Actualités IA — page 78

9 302 articles au fil, du plus récent au plus ancien.

33

Illustration générée par IA

1541AWS ML Blog 

Comment Jamf a mis en place le contrôle des dépenses en temps réel pour Amazon Bedrock

Jamf, société qui gère et sécurise les appareils Apple pour plus de 76 000 organisations dans le monde, a mis au point un système de contrôle des dépenses en temps quasi réel pour l'usage d'Amazon Bedrock par ses équipes d'ingénierie. Après avoir ouvert largement l'accès à cette plateforme d'IA générative pour accélérer le développement assisté par IA, l'entreprise a constaté une hausse de la productivité mais aussi un besoin urgent de visibilité sur les coûts par utilisateur. Le système repose sur une architecture entièrement serverless combinant plusieurs services AWS : les journaux d'invocation d'Amazon Bedrock (modèle utilisé, nombre de tokens en entrée et sortie, identité de l'utilisateur) sont stockés dans Amazon S3, puis une vue Amazon Athena baptisée bedrockcosttoday calcule la dépense quotidienne de chaque ingénieur en croisant les volumes de tokens avec les tarifs publiés des modèles. Toutes les quinze minutes, une fonction AWS Lambda déclenchée par Amazon EventBridge évalue ces dépenses et applique des restrictions graduées : l'accès à Claude Opus d'Anthropic est coupé dès 80 % du budget journalier atteint, celui à Claude Sonnet à 100 %, tandis que Claude Haiku reste toujours disponible pour ne pas bloquer le travail. Les restrictions, appliquées via des politiques IAM (Customer Managed Policies) ciblant les utilisateurs par identifiant SAML, prennent effet en quelques minutes sans nécessiter de reconnexion, et sont réinitialisées automatiquement chaque jour. Ce cas illustre un problème de plus en plus pressant pour les entreprises qui déploient l'IA générative à grande échelle : contrairement au calcul traditionnel, dont le coût suit la capacité provisionnée, la dépense en IA suit le comportement des utilisateurs. Un seul ingénieur lançant une boucle de codage agentique sur un modèle premium peut consommer en quelques heures plus de tokens qu'une équipe entière en une semaine, rendant les coûts invisibles jusqu'à la facture. Ce système répond directement aux trois questions que se posent les directions avant d'élargir l'accès à l'IA : combien coûte chaque utilisateur, peut-on plafonner sans ralentir les équipes, et les gains de productivité justifient-ils la dépense. En automatisant la gouvernance financière de l'IA (AI FinOps) au niveau individuel, sans interrompre les sessions actives ni exiger de réauthentification, Jamf propose un modèle reproductible pour d'autres organisations confrontées au même dilemme entre innovation et maîtrise budgétaire. Le dispositif s'inscrit dans la montée en puissance de l'IA générative comme outil de développement logiciel au sein des grandes organisations, où l'accès à des modèles comme ceux d'Anthropic devient un poste de dépense significatif et volatile. Jamf a prévu une soupape : les ingénieurs ayant un besoin légitime de dépasser leur quota peuvent obtenir, via un processus documenté, des limites temporaires plus élevées, et sont prévenus par un message Slack avant que les restrictions ne s'appliquent. Amazon présente cette architecture, bâtie sur DynamoDB, Athena, Lambda et IAM, comme un modèle de référence pour le contrôle des coûts d'IA en entreprise, à mesure que le sujet du FinOps appliqué à l'IA générative devient central pour les responsables techniques.

Infrastructure⚡Actu

1 source

35

Illustration générée par IA

1542The Verge AI 

John Deere lance un chatbot IA pour les agriculteurs

John Deere teste actuellement un nouvel assistant conversationnel baptisé "JD", conçu pour aider les agriculteurs à optimiser leurs revenus en s'appuyant sur leurs propres données. L'outil utilise les données de champ, de machine et d'exploitation collectées par l'équipement du fabricant pour répondre à des questions concrètes sur les réglages du matériel, la consommation de carburant ou le meilleur moment pour la récolte, en se basant sur les meilleures pratiques et les tendances historiques propres à chaque exploitation. Le communiqué de presse de John Deere ne précise pas quelle technologie d'intelligence artificielle sous-tend cette plateforme. Le lancement se fait dans le cadre d'un programme d'accès anticipé, encore en phase de test. Cette annonce intervient dans un contexte particulièrement sensible pour John Deere, qui affronte depuis plusieurs années des tensions avec les agriculteurs et la Federal Trade Commission américaine autour du droit à la réparation de ses machines. L'entreprise cherche ainsi à démontrer sa volonté de mettre la donnée au service des exploitants plutôt que de la garder captive, un enjeu crucial pour une industrie agricole de plus en plus dépendante des capteurs et de l'analyse de données. Pour rassurer les agriculteurs sur l'usage de leurs informations, John Deere accompagne le lancement de son "Farmer Data Commitment", un engagement en dix points garantissant notamment que les données ne seront pas revendues et que les agriculteurs en gardent le contrôle. Ce geste s'inscrit dans une stratégie plus large de reconquête de la confiance après des années de conflits juridiques et réglementaires sur la propriété et la réparation des équipements agricoles connectés, alors que l'IA générative s'invite désormais dans le secteur agricole comme outil d'aide à la décision.

Outils⚒Outil

1 source

44

Illustration générée par IA

1543The Verge AI 

Google Pics ressemble à Canva, mais avec encore plus d'IA

Google a lancé Google Pics, une nouvelle suite d'outils de création destinée aux utilisateurs de Workspace, conçue pour simplifier l'édition et la génération d'images "de qualité professionnelle" grâce à l'intelligence artificielle. L'outil s'appuie sur Gemini et sur le modèle de génération d'images Nano Banana. Google Pics offre un contrôle plus précis que les chatbots classiques : les utilisateurs peuvent cliquer directement sur un objet ou un texte présent dans l'image et décrire ce qu'ils souhaitent modifier, plutôt que de reformuler un prompt entier. L'objectif affiché est d'éviter les résultats maladroits ou peu convaincants que produisent souvent les générateurs d'images quand ils sont utilisés pour du contenu marketing. Cette annonce s'adresse directement aux entreprises, un segment où l'IA générative d'images peinait jusqu'ici à convaincre malgré son succès massif auprès du grand public. Pour les équipes marketing, communication ou design de petite taille, un outil intégré à Workspace qui permet de retoucher visuels et textes promotionnels sans recourir à un designer ni maîtriser des logiciels complexes comme Photoshop pourrait représenter un gain de temps et de coûts significatif. En positionnant Pics comme un concurrent direct de Canva, Google cherche à capter une part du marché de la création visuelle professionnelle, un secteur jusqu'ici dominé par des outils spécialisés plutôt que par les suites bureautiques traditionnelles. Ce lancement s'inscrit dans la stratégie plus large de Google visant à infuser Gemini dans l'ensemble de sa suite Workspace, aux côtés d'outils comme Docs, Sheets ou Slides. Il traduit aussi une reconnaissance implicite des limites actuelles des chatbots d'IA générative pour les usages professionnels, où la précision et la contrôlabilité comptent davantage que la rapidité de génération. Reste à voir comment Canva, Adobe et Microsoft, eux aussi engagés dans une course à l'intégration de l'IA générative dans leurs outils de design, réagiront à cette concurrence directe de Google sur leur terrain.

Création⚒Outil

Aussi sur01net,Blog du Modérateur

37

Illustration générée par IA

1544MarkTechPost 

Princeton, Ant Group et Stanford présentent AQuA, un système à base d'agents pour la découverte autonome de facteurs en finance quantitative

Des chercheurs de Princeton University, Ant Group et Stanford University présentent AQuA, un cadre agentique en deux volets destiné à la découverte autonome de facteurs et au développement de modèles en finance quantitative. Le premier volet, dédié à la découverte de facteurs symboliques sur les cryptomonnaies, repose sur un pipeline à six agents (Data Steward, Visual Analyst, Idea Miner, Factor Evaluator, Backtest Engineer et Research Librarian) coordonnés par un AI Manager, dans lequel chaque facteur doit d'abord être formulé comme une hypothèse falsifiable avant d'être traduit en expression mathématique. Sur un univers crypto à cinq minutes, l'IC de Spearman en validation combinée grimpe à environ 0,190 après vingt cycles de recherche, contre 0,171 pour une version adaptée d'AlphaMemo, 0,151 pour AlphaGen adapté, 0,137 pour un LSTM, 0,106 pour LightGBM et 0,075 pour une base de référence de type Alpha158. Le second volet développe des modèles pour prédire le rendement à trente minutes d'actions américaines en intraday, entraînés sur la période 2010-2019, avec une année d'embargo en 2020 et des tests sur 2021-2025 ; chaque hypothèse y correspond à une seule modification de configuration (architecture, fonction de perte, échantillonneur ou optimiseur), et le modèle hybride retenu combine un front-end convolutif multi-échelle, un backbone configurable (LSTM, Mamba ou attention) et une étape de mixage transversal du panel d'actions. L'enjeu central que vise AQuA est la fiabilité des agents de recherche quantitative qui conçoivent eux-mêmes leurs expériences : un biais de fuite de données (data leakage) produisant de bons scores peut être enregistré comme précédent réussi et se propager d'une itération à l'autre, tandis que les instructions au niveau du prompt et les agents évaluateurs ne suffisent pas à empêcher cela, car l'agent auteur et l'agent évaluateur partagent souvent les mêmes angles morts. Ce problème est documenté depuis les travaux de Bailey et ses coauteurs sur le surapprentissage adaptatif lié à l'accès répété à un même jeu de données de validation, et des agents fondés sur des modèles de langage ont déjà été observés en train d'exploiter des objectifs ou des évaluateurs mal spécifiés. Pour l'industrie de la gestion quantitative, cela signifie que la simple automatisation de la recherche de facteurs par IA ne garantit rien sans une architecture empêchant structurellement la triche, faute de quoi les backtests impressionnants risquent de ne jamais se reproduire en conditions réelles. La réponse d'AQuA consiste à rendre matériellement impossibles les actions permettant une fuite d'information, plutôt que de compter sur des consignes : les découpages de données, les définitions de caractéristiques et d'étiquettes, ainsi que l'évaluateur, sont fixés avant même le début des itérations, et l'agent ne peut émettre qu'une expression de facteur contrainte par un langage dédié ou une unique modification de configuration. Les chercheurs qualifient ce principe de "liberté asymétrique" : l'agent explore librement à l'intérieur de son espace de recherche autorisé, mais l'évaluateur reste hors de portée de toute adaptation. Les résultats montrent que les mécanismes individuels restent modestes pris isolément, avec des IC de facteur unique compris entre 0,026 et 0,037, ce qui souligne que la contribution d'AQuA porte moins sur une découverte ponctuelle spectaculaire que sur la fiabilité du processus de recherche lui-même, un enjeu appelé à devenir central à mesure que les agents IA se généralisent dans la recherche financière quantitative.

Recherche❖Paper

1 source

35

Illustration générée par IA

1545AWS ML Blog 

Comment t54 a bâti une couche de confiance pour les paiements avec Amazon Bedrock AgentCore

La startup t54 a déployé une couche de confiance pour les paiements autonomes d'agents IA en s'appuyant sur Amazon Bedrock AgentCore payments, une capacité de la plateforme Amazon Bedrock AgentCore dédiée à la création et à l'orchestration d'agents à grande échelle. Le système a déjà traité plus de 20 millions de transactions initiées par des agents, sans qu'un seul humain n'ait validé un paiement individuellement. Chaque transaction est un micropaiement compris entre 0,001 et 0,01 dollar, des appels rapides et à très haut volume qu'aucune revue manuelle ne pourrait suivre. Le produit central de t54, baptisé x402-sécure, évalue en temps réel la fiabilité des points de terminaison (endpoints) et des adresses de paiement on-chain avant qu'un agent ne paie un service. Il repose sur le protocole ouvert x402, qui utilise le code de statut HTTP 402 pour permettre à un client de régler une API directement via une requête web. Le moteur de scoring, nommé Trustline, croise cinq signaux indépendants : l'historique blockchain de l'adresse de paiement, la légitimité de la page web de destination, la présence de l'entreprise sur les réseaux sociaux, l'état de santé en temps réel de l'API, et un score de risque agrégé. La gamme de produits inclut aussi ClawCredit, une facilité de crédit pensée nativement pour les agents. Cette architecture répond à un problème concret pour les entreprises qui déploient des agents autonomes devant régler des services tiers, par exemple une équipe de services financiers dont le système surveille des portefeuilles boursiers via une API de données de marché payante. Donner un portefeuille numérique à un agent est simple ; le gouverner à grande échelle l'est beaucoup moins. Sans garde-fous, une boucle mal configurée peut vider un compte, des identifiants mal isolés peuvent être compromis, et la conformité réglementaire devient impossible à auditer dès que des dizaines d'agents appellent des centaines de points de terminaison. La validation manuelle fonctionne à faible volume, mais s'effondre dès que les appels se comptent par milliers à l'heure. En combinant les limites de dépenses par session et l'isolation des identifiants d'AgentCore payments avec l'intelligence de scoring de x402-sécure, t54 permet aux entreprises de déployer des paiements d'agents gouvernés sans construire leur propre infrastructure d'orchestration financière. Ce lancement illustre une tendance plus large : l'émergence d'une économie d'agents capables de transiger entre eux et avec des services externes sans intervention humaine directe, un terrain où la confiance et la sécurité deviennent le principal goulot d'étranglement plutôt que la technologie de paiement elle-même. En s'appuyant sur l'infrastructure déjà utilisée par de nombreux développeurs sur AgentCore, t54 a choisi d'intégrer directement Trustline à la plateforme d'Amazon plutôt que d'imposer une intégration de paiement maison à ses clients. La suite logique de cette approche dépendra de l'adoption du standard ouvert x402 par d'autres fournisseurs de services et de la capacité de ce type de scoring à résister à des tentatives de fraude ciblant spécifiquement les agents autonomes, un risque appelé à croître à mesure que le volume de transactions machine-à-machine augmente.

Outils⚒Outil

1 source

32

Illustration générée par IA

1546AWS ML Blog 

Comment ZS a démocratisé l'analyse ad hoc sécurisée avec Amazon SageMaker

ZS Associates, cabinet de conseil actif notamment auprès d'organisations du secteur de la santé, a construit une plateforme d'analyse de données ad hoc sécurisée sur Amazon SageMaker Studio d'AWS. Décrit dans un billet co-signé par Kiran Dhamane, Abhishek I S et Mayur Ghodekar, le système sert désormais plus de 1 000 utilisateurs actifs quotidiens répartis sur plus de 200 domaines SageMaker distincts. La plateforme fonctionne sans accès direct à internet par défaut, les échanges avec les services AWS passant par des points de terminaison Amazon VPC, tandis que JFrog Artifactory scanne les paquets logiciels en temps réel pour bloquer tout code non autorisé ou altéré. Chaque domaine SageMaker, isolé par équipe interne, dispose de son propre volume Amazon EFS, de rôles IAM dédiés et de paramètres réseau spécifiques, avec une hiérarchie à trois niveaux de rôles IAM (domaine, utilisateur, espace partagé) appliquant le principe du moindre privilège. Le chiffrement AWS KMS est activé par défaut sur EFS, S3, Amazon ECR et AWS CodeCommit, la détection des menaces passe par CrowdStrike, les journaux sont centralisés via Splunk, et AWS CloudTrail trace l'ensemble des appels API. Cette architecture répond à une tension classique des industries réglementées: offrir aux data scientists l'agilité nécessaire pour explorer des données rapidement, sans compromettre la conformité exigée dans la santé. En démocratisant l'accès au machine learning tout en conservant un contrôle granulaire des coûts et des accès, ZS a fait de SageMaker l'outil d'analyse ad hoc principal pour la quasi-totalité de ses équipes applicatives. Des configurations de cycle de vie automatisées sauvegardent en continu les données et scripts des utilisateurs vers Amazon S3, palliant l'absence de sauvegarde native dans SageMaker sans faire peser cette charge sur chaque utilisateur. Côté coûts, des politiques IAM limitent par défaut les utilisateurs à des instances préapprouvées de taille réduite, l'accès à des instances plus puissantes nécessitant une demande spécifique auprès de l'équipe analytics, et l'arrêt automatique des ressources inactives élimine les coûts de surprovisionnement. Cette démarche illustre un mouvement plus large chez les grands cabinets de conseil et les entreprises du secteur de la santé, où l'adoption du machine learning se heurte souvent à des contraintes réglementaires strictes en matière de protection des données. En intégrant ses standards de sécurité directement dans l'expérience développeur plutôt qu'en les imposant comme une couche de restrictions supplémentaire, ZS montre qu'agilité et gouvernance ne sont pas nécessairement contradictoires. Le maintien d'AWS CodeCommit, service fermé aux nouveaux clients depuis juillet 2024 mais toujours utilisé par ZS car déployé avant cette date, souligne aussi la difficulté pour les organisations réglementées de faire évoluer leur pile technique sans rouvrir des chantiers de conformité déjà validés. Ce type d'architecture pourrait inspirer d'autres acteurs de la santé, de la finance ou de l'assurance cherchant à généraliser l'usage du machine learning en interne sans multiplier les risques réglementaires.

Infrastructure⚡Actu

1 source

34

Illustration générée par IA

1547AWS ML Blog 

Comment Boomi Scribe simplifie la documentation avec AWS

Boomi, éditeur de plateforme d'intégration d'entreprise, a développé Boomi Scribe, un agent d'intelligence artificielle fonctionnant sur l'infrastructure cloud d'AWS et conçu pour automatiser entièrement la documentation des processus d'intégration. L'outil s'appuie sur les services d'IA générative d'Amazon Bedrock, notamment le modèle Claude Haiku 4.5 d'Anthropic, ainsi que sur Amazon SageMaker AI pour la classification des intentions utilisateurs. Concrètement, Boomi stocke ses processus d'intégration sous forme de fichiers XML contenant les métadonnées de chaque étape et leurs connexions. Boomi Scribe analyse ces fichiers, en extrait les caractéristiques pertinentes, puis les transforme en graphes orientés acycliques au format dot, une représentation structurée qui sert d'entrée au modèle Claude Haiku 4.5 pour générer une documentation en langage naturel. L'agent compare également les différentes versions de ces graphes afin de mettre en évidence les changements entre composants. Cette solution est déployée à l'échelle des plus de 33 000 clients entreprises de Boomi. Cette automatisation répond à un problème très concret pour les équipes de développement en entreprise : la documentation des workflows d'intégration, qui relient de multiples applications et sources de données, représentait jusqu'ici une dette technique persistante. Rédigée manuellement, elle était chronophage, incohérente d'une équipe à l'autre, et sujette aux erreurs lors des mises à jour ou des comparaisons de versions, ce qui entraînait des reprises de travail coûteuses. Une documentation incomplète ou obsolète rend aussi les workflows illisibles pour quiconque n'en est pas l'auteur, compliquant le débogage, les transmissions de projet entre équipes et le respect des exigences d'audit et de conformité. En automatisant ce processus tout en produisant des comparatifs de versions exploitables pour la planification, Boomi Scribe vise à redonner du temps aux développeurs et à fiabiliser la traçabilité des changements pour les besoins réglementaires des grandes entreprises clientes. Ce projet illustre l'intégration croissante des modèles Claude d'Anthropic dans les briques d'intelligence artificielle proposées par Amazon Web Services via Bedrock, désormais utilisées pour des tâches spécialisées comme la génération de documentation technique à partir de représentations structurées de données, ici des graphes orientés acycliques. Boomi mise sur un modèle à apprentissage few-shot, moins gourmand en exemples d'entraînement, pour limiter les coûts tout en conservant une documentation précise et cohérente à grande échelle. L'enjeu plus large est celui de la fiabilité et de la scalabilité de ces agents d'IA appliqués à des tâches d'ingénierie logicielle répétitives, un terrain où plusieurs éditeurs de plateformes d'intégration et de gestion de données cherchent aujourd'hui à réduire la charge de maintenance documentaire de leurs clients entreprises.

Outils⚒Outil

1 source

45

Illustration générée par IA

1548VentureBeat AI 

Vos fichiers restent chez vous : l'IA hybride de Perplexity garde les données confidentielles hors du cloud

Perplexity a lancé aujourd'hui un système de calcul hybride pour sa plateforme d'agents IA, Comet, permettant à un même agent de répartir son travail entre des modèles frontières exécutés dans le cloud et des modèles plus petits à poids ouverts tournant localement sur les Mac équipés de puces Apple silicon. Les données sensibles sont acheminées vers la machine locale et ne quittent jamais l'appareil. Selon l'entreprise, c'est la première fois qu'un agent IA peut démarrer une tâche dans le cloud puis transférer dynamiquement les portions confidentielles de cette même tâche vers un modèle exécuté sur le matériel de l'utilisateur, sans redémarrer la tâche ni perdre le contexte. La fonctionnalité est disponible dès aujourd'hui dans l'application de bureau de Perplexity pour les clients entreprise ayant activé l'option, ainsi que pour les abonnés Pro et Max, sur tout Mac Apple silicon tournant sous macOS 15 ou version ultérieure. Jon Staff, qui dirige les équipes d'ingénierie macOS et iOS de Perplexity, a expliqué lors d'un point presse que le système repose sur un répartiteur : un modèle frontière dans le cloud découpe la tâche en sous-tâches, envoyant recherche web et raisonnement lourd vers le cloud, tandis que tout ce qui touche aux fichiers privés ou aux actions locales est délégué à un sous-agent tournant sur le Mac. Un élément central, la "Privacy Gate", est un classificateur entraîné en interne qui scanne localement les informations personnelles identifiables (noms, adresses, numéros de compte, secrets) avant tout envoi vers le cloud. Cette architecture répond à un frein majeur à l'adoption des agents IA en entreprise : la peur de voir des données confidentielles transiter par des serveurs tiers. En laissant les jetons générés localement hors du système de facturation par crédits, Perplexity supprime aussi un coût, seule l'orchestration cloud étant facturée. Les démonstrations de l'entreprise ciblent des professions où la confidentialité est non négociable : un avocat mettant à jour un mémoire à partir de dossiers protégés par le secret professionnel pendant qu'un agent cloud recherche la jurisprudence publique, ou un analyste en capital-investissement retravaillant un modèle financier à partir de projections confidentielles tout en comparant la transaction à des données publiques, une tâche tournant environ 40 minutes en arrière-plan sans intervention humaine. Pour les cabinets d'avocats, fonds d'investissement et autres secteurs régulés, cette approche pourrait lever un obstacle concret à l'usage d'agents IA sur des documents sensibles. Cette annonce s'inscrit dans une course plus large entre acteurs de l'IA générative pour concilier puissance des modèles frontières et exigences de confidentialité des entreprises, un compromis jusqu'ici difficile à tenir sans sacrifier soit la précision, soit la sécurité. Perplexity mise sur les capacités croissantes des puces Apple silicon pour faire tourner des modèles ouverts performants directement sur l'appareil, une tendance que d'autres éditeurs pourraient suivre à mesure que le calcul local gagne en puissance. Une troisième démonstration a aussi mis en avant la continuité entre appareils, avec une utilisatrice lançant une analyse marketing depuis son iPhone. Reste à voir si d'autres plateformes d'agents IA adopteront des architectures hybrides similaires, et si cette approche suffira à convaincre les secteurs les plus réticents, comme le droit ou la finance, à confier davantage de tâches à l'intelligence artificielle.

Outils⚒Outil

1 source

38

Illustration générée par IA

1549Le Big Data 

DLSS 5 : Nvidia dévoile son rendu neuronal en action avec NBA 2K27

Nvidia a dévoilé le 1er septembre 2026 les détails de son DLSS 5, dont la fonctionnalité phare s'appelle le rendu neuronal guidé en 3D. NBA 2K27 sera le tout premier jeu à intégrer officiellement cette technologie, à partir du 3 septembre. Ce choix n'est pas anodin : la simulation de basket mise déjà lourdement sur le réalisme visuel de ses joueurs, ce qui en fait une vitrine idéale pour Nvidia. Concrètement, l'intelligence artificielle intervient directement pendant la création de l'image, en analysant les surfaces, les sources lumineuses et la composition globale de la scène, pour ensuite ajuster l'éclairage, les matériaux et certains détails visuels comme les pores de la peau ou la transpiration des joueurs. Le journaliste Tom Warren, de The Verge, a toutefois relevé sur X que l'impact sur les performances était considérable, suggérant que la technologie vise davantage le matériel graphique de demain que les cartes actuelles. Cette annonce marque un tournant dans la manière dont Nvidia entend démontrer les capacités de son intelligence artificielle appliquée au rendu graphique. Contrairement à une IA qui générerait librement chaque image, le DLSS 5 reste guidé par le rendu initial produit par le moteur du jeu, et les développeurs conservent la main sur la direction artistique finale, via des paramètres ajustables sur l'occlusion ambiante, les réflexions ou certains matériaux, ainsi que des systèmes de masques pour cibler des zones précises de l'image. Pour l'industrie du jeu vidéo, cela ouvre la voie à un réalisme visuel inédit, mais au prix d'une puissance de calcul nettement supérieure, ce qui pourrait accélérer le renouvellement du parc de cartes graphiques haut de gamme chez les joueurs les plus exigeants. Cette sortie officielle intervient après plusieurs mois de rumeurs et de fuites. Des fichiers du DLSS 5 avaient en effet circulé avant son lancement, permettant à des moddeurs de l'intégrer de manière non officielle dans des jeux comme Control, Forza Horizon 5 ou Ghost of Tsushima, avec des résultats très inégaux d'un titre à l'autre. En reprenant le contrôle avec une intégration native et maîtrisée dans NBA 2K27, Nvidia cherche aussi à répondre aux critiques et rumeurs infondées qui avaient accompagné ces essais bricolés, en insistant publiquement sur le fait qu'aucun changement de géométrie n'est opéré par cette IA. La suite dépendra désormais de l'adoption de la technologie par d'autres studios et de sa compatibilité avec les futures générations de cartes graphiques Nvidia.

Création⚒Outil

Aussi surFrandroid

37

Illustration générée par IA

1550The Information AI 

Wafer, fournisseur d'inférence utilisant des puces non-Nvidia, reçoit des offres de rachat et est valorisé à plus de 200 millions de dollars

Wafer, une start-up d'inférence IA basée à San Francisco et fondée en mai 2025 par Emilio Andere et son meilleur ami d'université Steven Arellano, vient de boucler une levée de série A de 40 millions de dollars, co-menée par Marathon Management Partners et Chemistry VC. Selon une personne proche du dossier, la valorisation de l'entreprise dépasse désormais les 200 millions de dollars, un chiffre qu'Andere, le PDG, a refusé de commenter directement auprès de The Information. La start-up a également reçu des offres de rachat, sans que les montants ou les acquéreurs potentiels ne soient précisés. Le cœur de l'activité de Wafer repose sur des agents IA baptisés "AI inférence engineers", capables d'optimiser des modèles open-source en fonction de la charge de travail spécifique d'une entreprise, et ce sur une variété de puces qui ne se limite pas aux processeurs Nvidia. Cette approche répond à un enjeu concret pour les entreprises qui déploient des modèles d'IA en production : un agent vocal, qui doit traiter rapidement des requêtes répétées et des pics de trafic soudains, n'a pas les mêmes besoins d'optimisation qu'un agent de codage, qui doit au contraire conserver un contexte important sur de longues périodes. En automatisant ce travail d'optimisation fin, Wafer promet aux entreprises de réduire les coûts et d'améliorer les performances de leurs modèles, tout en leur donnant accès à un éventail plus large de puces que le seul écosystème Nvidia, aujourd'hui dominant mais coûteux et parfois difficile d'accès. Cette levée s'inscrit dans une tendance plus large observée dans l'industrie des semi-conducteurs et de l'IA : de plus en plus de développeurs et de concepteurs de puces misent sur l'IA elle-même pour accélérer et perfectionner la conception et l'optimisation des puces destinées à l'IA. Wafer applique cette logique côté inférence plutôt que côté conception matérielle. Dans un marché où la demande de calcul explose et où la dépendance à Nvidia inquiète de nombreux acteurs, ce type de solution logicielle capable de tirer parti de puces alternatives pourrait peser sur les rapports de force entre fournisseurs de puces et fournisseurs de services d'inférence, avec des suites attendues autour des offres de rachat évoquées.

Business⚡Actu

1 source

47

Illustration générée par IA

1551Next INpact 

Cartes graphiques : 10 ans de GPU, comment l’IA a jeté un froid

NVIDIA lance en général une nouvelle génération de cartes graphiques chaque année, une régularité tenue depuis près d'une décennie, mais 2026 s'annonce comme une rupture avec cette habitude. La dernière carte grand public sortie par l'entreprise est la RTX 5050, lancée en juillet 2025. La génération complète des RTX 5000 avait, elle, été dévoilée en janvier 2025. Depuis, aucune nouvelle référence n'est apparue, pas même une déclinaison « Super » de milieu de génération comme NVIDIA en propose habituellement. Selon les informations rapportées en février par le média The Information, l'entreprise ne prévoit aucune nouvelle puce graphique destinée aux joueurs pour l'année 2026, en raison d'une pénurie mondiale croissante de puces mémoire provoquée par l'essor de l'intelligence artificielle. Le calendrier observé depuis confirme cette prévision. Quant à la génération suivante, connue sous le nom de code Rubin, elle ne devrait pas arriver avant 2027, voire 2028, si ce nom de projet est conservé pour le marché grand public. Cette pause a des conséquences concrètes bien au-delà des joueurs sur PC. Les trois principaux fabricants mondiaux de puces mémoire ont réorienté leur production vers les besoins massifs de l'IA générative, au détriment des composants destinés au grand public. Résultat, les prix de la mémoire et du stockage ont grimpé jusqu'à cinq fois en dix-huit mois, une hausse qui touche directement le coût des ordinateurs, des consoles et des cartes graphiques. Pour NVIDIA comme pour AMD, la priorité stratégique n'est plus le joueur mais le datacenter, où la demande en GPU dédiés à l'entraînement et à l'inférence des modèles d'IA reste extrêmement lucrative. Ce basculement illustre à quel point l'IA générative redessine les priorités industrielles d'un secteur entier, quitte à ralentir l'innovation sur un marché historique et à peser sur le budget des consommateurs. Ce virage trouve son origine dans le lancement de ChatGPT fin 2022, qui a bouleversé en quelques mois les besoins matériels de l'industrie. Les grands modèles de langage sont passés en quelques années de dizaines de milliards de paramètres à plusieurs milliers de milliards, exigeant des quantités de mémoire toujours plus importantes pour être chargés et exploités. Face à cette demande, les fabricants de mémoire ont dû se réorganiser en profondeur, créant une tension durable sur l'ensemble de la chaîne d'approvisionnement. Alors que le monde des cartes graphiques pour joueurs marque une pause inédite, celui des datacenters continue sa course effrénée, NVIDIA et AMD y concentrant l'essentiel de leurs investissements. Reste à savoir si ce déséquilibre se résorbera avec l'arrivée de nouvelles capacités de production mémoire, ou si les joueurs devront s'habituer à un rythme de renouvellement bien plus lent qu'auparavant.

Infrastructure❧Opinion

1 source

45

Illustration générée par IA

1552Next INpact 

En Australie, le parlement est inondé de contenus erronés générés par IA

Un vaste système d'analyse mis en place par The Guardian Australia a révélé que de nombreuses soumissions écrites déposées auprès de l'actuel Parlement australien, dans le cadre de ses commissions d'enquête, contiennent des citations et références scientifiques générées par intelligence artificielle et n'existant tout simplement pas. Le journal a d'abord constitué une base regroupant l'ensemble des documents envoyés aux comités parlementaires, puis a vérifié automatiquement chaque référence à l'aide de plusieurs bases de données académiques, avant de contrôler manuellement les cas les plus suspects. Résultat : au moins 39 textes destinés aux élus contiennent des références probablement inventées par des IA génératives. Une seconde méthode, consistant à repérer les identifiants d'URL automatiquement ajoutés par ChatGPT lorsqu'il fournit une source (comme le tag « utm_source=chatgpt.com »), a permis d'identifier plus de 100 documents supplémentaires portant la marque du chatbot d'OpenAI. Parmi les personnes concernées malgré elles figure Dina Haslam, psychologue et professeure associée à l'Université du Queensland, dont le nom a été associé à des travaux de recherche fictifs. Ce phénomène pose un problème direct pour la fabrique de la loi : les parlements s'appuient largement sur les auditions et rapports d'experts pour construire leurs décisions réglementaires, et des références fabriquées de toutes pièces mais présentées comme crédibles risquent d'influencer des choix politiques sur des bases fausses. Le cas est d'autant plus préoccupant que les autrices et auteurs des documents concernés, contactés par le journal, ont pour la plupart découvert seulement à cette occasion que les chatbots pouvaient inventer des sources plutôt que de simplement les résumer. Pour des chercheurs comme Dina Haslam, voir leur nom rattaché à des études qui n'existent pas, après des années de travaux rigoureux, représente une atteinte directe à leur crédibilité professionnelle. Ce n'est pas un cas isolé. En 2025, le cabinet Deloitte avait dû rembourser une partie de sa rémunération après avoir livré à l'État australien un audit, portant sur un système d'automatisation des sanctions liées aux aides sociales, truffé d'erreurs et de fausses citations scientifiques typiques des textes générés par IA. Quelques mois plus tard, le gouvernement canadien de Terre-Neuve-et-Labrador avait dû exiger de la même entreprise qu'elle reprenne un rapport comportant des références scientifiques tout aussi fictives. Dans le domaine juridique, le chercheur Damien Charlotin a recensé plus de 2 000 cas de plaidoiries s'appuyant sur des hallucinations produites par l'IA, illustrant une contamination plus large des processus institutionnels et administratifs par du contenu généré automatiquement, sans vérification suffisante.

Société⚡Actu

1 source

45

Illustration générée par IA

1553Le Big Data 

Comment Sony et TSMC intègrent l’Edge AI dans leurs capteurs pour traiter la donnée à la source

Sony Group et TSMC ont annoncé la constitution d'une coentreprise industrielle dotée d'un investissement de 1 000 milliards de yens, soit environ 6,3 milliards de dollars, pour développer des capteurs d'image intégrant des capacités d'Edge AI. Implantée dans la préfecture de Kumamoto au Japon, la nouvelle entité sera détenue à 60 % par Sony et 40 % par TSMC, et vise le début de la fabrication en série de ces composants dès 2029. Au delà des débouchés classiques dans les smartphones, notamment ceux d'Apple, les deux groupes ciblent explicitement les marchés de l'IA physique et de la robotique. Le procédé repose sur une architecture d'empilement tridimensionnelle où une puce de calcul logique, gravée selon les procédés de TSMC, est placée directement sous la matrice de pixels conçue par Sony, permettant au capteur d'exécuter des modèles d'IA et de trier l'information visuelle sans faire appel à un serveur distant. Un séisme survenu fin juillet 2026 à Kumamoto a temporairement suspendu l'activité des usines locales, sans remettre en cause le calendrier du projet selon les deux partenaires. Cette intégration directe du calcul dans le capteur répond à un problème concret pour les directions informatiques : l'acheminement continu de flux vidéo haute définition vers le cloud génère des coûts de bande passante et de stockage croissants, à mesure que les réseaux industriels saturent. En ne transmettant que des métadonnées utiles, comme une alerte de panne ou un comptage d'objets, plutôt que le flux brut, les entreprises réduisent significativement leurs coûts d'infrastructure. Le traitement local limite aussi l'exposition des données sensibles, puisque l'image brute reste dans le boîtier optique, ce qui facilite la conformité avec le RGPD. Pour l'automatisation industrielle et les véhicules autonomes, où l'analyse de l'environnement doit s'effectuer en quelques millisecondes pour éviter une collision ou corriger une trajectoire, l'élimination des allers-retours réseau devient un enjeu de sécurité autant que de performance. Ce rapprochement rassemble le premier fabricant mondial de capteurs optiques et le leader mondial de la fonderie de semi-conducteurs, chacun protégeant son cœur de métier : Sony conserve la propriété exclusive de ses procédés d'imagerie tout en s'appuyant sur la puissance de gravure de TSMC, ce qui lui permet de défendre ses parts de marché face à Samsung et OmniVision. TSMC, de son côté, acquiert une expertise nouvelle sur le segment en forte croissance de la vision par ordinateur embarquée. L'ampleur de l'investissement, équivalent à environ quatre années de dépenses d'investissement de la filiale semi-conducteurs de Sony, illustre l'importance stratégique accordée à ce pari industriel de long terme. La suite dépendra de la capacité des deux groupes à tenir leur calendrier de 2029 malgré les aléas locaux, comme le séisme de juillet, et de la vitesse à laquelle les industriels de la robotique et des véhicules autonomes adopteront ces capteurs intelligents comme brique de base de leurs systèmes de perception.

Infrastructure❧Opinion

1 source

48

Illustration générée par IA

1554Le Big Data 

Robots humanoïdes et Big Data : les défis d’infrastructure derrière l’investissement de SoftBank dans 1X

SoftBank négocie actuellement le rachat d'une participation majoritaire dans 1X Technologies, start-up norvégienne spécialisée dans les robots humanoïdes, pour une valorisation avoisinant les 6 milliards de dollars. Ce montant reste toutefois inférieur aux 10 milliards de dollars que 1X espérait initialement lever, selon les informations rapportées par The Information le 27 août 2026. La société, déjà soutenue par l'OpenAI Startup Fund et par le fonds Tiger Global, intéresse le groupe japonais quelques mois seulement après son acquisition de la filiale robotique du géant industriel ABB, opération conclue pour 5,4 milliards de dollars. Cette double manœuvre confirme l'accélération des investissements de SoftBank dans le secteur des agents autonomes et des machines capables d'évoluer dans des environnements physiques complexes. Au-delà de l'assemblage mécanique, l'intérêt stratégique de 1X réside dans sa capacité à gérer d'immenses volumes de données en continu. Les robots de l'entreprise reposent sur une approche dite d'IA incarnée, où des réseaux de neurones multimodaux apprennent directement sur le terrain, par imitation et par renforcement. Leurs capteurs optiques, lidars et récepteurs kinesthésiques génèrent un flux ininterrompu de vidéos et de données de télémétrie spatiale, bien plus volumineux que celui des objets connectés classiques. Pour les industriels, cela signifie repenser entièrement la collecte, le filtrage et l'annotation de ces données afin d'entraîner des modèles de fondation visio-linguistiques toujours plus précis. La qualité des gestes exécutés par ces machines dépend directement de la robustesse des pipelines d'ingestion, ce qui transforme la donnée en véritable enjeu de compétitivité industrielle, au même titre que le matériel lui-même. Cette course technologique se heurte cependant à des contraintes physiques concrètes : un simple délai de transmission réseau peut provoquer une collision ou un arrêt d'urgence du robot. Les entreprises doivent donc privilégier l'inférence locale, via l'Edge AI, pour garantir une réactivité immédiate, tout en synchronisant régulièrement ces machines avec un cloud hybride chargé de réentraîner les modèles à partir des données collectées sur le terrain. Cette logique, déjà illustrée par le projet GR00T de Nvidia et sa plateforme de jumeaux numériques Omniverse, dessine une architecture à deux vitesses combinant traitement local et centralisation analytique. L'opération envisagée par SoftBank illustre ainsi un basculement plus large du secteur : la bataille pour la robotique autonome ne se joue plus seulement sur la mécanique ou l'intelligence artificielle embarquée, mais sur la capacité des entreprises à bâtir des infrastructures de données capables de faire progresser des flottes entières de machines en temps réel.

Robotique❧Opinion

1 source

41

Illustration générée par IA

1555Le Big Data 

Akeneo révèle l’opportunité cachée de l’AI Act pour les marques : la fin des catalogues invisibles ?

Romain Fouache, PDG d'Akeneo et fort de 25 ans d'expérience dans la donnée, a détaillé dans un entretien accordé à LeBigData.fr comment son entreprise se prépare à l'entrée en application de l'AI Act européen. Akeneo, éditeur spécialisé dans la gestion de l'information produit (PIM), a développé des agents d'intelligence artificielle opérant sous des couches de gouvernance et de monitoring capables de tracer précisément toute donnée produit modifiée par une IA générative. Selon Fouache, ce marquage systématique permet de répondre à l'exigence centrale du règlement européen : garantir la traçabilité des contenus générés ou altérés par des systèmes d'IA, à l'image d'une réglementation automobile qui encadre un objet dont les usages comportent des risques concrets pour le monde réel. Cette mise en conformité représente un enjeu commercial direct pour les marques, en particulier dans le secteur du luxe, où une information produit erronée peut coûter cher en crédibilité. Fouache assure toutefois que le surcoût lié à cette transparence reste limité, la gouvernance de la donnée étant déjà une exigence forte chez les clients d'Akeneo. Plus largement, il présente l'IA non pas comme une contrainte réglementaire mais comme un levier de compétitivité qui permet à des entreprises de taille modeste d'atteindre une efficacité opérationnelle jusqu'ici réservée aux grands groupes capables d'économies d'échelle. Sur le terrain éthique, Akeneo affirme limiter les biais algorithmiques liés à la personnalisation en fondant ses recommandations non pas sur une catégorisation des profils clients, mais sur la richesse descriptive des produits eux-mêmes : un t-shirt décrit comme "en coton bio, taille M, recyclable" permet de faire correspondre une intention d'achat précise sans profiler l'acheteur. Cette approche s'inscrit dans un débat plus large sur le commerce dit "agentique", où des agents IA autonomes naviguent, comparent et achètent pour le compte des consommateurs. Le paradoxe soulevé par Fouache est que cette automatisation, censée simplifier l'expérience d'achat, risque de rendre invisibles les catalogues dont les données produit ne sont pas assez structurées ou détaillées pour être correctement interprétées par ces agents. L'AI Act, en imposant traçabilité et rigueur sur les données manipulées par l'IA, devient alors un catalyseur qui pousse les marques à investir dans la profondeur et la qualité de leur information produit, sous peine de disparaître des recommandations automatisées de demain. Cette dynamique replace la gestion de l'information produit au cœur des stratégies commerciales, à un moment où les canaux de distribution se transforment sous l'effet des agents conversationnels et des assistants d'achat pilotés par IA.

Business⚡Actu

1 source

47

Illustration générée par IA

1556AI News 

Pourquoi les serveurs MCP deviennent la nouvelle cible privilégiée des attaques contre l'IA

Anthropic a lancé le Model Context Protocol (MCP) en tant que standard ouvert en novembre 2024, pour permettre aux agents d'intelligence artificielle de se connecter à des outils et des sources de données externes via une interface unique plutôt que par des connecteurs sur mesure. En à peine douze mois, MCP s'est imposé comme le standard de référence du secteur. Selon Anthropic, plus de 10 000 serveurs MCP publics actifs fonctionnaient déjà en décembre 2025, avec un support au déploiement assuré par AWS, Google Cloud et Azure. Les principales plateformes d'IA et outils de développement, dont ChatGPT, Gemini, Microsoft Copilot, Cursor et Visual Studio Code, ont tous intégré ce protocole. Mais cette adoption fulgurante a créé une nouvelle surface d'attaque que les dispositifs de sécurité peinent à couvrir. Une analyse menée par Lakera, société de sécurité IA rachetée par Check Point en 2025, a passé en revue 10 000 serveurs MCP et constaté que 40 % d'entre eux présentaient des failles exploitables. Face à ce constat, Check Point a lancé en juillet 2026 son AI Network Firewall, un pare-feu spécifiquement conçu pour protéger les modèles, les agents et les outils auxquels ils se connectent. Cette faille de sécurité concerne directement les entreprises qui déploient des agents IA capables d'accéder dynamiquement à des systèmes sensibles, un usage pour lequel les défenses existantes n'ont pas été conçues. L'organisation OWASP a recensé plusieurs types de menaces spécifiques à MCP: l'empoisonnement d'outils, qui consiste à dissimuler des instructions malveillantes dans la description ou les résultats d'un outil pour manipuler le comportement de l'agent; les attaques dites de "rug pull", où un serveur modifie la définition d'un outil après qu'un utilisateur l'a validé, détournant ainsi la confiance accordée; ou encore le détournement d'outils entre serveurs, qui permet à un serveur malveillant d'influencer la façon dont un agent utilise les outils d'un serveur légitime. Ces vulnérabilités facilitent aussi l'exfiltration de données sensibles, un risque d'autant plus grave que les agents opèrent souvent avec des permissions étendues. Ce décalage entre la vitesse d'adoption d'un protocole et la maturité des outils de sécurité qui l'entourent illustre une tension récurrente dans l'écosystème de l'IA générative, où l'innovation se propage en quelques mois alors que les équipes de cybersécurité ont besoin de bien plus de temps pour bâtir des protections fiables. Plusieurs éditeurs de cybersécurité se positionnent désormais sur ce créneau du "pare-feu IA", un terme encore flou qui désigne tantôt une défense réseau classique dopée à l'IA, tantôt, comme dans le cas de Check Point, un dispositif dédié à la protection des modèles et agents eux-mêmes. Avec la multiplication des serveurs MCP déployés par des tiers, la sécurisation de cette chaîne de connecteurs s'annonce comme l'un des chantiers prioritaires pour l'industrie dans les prochains mois.

Sécurité⚡Actu

1 source

40

Illustration générée par IA

1557Next INpact 

☕️ Les profils générés par IA devront se signaler sur Instagram

Instagram a annoncé le remplacement de son étiquette « Créateur IA », testée depuis mai, par un nouveau label plus explicite intitulé « Profil généré par IA » (« AI-generated profile »). Cette étiquette apparaîtra directement sur la page de profil, dans les informations détaillées du compte, ainsi que sous le nom affiché dans les publications de ces personnages synthétiques. La mesure vise spécifiquement les comptes qui mettent en scène une personne entièrement générée par intelligence artificielle, et non les créateurs qui utilisent simplement des outils d'IA générative pour produire des images, vidéos ou textes tout en gardant une identité humaine réelle sur leur profil. Meta, maison mère d'Instagram, justifie ce changement en expliquant que « les utilisateurs veulent savoir quand un profil met en avant une personne générée par IA ». Cette décision répond à un agacement croissant des utilisateurs, qui découvrent parfois après coup que la personne avec laquelle ils interagissaient n'a jamais existé. L'enjeu dépasse la simple transparence cosmétique: il touche à la confiance dans les interactions sociales en ligne, à une époque où le réseau est déjà considéré comme l'un des plus gros diffuseurs de contenus IA de basse qualité, parfois surnommés « AI slop ». Pour inciter à la conformité, Meta a choisi la carotte et le bâton. Les créateurs qui étiquettent volontairement leur profil ne subiront aucune perte de visibilité. En revanche, ceux qui refusent de se déclarer et sont repérés par les systèmes de détection automatique d'Instagram risquent de disparaître des recommandations, une sanction non négligeable pour des comptes qui vivent souvent de leur exposition algorithmique. Cette initiative s'inscrit dans une pression plus large qui pèse sur les plateformes sociales pour distinguer clairement contenus humains et contenus synthétiques, alors que les outils de génération d'IA deviennent de plus en plus réalistes et accessibles. Meta avait déjà expérimenté des marquages similaires pour les images et vidéos générées par IA ces dernières années, avec un succès mitigé face au volume croissant de contenus synthétiques. La plateforme prévoit un mécanisme d'appel pour les créateurs qui contesteraient une décision de restriction de visibilité, signe qu'elle anticipe des erreurs de détection ou des contestations. Reste à voir si ce système déclaratif, reposant en partie sur la bonne foi des créateurs et en partie sur une détection automatisée encore imparfaite, suffira à endiguer la prolifération de faux profils sur une plateforme qui compte des centaines de millions d'utilisateurs actifs quotidiens.

Éthique⚒Outil

1 source

39

Illustration générée par IA

1558Le Big Data 

OpenAI aurait acheté des milliers de Mac d’Apple… mais pourquoi ?

OpenAI aurait acquis des dizaines de milliers de Mac mini et de Mac Studio auprès d'Apple, selon des informations rapportées fin août 2026 par The Information. L'information a été relayée le 30 août 2026 sur X par l'analyste Shay Boloor, qui précise que ces machines serviraient à l'apprentissage par renforcement ainsi qu'au fonctionnement d'agents IA capables d'utiliser un ordinateur. Toujours selon cette source, Anthropic suivrait une logique comparable en louant des Mac mini via l'infrastructure cloud d'Amazon Web Services, plutôt qu'en les achetant directement. Ces révélations interviennent alors que le marché des composants électroniques traverse une période de tension extrême, avec une flambée des prix de la mémoire qui pousse les laboratoires d'intelligence artificielle à sécuriser des stocks de matériel par tous les moyens, un peu comme Amazon avait récemment fait parler d'elle en rachetant massivement des livres pour nourrir ses modèles en données textuelles. Cette stratégie surprend car les Mac ne sont pas les machines auxquelles on pense spontanément pour entraîner des modèles d'IA de pointe, un rôle habituellement dévolu aux immenses fermes de serveurs équipées de puces NVIDIA. Mais le choix n'est pas anodin: OpenAI ne chercherait pas à remplacer ses GPU, insuffisants pour le pré-entraînement gourmand en données, mais à équiper une étape différente et tout aussi cruciale du développement de ses modèles, celle où les systèmes sont testés, évalués et corrigés pour affiner leurs réponses. Pour ce type de tâche, l'architecture des puces Apple Silicon présente un avantage réel: leur mémoire unifiée permet au processeur et au GPU de partager plus facilement les ressources, et des connexions rapides comme le Thunderbolt 5 permettent de faire coopérer plusieurs machines compactes avec une faible latence, un atout pour coordonner des systèmes multi-agents. Le signal envoyé à l'industrie est clair: le matériel grand public d'Apple devient un maillon pertinent des infrastructures d'IA, une place qu'on ne lui prêtait pas en début d'année. Cette course aux composants illustre une dépendance de plus en plus intenable envers les puces spécialisées, sur un marché où la moindre nouveauté suscite déjà des ruptures de stock. C'est le cas des futurs PC équipés de puces NVIDIA RTX Spark, qui seraient déjà épuisés avant même leur commercialisation. Un autre exemple cité est la puce Grace-plus-Blackwell, coconçue par NVIDIA et MediaTek, gravée en 3 nanomètres chez TSMC, attendue à l'automne 2026 sous Windows sur architecture Arm, avec des systèmes haut de gamme N1x annoncés à partir d'environ 110 000 dollars taïwanais, soit près de 3 400 dollars. Dans ce contexte de pénurie généralisée, le recours massif d'OpenAI et d'Anthropic au matériel Apple apparaît moins comme une excentricité que comme une solution pragmatique pour continuer à faire progresser leurs modèles malgré la rareté des composants traditionnellement dédiés à l'IA.

Infrastructure⚡Actu

1 source

41

Illustration générée par IA

1559Latent Space 

Fal lance H3 Max Live et repousse la limite de la génération vidéo infinie

Fal, spécialiste de l'inférence pour la génération vidéo par IA, a franchi ce que ses équipes qualifient de barrière de la vidéo infinie en temps réel. En reprenant le modèle H3 de Minimax publié le mois précédent, Fal l'a d'abord réentraîné pour améliorer coût et qualité, puis optimisé pour son moteur d'inférence maison, atteignant une vitesse 35 fois supérieure à celle du point d'accès officiel de Minimax. Le résultat dépasse la vitesse de génération en temps réel, un seuil jusque là jamais franchi durablement pour la vidéo générative. La percée a d'abord été repérée par le chercheur Ethan Mollick, avant que des employés de Fal ne la transforment en flux Twitch infini généré par IA. Twitch et YouTube ont rapidement banni ce flux de leurs plateformes, poussant Fal à lancer son propre service de diffusion en direct, une sorte de "Twitch Plays Pokémon" propulsé par IA générative. Cette semaine a aussi vu Meta faire sortir son agent de codage Muse Code de bêta avec un SDK pour développeurs et des abonnements mensuels, tandis que DeepSeek publiait les poids ouverts de V4 Flash Vision et que Tencent dévoilait Hy4 Preview, un modèle open source à mixture d'experts de 770 milliards de paramètres. Cette avancée technique, même si le contenu produit reste qualifié de "slop" par ses propres promoteurs, un magma vidéo sans scénario ni cohérence, constitue une preuve de concept majeure pour l'industrie de la génération de médias par IA. Jusqu'à présent, générer de la vidéo demandait un temps de calcul incompressible, limitant les applications à des rendus différés même avec les modèles de cohérence les plus rapides. Le fait que Fal démontre une vitesse de génération supérieure au temps réel change la donne pour toute conception de produits vidéo génératifs interactifs, du streaming automatisé aux expériences de divertissement adaptatives. Pour les plateformes comme Twitch et YouTube, cela pose immédiatement des questions de modération de contenu à grande échelle, comme l'illustre leur bannissement immédiat du flux de Fal. Pour les développeurs et entrepreneurs du secteur, le signal est que la qualité s'améliorera rapidement à partir de cette base technique désormais validée. Cette percée s'inscrit dans une compétition plus large entre laboratoires sur l'infrastructure d'inférence et les modèles ouverts. GLM-5.3 Flash de Zhipu s'est classé 19e au classement général de l'Agent Arena et 4e parmi les modèles ouverts, avec un coût médian de 0,12 dollar par tâche et un score de 95,4% sur SWE-bench, tandis que Qwen3.8-Flash-Next de Alibaba s'est positionné 24e. Ces publications concurrentes, combinées à l'accélération de Tencent qui a comblé une grande partie de son retard sur Hy3 en seulement sept semaines grâce au post-entraînement, illustrent une course effrénée entre laboratoires chinois et américains sur le rapport coût-performance des agents. La démonstration de Fal, aussi rudimentaire soit son contenu actuel, ouvre la voie à des applications futures de streaming vidéo génératif en temps réel, un terrain que davantage d'acteurs vont désormais chercher à occuper.

Création⚡Actu

1 source

36

Illustration générée par IA

1560MarkTechPost 

Gradium AI lance un nouveau modèle TTS par défaut : 81 % de réussite sur cas difficiles, 216 ms avant premier audio

Gradium AI a annoncé le 31 août 2026 le déploiement de son nouveau modèle de synthèse vocale (text-to-speech) comme option par défaut sur l'ensemble de son API et de sa plateforme Studio. La société affiche un taux de réussite de 81,0 % évalué par des locuteurs natifs sur un ensemble de 500 phrases jugées difficiles, couvrant cinq langues (anglais, allemand, français, espagnol, portugais). Ce score dépasse celui de Cartesia Sonic 3.6 (75,1 %), ElevenLabs v3 Conversational (65,4 %), Fish Audio S2.1 Pro (49,5 %) et Inworld TTS 1.5 Max (46,5 %). Côté latence, le modèle atteint un temps avant premier son de 216 millisecondes en médiane (P50) sur le benchmark de Coval, soit 170 ms de moins que la version précédente, avec un écart interquartile de seulement 30 ms sur 480 tests, la variabilité la plus faible des cinq modèles comparés. La bascule s'est faite sans migration requise : les voix existantes, y compris les clones personnalisés, continuent de fonctionner sans modification. Cette annonce cible un point de friction bien identifié des agents vocaux automatisés : la restitution fiable des éléments critiques d'un appel, comme un numéro de commande, des chiffres de rappel ou une adresse email dictée par un interlocuteur. Une seule syllabe ou un chiffre mal prononcé peut faire échouer toute une interaction avec un client, ce qui explique pourquoi Gradium a construit une méthodologie d'évaluation stricte : une phrase n'est validée que si un évaluateur natif entend chaque élément prononcé correctement et intégralement. Pour les entreprises qui déploient des centres d'appels automatisés, des assistants de support ou des agents de prise de commande, ce genre d'amélioration a un impact direct sur le taux de résolution des appels et la satisfaction client, sans nécessiter de refonte technique. La combinaison d'une précision élevée et d'une latence courte et stable est particulièrement recherchée dans les conversations vocales en temps réel, où les utilisateurs perçoivent immédiatement les temps de réponse irréguliers. Ce lancement s'inscrit dans une compétition croissante entre fournisseurs de synthèse vocale pour les agents conversationnels, un segment où Cartesia, ElevenLabs, Fish Audio et Inworld sont déjà positionnés. Gradium a choisi de rendre son protocole d'évaluation transparent en publiant l'ensemble des 500 phrases de test sur Hugging Face sous licence CC BY 4.0, une démarche destinée à crédibiliser ses résultats face à des benchmarks habituellement propriétaires et donc invérifiables par des tiers. La entreprise reconnaît elle-même qu'il s'agit d'un benchmark mené en interne, ce qui appelle à la prudence dans son interprétation. Pour encourager la détection de défauts persistants, Gradium propose désormais une récompense d'un million de crédits à quiconque signale, via son serveur Discord, un cas d'échec complet sur ses critères de test. L'accès au nouveau modèle se fait via le SDK Python existant et le point de terminaison WebSocket TTS, sans changement pour les identifiants de voix déjà utilisés par les clients.

Création⚡Actu

1 source