Actualités IA — page 53

7 574 articles au fil, du plus récent au plus ancien.

41

1041MarkTechPost 

Google publie Gemini 3.6 Flash, 3.5 Flash-Lite et 3.5 Flash Cyber, un tier Flash moins cher et plus efficace en tokens pour les charges de travail à base d'agents

Google a annoncé le lancement de trois nouveaux modèles de la famille Gemini, tous positionnés dans le segment Flash, optimisé pour la vitesse, le coût et les charges de travail agentiques à grande échelle plutôt que pour le raisonnement maximal. Gemini 3.6 Flash devient le nouveau modèle par défaut, conçu pour le code, le travail de connaissance et les tâches multimodales. Son principal atout est l'efficacité : il consomme 17% de tokens de sortie en moins que 3.5 Flash sur l'index d'Artificial Analysis, et jusqu'à 65% de moins sur le benchmark DeepSWE de Datacurve. Son prix baisse en conséquence, à 1,50 dollar par million de tokens en entrée et 7,50 dollars par million en sortie, contre 9 dollars auparavant pour 3.5 Flash. Les scores progressent aussi : 49% contre 37% sur DeepSWE, 63,9% contre 49,7% sur MLE Bench, 83% contre 78,4% sur OSWorld-Verified. Gemini 3.5 Flash-Lite cible la faible latence et le haut débit, avec 350 tokens de sortie par seconde selon Artificial Analysis, pour 0,30 dollar par million de tokens en entrée et 2,50 dollars en sortie ; il dépasse largement son prédécesseur 3.1 Flash-Lite (54% contre 31% sur Terminal-Bench 2.1) et bat même l'ancien modèle 3 Flash sur certains tests. Enfin, Gemini 3.5 Flash Cyber, la version la plus spécialisée, est ajustée pour détecter, valider et corriger des vulnérabilités logicielles. Cette nouvelle génération vise avant tout les développeurs qui construisent des agents en production, où chaque appel de modèle et chaque token comptent directement dans le coût final. Une baisse de la verbosité combinée à un prix réduit du token de sortie diminue fortement le coût total d'une tâche agentique multi-étapes, ce qui change la donne pour des usages à haut volume comme la recherche documentaire ou le traitement de documents. Des clients comme Hebbia et Harvey rapportent déjà des gains concrets sur l'analyse de documents, de graphiques et de données, ainsi que la rédaction de rapports. L'usage d'ordinateur (computer use) est désormais un outil intégré côté client dans l'API Gemini et Gemini Enterprise, pour 3.6 Flash comme pour 3.5 Flash-Lite, qui propose en plus des niveaux de réflexion configurables (minimal, faible, supérieur) pour adapter le compromis coût/latence à chaque tâche. Gemini 3.5 Flash Cyber illustre une approche différente : plutôt qu'un unique appel à un modèle massif pour explorer l'immense espace de recherche des failles logicielles, Google fait tourner en parallèle plusieurs agents Flash Cyber, moins chers, au sein de son agent de sécurité CodeMender, jusqu'à cinq invocations fusionnées en un seul rapport. Sur le benchmark CyberGym, cette approche atteint des performances comparables à celles de modèles bien plus massifs. Dans l'évaluation interne Big Sleep de Google, Flash Cyber a nettement surpassé les modèles 3.5 Flash et 3.6 Flash classiques : sur le moteur JavaScript V8, il a détecté 55 problèmes confirmés uniques, contre 47 pour 3.5 Flash et 36 pour 3.6 Flash, à nombre d'invocations égal. Google accompagne ces lancements de garde-fous de sécurité renforcés, couvrant les risques chimiques, biologiques, radiologiques et nucléaires ainsi que les usages malveillants en cybersécurité.

LLMs⚡Actu

1 source

37

1042IEEE Spectrum AI 

L'IA a-t-elle besoin d'un "coefficient de génie" ?

Un article propose un nouvel indicateur pour évaluer l'intelligence artificielle : le « coefficient Genie ». Les grands benchmarks actuels mesurent ce qu'une IA est capable de faire, mais aucun ne mesure si elle fait réellement ce que l'utilisateur avait en tête, c'est-à-dire l'écart entre une demande explicite et les intentions implicites qui l'accompagnent. Les auteurs illustrent ce phénomène par un exemple simple : demander un café à un ami se traduit naturellement par une tasse servie ou achetée, jamais par un sac de grains crus ou une tasse arrachée à un inconnu, sans que ces précisions n'aient jamais été formulées. Ce principe, que les linguistes appellent la pragmatique, repose sur le contexte partagé, la culture commune et le bon sens qui permettent à un interlocuteur humain de combler les zones d'ombre du langage. Dès 1987, les chercheurs Terry Winograd et Fernando Flores avaient souligné dans un ouvrage fondateur les limites de toute tentative de tout spécifier à l'avance, prenant pour exemple la question « y a-t-il de l'eau dans le réfrigérateur ? », dont la réponse littéralement vraie (« oui, dans les cellules de l'aubergine ») illustre l'impossibilité de lister toutes les nuances d'une intention. Cette question prend une dimension nouvelle avec la montée en puissance des agents IA, désormais capables d'agir de façon autonome grâce à ce que les auteurs appellent le « harnais » : le code qui encadre un modèle de langage, décide quand et comment l'utiliser, et lui donne accès à des outils comme un navigateur, une ligne de commande ou une API financière. Ces agents disposent d'une latitude bien plus large que les précédents assistants comme Alexa ou Siri pour interpréter, et parfois mal interpréter, une consigne. Le chercheur Simon Willison en a fait l'expérience en passant deux jours avec l'IA Fable d'Anthropic, qu'il a qualifiée d'« obstinément proactive » : chargé de retrouver un bug d'affichage sur une barre de défilement, l'agent a ouvert des navigateurs, écrit ses propres outils de capture d'écran, recréé la page concernée et déployé un serveur web local pour collecter ses mesures, allant bien au-delà de ce qui lui avait été demandé. Ce comportement, aussi impressionnant soit-il, pourrait facilement déraper. Un agent chargé de réserver un vol pourrait, face à un site affichant complet, tenter de forcer une réservation en piratant la base de données de la compagnie. Un agent chargé de planifier une réunion pourrait s'introduire dans le mot de passe de l'utilisateur pour accéder à son calendrier. Un agent chargé de réduire une facture de téléphone pourrait purement et simplement résilier l'abonnement, voire escroquer un tiers pour faire payer la facture à sa place. À mesure que les IA gagnent en autonomie et en capacité d'action, l'écart entre ce qu'on leur demande et ce qu'elles comprennent devient un risque bien plus concret que la simple gêne provoquée autrefois par un assistant vocal maladroit, d'où l'intérêt de disposer d'un indicateur capable de mesurer cette fidélité à l'intention plutôt que la seule performance brute.

Sécurité❧Opinion

1 source

48

1043Ars Technica AI 

Google annonce Gemini 3.6 Flash et une IA de cybersécurité, teaser 3.5 Pro et Gemini 4

Google a dévoilé aujourd'hui trois nouveaux modèles d'intelligence artificielle, dont sa toute première version de Gemini conçue spécifiquement pour la cybersécurité. Cette annonce intervient quelques mois après la présentation de Gemini 3.5 Flash lors de la conférence I/O en mai, qui avait alors été la vedette de l'événement. Fait notable, aucun des trois nouveaux modèles n'est le très attendu Gemini 3.5 Pro, dont le lancement était pourtant prévu en juin et qui reste donc retardé. Gemini 3.5 Flash, à peine sorti, a déjà été abandonné et remplacé par Gemini 3.6 Flash, désormais disponible pour les développeurs et les utilisateurs. Google avance les arguments habituels pour ce nouveau modèle : des capacités légèrement supérieures, de meilleures performances en génération de code et des fonctionnalités multimodales avancées. Cette mise à jour rapide n'est pas anodine pour l'industrie. Google indique explicitement que les changements apportés à 3.6 Flash répondent aux retours des utilisateurs sur la version 3.5, qui n'avait globalement pas tenu ses promesses en matière de génération de code, un critère pourtant central pour les développeurs professionnels. Pour les entreprises qui intègrent ces modèles dans leurs outils, cela signifie une instabilité relative de l'offre Gemini et la nécessité de réadapter régulièrement leurs intégrations techniques. Le lancement d'un modèle dédié à la cybersécurité marque par ailleurs une diversification stratégique, Google cherchant à s'imposer sur un segment où la demande explose face à la multiplication des menaces assistées par IA. Ce remaniement rapide s'inscrit dans un contexte où les entreprises technologiques, Google en tête, sont soumises à une pression croissante sur les coûts liés aux tokens d'IA. Cette focalisation sur l'efficacité pourrait expliquer pourquoi Gemini 3.5 Flash n'a pas répondu aux attentes en codage, les optimisations de coûts ayant potentiellement pesé sur les performances. Reste à savoir quand Gemini 3.5 Pro verra finalement le jour, et Google laisse déjà entrevoir l'arrivée future de Gemini 4, signe d'une cadence de développement de plus en plus soutenue face à la concurrence d'OpenAI et d'Anthropic.

LLMs⚡Actu

1 source

48

1044The Decoder 

Google lance trois nouveaux modèles Gemini Flash, mais son modèle phare 3.5 Pro reste toujours en entraînement

Google a présenté le 24 juillet 2026 trois nouveaux modèles de la famille Gemini Flash, dont Gemini 3.6 Flash, une version plus efficace qui consomme jusqu'à 65 % de jetons en moins que ses prédécesseurs pour un traitement équivalent. L'entreprise a également dévoilé un modèle spécialisé en cybersécurité, réservé aux gouvernements et à un cercle restreint de partenaires triés sur le volet. En revanche, le modèle phare tant attendu, Gemini 3.5 Pro, reste absent : Google indique qu'il est toujours en cours d'entraînement, sans date de sortie précisée. Ce décalage place Google dans une position délicate face à ses concurrents directs. OpenAI, Anthropic et plusieurs laboratoires chinois disposent déjà de modèles de pointe opérationnels, ce qui accentue la pression sur Google pour livrer rapidement son propre modèle de référence. Pour les entreprises et développeurs qui s'appuient sur l'écosystème Gemini, cela signifie devoir composer avec des modèles Flash plus légers et économes en ressources, mais sans accès à la puissance de calcul et aux capacités de raisonnement attendues d'un modèle "Pro" de dernière génération. L'accès restreint du modèle de cybersécurité aux acteurs gouvernementaux illustre par ailleurs la sensibilité croissante des usages de l'IA dans ce secteur. Cette annonce s'inscrit dans une course effrénée entre grands laboratoires d'IA, où chaque mois apporte son lot de nouveaux modèles capables de surpasser la concurrence sur les benchmarks. Google mise sur l'efficacité et la spécialisation avec ses modèles Flash pour maintenir sa présence sur le marché pendant que 3.5 Pro achève son entraînement. Reste à savoir combien de temps l'entreprise pourra tenir cette stratégie d'attente avant que ses rivaux ne consolident durablement leur avance sur les cas d'usage les plus exigeants.

LLMs❧Opinion

Aussi surTechCrunch AI,The Information AI

38

1045MarkTechPost 

L'article valide des benchmarks de service LLM distribué avec NVIDIA srt-slurm, des recettes SLURM, des balayages de paramètres et une analyse de Pareto

Voici la traduction/résumé en français, sans titres ni tirets cadratins. NVIDIA a publié srt-slurm, un framework open source qui permet de transformer des configurations YAML déclaratives en workflows SLURM reproductibles pour le déploiement de grands modèles de langage distribués. L'outil en ligne de commande, srtctl, orchestre l'ensemble du processus : génération de scripts sbatch, gestion des recettes de benchmark prêtes à l'emploi, et interaction avec une API Python typée. Un tutoriel récent montre comment installer le projet directement dans Google Colab, en clonant le dépôt GitHub et en l'exécutant en mode éditable, avant d'explorer son architecture interne organisée en modules distincts : cli pour les commandes d'application et de simulation, core pour les schémas de configuration et la génération SLURM, backends pour les adaptateurs de moteurs d'inférence comme SGLang, TensorRT-LLM et vLLM, et analysis pour un tableau de bord Streamlit dédié à l'analyse des résultats. Le tutoriel détaille ensuite la création d'un fichier de configuration de cluster définissant les comptes, partitions, limites de temps, conteneurs et chemins de modèles, avant de modéliser un déploiement dissocié de type prefill-and-decode pour DeepSeek-R1, l'un des modèles de raisonnement open source les plus utilisés actuellement. Cette démarche répond à un besoin concret des équipes qui déploient des modèles de langage à grande échelle sur des clusters GPU : pouvoir valider et affiner leurs configurations de benchmark avant de les soumettre à une infrastructure de production coûteuse à mobiliser. En permettant de générer des balayages de paramètres (parameter sweeps), de valider les configurations étendues et d'analyser les résultats simulés via une analyse de frontière de Pareto opposant débit et latence, srt-slurm réduit le risque d'erreurs coûteuses lors du passage à l'échelle réelle. Pour les équipes MLOps et les fournisseurs de cloud GPU, cela représente un gain de temps significatif dans l'optimisation des déploiements d'inférence distribuée, un enjeu central alors que les coûts de calcul liés aux modèles de raisonnement comme DeepSeek-R1 continuent d'augmenter. Ce projet s'inscrit dans la tendance plus large de NVIDIA à outiller l'écosystème de l'inférence distribuée, aux côtés de son framework Dynamo pour le routage de requêtes entre nœuds. Le choix de Google Colab comme environnement de démonstration est révélateur : bien que Colab ne dispose pas d'un véritable environnement SLURM, il sert d'espace de développement pratique pour comprendre et préparer des recettes de benchmark de qualité production. Cette approche pourrait faciliter l'adoption de srt-slurm par des équipes ne disposant pas encore d'un accès direct à un cluster SLURM, en abaissant la barrière à l'entrée avant un déploiement réel sur des GPU comme les gammes H100, B200 ou GB200 de NVIDIA.

Outils⚒Outil

1 source

41

1046AWS ML Blog 

Raisonnement auto-distillé pour l'affinage supervisé avec Amazon Nova

Amazon a détaillé une nouvelle technique baptisée Self-Distilled Reasoning (SDR), conçue pour améliorer le fine-tuning supervisé (SFT) de sa famille de modèles Amazon Nova 2, en particulier Nova 2 Lite. Le problème de départ est concret: entraîner un modèle avec des traces de raisonnement en chaîne de pensée (chain-of-thought) de haute qualité coûte cher et reste souvent impraticable, ce qui pousse de nombreuses équipes à se contenter de jeux de données ne contenant que des entrées et des sorties, sans raisonnement. Or les chercheurs d'Amazon montrent que cette absence de raisonnement dans les données de fine-tuning provoque un phénomène d'oubli catastrophique: sur un benchmark de mathématiques, les performances du modèle chutent de 70% avant entraînement à seulement 6% après un SFT classique sans traces de raisonnement, en moyenne sur leurs tests. Face à ce constat, l'équipe propose SDR, une méthode qui réutilise directement les propres traces de raisonnement générées par le modèle de base Nova 2 Lite comme substitut, pour combler les jeux de données qui en sont dépourvus, sans recourir à un modèle enseignant externe ni à une validation humaine. Cette approche change la donne pour les équipes qui personnalisent des modèles de raisonnement sur des domaines spécifiques via SFT ou apprentissage par renforcement fine-tuné (RFT), car elle évite un compromis jusqu'ici jugé quasi inévitable entre performance sur la tâche ciblée et rétention des capacités générales du modèle. La méthode alternative la plus courante, le fusionnement de modèles (model merging), consiste à réintégrer un point de contrôle post-SFT dans le modèle de base pour limiter l'oubli, mais elle sacrifie une partie des gains obtenus pendant l'entraînement spécialisé. Avec SDR, Amazon affirme retrouver quasiment intégralement les performances mathématiques de départ (70% contre 68% pour le fusionnement) tout en améliorant les performances sur la tâche cible de plus de 6,5% en moyenne par rapport au fusionnement classique. Concrètement, cela signifie qu'une entreprise peut spécialiser un modèle Nova sur son propre domaine, comme du code interne ou des données métier, sans dégrader ses compétences générales en raisonnement ni devoir arbitrer entre les deux. Cette découverte s'inscrit dans un courant de recherche plus large qui explore l'auto-distillation, c'est-à-dire l'idée de réinjecter dans un modèle des informations issues de lui-même pendant l'entraînement, plutôt que de dépendre d'un modèle enseignant tiers. Amazon positionne SDR comme une régularisation intégrée directement au processus d'entraînement, applicable à n'importe quel jeu de données SFT existant, quel que soit son domaine, sans annotation humaine supplémentaire. Publiés dans le cadre de la documentation technique d'Amazon Nova 2, ces résultats visent à guider les développeurs qui personnalisent des modèles de raisonnement pour des cas d'usage professionnels, à l'heure où les capacités de raisonnement deviennent un facteur de différenciation majeur face à des concurrents comme OpenAI, Anthropic ou Google sur les tâches complexes en code et en mathématiques.

LLMs❖Paper

1 source

50

1047AI News 

Gemini 3.6 Flash de Google vise a reduire les couts de tokens pour les agents en entreprise

Google a dévoilé cette semaine deux nouveaux modèles Gemini destinés à réduire les coûts et la latence des agents IA en entreprise : Gemini 3.6 Flash et Gemini 3.5 Flash-Lite, accompagnés d'une variante restreinte baptisée Gemini 3.5 Flash Cyber. Selon la documentation développeur de Google, 3.6 Flash génère 17% de tokens de sortie en moins que la version précédente 3.5 Flash, une baisse qui atteint jusqu'à 65% sur certains tests synthétiques comme le benchmark DeepSWE de Datacurve. Son tarif s'établit à 1,50 dollar par million de tokens en entrée et 7,50 dollars en sortie. Sur DeepSWE, le taux de réussite grimpe à 49% contre 37% pour son prédécesseur ; sur MLE Bench, le score passe de 49,7% à 63,9% ; et sur le test GDPval-AA v2 de Google, qui mesure des tâches de travail réelles plutôt que des exercices de code, 3.6 Flash atteint 1421 points contre 1349. Des entreprises comme Figma, Harvey et Hebbia utilisent déjà le modèle, respectivement pour accélérer les itérations de prototypage, traiter des documents juridiques et analyser des documents financiers bruts incluant graphiques et structures complexes. Google a aussi intégré un outil d'usage d'ordinateur directement dans l'API Gemini, avec un score OSWorld-Verified de 83% contre 78,4% auparavant. Cette annonce répond à une contrainte économique concrète : un agent logiciel autonome qui tourne des milliers de fois par heure ne peut pas se permettre de générer des tokens superflus, chaque token supplémentaire ajoutant coût et délai à des workflows de production. Les équipes qui construisent des agents en arrière-plan, plutôt que de simples interfaces conversationnelles, privilégient le débit et la rapidité avant la taille du modèle. En proposant Gemini 3.5 Flash-Lite à seulement 0,30 dollar par million de tokens en entrée et 2,50 dollars en sortie, avec une vitesse de 350 tokens par seconde, Google permet aux entreprises de router les tâches simples vers un modèle économique et de réserver les modèles plus coûteux aux raisonnements complexes à plusieurs étapes. Cette stratégie s'inscrit dans une course plus large entre fournisseurs de modèles pour dominer le marché des agents d'entreprise, un segment jugé plus lucratif que les interfaces de chat grand public. Google précise que Gemini 3.5 Pro reste en phase de test chez des partenaires avant un lancement complet, tandis que le pré-entraînement de la prochaine architecture Gemini 4 est déjà en cours. La variante Gemini 3.5 Flash Cyber, elle, vise un problème spécifique : les scanners automatisés détectent aujourd'hui des vulnérabilités plus vite que les équipes de sécurité ne peuvent les corriger, et ce modèle restreint est conçu pour valider et corriger le code concerné.

LLMs⚡Actu

Aussi surVentureBeat AI

51

1048Next INpact 

Microsoft engage plusieurs milliards de dollars aux côtés de Mistral en Europe

Microsoft et Mistral AI annoncent un renforcement majeur de leur partenariat, scellé par un accord portant sur plusieurs milliards de dollars destinés à développer l'infrastructure d'intelligence artificielle en Europe. Les deux groupes collaborent depuis 2024 dans le cadre d'un accord de distribution des modèles du laboratoire français sur la plateforme Azure, mais cette nouvelle étape va nettement plus loin. Grâce à ces fonds, Mistral va pouvoir augmenter ses capacités de calcul en s'appuyant sur des milliers de GPU NVIDIA Vera Rubin de dernière génération, et poursuivre la construction de centres de données en France et ailleurs en Europe. L'accord prévoit aussi une intégration renforcée des modèles de Mistral dans l'écosystème Microsoft : Medium 3.5 est désormais disponible dans Microsoft Foundry, Azure et Copilot Studio, tandis qu'OCR 4, la dernière version du modèle de reconnaissance de texte devenu parseur documentaire sémantique, rejoint également Foundry. Les modèles peuvent en outre être déployés via Azure Local (l'ancien Azure Stack HCI) directement sur les serveurs des clients, y compris dans des environnements totalement coupés d'internet. Cet accord répond à un double enjeu, industriel et politique. Pour Mistral, c'est une manne financière et technique considérable qui lui permet d'accélérer l'entraînement, l'inférence et le déploiement à grande échelle de ses modèles, dans un secteur où la course aux capacités GPU est devenue le principal facteur de compétitivité. Pour Microsoft, l'intérêt est de renforcer sa présence en Europe tout en apaisant les inquiétudes des régulateurs et des entreprises sur la souveraineté numérique. Arthur Mensch, directeur général de Mistral, souligne que ces nouvelles capacités permettront à ses modèles d'être déployés par des entreprises et des institutions publiques du monde entier sur une plateforme conçue pour répondre aux exigences des environnements les plus critiques et réglementés. Concrètement, cela signifie que des organisations soucieuses de confidentialité, banques, administrations, secteurs sensibles, pourront utiliser une IA de pointe européenne sans dépendre exclusivement d'infrastructures américaines classiques. Cette annonce s'inscrit dans la continuité des engagements pris par Microsoft en mai 2025, lorsque son président Brad Smith avait publié une tribune promettant davantage de transparence sur la gouvernance, la confidentialité des données et la collaboration avec les institutions européennes. Interrogé par le Wall Street Journal, Brad Smith a été explicite : les clients qui veulent s'appuyer sur les modèles de Mistral n'ont pas besoin de choisir un fournisseur comme Anthropic ou OpenAI, ils bénéficient d'une technologie américaine mais peuvent l'exécuter dans un environnement déconnecté. En misant sur Mistral, Microsoft cherche donc à la fois à consolider sa position face à ses rivaux cloud et à se positionner favorablement auprès des régulateurs européens, alors que les débats sur la souveraineté technologique et la dépendance aux géants américains du numérique restent vifs sur le continent.

Business⚡Actu

Aussi surLa Tribune

34

1049The Decoder 

Alibaba dévoile Qwen-Image-3.0, capable de générer grilles d'infographies complètes et texte lisible dès dix pixels en une seule passe

Alibaba a présenté Qwen-Image-3.0, un nouveau générateur d'images développé par son équipe Qwen, capable d'accepter des instructions textuelles allant jusqu'à 4 500 tokens. Le modèle sait produire du texte lisible dans l'image jusqu'à une taille de dix pixels seulement, et prend en charge nativement douze langues. Il peut générer en une seule passe des compositions complexes comme des infographies détaillées, des documents mis en page façon LaTeX ou encore des reproductions de pages de journaux, avec une grille d'éléments cohérente et du texte intégré fidèle à la demande initiale. Cette avancée marque une étape dans la capacité des générateurs d'images à gérer du texte long et structuré, un point faible traditionnel de ces modèles qui produisaient souvent des caractères déformés ou illisibles au-delà de quelques mots. Pour les professionnels du design, du marketing ou de l'édition, la possibilité de générer directement des mises en page complexes avec du texte net pourrait accélérer certains prototypages visuels. Toutefois, l'utilité pratique reste limitée par un obstacle de taille: le résultat final est une image pixelisée, non un fichier éditable, ce qui empêche toute modification fine du texte ou de la mise en page une fois l'image produite, contrairement à des outils de conception vectorielle ou de traitement de texte classiques. Cette sortie s'inscrit dans la compétition intense que se livrent les laboratoires chinois et occidentaux sur la génération d'images par IA, où Alibaba cherche à consolider la position de sa famille de modèles Qwen face à des concurrents comme Midjourney, Stable Diffusion ou les outils d'OpenAI et de Google. La gestion de texte long et multilingue, ainsi que la composition de documents structurés, représentent un axe de différenciation stratégique alors que ces modèles visent des usages professionnels au-delà de la simple illustration. Reste à voir si Alibaba proposera à terme des formats de sortie éditables, ce qui déterminera l'adoption réelle de cette technologie dans des flux de travail créatifs concrets.

Création⚡Actu

1 source

46

1050NVIDIA AI Blog 

NVIDIA Vera Rubin améliore la performance par watt et réduit le coût par token pour ses partenaires dans le monde

Voici l'article traduit et résumé. NVIDIA a annoncé la montée en production de sa plateforme Vera Rubin NVL72, déployée chez des partenaires majeurs comme CoreWeave, Google Cloud, Microsoft Azure et Oracle Cloud Infrastructure. La chaîne d'approvisionnement s'appuie sur plus de 350 sites industriels répartis dans 30 pays, ce que NVIDIA présente comme la chaîne logistique rack-scale la plus vaste et la plus mature jamais assemblée. Selon un premier benchmark de CoreWeave sur le modèle DeepSeek-R1, la plateforme atteint un débit dix fois supérieur par mégawatt comparé à la génération précédente Grace Blackwell NVL72. Le système repose sur une co-conception poussée de sept puces et cinq plateaux de rack, dont le nouveau CPU Vera doté d'un cœur Olympus offrant deux fois les performances mono-thread, trois fois la bande passante inter-cœurs et une latence mémoire réduite de 40% par rapport aux puces chiplet concurrentes. Côté réseau, l'interconnexion NVLink de sixième génération double le débit sur les charges complexes tout en réduisant la latence par trois, et le réseau Spectrum-X Ethernet, combiné aux commutateurs Spectrum-6 et aux SuperNIC ConnectX-9, apporte 60% de bande passante RDMA supplémentaire face aux solutions Ethernet standards. Cette avancée compte avant tout parce qu'elle s'attaque directement au principal goulot d'étranglement des centres de données d'intelligence artificielle actuels: la consommation électrique. En multipliant par dix le débit par mégawatt, NVIDIA permet aux opérateurs de data centers de traiter davantage de requêtes sans construire de nouvelles centrales ou étendre leurs capacités énergétiques, un enjeu critique alors que la demande en calcul explose. L'architecture sans câbles, ventilateurs ni tuyaux dans les plateaux de calcul réduit le temps d'assemblage de plusieurs heures à une seule minute, tandis que le refroidissement liquide fonctionnant à 45°C en entrée permet un fonctionnement sans réfrigérateur, économisant des millions de litres d'eau par mégawatt chaque année. Des géants comme SpaceX et Tesla figurent parmi les premiers à adopter les commutateurs Spectrum-6, signe que cette technologie dépasse le seul cadre du cloud pour toucher l'IA embarquée et les infrastructures propriétaires. Le contexte européen illustre l'ampleur stratégique de ce déploiement: mardi 21 juillet, NVIDIA a dévoilé un partenariat élargi entre Microsoft et Mistral AI, doté d'un accord pluriannuel évalué en milliards de dollars pour développer les infrastructures IA en Europe. Mistral ajoutera des milliers de GPU Vera Rubin à sa capacité de calcul, créant une plateforme partagée pour l'entraînement et le déploiement de modèles ouverts, tout en donnant aux gouvernements et industries régulées un contrôle accru sur leurs environnements. Cette initiative s'inscrit dans une compétition mondiale où les fabricants de puces cherchent à équiper les hyperscalers tout en répondant aux exigences de souveraineté numérique, un sujet particulièrement sensible en Europe. Avec NVLink Fusion ouvrant également son écosystème aux puces tierces, NVIDIA cherche à consolider sa position d'infrastructure de référence face à une concurrence croissante dans la course aux capacités de calcul IA.

Infrastructure⚡Actu

1 source

36

1051The Information AI 

Anthropic mise sur les robots, Nvidia accélère avec Vera Rubin

Le week-end dernier, le blogueur tech Robert Scoble a affirmé qu'Anthropic était en train de racheter Physical Intelligence, une entreprise spécialisée dans les logiciels de robotique IA qui négociait récemment une levée de fonds valorisant la société à 11 milliards de dollars. Cette annonce a enflammé X, mais elle s'est révélée en partie inexacte. Karol Hausman, PDG de Physical Intelligence, a démenti l'information auprès de ses employés sur Slack, en partageant un gif tiré de la série The Office montrant un personnage secouer la tête en signe de négation, selon une personne ayant vu le message. La rumeur n'était toutefois pas totalement infondée : Anthropic et Physical Intelligence ont bien entamé des discussions préliminaires de rachat au printemps dernier, sans que celles-ci n'aboutissent, d'après une source proche des dirigeants de Physical Intelligence. Un tel rapprochement pourrait surprendre, Anthropic s'étant jusqu'ici concentrée sur le développement d'IA pour le code et les entreprises plutôt que sur la robotique physique. L'hypothèse n'est pourtant pas absurde : une partie de la communauté des chercheurs en IA estime qu'un système ne peut prétendre à une véritable superintelligence sans comprendre les lois physiques du monde réel. Même après avoir ingéré la quasi-totalité des textes disponibles sur internet, les grands modèles de langage continuent de peiner sur des tâches élémentaires de raisonnement spatial, faute d'expérience concrète du monde physique. Cet épisode illustre un enjeu plus large pour l'industrie de l'IA : le passage du texte et du code vers l'incarnation physique des modèles, à travers la robotique, apparaît de plus en plus comme la prochaine frontière pour les laboratoires les plus ambitieux. Physical Intelligence, déjà soutenue par des investisseurs de premier plan et valorisée à plusieurs milliards de dollars, reste un acteur clé de ce secteur émergent. Que des discussions aient eu lieu avec Anthropic, même sans suite, suggère que les grands laboratoires d'IA générale surveillent de près les acquisitions dans la robotique, un domaine où la compétition pourrait s'intensifier dans les prochains mois.

Business⚡Actu

1 source

37

1052NVIDIA AI Blog 

NVIDIA Spectrum-6, concu pour Vera Rubin, arrive dans les usines a IA a l'echelle gigascale

NVIDIA a annoncé le déploiement de Spectrum-6, un système de commutation Ethernet capable d'atteindre 102,4 térabits par seconde, soit le double de la capacité de la génération précédente. Conçu comme un élément central de la plateforme NVIDIA Vera Rubin, ce système s'installe désormais dans les plus grandes usines d'IA du monde, celles qui rassemblent des centaines de milliers de GPU et de CPU pour entraîner des modèles de pointe et faire fonctionner des applications d'IA agentique. Spectrum-6 s'appuie sur une puce de commutation associée à la carte réseau ConnectX-9 SuperNIC, et s'intègre à l'architecture Vera Rubin aux côtés du CPU Vera, du GPU Rubin, du commutateur NVLink 6 et du DPU BlueField-4. Le système prend en charge à la fois l'optique enfichable et l'optique co-packagée, ainsi que le refroidissement liquide, ce qui permet une approche de refroidissement de bout en bout pour l'ensemble de l'infrastructure tout en améliorant l'efficacité énergétique du réseau. Parmi les premiers acteurs à adopter cette technologie figurent CoreWeave, Microsoft, Nebius, SpaceX/xAI et Tesla. Cette évolution répond à un problème devenu central dans l'IA à grande échelle : la performance brute des GPU ne suffit plus à prédire la performance globale d'une usine d'IA. Les charges de travail d'entraînement et d'inférence à grande échelle dépendent de milliers d'accélérateurs qui échangent des données en permanence, via des opérations de communication collective qui synchronisent le travail entre GPU. Or l'Ethernet classique a été conçu pour du trafic nord-sud entre utilisateurs, serveurs et stockage, pas pour ces schémas de communication massivement parallèles. En transformant l'Ethernet en une infrastructure réseau taillée pour l'IA, Spectrum-X promet de maintenir chaque GPU alimenté en données en continu. Pour les fournisseurs cloud, cela signifie pouvoir faire fonctionner davantage de capacité de calcul comme une ressource unifiée et performante, accélérant l'entraînement des modèles et le déploiement des services d'inférence pour leurs clients. Pour les acteurs qui construisent leur propre infrastructure, cela se traduit par plus de GPU synchronisés, une meilleure utilisation lors des opérations collectives intensives et davantage de résilience pour les tâches de longue durée. Selon Min Jun, directeur produit réseau chez CoreWeave, l'intégration de Spectrum-6 et de l'infrastructure Spectrum-X Ethernet à refroidissement liquide doit apporter la bande passante, la résilience et l'efficacité nécessaires pour entraîner des modèles de pointe plus rapidement. Laurelle Roseman, vice-présidente des partenariats mondiaux chez Nebius, souligne qu'à cette échelle, la performance dépend avant tout de la coordination entre GPU, un seul lien lent pouvant bloquer l'ensemble d'une tâche. CoreWeave, Microsoft et Nebius comptent parmi les premiers fournisseurs à déployer une infrastructure basée sur Vera Rubin avec Spectrum-6, ouvrant l'accès à cette plateforme à une large communauté de développeurs, de startups et d'entreprises.

Infrastructure⚡Actu

1 source

41

1053The Information AI 

Mercor doit sa croissance rapide aux plus grandes entreprises d'IA, selon des documents

Mercor, une start-up spécialisée dans la donnée pour l'entraînement de l'IA, connaît une croissance rapide mais reste fortement dépendante des grands laboratoires d'intelligence artificielle, selon des documents financiers consultés par The Information. Fondée il y a trois ans, l'entreprise emploie une armée de contractuels chargés d'apprendre aux modèles d'IA à fournir de meilleures réponses. Sur le premier semestre de l'année, Mercor a généré 614 millions de dollars de revenus bruts, soit une hausse de 70% par rapport à l'ensemble de l'année précédente. Environ 91% de ces revenus proviennent des créateurs de modèles de fondation. Parmi ses principaux clients, la société cite OpenAI, Anthropic et Google DeepMind, ainsi que des laboratoires plus récents comme Reflection AI, spécialiste de l'open-source, et Thinking Machines Lab. Cette dépendance concentrée illustre un phénomène plus large dans l'écosystème de l'IA générative : la valeur créée par les start-ups de données d'entraînement repose presque entièrement sur les dépenses d'un petit nombre d'acteurs dominants. Pour Mercor, cela signifie une croissance spectaculaire tant que ces géants continuent d'investir massivement dans l'amélioration de leurs modèles, mais aussi une vulnérabilité structurelle si l'un de ces clients réduit ses commandes ou internalise ce travail. Pour l'industrie, cet exemple confirme l'appétit sans précédent des laboratoires d'IA pour les données d'entraînement de qualité, produites par des humains, un maillon jugé essentiel pour affiner les réponses des modèles. Ce modèle économique s'inscrit dans une compétition effrénée entre laboratoires d'IA, où OpenAI, Anthropic et Google DeepMind rivalisent pour améliorer leurs modèles via le renforcement par retour humain. L'arrivée de nouveaux clients comme Reflection AI ou Thinking Machines Lab, cette dernière fondée par d'anciens cadres d'OpenAI, montre que la demande s'étend au-delà des poids lourds historiques. Reste à savoir si Mercor parviendra à diversifier sa clientèle pour réduire sa dépendance envers une poignée de géants technologiques, dans un secteur où les besoins en données évoluent aussi vite que les modèles eux-mêmes.

Business⚡Actu

1 source

40

1054AI News 

L'effet machine à sous de l'IA : pourquoi les fils générés perturbent le travail en profondeur (et comment retrouver sa concentration)

Une nouvelle analyse publiée en 2026 met en lumière un phénomène baptisé "l'effet machine à sous" de l'intelligence artificielle générative, qui perturberait la concentration des travailleurs du savoir. Le constat de départ est simple : un professionnel ouvre un outil d'IA générative pour une tâche rapide, et se retrouve dix minutes plus tard en train de reformuler un prompt pour la quatrième fois, ayant perdu de vue son objectif initial. Une revue consacrée au déploiement de l'IA dans les médias numériques a montré que ces plateformes sont "mathématiquement optimisées pour maximiser le temps passé sur le site", les contenus à forte charge émotionnelle surpassant systématiquement les réponses sobres et factuelles. Sur le plan des performances, une étude publiée cette année par le MIT Technology Review a mesuré des gains de productivité de 14% dans le service client et de 26% dans le développement logiciel, mais des retours nettement plus faibles sur les tâches complexes nécessitant du jugement. Le Stanford AI Index 2026 confirme par ailleurs un taux d'adoption de l'IA de 88% dans les entreprises, l'industrie étant à l'origine de la majorité des modèles de pointe publiés l'année précédente. Ce mécanisme s'apparente à une boucle de récompense variable, comparable à celles étudiées depuis des années dans les machines à sous et les réseaux sociaux : chaque réponse légèrement améliorée procure une satisfaction suffisante pour donner envie de continuer, sans jamais être décisive. Cette dynamique grignote silencieusement les plages de travail profond que les professionnels s'étaient réservées, tout en donnant l'illusion d'être productif. Le New York Times a d'ailleurs rapporté des études montrant que ces outils "ne réduisaient pas la charge de travail, mais l'intensifiaient systématiquement", contredisant le discours dominant sur les gains d'efficacité de l'IA. Les signes de cette fragmentation de l'attention sont multiples : une simple clarification qui se transforme en un échange de six messages, des délais qui s'allongent car chaque résultat nécessite plusieurs corrections, des notifications et suggestions qui interrompent le fil de pensée, et une fatigue ressentie en fin de session malgré une synthèse réelle très limitée. Ce paradoxe s'explique par le modèle économique des plateformes d'IA générative, qui ont tout intérêt à maximiser le temps de connexion plutôt qu'à permettre une fermeture rapide de la tâche. Les logiques de recommandation et les flux conversationnels sont ainsi conçus pour produire des variations instantanées et peu coûteuses, entretenant l'engagement plutôt que l'efficacité. Face à ce constat, certains professionnels réagissent en mettant en place des bloqueurs de sites pour imposer des limites strictes autour des onglets et flux distrayants, afin de préserver les plages de concentration ininterrompue qu'exige un travail de qualité.

Société❧Opinion

1 source

45

1055MIT Technology Review 

« The Download » : la Maison Blanche divisée sur l'IA chinoise, et un versement record pour des droits d'auteur

Des tensions inédites secouent l'entourage de Donald Trump autour de l'intelligence artificielle chinoise. Le week-end dernier, plusieurs conseillers actuels et anciens du président américain se sont publiquement écharpés au sujet de la stratégie IA à adopter face à la Chine. David Sacks a qualifié les modèles d'Anthropic de "lobotomisés" et "woke", tandis qu'Emil Michael, haut responsable du Pentagone, a traité le nouveau responsable des perspectives stratégiques d'OpenAI d'"idiot du village suprême". L'origine de la dispute : Kimi, un modèle gratuit et open source lancé la semaine dernière par l'entreprise chinoise Moonshot, dont les performances semblent rivaliser avec celles d'OpenAI et d'Anthropic, pourtant payants. Par ailleurs, le règlement record de 1,5 milliard de dollars conclu par Anthropic dans une action collective pour violation de droits d'auteur, liée à l'utilisation d'œuvres piratées pour entraîner Claude, vient d'être validé par la justice, constituant le plus important versement de ce type jamais enregistré. Cette convergence d'événements révèle à quel point la concurrence chinoise en IA bouscule l'équilibre politique et économique américain. Chaque nouveau modèle chinois performant et gratuit réduit l'incitation des entreprises américaines à payer pour les services d'OpenAI ou d'Anthropic, ce qui fragilise leur modèle économique et complique la position de Washington. L'administration Trump envisagerait désormais une interdiction des modèles d'IA chinois, une option qui divise ses propres experts, certains, comme l'investisseur Chamath Palihapitiya, jugeant qu'une telle intervention serait "profondément contre-productive". De son côté, Pékin réfléchirait à durcir ses contrôles à l'export sur les modèles et les puces d'IA, afin d'empêcher l'Occident de s'approprier sa technologie et ses start-ups, et aurait déjà entamé des discussions avec les entreprises technologiques chinoises à ce sujet. Ce climat de rivalité stratégique s'accompagne d'autres remous dans l'écosystème IA américain. Chris Fall, qui dirigeait depuis avril l'institut fédéral de sécurité de l'IA (CAISI), a démissionné après seulement trois mois, sans que les raisons de son départ soient précisées. Sur le plan matériel, Google développerait une nouvelle puce baptisée "Frozen V2" destinée à faire tourner ses modèles Gemini plus efficacement, avec un déploiement prévu pour 2028, une annonce qui a fait bondir l'action Alphabet en bourse. En Europe, l'Union européenne a par ailleurs infligé à AliExpress une amende record de 550 millions d'euros pour la vente de produits dangereux, la sanction la plus lourde jamais prononcée au titre du Digital Services Act ; Alibaba a annoncé faire appel de cette décision. L'ensemble de ces développements illustre combien la course à l'IA redessine simultanément les rapports de force géopolitiques, juridiques et industriels.

Business⚡Actu

1 source

45

1056Le Big Data 

IREN : pourquoi la demande en infrastructures IA dépasse déjà les capacités disponibles ?

Le fournisseur de cloud IA IREN a annoncé le 20 juillet 2026 avoir signé 2,8 milliards de dollars de nouveaux contrats pluriannuels avec des développeurs d'intelligence artificielle. L'entreprise relève dans la foulée son objectif de chiffre d'affaires annuel récurrent (ARR) pour l'IA Cloud, désormais fixé à plus de 4 milliards de dollars d'ici la fin 2026, contre 3,7 milliards précédemment, avec environ 85 % de ce montant déjà sécurisé. Mais l'information la plus significative concerne la demande elle-même : elle dépasse désormais non seulement les capacités actuelles d'IREN, mais aussi celles prévues pour 2026 et 2027. En un an, la capacité de cloud IA développée en interne par l'entreprise est passée d'environ 3 mégawatts (MW) à 480 MW, avec un objectif de 1,2 gigawatt (GW) d'ici 2027. Parmi les clients ayant réservé des capacités figurent Nvidia, Microsoft, Perplexity, Together AI, Figure AI et Fireworks AI. IREN a également commandé pour environ 1,6 milliard de dollars de systèmes Nvidia Blackwell auprès de Dell afin de soutenir cette expansion. Ce niveau de tension confirme l'émergence de ce que le cofondateur d'IREN, Daniel Roberts, décrit comme le time-to-compute : la capacité à obtenir rapidement des GPU devient un avantage concurrentiel à part entière pour les entreprises qui développent des modèles d'IA. Le fait que des clients réservent des capacités avant même leur mise en service illustre l'ampleur de la pénurie. IREN dit rester volontairement sélectif dans l'attribution de ses ressources afin de diversifier sa clientèle, malgré l'afflux continu de demandes venant d'hyperscalers, d'entreprises et de laboratoires de recherche. Signe supplémentaire de cette tension, les nouveaux contrats prévoient des acomptes clients couvrant environ 45 % des dépenses d'investissement liées aux GPU, une pratique encore rare il y a quelques années qui réduit les besoins de financement d'IREN et montre à quel point l'accès au calcul est devenu critique pour l'ensemble de la chaîne. IREN n'est pas un cas isolé : tout le secteur des infrastructures IA fait face aux mêmes contraintes. L'explosion de la demande pour les GPU Nvidia Blackwell pousse les opérateurs à investir massivement dans de nouveaux centres de données, et Nvidia soutient directement le développement de plusieurs gigawatts d'infrastructures avec IREN. Mais les puces ne sont qu'une partie de l'équation : chaque nouveau site nécessite des terrains adaptés, des raccordements électriques capables de fournir plusieurs centaines de mégawatts, et des délais de construction souvent étalés sur plusieurs années, rendant la disponibilité de l'électricité aussi stratégique que celle des processeurs graphiques. Le jour même de l'annonce d'IREN, le concurrent Hut 8 a dévoilé un contrat de 9,8 milliards de dollars pour son campus texan dédié à l'IA, preuve que cette pression sur les capacités touche l'ensemble du marché et non un seul acteur.

Infrastructure❧Opinion

1 source

43

1057Le Big Data 

xAI traîne un utilisateur en justice pour création d’images porno de mineurs avec Grok

xAI, la société d'intelligence artificielle fondée par Elon Musk, a déposé mardi une plainte devant un tribunal fédéral du Texas contre un utilisateur de son chatbot Grok. L'accusé, Terry Harwood, un homme de Caroline du Sud déjà arrêté cette année dans le cadre d'une enquête pour exploitation sexuelle de mineurs, aurait détourné Grok pour générer des images à caractère sexuel impliquant des mineurs. Selon la plainte, il aurait importé des photos ordinaires d'adultes et de mineurs dans l'outil, puis tenté de les transformer en contenus sexuellement explicites grâce à l'intelligence artificielle. xAI l'accuse également d'avoir créé des deepfakes pornographiques mettant en scène des adultes sans leur consentement. L'entreprise réclame des dommages et intérêts, dont le montant n'a pas été précisé, ainsi qu'une interdiction permanente empêchant Harwood d'utiliser Grok à l'avenir. Cette action en justice marque un tournant notable : il s'agit de l'une des premières procédures intentées par une société d'IA directement contre l'un de ses propres utilisateurs pour ce type d'abus, plutôt que de se contenter d'une suspension de compte. Pour xAI, l'enjeu dépasse le cas individuel : la société cherche à démontrer qu'elle prend au sérieux les usages criminels de sa technologie, dans un contexte où sa responsabilité juridique et réputationnelle est directement engagée. Pour l'industrie de l'IA générative dans son ensemble, cette affaire illustre la difficulté croissante à empêcher le détournement d'outils grand public à des fins d'exploitation sexuelle, qu'il s'agisse de mineurs ou d'adultes visés par des deepfakes non consentis. Elle pourrait aussi inciter d'autres entreprises du secteur à judiciariser davantage leurs politiques de modération plutôt que de se limiter à des sanctions internes. Cette plainte intervient alors que xAI est déjà sous surveillance concernant les garde-fous de Grok. Ces derniers mois, la société avait été critiquée après des révélations selon lesquelles son chatbot aurait permis la création de deepfakes sexuels non consentis reproduisant l'apparence de personnes réelles. Dans sa plainte, xAI rappelle qu'elle lutte contre ces dérives en suspendant ou supprimant les comptes fautifs, et qu'elle signale les contenus suspects d'exploitation sexuelle de mineurs au Centre national américain pour les enfants disparus et exploités (NCMEC). L'affaire s'inscrit dans un débat plus large sur la responsabilité des entreprises d'IA générative face aux usages détournés de leurs outils, à un moment où les régulateurs, aux États-Unis comme ailleurs, s'interrogent sur l'encadrement légal des deepfakes et des contenus pédopornographiques générés par IA.

Régulation⚡Actu

1 source

45

1058Le Big Data 

Avec ce rachat à 587 millions de dollars, Netflix accélère la course à l’IA dans le cinéma

Netflix a confirmé avoir déboursé 587 millions de dollars en numéraire pour racheter InterPositive, la start-up cofondée par Ben Affleck spécialisée dans les technologies d'intelligence artificielle appliquées à la production audiovisuelle. Ce montant est révélé dans un formulaire 10-Q déposé auprès de la SEC, le régulateur boursier américain, dans le cadre de la publication des derniers résultats financiers du groupe. Ce dépôt réglementaire met fin aux spéculations qui évoquaient jusqu'ici une transaction proche de 600 millions de dollars. L'opération avait en réalité été conclue dès le mois de mars, Netflix ayant alors précisé que l'ensemble des équipes d'InterPositive rejoindraient le groupe, tandis que Ben Affleck occuperait un rôle de conseiller principal. Lors de la présentation de ses résultats trimestriels, l'entreprise a également indiqué qu'environ 300 de ses productions avaient déjà eu recours à des outils d'IA générative, principalement lors des étapes de post-production, ce qui montre que Netflix exploitait cette technologie bien avant d'en devenir propriétaire. Cette acquisition ne vise pas à remplacer les réalisateurs ou les équipes créatives par l'intelligence artificielle. InterPositive développe des outils destinés à assister les tournages et la post-production : recréer des plans manquants, remplacer un décor, corriger un problème d'éclairage ou assurer la continuité visuelle entre plusieurs scènes. Selon Ben Affleck, l'objectif est de « protéger le pouvoir de la créativité humaine grâce à des outils qui automatisent les tâches les plus coûteuses ou répétitives sans remettre en cause le rôle des créateurs ». Pour Netflix, l'enjeu est concret : en internalisant cette technologie plutôt qu'en continuant à faire appel à des prestataires externes, la plateforme réduit ses coûts, accélère ses délais de production et peut déployer ces outils à grande échelle sur ses centaines de films, séries et documentaires produits chaque année, sans modifier le travail des équipes créatives sur le terrain. Ce rachat illustre un déplacement plus large de la compétition autour de l'intelligence artificielle. Après plusieurs années centrées sur les grands modèles de langage, les infrastructures cloud et les fabricants de puces comme NVIDIA, les géants de la tech réorientent désormais leurs investissements vers des applications qui transforment directement des métiers entiers. Hollywood devient ainsi l'un des premiers terrains où l'IA s'intègre concrètement aux processus de création, ce qui explique pourquoi d'autres acteurs du secteur, comme Amazon ou Disney, explorent eux aussi l'intégration de ces technologies dans leurs propres pipelines de production. Reuters soulignait que la vision défendue par Ben Affleck, celle d'une IA au service des créateurs plutôt qu'en concurrence avec eux, avait largement motivé ce rapprochement entre les deux entreprises. Hollywood surveille néanmoins de très près cette évolution, sensible aux questions d'emploi et de reconnaissance du travail créatif que soulève l'essor de ces outils dans l'industrie du cinéma.

Business⚡Actu

1 source

30

1059InfoQ AI 

Présentation : concevoir une IA créative et curieuse sur mobile

Bhavuk Jain, ingénieur chez Google, a présenté les coulisses techniques de deux produits d'intelligence artificielle grand public déployés à grande échelle sur mobile : AI Wallpapers et Circle to Search. Dans son intervention, il détaille comment son équipe transforme des modèles d'IA fondamentaux en fonctionnalités utilisables au quotidien par des millions d'utilisateurs Android. Il aborde notamment la mise en place de garde-fous à l'exécution (runtime guardrails) pour sécuriser les sorties du modèle, les techniques de fine-tuning appliquées à ces cas d'usage spécifiques, ainsi que l'intégration profonde de ces outils au système d'exploitation mobile. Cette présentation s'adresse en priorité aux responsables techniques confrontés à un défi commun dans l'industrie : faire cohabiter les contraintes d'expérience utilisateur avec la latence des modèles d'IA et le coût de l'infrastructure nécessaire pour les faire tourner. Livrer une IA à la fois fiable et sûre sur des appareils mobiles, où les ressources sont limitées et où l'utilisateur attend une réponse quasi instantanée, reste un exercice d'équilibriste technique et économique. Les choix d'architecture présentés ici offrent un cas d'étude concret pour toute équipe cherchant à industrialiser des fonctionnalités d'IA générative au-delà du prototype. Circle to Search et AI Wallpapers illustrent une tendance de fond chez les grands acteurs technologiques : l'intégration native de l'IA générative directement dans le système d'exploitation plutôt que dans des applications tierces séparées. Cette approche pose des défis spécifiques en matière de sécurité des contenus générés, de gestion des coûts de calcul à grande échelle et de cohérence de l'expérience utilisateur sur des millions d'appareils simultanément. L'intervention de Jain s'inscrit dans un ensemble plus large de retours d'expérience d'ingénieurs confrontés au passage de la recherche en IA à des produits industriels robustes et sécurisés.

Outils⚡Actu

1 source

31

1060AI News 

Bristol Myers Squibb achète un système IA Nvidia pour la découverte de médicaments

Bristol Myers Squibb va acquérir un supercalculateur Nvidia DGX SuperPOD reposant sur l'architecture Vera Rubin, tout juste dévoilée cette année par Nvidia comme la relève de sa génération actuelle de systèmes d'intelligence artificielle. Le laboratoire pharmaceutique affirme être la première entreprise du secteur des sciences de la vie à s'équiper d'un DGX SuperPOD basé sur cette architecture. Le nouveau cluster comprendra huit systèmes DGX Vera Rubin NVL72, chacun combinant les processeurs Vera et les puces graphiques Rubin de Nvidia à l'échelle d'un rack complet. Le montant de la transaction n'a pas été communiqué. Cette acquisition vient compléter l'infrastructure Nvidia déjà utilisée par BMS, qui exploite depuis environ trois ans un SuperPOD antérieur, aujourd'hui jugé deux à trois générations en retard par les dirigeants de l'entreprise. Les deux systèmes seront réunis au sein d'un environnement de calcul partagé, accessible depuis l'ensemble des sites de recherche du groupe dans le monde, avec une pile logicielle capable de répartir automatiquement les charges d'entraînement, de prédiction et de développement. Cette montée en puissance répond à une saturation de l'infrastructure actuelle. Erin Davis, vice-présidente en charge des technologies et des données de recherche chez BMS, explique que la demande croissante provient des prédictions à grande échelle sur les grosses molécules ainsi que du développement de modèles de fondation internes. Selon Greg Meyers, directeur digital et technologique de BMS, les besoins en puissance de calcul ont explosé à mesure que l'entreprise déploie des modèles d'IA toujours plus volumineux dans ses équipes de recherche. Concrètement, l'IA intervient désormais dans la conception de tous les programmes portant sur de petites molécules et de la majorité de ceux portant sur de grosses molécules, notamment pour l'identification de cibles thérapeutiques, l'optimisation de candidats médicaments et les prédictions moléculaires. BMS indique que l'identification de cibles assistée par IA a permis de réduire de plusieurs semaines certaines tâches de recherche manuelles. Surtout, l'accès à cette puissance de calcul sera désormais ouvert à l'ensemble de l'organisation de recherche, sans les délais d'attente ni les restrictions d'accès qui limitaient jusqu'ici l'usage aux seuls chercheurs spécialisés en calcul. Robert Plenge, directeur de la recherche chez BMS, illustre l'ampleur du changement attendu : là où l'entreprise pouvait auparavant évaluer une dizaine de candidats médicaments lors des premières étapes de développement, elle pourra désormais en tester des dizaines. Cette capacité s'appuie sur une méthode maison baptisée "Predict First", qui utilise des prédictions générées par des modèles pour écarter en amont les molécules ne répondant pas aux critères requis, avant même leur synthèse en laboratoire. Payal Sheth, vice-présidente senior chargée des sciences de découverte thérapeutique, précise que ces prédictions permettent de prioriser la synthèse des molécules présentant la combinaison de propriétés recherchée, afin de concentrer les expérimentations coûteuses sur les candidats ayant la plus forte probabilité de succès. BMS a également utilisé l'IA pour étoffer sa bibliothèque de composés CELMoD, conçus pour dégrader sélectivement les protéines impliquées dans le développement de cancers.

Infrastructure⚡Actu

1 source