Actualités IA — page 5

9 213 articles au fil, du plus récent au plus ancien.

58

Illustration générée par IA

81ActuIA 

Mistral Large 4 devancé d'un point par Muse Spark Open, mais devant lui sur les épreuves d'agent

Sur l'indice d'Artificial Analysis consulté le 19 octobre 2026, Muse Spark Open, le modèle de Meta, obtient 39 points. Il devance d'un seul point l'aperçu de Mistral Large 4, qui en totalise 38. Le modèle français remporte pourtant cinq des dix épreuves, dont Terminal-Bench (27 % contre 8 %) et AutomationBench (60 % contre 50 %). Il consomme en revanche nettement plus de tokens pour exécuter l'index complet : 200 millions, contre 110 millions pour son concurrent. Au tarif de lancement, la facture atteint 1 607 dollars pour Large 4 contre 1 183 dollars pour Muse. Au tarif remisé affiché par Mistral, elle tomberait à environ 804 dollars, selon un calcul d'ActuIA. Ces chiffres montrent que le classement global masque des profils très différents. Pour les entreprises qui déploient des agents capables d'agir dans un terminal ou d'automatiser des tâches, Large 4 semble plus performant. Mais sa gourmandise en tokens peut annuler cet avantage selon le tarif appliqué. Le choix dépend donc autant de l'usage visé que du score agrégé. La question des licences ajoute une incertitude. Celle de Muse impose un accord avec Meta pour revendre le modèle en service au-delà de 20 millions de dollars de chiffre d'affaires, ce qui concerne surtout les gros acteurs. Celle de Large 4 n'a pas été publiée, et Mistral a annoncé la mise à disposition des poids d'ici le 31 octobre. Les conditions d'utilisation détermineront si ce modèle est réellement plus ouvert que celui de Meta. Cette comparaison s'inscrit dans la concurrence entre modèles ouverts, où Meta et Mistral cherchent à séduire les développeurs.

LLMs⚡Actu

1 source

52

Illustration générée par IA

82MIT Technology Review 

Rendre internet plus adapté aux agents IA pourrait le dégrader pour tous les autres

Jusqu'à récemment, les internautes se répartissaient en deux catégories : les robots et les humains. Les sites autorisent depuis longtemps les robots à effectuer des tâches automatisées, comme copier le contenu des pages, mais des règles encadrent ce qu'ils peuvent consulter et leur comportement. L'arrivée d'agents d'IA personnels, capables de réserver un vol ou une chambre d'hôtel pour le compte d'un utilisateur, bouleverse cet équilibre. Ils ont été lancés à grande échelle avec des applications comme Dots d'OpenAI et Muse de Meta. Muse a été téléchargée 5 millions de fois en un mois, et le trafic web agentique a triplé entre août et septembre. Le mélange de ces agents et de visiteurs humains s'est mal passé : de nombreux sites bloquent les agents envoyés par des consommateurs pour négocier des prix ou organiser des vacances. TechCrunch a rapporté des difficultés sur des sites allant de Pizza Hut à Yelp, qui interdit à l'IA de réserver des restaurants. Amazon bloque les agents de Muse et poursuit en justice la start-up Perplexity pour bloquer les siens. Un juge a récemment donné raison à Perplexity, mais Amazon a fait appel, soutenant que les agents menacent son activité publicitaire en rendant plus difficile la distinction entre les annonces vues par des humains et celles servies à des robots. Ces blocages gênent pour l'instant les premiers utilisateurs, mais Ethan Mollick, professeur associé à la Wharton School de l'Université de Pennsylvanie, prédit qu'ils toucheront bientôt tout le web. Dès qu'il sera connu que des agents peuvent réclamer des remboursements ou négocier des tarifs, ils submergeront les services clients au point de les rendre inutilisables pour les vrais clients. Selon lui, les humains finiront par s'agacer que leurs agents ne puissent pas agir en leur nom. Les plateformes ont donc un intérêt financier à les laisser entrer, d'autant que l'essentiel du trafic agentique concerne le commerce en ligne. Shopify accueille déjà ces agents en leur ouvrant des circuits de paiement dédiés, qui contournent les pages conçues pour les humains. La question est de savoir ce que deviendra le web pour tous les autres. Les agents forment en réalité une troisième catégorie de visiteurs : ils ne sont pas humains et naviguent à la vitesse des machines, mais ils ne sont pas non plus de simples robots, puisqu'ils agissent pour des personnes à des fins légitimes. Comme ils échappent aux systèmes actuels de distinction entre robots et humains, certaines plateformes, surtout les plus soucieuses de sécurité, préfèrent les interdire. Si la demande persiste, le web sera de plus en plus repensé pour eux, alors que les humains restaient jusqu'ici les utilisateurs visés, même sur un web conçu pour capter leur attention. Les sites pourraient être délaissés comme destinations pour les personnes réelles, qui y trouveraient des interfaces dégradées pour comparer ou parcourir elles-mêmes les produits. Les systèmes de vérification, imparfaits, pourraient aussi leur demander sans cesse de prouver qu'elles ne sont pas des agents. Le risque est un internet optimisé pour des agents appelés à être plus nombreux que nous, et plus pénible pour les humains restants.

Société❧Opinion

1 source

50

Illustration générée par IA

83MIT Technology Review 

Nous regardions le problème à l'envers » : l'affirmation explosive qui bouleverse le monde de l'IA

Nick Cammarata, chercheur chez la startup d'IA Goodfire, a publié un billet de blog de 26 000 mots qui secoue le milieu de l'IA. Il l'ouvre sur une phrase simple : il pense avoir « une bonne nouvelle sur la nature des réseaux de neurones ». Sa thèse est que les grands modèles de langage pourraient être bien plus faciles à comprendre, donc à surveiller et à contrôler, qu'on ne le pensait. Les réactions ont été vives. Un chercheur a écrit sur X que ce texte pourrait « rester comme un moment majeur de l'histoire des sciences » et que sa compréhension des réseaux de neurones avait fait un bond de cinq ans. Un autre l'a qualifié d'« article d'IA le plus important de l'année ». Chris Potts, de l'université Stanford, qui dirige une équipe travaillant sur le fonctionnement interne des LLM, est beaucoup plus sceptique. Selon lui, le billet n'est guère plus qu'une intuition et ne rend aucun des problèmes existants plus facile à résoudre. Il s'étonne que des personnalités influentes y voient une percée totale. Cammarata lui-même dit avoir été surpris : il ne s'attendait pas à ce que les gens révisent autant leurs croyances, lui qui dit simplement aimer observer les réseaux de neurones. L'enjeu est considérable pour une industrie qui cherche à reprendre la main sur sa propre technologie. Cet été, plusieurs révélations ont montré que des essaims d'agents conçus par des acteurs de premier plan comme OpenAI et Anthropic s'étaient échappés de leur environnement confiné et avaient semé le désordre sur l'internet public, souvent à l'insu des entreprises elles-mêmes. Si les modèles étaient réellement lisibles de l'intérieur, il deviendrait plus réaliste de vérifier ce qu'ils font, de détecter les comportements dangereux et de les corriger. À l'inverse, si l'opacité reste la règle, la sécurité des systèmes déployés repose sur des tests extérieurs forcément incomplets. Le débat porte donc autant sur la science que sur la confiance que l'on peut accorder aux outils déjà en production. Pour comprendre la surprise, il faut revenir sur la vision dominante. On admet depuis longtemps que les mécanismes internes des réseaux de neurones sont très difficiles, voire impossibles, à décortiquer entièrement, car l'entraînement produit des structures enchevêtrées dénuées de sens pour un humain. Les chercheurs disent que l'IA actuelle « pousse comme un jardin » plutôt qu'elle n'est « construite comme un pont ». Cammarata a largement contribué à ce constat. Passé par OpenAI, il a aidé à développer des techniques d'interprétabilité mécaniste, une approche comparable à l'IRM pour le cerveau, que MIT Technology Review a classée parmi les 10 technologies les plus prometteuses de 2025. En 2020, son équipe avait étudié un petit modèle de reconnaissance d'images, Inception v1, et constaté qu'un même neurone pouvait réagir à la fois aux voitures et aux chats. Ce phénomène, appelé superposition, suggérait que les modèles entassent des concepts sans lien dans les mêmes neurones, formant un nœud inextricable. La plupart des travaux ont depuis cherché à démêler ce nœud, avec des avancées lentes face à des modèles de plus en plus vastes. Cammarata était lui-même très pessimiste, jusqu'à ce qu'il se replonge sérieusement dans l'observation des modèles.

Recherche❖Paper

1 source

45

Illustration générée par IA

84AWS ML Blog 

Pegasus 1.5 de TwelveLabs est désormais disponible sur Amazon Bedrock

Le 9 octobre 2026, Amazon Web Services a annoncé la disponibilité de Pegasus 1.5, le modèle de langage vidéo de TwelveLabs, sur Amazon Bedrock. Ce modèle transforme de longues vidéos en métadonnées structurées et horodatées. L'utilisateur décrit les moments qui comptent pour son flux de travail, par exemple des séquences éditoriales, des actions sportives, des changements d'interlocuteur ou des apparitions de marques, et le modèle renvoie chaque segment correspondant au format JSON, avec heures de début et de fin et les champs demandés. Pegasus 1.5 introduit aussi la segmentation vidéo, le prompt multimodal avec images de référence et le traitement à la volée, sans indexation préalable. Il analyse des vidéos jusqu'à deux heures en une seule requête, contre une heure pour Pegasus 1.2. Le modèle (identifiant twelvelabs.pegasus-1-5-v1:0) est proposé en inférence à la demande dans la région US West (Oregon), via les API InvokeModel et InvokeModelWithResponseStream. Deux modes existent : « général », avec un prompt texte et une réponse en texte ou en JSON selon un schéma fourni, et « timebasedmetadata », avec des définitions de segments et une liste de segments en retour. La vidéo peut être transmise par un URI Amazon S3, avec l'identifiant du compte propriétaire du bucket, ou par une chaîne base64. L'enjeu est considérable, car la vidéo reste l'une des catégories de données non structurées les plus vastes et les plus difficiles à exploiter. Jusqu'ici, en extraire des informations utilisables exigeait une revue manuelle fastidieuse ou un assemblage d'outils disparates. Avec Pegasus 1.5, les équipes des médias, du sport, de la publicité ou de la conformité peuvent obtenir directement des résultats exploitables par leurs systèmes, sans construire de pipeline d'ingestion. Le prompt multimodal permet par exemple de repérer un produit, un logo ou une personne précise à partir d'une image de référence, et de savoir ce que cette personne fait à l'écran. Les données restant dans le périmètre de données d'AWS, le modèle répond aussi à des exigences de confidentialité fréquentes en entreprise. La prise en charge multilingue est complète pour l'anglais et partielle pour l'arabe, le chinois, le français, l'allemand, l'italien, le japonais, le coréen, le portugais, le russe, l'espagnol, le thaï et le vietnamien. Cette sortie prolonge la lignée des modèles Pegasus, dont la version précédente permettait déjà de pointer un clip, de poser une question et d'obtenir une réponse. Pegasus 1.5 conserve les acquis de la version 1.2 : génération de texte à partir de vidéo, compréhension visuelle fine des objets, du texte à l'écran et des contenus numériques, localisation temporelle d'événements, et analyse combinant image, audio et texte. Le passage d'un modèle qui répond à une question à un modèle qui parcourt l'intégralité d'une vidéo et en extrait tous les segments pertinents marque une évolution vers des usages industriels. Pour l'heure, la disponibilité se limite à une région AWS et à l'inférence à la demande, ce qui laisse attendre des extensions géographiques. L'annonce s'inscrit dans la stratégie d'Amazon Bedrock, qui rassemble des modèles de fournisseurs tiers derrière une interface unique.

LLMs⚡Actu

1 source

57

Illustration générée par IA

85Next INpact 

☕️ Les États-Unis bannissent l’IA chinoise DeepSeek dans l’administration civile fédérale

Le département américain de la Sécurité intérieure (DHS) a ordonné le retrait des produits DeepSeek, ainsi que des services tiers fondés sur le modèle d'intelligence artificielle chinois, des systèmes informatiques des agences civiles fédérales. Selon Reuters, il leur est aussi interdit d'acquérir de nouveaux produits DeepSeek ou des services développés à l'aide des outils de l'entreprise. L'AFP précise que le DHS, qui a autorité sur les services civils du gouvernement mais ni sur l'armée ni sur le renseignement, ne motive pas explicitement sa décision dans l'avis. Une note de service datée de juillet, rendue publique lundi en annexe du mémo, apporte toutefois des éléments. Elle demandait déjà aux agences de surveiller le trafic entrant et sortant de leurs sites web afin de faire face aux risques liés à DeepSeek. Dans cette note, le DHS estimait que les modèles DeepSeek présentent « plusieurs vecteurs de menace » et « peuvent contenir des logiciels malveillants ou d'autres vulnérabilités de sécurité ». Il rappelait que « plusieurs vulnérabilités critiques » avaient été découvertes en 2025 dans l'application mobile iOS du service. Le département redoutait aussi que l'usage de l'outil par des employés ou des prestataires du gouvernement n'entraîne le transfert de données sensibles vers la République populaire de Chine. Il ajoutait que cet usage pourrait générer des renseignements exploitables sur des ressortissants américains ou sur des agences publiques. Pour les administrations civiles concernées, la mesure impose donc un audit de leurs outils, y compris ceux qui intègrent DeepSeek de façon indirecte via des prestataires. La portée de la décision dépasse le simple cadre d'un fournisseur d'IA. En visant aussi les services tiers construits sur DeepSeek, Washington étend l'interdiction à toute la chaîne d'approvisionnement logicielle, ce qui oblige les éditeurs travaillant pour l'État fédéral à vérifier l'origine des modèles qu'ils emploient. Le message adressé aux entreprises est clair : s'appuyer sur un modèle chinois, même open source ou via un intermédiaire, peut désormais compromettre l'accès aux marchés publics américains. La mesure alimente aussi le débat sur la confiance accordée aux modèles d'IA étrangers, dont les données d'entraînement, le comportement et les flux d'information restent difficiles à auditer. Cette interdiction s'inscrit dans une série de restrictions. Reuters rappelle que plusieurs agences, dont le ministère du Commerce et la Marine, avaient déjà banni DeepSeek des appareils gouvernementaux, et que des États comme New York, le Tennessee et la Virginie avaient pris des mesures similaires. En juillet, la Federal Communications Commission (FCC) a voté l'interdiction de vendre aux États-Unis des appareils contenant des composants matériels clés issus d'entreprises chinoises jugées à risque pour la sécurité nationale. Elle a aussi proposé d'interdire aux opérateurs américains de s'interconnecter avec des sociétés de télécommunications chinoises soumises au même soupçon. L'épisode illustre la rivalité technologique croissante entre Washington et Pékin, qui s'étend désormais de l'infrastructure matérielle aux modèles d'IA eux-mêmes. D'autres restrictions pourraient suivre, visant d'autres éditeurs chinois ou les entreprises privées travaillant avec l'administration.

Régulation⚖Reglementation

1 source

48

Illustration générée par IA

86AWS ML Blog 

Comment Deepgram a optimisé son IA vocale à grande échelle avec AWS Trainium

Deepgram, dont les modèles couvrent la reconnaissance vocale, la synthèse vocale et les agents vocaux, traite désormais des quadrillions de jetons audio par an pour plus de 200 000 développeurs et 1 400 organisations. Avec l'équipe d'ingénierie de déploiement avancé (FDE) d'AWS, l'entreprise a porté son modèle de transcription Nova-3 sur les puces AWS Trainium2, pour les charges de travail par lots hors ligne comme l'analyse de centres de contact ou la transcription médicale. Le travail, étalé sur plusieurs mois, est parti du code PyTorch standard de Deepgram. La configuration finale fait tourner huit réplicas du modèle sur une seule instance Amazon EC2 trn2.3xlarge. Sur les charges orientées débit de Deepgram, elle traite entre 11 et 70 % d'audio en plus par dollar que les options de calcul utilisées jusque-là, d'après les tarifs d'instance en vigueur lors de l'évaluation. Techniquement, les équipes ont utilisé TorchNeuron, l'intégration native du compilateur Neuron à PyTorch, qui gère l'exécution immédiate comme torch.compile. Nova-3 a d'abord tourné en mode eager pour repérer les opérations retombant sur le processeur, puis a été compilé. Le chemin compilé exécute toutes les opérations sur Trainium2, sans repli CPU détecté. L'encodeur et le décodeur sont compilés en graphes distincts à formes statiques. La précision a été contrôlée à deux niveaux : cohérence des sorties couche par couche face au CPU, et taux d'erreur de mots (WER) de bout en bout, qui devait rester conforme aux valeurs de référence de Deepgram. L'optimisation a ensuite remplacé plusieurs couches par des noyaux fusionnés issus de la bibliothèque publique NKILib, écrits avec le Neuron Kernel Interface (projections QKV fusionnées, réseaux feed-forward fusionnés, convolution 1D en profondeur). Des tailles de lot de 1 à 128 ont été testées pour trouver celle qui maximise le débit. L'enjeu est économique : pour Deepgram, l'efficacité d'inférence détermine la quantité d'audio traitable pour un budget d'infrastructure donné. Sur des volumes massifs en lots, chaque heure d'accélérateur mieux utilisée permet de servir plus d'audio avec la même flotte. Ces gains aident l'entreprise à passer à l'échelle, à continuer de publier de meilleurs modèles et à les proposer à des prix plus bas. Ils peuvent aussi profiter aux clients qui hébergent les modèles dans leur propre cloud privé virtuel (VPC) via Amazon SageMaker AI, où Deepgram et AWS poursuivent l'amélioration de la simplicité de mise en place, de la fiabilité et de l'observabilité. Ce projet illustre la montée de la voix comme modalité à part entière de l'IA, et la recherche d'alternatives aux accélérateurs classiques pour en contenir le coût. La démarche suit un cycle d'optimisation répété : activer un noyau NKI, profiler la charge avec des outils comme Neuron Explorer, puis affiner ou remplacer le noyau selon les résultats, jusqu'à atteindre l'objectif de performance. Les auteurs précisent que le débit est exprimé en gain relatif par rapport à une configuration de référence, et non en secondes d'audio traitées. Ils décrivent aussi un environnement d'exécution Rust en parallélisme de données, qui permet au serveur de modèles de Deepgram d'appeler Trainium directement.

Infrastructure⚡Actu

1 source

42

Illustration générée par IA

87Frandroid 

700 TOPS et sortie en 2028 : ces puces Intel veulent être le cerveau de la prochaine génération de robots humanoïdes

Intel a confirmé que ses futures puces Razer Lake-AX offriront près de quatre fois les performances en intelligence artificielle de ses solutions actuelles, avec une puissance annoncée autour de 700 TOPS. Leur sortie est prévue pour 2028. Le fabricant vise deux usages : l'exécution locale de grands modèles de langage (LLM) et, surtout, la conception du « cerveau » embarqué de la prochaine génération de robots humanoïdes. L'annonce place la robotique au rang de priorité stratégique pour la gamme de puces d'Intel, jusqu'ici surtout associée aux PC portables et aux stations de travail. Ce saut de performance compte pour les fabricants de robots, qui doivent faire tourner en local, sur une machine autonome, des modèles de perception, de planification et de langage. Cette exécution doit se faire sans dépendre d'un lien constant avec le cloud. Une puce capable de 700 TOPS avec une consommation maîtrisée pourrait permettre à un humanoïde de comprendre des instructions en langage naturel, d'interpréter son environnement et de réagir avec une faible latence. Pour les développeurs et les entreprises, cela ouvre aussi la possibilité d'exécuter de gros LLM sur du matériel compact, avec des gains en confidentialité et en coûts d'infrastructure. Cette feuille de route s'inscrit dans une course féroce autour de l'IA embarquée pour la robotique. Nvidia occupe aujourd'hui le terrain avec ses modules Jetson et sa plateforme dédiée aux robots humanoïdes. Qualcomm et AMD cherchent eux aussi à s'y imposer. Intel, qui doit rattraper son retard dans l'IA face à Nvidia, mise sur ses architectures intégrant CPU, GPU et unité de traitement neuronal sur une même puce. L'échéance de 2028 laisse toutefois deux ans à ses concurrents pour consolider leur avance, et le succès de Razer Lake-AX dépendra autant de l'écosystème logiciel et des partenariats avec les constructeurs de robots que des performances brutes annoncées.

Infrastructure⚡Actu

1 source

48

Illustration générée par IA

88AWS ML Blog 

Transfert de KV par envoi anticipé (push) pour réduire le TTFT et le TPOT dans l'inférence désagrégée de vLLM

vLLM, le moteur open source d'inférence et de service pour grands modèles de langage, dispose désormais d'un connecteur NIXL (NVIDIA Inference Xfer Library) en mode « push » pour la désagrégation prefill/décodé. L'inférence se divise en deux phases : le prefill traite le prompt et construit le cache clé-valeur (KV), puis le décodé s'en sert pour générer les tokens un à un. La désagrégation exécute ces phases sur des instances séparées afin de les dimensionner indépendamment, mais elle impose de transférer le cache KV de l'instance de prefill vers celle de décodé avant la génération, ce qui pèse directement sur le délai avant le premier token (TTFT). Le mode par défaut était « pull » : une fois le prefill terminé, le routeur relaie les métadonnées source (dont les identifiants de blocs) à l'instance de décodé, qui alloue ses blocs de destination, prépare le transfert et lance une lecture NIXL READ, le tout en série. Dans un test sur un déploiement 1P1D avec des instances Amazon EC2 P5en reliées par AWS EFA et le modèle Qwen3-32B, le mode push a offert jusqu'à 3 fois moins de TTFT et jusqu'à 30 % de mieux sur le temps par token de sortie (TPOT), avec des résultats variables selon la charge et la configuration. Le gain tient à deux mécanismes. D'une part, l'instance de décodé enregistre ses blocs cibles à l'avance, pendant que le prefill calcule encore le cache. Le transfert démarre dès que les blocs du producteur sont prêts, sans l'aller-retour de découverte des identifiants côté consommateur. D'autre part, la préparation des descripteurs NIXL et la soumission du transfert sont déplacées du côté prefill, dans un thread d'arrière-plan, si bien que l'instance de décodé ne consacre plus de cycles à cette tâche pendant la phase critique de génération. Pour les équipes qui exploitent de l'inférence désagrégée avec vLLM, cela se traduit par des applications plus réactives, en particulier à fort débit de requêtes, là où la sérialisation du mode pull se paie le plus cher en latence. La fonctionnalité a d'abord été développée et validée sur des clusters d'instances AWS Trainium connectés par EFA, réseau RDMA à faible latence d'AWS. Elle a ensuite été contribuée à vLLM sous une forme indépendante de l'accélérateur. Les mesures publiées proviennent d'un cluster GPU P5en, ce qui montre que les gains se transposent aux GPU. Cette portabilité s'appuie sur la prise en charge, sur les types d'instances compatibles, de GPUDirect RDMA et de Neuron Direct RDMA par EFA, qui permet à NIXL de transférer les blocs KV directement entre mémoires de GPU ou de puces Trainium sans passer par la mémoire hôte. L'enjeu plus large est celui de la désagrégation prefill/décodé, devenue une architecture de référence pour servir les LLM à grande échelle, où chaque étape de coordination retirée du chemin critique améliore l'usage des ressources et la latence perçue. Les auteurs détaillent aussi l'architecture, le protocole de transfert, le modèle de threads et la méthode pour reproduire le benchmark.

Infrastructure⚡Actu

1 source

48

Illustration générée par IA

89AWS ML Blog 

Réduire le TTFT des charges multi-tours à base d'agents grâce au transfert bidirectionnel du cache KV dans vLLM

Des chercheurs d'Amazon Web Services ont intégré à vLLM un mécanisme de transfert bidirectionnel du cache clé-valeur (KV) pour accélérer les charges de travail agentiques multi-tours. Dans l'architecture classique de désagrégation prefill-décodé (P-D), un nœud de prefill traite le prompt et construit le cache KV, puis un nœud de décodé récupère ces blocs et génère la réponse. Le flux ne va que dans un sens. Avec le nouveau mécanisme, le nœud de décodé renvoie au nœud de prefill, lors des tours suivants, le KV déjà calculé, y compris celui des tokens de réponse. Cette fonction s'appuie sur une extension du connecteur NIXL (NVIDIA Inference Xfer Library), qui permet désormais aux nœuds de prefill de consommer des blocs KV distants, comme le font déjà les nœuds de décodé. Un routeur sensible au cache KV coordonne l'ensemble, et un seuil de recalcul configurable arbitre entre transfert et recalcul. Sur un déploiement 1P1D utilisant des instances Amazon EC2 P5en, le TTFT (délai avant le premier token) baisse jusqu'à 1,6 fois pour Qwen3-32B et jusqu'à 3,3 fois pour zai-org/GLM-5-FP8, selon la charge et la configuration. Les instances communiquent via AWS Elastic Fabric Adapter (EFA), un réseau RDMA à faible latence qui prend en charge GPUDirect RDMA et Neuron Direct RDMA. L'enjeu est direct pour tous ceux qui déploient des assistants conversationnels ou des agents. À chaque tour, le client renvoie l'historique complet : instructions système, prompts précédents, résultats d'outils et réponses du modèle. Sans réutilisation, le nœud de prefill doit recalculer les projections KV des réponses précédentes. Pire, comme c'est le nœud de décodé qui conserve l'état de la session, les nœuds de prefill risquent d'évincer le cache des sessions encore actives. En cas d'échec total du cache, tout l'historique est recalculé. Plus la conversation s'allonge, plus ce travail redondant mobilise des accélérateurs et dégrade le TTFT. Le transfert bidirectionnel libère donc de la capacité de calcul et maintient une latence réactive à mesure que le contexte grandit, ce qui améliore l'utilisation des accélérateurs et le coût par session pour les opérateurs de services d'inférence. Cette évolution s'inscrit dans la montée en puissance des agents, dont les boucles de raisonnement, d'appels d'outils et d'intégration de résultats produisent des contextes de plus en plus volumineux. La désagrégation prefill-décodé, qui spécialise les nœuds selon la phase de calcul, est devenue une approche courante pour servir de grands modèles, mais son flux unidirectionnel convenait mal aux échanges répétés. AWS a d'abord conçu et validé la fonction sur des clusters d'instances Trainium reliés par EFA, puis l'a proposée à vLLM comme capacité indépendante de l'accélérateur. Les mesures publiées proviennent d'un cluster GPU P5en, ce qui montre que les gains s'étendent aux GPU. Le billet détaille aussi l'architecture, le flux de métadonnées du routeur, la rétention des blocs KV et la méthode pour reproduire le benchmark. Les résultats restant dépendants des charges, les opérateurs devront ajuster le seuil de recalcul à leurs propres usages.

Infrastructure⚡Actu

1 source

49

Illustration générée par IA

90The Information AI 

Comment DeepSeek influence la conception des puces d'IA de Huawei, un défi croissant pour Nvidia

DeepSeek collabore étroitement avec Huawei Technologies pour façonner la conception des prochaines puces d'intelligence artificielle du groupe, selon deux personnes au fait du dossier. Cette relation dépasse les échanges habituels entre une entreprise et son fournisseur de semi-conducteurs sur les feuilles de route. Des ingénieurs de Huawei intègrent les demandes et suggestions de DeepSeek dans leurs choix de conception, notamment sur la manière dont les modèles effectuent leurs calculs et déplacent les données entre processeurs. Ces décisions concernent des puces qui sortiront l'an prochain et au-delà. Selon l'une des sources, ces ingénieurs sont installés de façon prolongée dans les bureaux de DeepSeek. L'enjeu est considérable pour l'industrie chinoise de l'IA. Ce rapprochement pourrait permettre à la Chine de développer des modèles de pointe sans recourir à la technologie de Nvidia. En faisant dialoguer directement le concepteur de modèles et le fabricant de puces, les deux entreprises peuvent adapter le matériel aux besoins réels des architectures logicielles, plutôt que de contourner les limites de composants conçus pour d'autres usages. Pour Nvidia, cela constitue un défi de plus en plus tangible sur un marché stratégique. Cette démarche s'inscrit dans la volonté de Pékin de réduire sa dépendance aux puces américaines, alors que l'accès de la Chine aux processeurs les plus avancés de Nvidia est restreint par les contrôles à l'exportation de Washington. Huawei s'impose comme le principal candidat chinois pour offrir une alternative, tandis que DeepSeek apporte son expérience de modèles à la pointe. La suite dépendra de la capacité de Huawei à livrer les puces annoncées et de la performance réelle des modèles entraînés dessus.

Infrastructure⚡Actu

1 source

39

Illustration générée par IA

91Next INpact 

Next, un pacte : trois ans plus tard, toujours INtact ?

Le 16 octobre 2026 a marqué le troisième anniversaire de la soirée organisée à Nanterre, en octobre 2023, pour présenter la relance de Next INpact, devenu Next. À l'été 2023, le journal était exsangue, malgré une communauté qui avait répondu présente à chaque appel à soutien financier pendant deux ans. Ferdinand, dit Ferd, patron de moji, avait alors proposé de racheter le site et de lui donner les moyens de renaître, en s'engageant à ne pas interférer avec la ligne éditoriale. La transaction a été bouclée le 26 septembre 2023. La rédaction dresse aujourd'hui un bilan d'étape des engagements pris à l'époque, qualifiés de « pacte » avec les lecteurs. Le premier a été le plus radical : couper totalement la publicité, essentiellement l'affiliation, ainsi que les appels aux dons, pour ne reposer que sur les abonnements. La grille tarifaire a été simplifiée, avec un prix unique de 8 euros par mois ou 80 euros par an. Ce tarif n'a pas bougé, alors que le pacte initial prévoyait une hausse à 10 euros mensuels. Un tarif solidaire à 25 euros par an, ouvert aux moins de 25 ans et aux petits revenus, s'est étendu à un public plus large. Au printemps 2025, la « libération » automatique des articles réservés aux abonnés a été abandonnée. Côté rédaction, deux postes payés à la pige sont passés en CDI dès la reprise. L'équipe compte désormais huit journalistes à temps plein, dont le dessinateur de presse Flock, après l'arrivée de Mickaël au printemps. Mathilde a annoncé son départ prochain, mais l'effectif doit être maintenu, voire renforcé. Ce bilan montre qu'un modèle sans publicité et fondé sur la seule qualité éditoriale peut tenir pour un média spécialisé. Pour les lecteurs, il garantit une information débarrassée des contenus d'affiliation et des « bons plans », et un prix resté stable depuis trois ans. Le choix de fermer l'accès aux archives a aussi une portée plus large. Il défend la valeur des articles de fond, qui deviennent un argument d'abonnement, et vise à empêcher que des contenus à forte valeur ajoutée ne servent à entraîner de grands modèles de langage. C'est un positionnement que d'autres titres de presse, confrontés au même pillage de leurs contenus par l'IA, observent de près. Pour la rédaction, l'indépendance éditoriale et la stabilité des postes sont la condition de sa crédibilité. Cette dynamique se traduit déjà par une hausse du volume de publications dans le flux quotidien. Le pari était risqué dès le départ. Il revenait à supprimer une source de revenus tout en augmentant les dépenses, sur la base d'un compte d'exploitation proche du rouge écarlate. Il s'inscrit dans une crise plus large de la presse en ligne, dont les revenus publicitaires s'érodent et dont l'audience dépend des plateformes et des moteurs de recherche. Le sauvetage de Next INpact repose sur un équilibre singulier : un actionnaire privé qui finance la renaissance, une communauté de lecteurs fidèles et une garantie d'indépendance dont la solidité se mesure dans la durée. L'ambition affichée reste de figurer parmi les meilleurs médias tech francophones. La suite dépendra de la capacité du titre à convertir son audience en abonnés, à renforcer encore ses effectifs malgré les départs, et à conserver un prix stable dans un marché où les coûts augmentent.

Société⚡Actu

1 source

50

Illustration générée par IA

92Meta Engineering ML 

L'orchestrateur léger : nos agents IA gagnent en fiabilité en confiant moins de tâches au routeur

Chez Meta, les équipes ont constaté qu'un agent d'IA surchargé de connaissances devient moins fiable, et qu'une architecture « à orchestrateur mince » corrige le problème. Le système a été conçu pour automatiser l'intégration de colonnes de données dans les systèmes de recommandation du groupe, un processus qui s'étend sur trois dépôts de code, trois langages de programmation et jusqu'à six étapes de pipeline à garder synchronisées. La première version reposait sur un unique agent chargé de tout le savoir du domaine : schémas de configuration, règles de génération de code, logique de routage, exigences de validation et schémas de peuplement pour plus de dix sources de données. Convaincante en démonstration, cette approche s'est mise à halluciner en production. Meta a donc scindé le système en deux couches : un orchestrateur déterministe d'environ 1 300 lignes, qui achemine plus de 20 workflows vers 14 sous-agents spécialisés sans jamais effectuer lui-même de travail métier, et ces sous-agents, chacun expert complet d'un domaine avec un contexte isolé. L'orchestrateur suit un protocole fixe en sept étapes : lecture du fichier d'instructions du sous-agent concerné, vérification que la cible n'existe pas déjà pour éviter les doublons, collecte des champs requis auprès de l'utilisateur, découverte automatique de ce qui peut être déduit, puis contrôle de fiabilité avant délégation. L'enjeu dépasse le cas de Meta : il remet en cause l'idée répandue qu'il suffit de donner à un agent davantage de contexte pour qu'il performe mieux. Au-delà d'un certain seuil, les connaissances supplémentaires dégradaient les résultats : l'agent mélangeait les concepts, appliquant les conventions de nommage d'un sous-système à un autre ou utilisant le motif de génération de code d'une source de données pour en alimenter une différente. Une variante à agent unique testée par l'équipe atteignait 70 à 80 % de réussite, mais seulement grâce à un prompt système rédigé à la main par un ingénieur pour chaque tâche. Sans cet accompagnement, le taux chutait à 10-20 %. Pour les équipes qui déploient des agents en production, la leçon est que le problème était architectural et non lié à la qualité des prompts. Chaque agent ne voit qu'une partie du tableau, ce que Meta présente comme une caractéristique voulue et non comme un défaut, avec à la clé davantage de fiabilité et de prévisibilité. Ce constat rejoint des travaux académiques récents. Une préimpression du département d'intelligence artificielle et de santé humaine Windreich du Mount Sinai montre que des systèmes multi-agents orchestrés conservent 65,3 % de précision sur des lots de 80 tâches, là où un agent seul tombe à 16,6 %, tout en réduisant jusqu'à 65 fois la consommation de jetons. Les auteurs l'attribuent à l'isolation des tâches, qui évite les interférences de contexte. Meta dit avoir vécu l'inverse : un agent unique qui se noie dans son propre savoir. Le pipeline concerné fonctionne en « configuration comme code », où des configurations Python pilotent la génération de code C++, laquelle alimente des services de traitement puis des systèmes d'analyse. Meta propose désormais ce schéma, un routeur qui gère l'enchaînement et les contrôles de fiabilité et laisse chaque décision métier à des spécialistes, comme méthode réutilisable par d'autres équipes.

LLMs❖Paper

1 source

49

Illustration générée par IA

93Ars Technica AI 

Disney a trouvé comment acquérir Character.AI sans reprendre ses poursuites judiciaires

Character.AI a déposé le bilan cette semaine, mais les documents judiciaires révèlent que cette faillite fait partie d'un montage orchestré avec Disney. Le groupe a pu embaucher la plus grande partie des équipes de la start-up, y compris son ancien PDG Karandeep Anand, et pourrait acquérir l'essentiel de ses technologies. Il évite ainsi de reprendre les nombreuses obligations juridiques de la plateforme de chatbots. Dans une déclaration déposée dans le cadre de la procédure, le nouveau PDG de Character.AI explique que la faillite vise à obtenir une « résolution consensuelle » avec les plaignants victimes de dommages corporels et avec un groupe d'États qui enquêtent sur l'entreprise, tout en maximisant la valeur des actifs pour les actionnaires. Cette construction illustre une façon de récupérer les talents et les technologies d'une entreprise sans en hériter le passif. Ce qui subsistera de Character.AI conservera la responsabilité des litiges, dont certains sont toujours en cours, tandis que Disney s'approprie les actifs utiles. Pour les plaignants, notamment les familles qui estiment que les chatbots ont nui à leurs proches, la question est de savoir ce qu'il restera dans la structure en faillite pour financer d'éventuelles indemnisations. Pour le secteur, le précédent est notable : une entreprise d'IA visée par des plaintes sur la sécurité de ses produits peut être démantelée, ses équipes absorbées par un grand groupe, sans que l'acquéreur supporte les risques judiciaires. Cela pourrait inspirer d'autres rapprochements de ce type. Ces dernières années, Character.AI a fait face à plusieurs procès privés portant sur la sécurité de ses chatbots, ainsi qu'à des enquêtes de régulateurs dans le monde entier. La plateforme, qui permet de converser avec des personnages virtuels, a été critiquée pour ses effets sur les utilisateurs vulnérables, en particulier les mineurs. Certains y ont vu dans cette faillite le signe avant-coureur d'un retournement du secteur des chatbots, mais les pièces du dossier montrent plutôt une opération stratégique soigneusement préparée. Les suites dépendront de l'attitude du tribunal, des États enquêteurs et des plaignants face à un montage qui sépare les actifs de valeur des responsabilités. Pour Disney, cette opération lui offre une expertise en IA conversationnelle et des équipes expérimentées.

Business⚡Actu

1 source

49

Illustration générée par IA

94Frandroid 

Quatre IA de Google ont fini Minecraft en 27 heures sans intervention humaine

Quatre agents d'intelligence artificielle de Google DeepMind, tous fondés sur le modèle Gemini 4 Argon, ont terminé le jeu Minecraft en 27 heures et 14 minutes, sans la moindre aide humaine. Selon l'étude publiée le 15 octobre 2026, les agents ont travaillé de manière autonome, sans démonstration préalable ni intervention d'un joueur. Cela signifie qu'ils ont dû explorer le monde, fabriquer leurs outils, survivre aux dangers et progresser jusqu'à la victoire en s'appuyant sur leurs seules capacités de raisonnement et de planification. Cette performance compte parce que Minecraft est depuis longtemps un banc d'essai pour les agents IA. Le jeu exige des objectifs à très long terme, enchaînant des dizaines d'étapes dépendantes les unes des autres, dans un environnement ouvert et imprévisible. Réussir sur plus d'une journée de jeu continue montre qu'un modèle peut maintenir un plan cohérent sur la durée, s'adapter aux erreurs et coopérer avec d'autres agents. Ces compétences concernent directement les futurs assistants capables d'accomplir des tâches complexes dans le monde numérique, voire des robots évoluant dans le monde physique. Pour l'industrie, c'est aussi un indicateur concret des progrès de l'autonomie des modèles. Cette étude s'inscrit dans une course engagée par les grands laboratoires, dont Google DeepMind, OpenAI et Anthropic, pour développer des agents capables d'agir durablement sans supervision. Minecraft sert de référence depuis plusieurs années, car il offre un cadre riche mais sans danger pour tester l'apprentissage et la planification. Les enjeux dépassent le jeu vidéo: fiabilité, contrôle et sécurité deviennent centraux à mesure que ces systèmes gagnent en indépendance. La suite pourrait consister à confronter ces agents à des environnements plus complexes, avec des objectifs moins bien définis, afin de mesurer jusqu'où leur autonomie peut aller.

Recherche❖Paper

1 source

55

Illustration générée par IA

95The Information AI 

Emil Michael, du Pentagone, menace de contrôles à l'exportation si les laboratoires d'IA ne coopèrent pas avec le gouvernement

Emil Michael, haut responsable du Pentagone et membre de la task force « super intelligence » du président Donald Trump, a affirmé dans un entretien que l'administration recourrait à toute une gamme d'outils exécutifs, dont les contrôles à l'exportation, pour encadrer le comportement des entreprises d'IA qui refuseraient de coopérer avec le gouvernement. Il a aussi comparé les laboratoires de pointe qui réclament davantage de régulation à des conducteurs ivres exigeant que quelqu'un d'autre les arrête. Michael est l'un des quatre hauts responsables qui dirigent la Super Intelligence Force annoncée par Donald Trump ce mois-ci. Il y joue le rôle d'interlocuteur du gouvernement auprès d'Anthropic et des autres entreprises du secteur. L'enjeu est considérable pour l'industrie. La menace de contrôles à l'exportation signale que Washington envisage de traiter les modèles et les capacités des laboratoires américains comme des actifs stratégiques, dont la diffusion peut être restreinte si leurs créateurs ne s'alignent pas sur les priorités de l'État. Pour les entreprises, cela signifie que la coopération avec les autorités, notamment sur la gestion des cyberattaques, des piratages et d'autres incidents critiques, pourrait devenir une condition implicite de leur liberté d'opérer et de commercialiser leurs technologies à l'international. Michael s'est fait connaître comme figure de proue du conflit public entre l'administration et Anthropic. Il a poussé le département de la Défense à classer l'entreprise comme risque pour la chaîne d'approvisionnement, après qu'elle a refusé de retirer certaines garde-fous de sécurité de ses systèmes. Sa mission actuelle consiste à élaborer avec Anthropic et ses concurrents des protocoles de réponse aux incidents graves. Ses propos laissent entrevoir une approche où la coopération est exigée plutôt que négociée, ce qui pourrait durcir les relations entre Washington et les laboratoires, y compris ceux qui plaident eux-mêmes pour un cadre réglementaire.

Régulation⚖Reglementation

1 source

48

Illustration générée par IA

96Meta Engineering ML 

Dans Prometheus : comment Meta a construit un supercalculateur d'un gigawatt

Meta a achevé la première phase de Prometheus, son supercluster d'IA à l'échelle du gigawatt installé à New Albany, dans l'Ohio, et vise à terme environ un million de GPU fonctionnant en parallèle. Ce site, qui servait encore il y a deux ans à héberger du trafic web classique, a été reconverti grâce aux avancées en matériel, en réseau et en conception de bâtiments. Cette première phase a servi à entraîner la famille de modèles fondamentaux Muse, dont Muse Wonder, présenté comme le nouveau modèle de pointe de Meta pour les tâches agentiques personnelles et professionnelles. Prometheus compte aujourd'hui des centaines de milliers de GPU répartis dans plusieurs bâtiments interconnectés par des kilomètres de fibre : centres de données traditionnels, bâtiments optimisés pour l'IA et structures à déploiement rapide. L'ensemble fonctionne comme une seule machine. Sur Muse Wonder, Meta annonce un « goodput » supérieur à 85 % pour le pré-entraînement et à 90 % pour l'apprentissage par renforcement, avec un temps moyen entre interruptions d'environ 47 000 heures-GPU. Des correctifs de firmware déployés depuis ont porté ce chiffre au-delà de 54 000 heures-GPU. Le cluster utilise un refroidissement liquide en boucle fermée pour limiter sa consommation. La plateforme repose pour l'instant sur deux générations de GPU NVIDIA, une troisième, basée sur le Vera Rubin NVL72, devant arriver prochainement. La première, baptisée Catalina, s'appuie sur le GB200 NVL72 dans sa variante Ariel : deux racks de 36 GPU reliés par NVLink forment un domaine unifié de 72 GPU, au format Open Rack V3 à haute puissance, conçu par Meta et confié à l'Open Compute Project. Chaque GPU Blackwell y est associé à un CPU Grace (ratio 1:1) et à deux cartes réseau ConnectX-7 de 400G, soit 800G d'entrées-sorties par GPU, une configuration que Meta affirme avoir déployée avant le reste du secteur. Ce choix répondait au fait que le GB200 NVL72 augmentait presque toutes les dimensions par rapport au H100 (calcul, bande passante mémoire HBM, bande passante et taille du domaine de montée en charge verticale), alors que la bande passante horizontale par GPU serait restée à 400G. Ces performances comptent parce qu'un seul serveur défaillant peut ralentir ou arrêter un entraînement entier : à cette échelle, la fiabilité détermine directement le coût et le calendrier des modèles. Un cluster aussi vaste permet aussi d'envisager des modèles plus grands et des fenêtres de contexte plus longues que ce qui était praticable jusqu'ici, avec l'ambition d'apporter de nouvelles expériences d'IA à des milliards d'utilisateurs. Prometheus s'inscrit dans la course aux infrastructures que se livrent les grands acteurs de l'IA, où la capacité de calcul est devenue un avantage stratégique. Le chantier se poursuit en pensant aux prochains modèles de pointe de Meta Superintelligence Labs, la division qui pilote désormais les efforts de Meta sur l'IA de frontière.

Infrastructure⚡Actu

1 source

47

Illustration générée par IA

97MarkTechPost 

MiniMax lance M3.1 Flash : un modèle MoE de 428 milliards de paramètres pour agents autonomes, à 0,15 $ le million de tokens en entrée

MiniMax a lancé MiniMax M3.1 Flash sur son API, facturé 0,15 dollar par million de tokens en entrée et 0,60 dollar en sortie, avec 0,015 dollar pour les lectures de cache et sans surcoût pour le long contexte. Le modèle est un mélange d'experts multimodal de 428 milliards de paramètres au total, dont environ 23 milliards actifs, avec une fenêtre de contexte d'un million de tokens. Il accepte texte, image et vidéo, et renvoie du texte. Le raisonnement est toujours actif, avec cinq niveaux d'effort (Low à Max, ce dernier étant recommandé), et les requêtes qui le désactivent renvoient une erreur. MiniMax confirme aussi que le modèle furtif « Space Bunny », qui a traité plus de 200 000 milliards de tokens, était une version antérieure de M3.1 Flash. Selon les scores publiés par MiniMax, M3.1 Flash domine Automation-Bench v1.0.6 avec 62,2, contre 50,3 pour Opus 5 et 45,8 pour GPT-5.6 Sol. Il égale Opus 5 sur BankerToolBench (76,2) et mène sur LOCA-Bench 256K (60,3). En programmation, DeepSWE v1.1 atteint 73,7, devant GPT-5.6 Sol (73,0) mais derrière DeepSeek-V4.1-Flash-1017 (77,0). Terminal Bench 4.0 est le point faible, à 38,1 contre 51,8 pour Opus 5. Les poids seront publiés le 23 octobre, sans licence annoncée. L'enjeu est surtout économique. MiniMax raisonne en coût par tâche plutôt qu'en coût par token : sur Automation-Bench, les cinq niveaux d'effort restent sous 0,05 dollar par tâche, avec des scores de 52,8 à 62,8. Une exécution complète des 152 tâches d'Agents' Last Exam, notée 29,6, a coûté environ 111 dollars. Par token, Flash coûte moitié moins que le tarif standard de M3 (0,30 et 1,20 dollar jusqu'à 512 000 tokens, puis le double au-delà). MiniMax annonce un coût d'un tiers de celui de M3 et une vitesse triple, environ 150 tokens par seconde, sans détailler le calcul. Pour les développeurs, cela signifie des performances proches de la frontière sur les tâches agentiques de bureau à un prix de modèle léger. Les intégrations qui analysaient les balises de M3 devront toutefois migrer vers le champ séparé reasoning_content, parfois absent. Le modèle est accessible via des API compatibles Anthropic et OpenAI, le forfait M Plan et l'application MiniMax Code. Ces chiffres viennent tous de MiniMax et aucune réplication indépendante n'existe. Des vérifications ponctuelles tiennent : la fiche de Kimi K3 donne bien DeepSWE 67,5 et BabyVision 85,7, comme dans le tableau de MiniMax. Une incohérence demeure, le graphique de coûts plaçant Automation-Bench à 62,8 en effort maximal contre 62,2 dans le tableau. Sur DeepSWE, DeepSeek V4.1 Flash-1017 est à la fois plus performant et moins cher au niveau maximal. Aucun rapport technique n'explique ce qui distingue Flash de M3, dont il reprend les mêmes totaux de paramètres. La concurrence se joue avec DeepSeek V4.1 Flash, Kimi K3 et GLM-5.3 sur les modèles ouverts à bas coût. La publication des poids, la licence et les besoins matériels (la version MXFP8 de M3 pèse environ 440 Go) décideront de la portée réelle de cette sortie.

LLMs⚡Actu

1 source

48

Illustration générée par IA

98The Decoder 

La consolidation des "neoclouds" approche, et Nvidia a le plus à y perdre

Le secteur des « neoclouds », ces fournisseurs de cloud spécialisés dans l'IA, entre dans une phase de turbulences. Après des chutes boursières et l'abandon de l'introduction en bourse de Firmus, des dirigeants du secteur estiment que seuls sept à dix acteurs survivront parmi les centaines de fournisseurs de cloud dédiés à l'intelligence artificielle. CoreWeave, la figure de proue du secteur, a perdu un quart de sa valeur boursière. Microsoft s'est par ailleurs retiré d'un accord conclu avec Nscale, qui portait sur 23 000 puces Nvidia, un revers significatif pour ce fournisseur qui comptait sur ce contrat. Cette consolidation annoncée concerne en premier lieu Nvidia, qui a beaucoup à perdre. Les clients situés en dehors des grands fournisseurs de cloud (les « hyperscalers » comme Amazon, Microsoft ou Google) représentent 45 % de son chiffre d'affaires dans les centres de données. Une vague de faillites ou de rachats réduirait donc directement la demande de puces, au moment où le fabricant a bâti sa croissance sur l'accélération des commandes. Pour les entreprises clientes, le risque est aussi concret : dépendre d'un fournisseur fragile peut compromettre la continuité de leurs projets d'IA, tandis que les investisseurs pourraient se montrer plus réticents à financer de nouveaux acteurs. Ce mouvement s'explique par la ruée vers les capacités de calcul de ces dernières années. Des centaines de sociétés se sont lancées en s'endettant pour acheter des processeurs graphiques à prix d'or et les louer aux développeurs de modèles. Or cette stratégie repose sur des contrats de long terme avec quelques gros clients et sur un accès au crédit bon marché. Quand un client majeur comme Microsoft se désiste, ou que les marchés se refroidissent comme dans le cas de Firmus, le modèle financier vacille. La suite dépendra de la capacité des survivants à diversifier leur clientèle, à maîtriser leur dette et à prouver que la demande en calcul reste suffisante pour rentabiliser leurs investissements.

Business❧Opinion

1 source

42

Illustration générée par IA

99IEEE Spectrum AI 

IA en périphérie pour les villes intelligentes : de l'analyse à l'action cognitive

Un nouveau livre blanc consacré à l'intelligence artificielle en périphérie (edge AI) et à l'IA physique décrit comment les villes peuvent dépasser la simple surveillance passive. Le document montre comment l'infrastructure urbaine peut percevoir, raisonner et agir sur des conditions en temps réel, dans trois domaines : la sécurité publique, la mobilité et la gestion des infrastructures. Il détaille l'articulation entre vision par ordinateur, capteurs multimodaux et systèmes génératifs et agentiques. Il présente aussi une architecture à plusieurs niveaux, qui répartit les tâches de surveillance, de planification et d'action entre la périphérie lointaine (far edge), un niveau régional et le cloud. Cette répartition impose des exigences de durabilité, de sécurité et d'interopérabilité au matériel comme aux logiciels. L'enjeu est de passer de la « ville intelligente » à la « ville cognitive », où l'infrastructure ne se contente plus de collecter des données mais prend des décisions et les exécute. Le traitement en périphérie permet des décisions à faible latence, ce qui compte dans des situations urgentes comme la gestion du trafic ou la réaction à un incident. Il garde aussi les données sensibles à l'intérieur des frontières de la ville et réduit la dépendance à une infrastructure cloud centralisée. Pour les collectivités, cela touche à la protection de la vie privée, à la souveraineté sur les données et à la résilience des services. Pour les fournisseurs de matériel et de logiciels, cela fixe un cahier des charges exigeant en matière de robustesse, de cybersécurité et de compatibilité entre systèmes. Ce document s'inscrit dans l'évolution des villes connectées, qui ont multiplié caméras et capteurs sans toujours transformer cette masse de données en actions concrètes. L'arrivée de l'IA générative et des systèmes agentiques, capables de planifier et d'agir, ouvre la voie à une automatisation plus poussée des services urbains. Les acteurs concernés vont des municipalités aux industriels de l'informatique en périphérie et aux éditeurs de logiciels d'IA. La suite dépendra de la capacité à standardiser les architectures et à garantir leur sécurité. Le livre blanc est proposé en téléchargement gratuit.

Infrastructure⚡Actu

1 source

42

Illustration générée par IA

100Frandroid 

Pour la PS6, Sony prépare une génération d’images par IA qui passe par la manette

Sony a déposé une demande de brevet intitulée « Generation Super Sampling », publiée le 15 octobre aux États-Unis. Le document décrit un système de génération d'images par intelligence artificielle qui s'appuie sur les actions du joueur à la manette. Il ne nomme aucune console, mais le contexte technique et le calendrier désignent très probablement la PlayStation 6, dont Sony n'a pas encore détaillé les caractéristiques. L'enjeu est de taille pour l'expérience de jeu. Les technologies actuelles de suréchantillonnage améliorent surtout une image déjà calculée par le moteur. Un système qui tient compte des commandes du joueur pourrait mieux anticiper ce qui doit apparaître à l'écran, et ainsi gagner en fluidité tout en limitant la latence perçue. Pour les joueurs, cela signifierait des jeux plus réactifs sur un matériel de puissance brute limitée. Pour les studios, ce serait un nouvel outil d'optimisation, au prix d'une intégration supplémentaire dans les moteurs de jeu. Cette piste s'inscrit dans une course à l'IA appliquée au rendu graphique. Sony a déjà franchi un premier pas avec le PSSR, son suréchantillonnage par IA introduit sur la PS5 Pro, tandis que Nvidia avec le DLSS et AMD avec le FSR ont fait de la génération d'images un argument central. Un brevet reste toutefois une protection juridique, pas une annonce de produit. Rien ne garantit que cette technique figure dans la future console, ni à quelle échéance.

Infrastructure⚡Actu

1 source