutôt que de se limiter à générer du texte. La question de la sécurité, centrale dans ce type d'architecture, explique la présence du mécanisme Sentinel, conçu pour limiter les risques liés à des actions non supervisées sur un système accessible depuis le cloud. Reste à voir comment Meta gérera la montée en charge de sa base d'utilisateurs et si cette stratégie de diffusion massive suffira à concurrencer des agents jugés plus puissants sur le plan technique.

Outils⚒Outil

1 source

41

Illustration générée par IA

803The Verge AI 

Microsoft pense que son "super app" Copilot aura autant d'influence qu'Office

Microsoft a officiellement dévoilé aujourd'hui la nouvelle version de son application Copilot, après l'avoir teasée le mois dernier. Cette refonte regroupe trois fonctionnalités d'intelligence artificielle au sein d'une seule interface : le chat conversationnel, l'assistance au code et les agents autonomes. L'application se structure désormais en trois onglets distincts, Home, Code et Autopilot. L'onglet Home, qui devient l'expérience d'accueil par défaut pour les utilisateurs de Copilot, fusionne les fonctions de Copilot Chat et de Cowork, et intégrera prochainement une fonctionnalité baptisée Today, conçue comme un tableau de bord personnalisé affichant les informations importantes de l'utilisateur. Dans le même temps, Microsoft rebaptise Scout, l'assistant personnel basé sur l'IA présenté lors de sa conférence Build plus tôt cette année, sous le nouveau nom d'Autopilot. Ce lancement traduit l'ambition de Microsoft de faire de Copilot un « super app », c'est-à-dire un point d'entrée unique et incontournable pour l'ensemble des usages liés à l'IA au travail, de la même manière que Microsoft Office s'est imposé comme la suite bureautique de référence pendant des décennies. En unifiant chat, code et agents dans une seule interface, l'entreprise cherche à simplifier l'expérience utilisateur et à ancrer Copilot comme outil quotidien incontournable, tant pour le grand public que pour les développeurs professionnels. Cette stratégie s'inscrit dans une bataille plus large pour la fidélisation des utilisateurs face à des concurrents comme OpenAI, Google ou Anthropic. Cette consolidation intervient alors que Microsoft multiplie les initiatives autour de Copilot depuis plusieurs mois, entre l'intégration dans Windows, Office et désormais une application dédiée repensée. Le renommage de Scout en Autopilot illustre également la volonté de l'entreprise de clarifier son offre, parfois jugée fragmentée entre de multiples produits et marques IA. Reste à voir si cette unification suffira à convaincre les utilisateurs d'adopter Copilot comme plateforme centrale, dans un marché où la concurrence sur les agents IA autonomes s'intensifie rapidement.

Outils⚒Outil

Aussi sur01net,Blog du Modérateur,The Information AI

47

Illustration générée par IA

804Ars Technica AI 

L'administration Trump utilise l'IA pour refuser des soins médicaux aux seniors, une expérience désastreuse

En janvier 2026, l'administration Trump a lancé WISeR, un programme pilote utilisant l'intelligence artificielle pour approuver ou refuser certains soins couverts par Medicare, le programme de santé fédéral pour les seniors américains, qui n'exigeait auparavant aucune autorisation préalable des médecins. Rapidement, des médias ont rapporté des dysfonctionnements majeurs : pannes techniques, délais interminables, refus incompréhensibles, médecins excédés et patients livrés à la douleur. Ces témoignages ont été confirmés début septembre 2026 par l'Electronic Frontier Foundation (EFF), qui a obtenu par voie judiciaire des documents fédéraux incluant le récit d'un professionnel de santé qualifiant le programme de "honte pour l'humanité" et décrivant des patients en pleurs dans l'attente de soins. En mai 2026, le Government Accountability Office (GAO), l'organe d'audit du Congrès, avait déjà jugé que l'administration n'avait pas respecté la procédure requise pour créer WISeR, mettant en doute sa légalité, tandis que plusieurs élus réclament désormais l'arrêt du programme. Ce dossier met en lumière les risques concrets de l'automatisation par IA de décisions médicales sensibles pour des millions de seniors, une population vulnérable et souvent dépendante de soins rapides. En subordonnant l'accès aux traitements à un système algorithmique opaque, WISeR peut retarder des soins urgents, avec des conséquences directes sur la santé des patients. Les médecins doivent en outre contester des refus dont la logique reste rarement explicable, ce qui alourdit leur charge de travail et fragilise la confiance de leurs patients. L'épisode alimente la méfiance envers l'IA dans la santé publique et privée, alors que de nombreux assureurs envisagent des outils similaires pour réduire leurs coûts. Medicare, qui couvre environ 65 millions d'Américains âgés ou handicapés, avait jusqu'ici été relativement épargné par la pratique de la "prior authorization", très critiquée dans les assurances privées pour retarder ou limiter l'accès aux soins afin de réduire les dépenses. WISeR s'inscrit dans la volonté de l'administration Trump de maîtriser les coûts de Medicare en s'appuyant sur des outils d'IA fournis par des prestataires privés. Malgré les critiques parlementaires, les révélations de l'EFF et les conclusions défavorables du GAO, le gouvernement fédéral maintient le programme et prévoit même de l'étendre dans les prochaines années. Les défenseurs des patients et certains élus devraient continuer à faire pression pour l'arrêt de WISeR, tandis que la procédure judiciaire en cours pourrait révéler de nouveaux documents.

Société⚡Actu

1 source

38

Illustration générée par IA

805AI News 

La pénurie de GPU au sein même de votre infrastructure : pourquoi les charges IA attendent alors que la capacité reste inutilisée

Les métriques d'utilisation GPU qui s'affichent sur la plupart des tableaux de bord Kubernetes ne mesurent que l'activité de calcul, pas la disponibilité réelle des cartes, une confusion que documente le rapport Cast AI 2026 sur l'optimisation Kubernetes. Cette étude, qui a analysé des dizaines de milliers de clusters de production entre janvier 2025 et avril 2026, a mesuré un taux d'utilisation moyen du calcul GPU de seulement 5 % avant toute optimisation, tandis qu'un cluster du panel a soutenu 49 % d'utilisation sur une période prolongée. Le problème vient du fonctionnement par défaut de Kubernetes, qui attribue un GPU entier à un pod : un service d'inférence chargé en mémoire vive peut ne traiter qu'une requête par minute, laisser l'activité de calcul autour de 5 %, tout en bloquant totalement l'accès de la carte à toute autre charge de travail. Le rapport distingue quatre métriques souvent confondues sous l'étiquette générique "utilisation GPU" : l'activité de calcul (pourcentage de multiprocesseurs actifs), l'occupation mémoire (VRAM consommée par les modèles chargés), le temps d'attente en file pour l'attribution d'un GPU, et le débit ou la latence des requêtes traitées. Cette distinction change concrètement la façon dont les équipes d'infrastructure doivent diagnostiquer leurs goulets d'étranglement. Une entreprise qui voit des GPU affichant 5 % d'activité peut légitimement croire disposer d'une capacité inexploitée massive, alors que cette même carte peut être totalement allouée et donc indisponible pour toute nouvelle charge. Cette confusion pousse certaines organisations à acheter ou louer des GPU supplémentaires alors que le vrai problème relève de l'allocation, du placement ou de contraintes applicatives, et non d'une pénurie matérielle réelle. Pour les équipes qui gèrent des clusters d'IA, cela signifie qu'il faut suivre une séquence de diagnostic précise avant de conclure à un manque de capacité : vérifier d'abord l'état d'allocation, puis l'occupation mémoire, puis les contraintes de placement, et enfin les goulets applicatifs, car seule une partie de ces causes se résout par le partage de GPU. Le partage de GPU sur Kubernetes repose sur plusieurs techniques aux compromis différents : le découpage temporel (time-slicing), l'instanciation multiple (MIG) et le service multi-processus (MPS), qui varient selon l'isolation mémoire offerte, les exigences matérielles, l'observabilité et le support des fournisseurs cloud, sans qu'aucune méthode ne convienne à tous les cas d'usage. Cast AI, la société à l'origine du rapport, propose de prendre en charge ces trois approches avec un regroupement automatique des charges (bin-packing) ne nécessitant aucune modification des manifestes de déploiement existants. Ce constat s'inscrit dans un débat plus large sur la pénurie de GPU pour l'IA : une partie de la rareté perçue proviendrait moins d'un manque physique de cartes que d'une mauvaise exploitation de la capacité déjà installée, un enjeu d'autant plus pressant que les coûts d'infrastructure IA continuent de peser lourdement sur les budgets des entreprises qui déploient des modèles à grande échelle.

Infrastructure⚡Actu

1 source

30

Illustration générée par IA

806AI News 

Comment intégrer l'IA à un logiciel existant sans le reconstruire

Face au coût et aux risques d'une refonte complète, plusieurs éditeurs de logiciels sur mesure, dont la société SumatoSoft, préconisent désormais d'ajouter l'intelligence artificielle aux systèmes informatiques existants sans les reconstruire. L'idée centrale est de traiter l'IA comme une couche supplémentaire posée sur l'infrastructure en place plutôt que comme une nouvelle fondation qui remplacerait le code historique. Quatre méthodes d'intégration sont mises en avant. La première consiste à construire une couche API ou middleware qui n'expose que des opérations précises et encadrées, empêchant un modèle d'IA d'accéder directement à la base de données de production ou d'exécuter des requêtes arbitraires, ce qui limite les risques de surcharge ou d'injection de commandes malveillantes. La deuxième repose sur la génération augmentée par récupération (RAG), qui permet à un modèle de langage de répondre à des questions en s'appuyant sur les documents et dossiers déjà stockés dans le système, via une base de données vectorielle indexée séparément, avec citation des sources pour vérifier les réponses. La troisième méthode exploite les événements émis par les systèmes anciens, notamment via la capture de changements de données (change data capture), pour permettre à des services d'IA de réagir en temps quasi réel, par exemple pour repérer une transaction suspecte. La quatrième, baptisée « strangler fig pattern » (motif du figuier étrangleur) par l'ingénieur logiciel Martin Fowler, consiste à remplacer les fonctionnalités progressivement, une à une, en redirigeant les nouvelles fonctions dopées à l'IA vers une façade, pendant que le reste du système continue de fonctionner normalement. Cette approche change la donne pour les entreprises qui exploitent des logiciels vieux de dix, quinze ans ou plus et qui hésitent à investir dans l'IA par crainte d'un chantier de refonte trop lourd. En évitant une réécriture totale, elles réduisent le risque de dépassement de budget et de délai, un phénomène fréquent lors des grands projets de remplacement logiciel, dont certains ne voient jamais le jour. Cette stratégie permet aussi de conserver des décennies de règles métier, de cas particuliers et de logique réglementaire souvent non documentés, que personne ne pourrait reconstituer facilement lors d'une reconstruction complète. Pour les équipes techniques, cela signifie pouvoir moderniser progressivement leurs outils tout en gardant un système stable et déjà éprouvé par des années d'usage réel, une base jugée précieuse pour entraîner ou alimenter un modèle d'IA de façon fiable. Cette tendance s'inscrit dans un contexte plus large où de nombreuses organisations cherchent à adopter l'IA générative sans sacrifier la stabilité de leurs infrastructures critiques. Avant de se lancer, les experts recommandent de vérifier si le système peut exposer ses données via des API, si les données sont suffisamment propres et cohérentes pour être exploitées par un modèle, et qui est responsable des processus concernés par l'IA au regard des exigences de sécurité et de conformité. L'erreur la plus fréquente, selon ces mêmes praticiens, consiste à accorder trop rapidement un accès trop large à l'IA, un excès de confiance qui peut compromettre la sécurité et la fiabilité de systèmes parfois vitaux pour l'activité de l'entreprise.

Outils⚒Outil

1 source

33

Illustration générée par IA

807AI News 

7 outils d'IA pour détecter les fraudes documentaires dans l'intégration des clients en entreprise

Le paysage de la vérification documentaire en entreprise connaît une transformation profonde face à la multiplication des fraudes assistées par intelligence artificielle. Un comparatif récent de sept outils de détection de fraude documentaire pour l'intégration de nouveaux clients désigne AU10TIX comme la solution de référence. Fondée en 2002 dans le secteur de la sécurité aéroportuaire et du contrôle des frontières, l'entreprise applique cet héritage forensique à l'analyse de documents d'identité provenant de plus de 190 pays, y compris ceux utilisant des écritures non latines, en effectuant plus de 180 vérifications numériques par document, sans intervention humaine, avec des résultats en quelques secondes. Son module AnyDoc Verification étend cette approche aux documents justificatifs tels que factures de services publics, relevés bancaires, déclarations fiscales et licences commerciales, avec plus de 150 tests de détection de falsification basés sur l'IA, une validation des métadonnées intégrées et une détection des incohérences de police ou de contenu généré synthétiquement. AU10TIX annonce des temps de traitement de 5 à 20 secondes, une précision atteignant 99,99 % et une réduction de 90 % des vérifications manuelles. Cette évolution répond à un problème concret pour les banques, fintechs et plateformes en ligne qui reposent presque entièrement sur des documents pour valider l'identité de leurs clients, marchands, emprunteurs ou fournisseurs. Les outils traditionnels, conçus pour repérer des anomalies connues, échouent face à des documents entièrement inédits générés par IA. La véritable valeur ajoutée réside dans l'analyse croisée entre applications : un document isolé peut sembler authentique, mais la réutilisation d'un même modèle ou d'une même image source sur des dizaines voire des centaines de dossiers trahit des réseaux de fraude organisée ou des fermes d'identités synthétiques, invisibles à l'examen d'une seule pièce. Pour les entreprises, cela signifie moins de charge de vérification manuelle, une réduction du risque financier et réglementaire, et une capacité à détecter des schémas de fraude coordonnée que des contrôleurs humains ne pourraient jamais repérer à l'échelle. Ce durcissement des outils de détection découle de deux ruptures technologiques : la démocratisation des logiciels d'édition capables de modifier un PDF authentique sans laisser de trace visible, et l'essor de l'IA générative permettant de produire en quelques secondes une pièce d'identité ou un relevé bancaire crédible à partir de rien. La fraude documentaire se décline désormais en quatre formes distinctes, contrefaçons physiques, falsifications de documents authentiques, forgeries en série à partir de modèles réutilisés, et documents entièrement générés par IA, chacune nécessitant des signaux de détection spécifiques. Cette diversification pousse les entreprises de vérification d'identité à combiner analyse forensique, détection de métadonnées et modèles entraînés spécifiquement à reconnaître les artefacts propres aux contenus générés par intelligence artificielle.

Sécurité⚒Outil

1 source

48

Illustration générée par IA

808Next INpact 

Mistral met GLM 5.3 par défaut dans Vibe Code et relance le procès en renoncement

Mistral AI a annoncé le 21 septembre 2026 intégrer le modèle chinois GLM 5.3 par défaut dans la version Web de son assistant de codage Vibe Code, ainsi que dans son extension VS Code et son client en ligne de commande. Ce modèle, développé par Z.ai, est hébergé directement sur les infrastructures de Mistral et propose une fenêtre de contexte d'un million de tokens avec des limites d'usage généreuses. Le mode Work de la version Web doit lui aussi basculer vers GLM 5.3. Sur le plan tarifaire, ce modèle se révèle moins coûteux que les modèles maison de l'entreprise française : 1,4 dollar le million de tokens en entrée, 0,14 dollar pour l'écriture en cache et 4,4 dollars en sortie, contre respectivement 1,5, 0,15 et surtout 7,5 dollars pour Mistral Medium 3.5. Mistral proposait déjà GLM 5.2 à ses clients depuis l'été, mais c'étaient jusqu'ici ses propres modèles, Medium 3.5 et Large 3, qui servaient par défaut les requêtes. Cette décision a suscité une vague de critiques sur les réseaux sociaux, notamment sur X, où de nombreux commentateurs y voient un aveu d'échec pour l'ambition affichée par Mistral de rester le champion européen d'une IA frontière développée en interne. Pour ces observateurs, l'entreprise parisienne glisserait du statut de créateur de modèles à celui de simple revendeur d'inférence et intégrateur, une évolution comparée par certains à une transformation en "Capgemini de l'IA européenne". L'enjeu dépasse la seule stratégie produit : il touche à la crédibilité de Mistral comme alternative souveraine face aux géants américains et chinois de l'IA, un statut largement mis en avant par les médias et les responsables politiques français et européens depuis la création de l'entreprise en 2023. Face à ces critiques, Mistral défend une position déjà exposée publiquement cet été, lors de l'intégration de GLM 5.2 : la souveraineté ne résiderait pas dans l'origine nationale d'un modèle, mais dans la maîtrise de son déploiement et des infrastructures sur lesquelles il tourne. L'entreprise affirme que ses investissements massifs dans des centres de données en France et en Suède lui permettent précisément d'offrir aux clients européens un accès à des modèles ouverts variés, y compris chinois, sans que leurs données ne quittent un cadre régional contrôlé et sans fragmentation des engagements de service. Cette stratégie repose sur le pari que les entreprises privilégieront à terme le contrôle de l'exécution plutôt que la nationalité du modèle sous-jacent, une thèse que Mistral devra désormais confirmer face à des concurrents chinois de plus en plus compétitifs sur les prix et les performances.

Business❧Opinion

1 source

46

Illustration générée par IA

809Next INpact 

☕️ Les utilisateurs de lunettes Meta pourront refuser que leurs vidéos entraînent l’IA

Meta annonce que les utilisateurs de ses lunettes connectées pourront désormais refuser que les vidéos enregistrées par leurs montures servent à entraîner l'intelligence artificielle de l'entreprise, selon des informations rapportées par Engadget. Ces images ne pourront plus non plus être transmises à des sous-traitants chargés de les annoter. Cette option, désactivée par défaut, fait suite à une enquête publiée début mars qui avait révélé que des data workers kényans employés par des sous-traitants de Meta tombaient parfois sur des extraits vidéo montrant des scènes intimes, embarrassantes ou confidentielles filmées à l'insu des personnes présentes. Meta précise dans les conditions d'utilisation de son assistant IA que les interactions peuvent être examinées « de façon automatisée ou manuelle » dans certains cas. L'entreprise assure toutefois que si un utilisateur ayant activé le refus demande, par exemple, à ses lunettes de traduire un menu, les données visuelles seront utilisées pour répondre à la requête puis immédiatement supprimées, sans entraînement de modèle ni examen humain. Cette annonce intervient alors que les lunettes connectées de Meta ont hérité du surnom peu flatteur de « pervert glasses », signe de la défiance grandissante envers un appareil capable de filmer discrètement l'entourage de son porteur. L'enjeu dépasse la seule question technique de l'entraînement des modèles d'IA : il touche au consentement des tiers filmés sans le savoir, souvent dans des contextes intimes, et à la responsabilité de l'entreprise dans le traitement de ces contenus par des travailleurs externalisés peu protégés. Pour l'industrie des wearables dotés de caméras, cette décision fixe un précédent sur la nécessité d'offrir un contrôle explicite aux utilisateurs sur l'exploitation de leurs enregistrements. Reste que l'efficacité réelle de cette option dépendra de sa mise en œuvre concrète, un réglage mal signalé ou enfoui dans un sous-menu risquant de rester lettre morte pour la majorité des utilisateurs. Le contexte réglementaire s'est nettement durci ces dernières semaines. Il y a environ deux semaines, l'autorité de protection des données du Land de Hambourg, en Allemagne, a estimé que les lunettes Meta posaient de sérieux problèmes de respect de la vie privée en Europe. En France, le parquet de Paris a de son côté ouvert une enquête à la suite de plaintes pour harcèlement sexuel liées à l'utilisation de ces appareils. Meta a par ailleurs présenté cette semaine de nouveaux modèles de lunettes dépourvus de caméra, uniquement dotés de fonctions audio, une manière de contourner en partie la controverse liée à l'image. Mais cette évolution ne règle pas la question de l'exploitation des interactions vocales avec Meta AI, puisque l'option de refus annoncée ne concerne pour l'instant que les données visuelles.

Éthique⚡Actu

1 source

44

Illustration générée par IA

810Latent Space 

L'avenir de Latent Space

Anthropic a dévoilé Claude Opus 5.5, qui prend la tête du classement SimpleBench avec un score de 88,4 % et se hisse, selon les évaluations de vision partagées sur X par Skalski, au rang de meilleur modèle visuel d'Anthropic à ce jour, devant Fable 5 et GPT-6 Sol, mais derrière GPT-6 Astra, pour un coût environ 60 % inférieur à Fable 5.1. Sur le benchmark Terminal-Bench-Science, Opus 5.5 passe de 24 % en effort de raisonnement faible à 62 % en effort "xhigh", avant de retomber à 59 % en mode "max". OpenAI a de son côté lancé la famille GPT-6, avec Astra, Sol et Luna : Astra et Opus 5.5 devancent Fable 5.1 d'environ 20 points sur Terminal-Bench-Science, le meilleur modèle extérieur à ces deux laboratoires restant Qwen3.8 Max à 12 %. Google a publié Gemini 3.8 Flash, qui obtient 41 points à l'indice d'intelligence AA à une vitesse de 291 tokens par seconde avec un contexte d'un million de tokens, et affiche 89,2 % sur ARC-AGI v2 pour 0,40 dollar par tâche. Xiaomi a mis à disposition MiMo-V2.6-Pro sous licence MIT, un modèle omni-modal à contexte d'un million de tokens, avec un score de 46 à l'indice AA, juste derrière GPT-5.6 Sol (47), pour un coût de 0,13 dollar par tâche contre 1,99 dollar. Par ailleurs, la société TypeSafe AI a levé 10 milliards de dollars après un podcast exclusif de la newsletter Latent Space le week-end précédent. Cette accélération simultanée de plusieurs laboratoires, avec des baisses de prix marquées chez Anthropic et OpenAI, redessine rapidement le rapport coût-performance sur lequel les entreprises choisissent leurs modèles. La sortie d'un modèle chinois open source aussi compétitif que MiMo-V2.6-Pro, à une fraction du prix des modèles propriétaires occidentaux, intensifie la pression concurrentielle et élargit l'accès à des capacités de pointe pour les développeurs disposant de budgets limités. Du côté des usages professionnels, une partie de la communauté estime que l'offre Claude Code à 200 dollars surpasse désormais Codex, tandis qu'Astra s'impose comme le modèle de référence pour la revue et l'audit de code, illustrant l'intensité de la compétition sur les outils de développement assisté par IA. Cette semaine chargée s'inscrit dans un contexte de transformation pour Latent Space elle-même, dont la newsletter AINews, rédigée quotidiennement par swyx depuis trois ans et forte de plus de 200 000 abonnés, prépare une refonte fusionnant son Discord et son édition, une migration vers la plateforme Beehiiv et la réouverture aux sponsors. L'écosystème continue par ailleurs de s'étoffer avec l'événement Supabase Select prévu le 2 octobre à San Francisco, la société de base de données valorisée 10 milliards de dollars devant y dévoiler ses prochaines annonces, en amont du DevDay d'OpenAI.

LLMs⚡Actu

1 source

36

Illustration générée par IA

811MarkTechPost 

Fastino lance GLiNER2.5-Decide, un modèle de décision open-weight de 340M de paramètres, exécutable sur CPU

Fastino Labs a publié GLiNER2.5-Decide, un modèle de décision open-weight de 340 millions de paramètres, sous licence Apache 2.0, installable via pip install gliner2. Contrairement à un modèle génératif, il ne produit aucun texte : il prend en entrée un texte accompagné d'un schéma de questions typées et renvoie des réponses structurées, chacune assortie d'une distribution de probabilité, d'un score de confiance et de métadonnées sur la faisabilité des contraintes. Basé sur un encodeur DeBERTa-v3-large affiné à partir de gliner2-large-v1, il fonctionne sur CPU, GPU ou en environnement isolé sans connexion réseau. Sur le benchmark interne Fast Decisions, composé de 5 100 exemples répartis sur 17 jeux de données couvrant la banque, le médical, le voyage et les avantages sociaux, il obtient une précision moyenne de 60,1 %, devançant des modèles bien plus volumineux comme JevK5 (4 milliards de paramètres, 57,5 %) ou SemIf Qwen3.5-4B (56,4 %), et arrive en tête sur 9 des 17 jeux de données, notamment en routage d'intentions avec 75,3 % de précision sur le support client. Côté latence, le modèle répond en 167,3 millisecondes sur un CPU Intel Xeon Platinum 8581C à 48 cœurs virtuels, et entre 38 et 47 millisecondes sur des GPU comme les NVIDIA T4, L4, V100 ou A100. Cette sortie répond à un besoin précis et souvent négligé dans les architectures d'agents IA : les décisions opérationnelles rapides et répétitives, comme le routage de tickets, le tri de requêtes, la sélection d'outils ou l'application de garde-fous de sécurité, qui ne nécessitent pas la puissance ni le coût d'un grand modèle génératif. Fastino illustre l'intérêt de son décodage conjoint avec un exemple de détection d'injection de prompt : évalué séparément, le modèle attribuait un score de 0,82 à une tentative d'attaque tout en jugeant à 0,52 que le même prompt était sûr, un résultat contradictoire. En appliquant une règle liant les réponses entre elles, le modèle renvoie désormais une verdict cohérent, sûr ou non sûr, couplé au type de menace détecté. Pour les équipes qui construisent des pipelines d'agents, cela signifie une couche de décision moins chère, plus rapide et déployable localement, y compris pour des cas sensibles nécessitant un traitement sur site sans passer par une API cloud tierce. Ce lancement s'inscrit dans une tendance plus large de spécialisation des modèles : plutôt que de confier chaque micro-décision à un grand modèle de langage génératif coûteux en calcul, certains laboratoires développent des classificateurs compacts et rapides pour les tâches à choix contraints. Fastino propose également une offre d'inférence hébergée et de fine-tuning via son API GLiNER, ce qui laisse entrevoir un modèle économique mixte entre poids ouverts et service payant. Le même encodeur peut aussi extraire des entités, des relations et des enregistrements structurés avec des offsets au niveau des caractères en un seul passage, ce qui élargit son usage au-delà de la simple classification. Reste à voir comment ce type de modèle de décision s'intégrera face à la montée en puissance des agents génériques capables de raisonnement, et si d'autres acteurs suivront cette voie de la spécialisation pour réduire les coûts d'inférence dans les pipelines de production.

Outils⚡Actu

1 source

48

Illustration générée par IA

812MarkTechPost 

Black Forest Labs lance FLUX 3 Action, un modèle d'action pour le monde réel en poids ouverts de 7 milliards de paramètres, en tête de RoboLab-120

Black Forest Labs (BFL), le laboratoire derrière les modèles d'images FLUX, a lancé FLUX 3 Action, un modèle de contrôle robotique en poids ouverts de 7 milliards de paramètres. Ce « World Action Model » lit les images de caméra, l'état du robot et une instruction textuelle, puis prédit conjointement les futures images vidéo et la prochaine séquence d'actions. Sur le classement RoboLab-120 (120 tâches simulées sous Isaac Sim, dix essais chacune sur un bras Franka de type DROID), il obtient 42,92% de réussite, devançant Cosmos 3 Nano de NVIDIA (36,8%, 16 milliards de paramètres) et π0.5 (28%, 3,3 milliards), avec 56% de paramètres en moins que Cosmos 3 Nano. Sur un bras robotique réel, une évaluation à l'aveugle de Positronic Robotics confirme l'écart: 28 succès sur 30 essais (93,3%), contre 27 pour Cosmos 3 Nano et 13 pour π0.5. Le modèle demande 32 Go de mémoire GPU en BF16 sur H200, ou 24 Go en FP8, sous licence FLUX Kommunity non commerciale. L'enjeu est un compromis classique en robotique open source: les modèles qui prédisent la vidéo, comme Cosmos 3 Nano, sont précis mais lents (BFL mesure un temps de calcul environ 4,7 fois supérieur à π0.5 par seconde de mouvement), tandis que les modèles vision langage action légers comme π0.5 sont rapides mais moins fiables. En conservant la prédiction conjointe vidéo/action mais avec un squelette plus compact et de la distillation, BFL réduit cet écart de vitesse. Trois versions sont proposées: la base, une variante distillée par guidage (1,8 à 2 fois plus rapide, pour un score légèrement supérieur) et une version distillée à une seule étape (jusqu'à 4 fois plus rapide, pour 3,5 à 4,3 points de réussite en moins). De quoi rendre des politiques robotiques ouvertes exploitables sur du matériel plus modeste, un atout pour les équipes qui veulent affiner ces modèles, comme celles de LeRobot ou Jetson AI. FLUX 3 Action dérive du socle multimodal FLUX 3, préentraîné sur de l'image, de la vidéo et de l'audio (plus de 95% des tokens issus de vidéo), puis affiné sur un mélange de données de préentraînement et de vidéo alignée sur l'action, tirée de jeux vidéo, de vidéos de mains humaines, de pinces portables et de téléopération couvrant quatorze morphologies de robots, la plupart partageant un espace d'action commun à 50 dimensions appelé EE50. Ce préentraînement est décisif: sans lui, un entraînement limité aux seules données DROID plafonne sous 1% de réussite sur RoboLab, contre 11,6% avec. BFL a aussi testé un pilotage hybride avec le modèle de raisonnement GPT 6 Astra: à effort faible, la combinaison résout 90% des épisodes pour 8,77 dollars et 8 minutes par succès, contre 100% mais 13,47 dollars et plus de 16 minutes pour Astra seul à effort maximal, signe de la recherche d'un équilibre entre coût, vitesse et fiabilité face à des rivaux comme NVIDIA.

Robotique⚡Actu

1 source

42

Illustration générée par IA

813Latent Space 

WorldPrompt de Runway : comment concevoir des mondes en temps réel

La société de "modèles du monde" Runway a présenté début septembre 2026 GWM Worlds 2, une preview de recherche qui transforme la génération vidéo et audio haute fidélité en simulation interactive en temps réel, à l'aide d'un modèle de "diffusion autorégressive" qui produit le contenu image par image plutôt que d'un bloc. Sa nouveauté phare s'appelle WorldPrompt : un format qui permet de fixer certains paramètres d'un monde généré, comme sa première image, puis d'y injecter une série d'événements horodatés, pouvant même être déclenchés en temps réel pendant la simulation. Pour comprendre les implications de cet outil, la publication a interrogé Kamil Sindi, directeur technique de Runway, et Robin Kahlow, responsable de la recherche sur la vidéo générative et l'IA multimodale, et cite des propos d'Anastasis Germanidis, cofondateur et co-PDG de l'entreprise, recueillis lors d'un podcast animé par swyx et Vibhu. Runway, valorisée à 5,3 milliards de dollars après une levée de 315 millions de dollars en février 2026, avait lancé une première version, GWM Worlds, en décembre 2025. Elle affronte désormais Genie 3 de Google DeepMind (720p, 24 images par seconde), Odyssey-2 Pro et RTFM de World Labs sur ce même terrain. WorldPrompt agit comme une couche de contrôle sur les personnages, les caméras et l'environnement d'une scène générée, un peu à la manière d'un moteur de jeu vidéo qui ferait parler ou bouger un personnage non joueur. Contrairement à des mondes scriptés comme Minecraft ou Roblox, il ne s'agit pas d'un langage de programmation mais d'un mécanisme de prompt : impossible donc de coder un état persistant ou une règle physique de façon garantie. Selon Kahlow, la fiabilité dépend de la complexité de l'action demandée, le mouvement fonctionnant déjà "de façon assez fiable", tandis que davantage d'entraînement et de données permettent d'améliorer progressivement le respect des instructions. Cette approche ouvre la voie à des expériences et jeux entièrement générés à la demande, en vidéo et audio synchronisés, sur n'importe quel univers imaginé, sans développement préalable. Le défi technique reste immense : il faut que le modèle génère chaque image en continu, en cohérence avec les précédentes, tout en absorbant en temps réel de nouvelles instructions, un problème de latence et d'ingénierie que Google reconnaît lui-même pour Genie 3, limité à quelques minutes d'interaction continue contre des heures visées à terme. La course entre Runway, Google DeepMind, Odyssey et World Labs illustre l'émergence d'un nouveau champ de bataille dans l'IA générative, où la vidéo temps réel pourrait à terme remplacer la conception manuelle de mondes virtuels pour le jeu, la simulation ou l'entraînement de systèmes autonomes.

Création❧Opinion

1 source

38

Illustration générée par IA

814The Information AI 

Pourquoi le moment de gloire de Meta dans l'IA ne va pas durer

L'action de Meta Platforms a bondi de 27% depuis le 8 septembre 2026, date à laquelle l'entreprise a lancé Muse, son agent IA personnel. Ce rallye porte la hausse du titre à 18% depuis le début de l'année, un gain supérieur à ceux d'Alphabet, d'Amazon ou de Microsoft. Mercredi, lors de la conférence Connect, le PDG Mark Zuckerberg a présenté de nouveaux appareils de réalité virtuelle et d'intelligence artificielle, dont Charm, un dispositif conçu spécifiquement autour de Muse. Cette annonce a renforcé le sentiment positif des investisseurs déjà séduit par la campagne marketing de Muse, qui a généré de nombreuses critiques élogieuses et des gros titres sur les téléchargements de l'application. Ce retournement marque un contraste frappant avec la situation de Meta il y a encore peu de temps, quand Wall Street critiquait vivement les dépenses jugées incontrôlées de l'entreprise en matière d'intelligence artificielle. La performance boursière actuelle illustre à quel point la perception des investisseurs peut basculer rapidement lorsqu'un produit IA rencontre un succès commercial visible, transformant une entreprise autrefois pointée du doigt pour ses coûts en favorite du marché. Pour l'industrie technologique, cet épisode montre combien la valorisation des géants de la tech dépend désormais directement de leur capacité à démontrer des résultats concrets en intelligence artificielle, au-delà des simples annonces de investissements. Ce succès s'inscrit dans un contexte de compétition intense entre les grandes entreprises technologiques américaines pour dominer le marché de l'IA grand public, face à des rivaux comme Alphabet, Amazon et Microsoft. Meta avait essuyé des critiques répétées sur ses dépenses massives en infrastructure et recherche IA sans retour visible immédiat. L'accueil favorable de Muse et de Charm semble avoir temporairement dissipé ces doutes. Toutefois, l'histoire récente du secteur de l'IA montre qu'aucun acteur ne conserve durablement son avantage : les positions dominantes changent rapidement à mesure que de nouveaux produits ou modèles concurrents émergent, ce qui laisse planer une incertitude sur la pérennité de cette embellie boursière pour Meta.

Business❧Opinion

1 source

41

Illustration générée par IA

815The Verge AI 

Gemini 3.8 Live avec avatar en direct donne un visage à l'IA de Google

Google a dévoilé une mise à jour de son modèle Gemini, baptisée Gemini 3.8 Live, qui introduit une fonctionnalité appelée « Live Avatar ». Concrètement, les utilisateurs peuvent désormais converser avec l'IA tout en observant un personnage animé qui répond en temps réel, avec synchronisation labiale et expressions faciales adaptées au propos. Selon Google, cet avatar peut passer d'une langue à l'autre parmi les 97 prises en charge par le modèle « sans dégradation de la fidélité vidéo ni dérive visuelle ». Une démonstration diffusée par l'entreprise montre l'avatar s'exprimant successivement en anglais et en japonais, avec une animation buccale correctement calée sur chaque langue. L'outil peut aussi afficher des informations à l'écran pendant l'échange. Pour l'instant, cette fonction reste réservée aux clients de Gemini Enterprise, la version professionnelle de la plateforme. Cette avancée marque une étape dans la personnification des assistants conversationnels : au lieu d'une simple voix ou d'un texte, l'utilisateur interagit avec un visage numérique expressif, ce qui pourrait transformer les usages en entreprise, du service client à la formation interne, en rendant les échanges avec l'IA plus naturels et engageants. La capacité à changer de langue sans perte de qualité visuelle est également stratégique pour des organisations opérant à l'international. Cette annonce s'inscrit dans une compétition plus large entre grands acteurs de l'IA générative, qui cherchent à différencier leurs offres par l'expérience utilisateur autant que par les performances brutes des modèles. En misant sur un avatar animé plutôt qu'une interface purement textuelle ou vocale, Google se positionne face à d'autres entreprises explorant des personas numériques. Le déploiement limité à la clientèle Enterprise laisse présager une extension progressive vers d'autres offres, selon la réception de cette technologie encore émergente.

Outils⚡Actu

Aussi surDeepMind Blog,01net

41

Illustration générée par IA

816The Decoder 

Des experts en IA ont largement sous-estimé la vitesse d'évolution du secteur, selon une étude

Une étude du Forecasting Research Institute révèle que les meilleurs experts en intelligence artificielle ont systématiquement sous-estimé la vitesse des progrès du secteur. Selon ce rapport, l'IA a atteint le niveau médaille d'or aux Olympiades internationales de mathématiques avec cinq ans d'avance sur la prévision médiane des experts interrogés. Le chiffre d'affaires annualisé d'Anthropic, de son côté, s'est révélé environ cinq fois supérieur à ce que ces mêmes experts avaient anticipé. En revanche, les prévisions concernant des applications concrètes comme les voitures autonomes dressent un tableau plus nuancé, certaines prédictions s'étant révélées trop optimistes plutôt que trop prudentes. Ces écarts massifs entre prévisions et réalité posent un problème sérieux pour tous ceux qui doivent planifier autour de l'IA, qu'il s'agisse de gouvernements, d'entreprises ou d'investisseurs. Si même les spécialistes reconnus du domaine peinent à anticiper des avancées comme les performances mathématiques des modèles ou la croissance financière d'un acteur comme Anthropic, les décisions de politique publique, de régulation ou d'allocation de capital reposent sur des bases fragiles. Cela renforce l'idée que les feuilles de route technologiques et économiques liées à l'IA doivent intégrer une marge d'incertitude bien plus large que ce qui est habituellement admis. Cette étude s'inscrit dans un débat plus large sur la fiabilité des exercices de prévision appliqués à l'IA, un domaine où les capacités des modèles progressent souvent de façon non linéaire. Des organismes comme le Forecasting Research Institute cherchent précisément à mesurer la calibration des experts pour améliorer les méthodes de prévision futures. Le contraste entre le rythme des percées techniques et celui, plus lent et inégal, du déploiement dans des usages réels comme la conduite autonome illustre la difficulté à transformer des avancées de laboratoire en adoption concrète et généralisée.

Recherche❖Paper

1 source

42

Illustration générée par IA

817The Information AI 

Les entreprises ne voient toujours pas de retour sur l'IA, selon un dirigeant du conseil

Selon la société de conseil EY, les entreprises peinent toujours à démontrer un retour sur investissement concret de leurs dépenses en intelligence artificielle. Lors du sommet AI Agenda Live Summit organisé par The Information, Dan Diaso, dirigeant chez EY, a déclaré à Jessica Lessin n'avoir rencontré aucun client souhaitant ralentir ses dépenses en IA, mais avoir vu de nombreux clients admettre ne pas savoir où se situe leur retour sur investissement. Selon lui, seul un client d'EY sur dix parvient réellement à démontrer, dans ses comptes de résultat, où se génère ce retour. Il précise toutefois que la quasi-totalité des organisations constatent une hausse significative de leur productivité grâce à l'IA, sans que ce gain se traduise pour autant en résultats financiers mesurables. Ce décalage entre productivité perçue et rentabilité prouvée pèse directement sur les décisions des directeurs financiers, qui exigent des preuves concrètes que l'IA génère soit plus de revenus, soit des économies de coûts. Cette pression explique pourquoi de nombreuses entreprises de logiciels et d'IA multiplient les remises et les offres gratuites pour convaincre les entreprises d'adopter leurs outils. Diaso résume la situation en estimant que les investissements actuels reposent encore davantage sur l'enthousiasme que sur des preuves tangibles, un constat qui interroge la soutenabilité du rythme d'investissement actuel dans le secteur. Cette difficulté à chiffrer le retour sur investissement n'est pas nouvelle : elle fait écho à des critiques formulées par les entreprises depuis un an ou deux. Un facteur récent a toutefois accentué cette prise de conscience, la généralisation, par des fournisseurs comme Anthropic, d'une tarification à l'usage au cours de la dernière année. Cette évolution s'est traduite par des factures nettement plus élevées pour les entreprises clientes, qui ont en retour commencé à utiliser les outils d'IA avec davantage de parcimonie et à se tourner plus souvent vers des modèles open source. Cette tension entre coûts croissants et bénéfices difficiles à quantifier place les fournisseurs d'IA, les directions financières et les équipes techniques face à un même défi commun dans les mois à venir.

Business⚡Actu

1 source

40

Illustration générée par IA

818MarkTechPost 

BottleCap AI lance ThinkingCap-Qwen3.8-27B : 37,2 % de tokens de raisonnement en moins pour 0,86 point de précision en moins

BottleCap AI a publié ThinkingCap-Qwen3.8-27B, second modèle de sa série ThinkingCap, un fine-tune du Qwen3.8-27B développé par l'équipe Qwen dont l'unique objectif est de raccourcir les traces de raisonnement. Sur douze benchmarks, le modèle consomme en moyenne 37,2 % de tokens de réflexion en moins, le nombre moyen cumulé passant de 15 735 à 12 144 tokens, pour une baisse de précision macro-moyenne limitée à 0,86 point (de 86,65 % à 85,79 %). Les gains varient fortement selon les tâches : MMMLU voit ses tokens chuter de 65,5 % (de 1 656 à 571), MMLU-Pro de 57,3 %, et GPQA-Diamond de 43,1 % (de 12 772 à 7 267 tokens). IFBench réduit sa réflexion de 46,4 % avec une précision quasi stable (79,75 % contre 79,71 %), tandis qu'AA-LCR progresse même de 2,25 points (81,75 % à 84,00 %) avec 38,6 % de tokens en moins. Le compromis le plus coûteux concerne AIME 2026, où la précision recule de 3,85 points (98,13 % à 94,27 %) pour 30,2 % de réflexion en moins. Le modèle, un checkpoint bf16 de 28 milliards de paramètres acceptant image et texte, est disponible en cinq versions quantifiées (FP8 31 Go, NVFP4 21 Go, NVFP4 W4A4 23 Go, GGUF de 16 à 55 Go, MLX 4 bits 21 Go pour Mac Apple Silicon) et s'installe en remplacement direct de Qwen3.8-27B sur vLLM ou SGLang. Cette approche répond à un problème concret des modèles de raisonnement récents : ils produisent souvent bien plus de tokens de réflexion que nécessaire sans que cela améliore la réponse finale, ce qui gonfle les coûts d'inférence et la latence en production. Pour les entreprises qui déploient ces modèles à grande échelle, notamment sur des tâches longues ou agentiques, la réduction de 37 % du volume de calcul représente une économie directe. L'effet est particulièrement net sous contrainte : avec un plafond de 16 000 tokens par réponse, ThinkingCap dépasse le modèle de base, avec des traces tronquées ramenées de 0,51 % à 0,34 % et des boucles de raisonnement réduites de 0,06 % à 0,05 %, un point sensible pour toute application soumise à un budget de tokens strict. Le recul sur les tâches mathématiques de compétition invite toutefois à la prudence pour les usages où la précision maximale prime sur le coût. Ce second modèle fait suite à une première version appliquée à Qwen3.6-27B, confirmant que BottleCap AI se positionne comme un acteur spécialisé dans l'optimisation post-entraînement de modèles ouverts plutôt que dans la création de nouvelles capacités. L'entreprise recommande le mode de raisonnement xhigh pour le meilleur équilibre précision-coût et annonce vouloir affiner spécifiquement les autres niveaux d'effort dans une prochaine itération. L'accès au dépôt reste soumis à autorisation, et tout usage commercial dépassant le cadre de la petite entreprise nécessite un accord spécifique avec BottleCap, illustrant le modèle économique naissant autour de ces services de compression de raisonnement.

LLMs⚡Actu

1 source

35

Illustration générée par IA

819The Decoder 

Sakana AI recrute Jürgen Schmidhuber, inventeur du deep learning, des world models et de la prochaine mise à jour de ChatGPT

Sakana AI, entreprise basée à Tokyo, a annoncé l'embauche de Jürgen Schmidhuber au poste de Chief Scientific Advisor. Considéré par l'entreprise comme le "père de l'IA moderne", le chercheur a marqué le domaine dès les années 1990 avec ses travaux fondateurs sur l'apprentissage profond et les modèles du monde. Il rejoint Sakana AI pour aider à diriger le nouveau RSI Lab de l'entreprise, un laboratoire consacré à l'auto-amélioration récursive, c'est-à-dire des systèmes d'IA capables de perfectionner eux-mêmes leurs propres capacités. Ses idées ont déjà influencé des projets existants de Sakana AI, notamment la Darwin Gödel Machine, un système exploitant des principes évolutionnistes pour l'auto-amélioration algorithmique. Cette embauche illustre la bataille que se livrent les entreprises d'IA pour attirer les chercheurs les plus reconnus du secteur, à un moment où l'auto-amélioration récursive s'impose comme l'un des axes de recherche les plus scrutés pour dépasser les limites actuelles des grands modèles de langage. Si les techniques développées au sein du RSI Lab aboutissent, elles pourraient influencer directement la prochaine génération de systèmes conversationnels, y compris de futures mises à jour d'outils grand public comme ChatGPT, en permettant aux modèles d'apprendre et de se restructurer de façon plus autonome, avec moins d'intervention humaine directe dans les cycles d'entraînement. L'arrivée de Schmidhuber s'inscrit dans une trajectoire de plusieurs décennies : ses recherches sur les réseaux de neurones récurrents et les architectures d'apprentissage autonome ont posé une partie des bases théoriques sur lesquelles reposent les grands modèles actuels, bien avant l'essor du deep learning grand public. Pour Sakana AI, jeune acteur japonais de l'IA cherchant à se distinguer des géants américains et chinois, associer son nom à celui d'une figure aussi respectée renforce sa crédibilité scientifique. Reste à voir si le RSI Lab parviendra à transformer ces concepts théoriques, encore largement expérimentaux, en systèmes capables de s'auto-améliorer de manière fiable et sûre à grande échelle.

Business⚡Actu

1 source

39

Illustration générée par IA

820The Verge AI 

Jensen Huang parle de l'IA et du changement climatique comme un super-vilain

Jensen Huang, le PDG de Nvidia, a livré des propos controversés sur le lien entre intelligence artificielle et changement climatique lors d'un entretien accordé au podcast The Ezra Klein Show. Selon lui, l'IA pourra contribuer à lutter contre le réchauffement climatique, mais seulement après avoir d'abord infligé, selon ses propres mots, "une énorme quantité de douleur et de souffrance". Il fait référence à l'empreinte énergétique des centres de données qui alimentent aujourd'hui cette technologie et qui fonctionnent en grande partie grâce à des sources d'énergie polluantes. L'entretien met aussi en lumière ce que The Verge qualifie de position extrêmement privilégiée du dirigeant, qui peut se permettre de présenter les dommages environnementaux actuels comme une étape nécessaire vers un avenir meilleur. Ce discours illustre une rhétorique accélérationniste de plus en plus répandue chez les dirigeants technologiques, mais aussi reprise par le président américain Donald Trump: les dégâts causés aujourd'hui par des data centers énergivores seraient le prix à payer pour des bénéfices futurs jugés si considérables qu'ils justifieraient tous les sacrifices intermédiaires. Une logique qui inquiète, car elle fait porter aux populations et aux écosystèmes déjà vulnérables le coût immédiat d'une promesse encore hypothétique, tout en dispensant les géants de la tech de rendre des comptes sur leurs émissions actuelles. Les propos de Huang s'inscrivent dans un contexte de tensions croissantes autour de la consommation énergétique de l'intelligence artificielle, alors que la construction de nouveaux data centers se multiplie aux Etats-Unis, souvent au détriment des riverains confrontés à des hausses de factures d'électricité et à un recours accru aux énergies fossiles. Le débat oppose désormais ouvertement les promesses à long terme formulées par Nvidia et les autres géants du secteur, et les coûts environnementaux et sociaux immédiats qu'ils font porter aux communautés locales, sans garantie que les bénéfices climatiques annoncés se concrétisent un jour.

Société❧Opinion

1 source