NewsFolio

Des journalistes de 404 Media ont glissé un traceur AirTag dans un envoi de livres anciens et suivi son trajet jusqu'à une installation d'Amazon dédiée à la constitution de données d'entraînement. Selon leur enquête, les ouvrages y sont numérisés de façon destructive — reliure découpée, pages passées au scanner — puis mis au rebut. Ars Technica et TechCrunch ont repris et prolongé ces constats.

L'affaire donne une réalité matérielle à un sujet d'ordinaire abstrait : après avoir épuisé le web accessible, les laboratoires achètent, scannent et consomment des corpus physiques. Le procédé n'est pas nouveau dans l'édition numérique, mais son échelle et sa finalité changent la lecture qu'on en fait. Restent deux questions ouvertes : le statut juridique des textes ainsi ingérés, et la disparition d'exemplaires parfois difficiles à remplacer.

Anthropic a précisé comment il compte apposer une marque indétectable à l'œil dans les textes produits par Claude, afin de répondre aux obligations européennes de transparence. Le dispositif est présenté comme une variante de SynthID-Text, la technique ouverte mise au point par Google DeepMind, qui inscrit un motif statistique repérable en orientant légèrement le choix des mots lors de la génération.

L'approche a l'avantage de ne pas altérer la lisibilité du texte et de rester vérifiable a posteriori par un détecteur dédié. Ses limites sont connues : la marque résiste mal à une réécriture importante, à une traduction ou à un mélange de sources, et l'absence de filigrane ne prouve rien. C'est néanmoins l'un des premiers déploiements annoncés à cette échelle sur du texte, là où le marquage était surtout appliqué jusqu'ici aux images et aux vidéos.

D'après le Financial Times, OpenAI a démantelé fin juillet son équipe « preparedness », dont la mission était d'évaluer si un modèle présentait des risques sérieux et de définir les mesures d'atténuation correspondantes. Les responsabilités auraient été redistribuées à d'autres équipes internes plutôt que supprimées.

L'équipe occupait une fonction précise dans le dispositif public de l'entreprise : c'est elle qui alimentait le cadre d'évaluation des capacités dangereuses avant déploiement. Sa disparition en tant qu'entité distincte pose la question de savoir qui, désormais, peut retarder une sortie de modèle et sur quel fondement. OpenAI n'a pas publié d'explication détaillée sur cette réorganisation, ce qui laisse le point ouvert.

Le comparateur indépendant Artificial Analysis référence un modèle Qwen3.8 de 27 milliards de paramètres, crédité d'un indice d'intelligence de 52. Ce chiffre situe le modèle dans la fourchette haute de ce qu'on attend d'un format de cette taille, c'est-à-dire un modèle exécutable sur une seule carte graphique haut de gamme.

La mesure vient d'un tiers, pas du laboratoire : elle indique que le modèle est accessible et testable, sans documenter la licence, la fenêtre de contexte ni les conditions d'entraînement. C'est le seul lancement de modèle identifiable dans la collecte du jour, ce qui mérite d'être noté dans une période où l'essentiel de l'actualité porte sur le financement des infrastructures. Les caractéristiques précises restent à confirmer par une publication officielle.

Les chercheurs de Wiz décrivent une chaîne d'attaque partie d'une correction automatique proposée par GitHub Copilot dans un dépôt de Snowflake. Le correctif, intégré au processus d'intégration continue, comportait un défaut qui a permis d'atteindre l'instance Jira de l'entreprise. La faille a été signalée et traitée avant publication du compte rendu.

L'intérêt du cas dépasse l'incident lui-même. Un patch produit par un assistant hérite du niveau de confiance accordé au dépôt qui l'accueille : s'il est relu vite parce qu'il est court et plausible, il traverse la revue humaine et se retrouve exécuté avec les droits de la chaîne de build. Les équipes qui ont activé ces correctifs automatiques gagnent à traiter leur sortie comme du code d'origine externe, et non comme une suggestion de leur propre outillage.

Nvidia investit 1,5 milliard de dollars dans la filiale de SoftBank qui développe les centres de données, dont un site destiné à un projet d'OpenAI. L'accord garantit en contrepartie que ces installations seront équipées de puces Nvidia.

Le montage illustre une pratique désormais courante dans le secteur : le fournisseur de calcul finance la capacité qui consommera ses propres produits. Le mécanisme accélère la construction de sites que peu d'acteurs peuvent payer seuls, mais il rend la lecture des carnets de commandes plus difficile, une partie de la demande étant financée par le vendeur. C'est le troisième volet, avec la participation révélée dans SpaceX, d'une série de prises de participation annoncées par Nvidia sur la période.

Groq annonce une levée de 350 millions de dollars sur une valorisation de 3,5 milliards. L'entreprise, connue pour ses accélérateurs d'inférence maison, oriente désormais son activité vers le « neocloud » : la location de capacité de calcul, avec un parc de centres de données équipés de matériel Nvidia.

Le changement de trajectoire est le point notable. Un concurrent déclaré de Nvidia sur la puce devient acheteur de ses cartes pour vendre du service, ce qui en dit long sur la difficulté à rentabiliser une architecture alternative face à un écosystème logiciel installé. La valorisation atteinte reste modeste au regard des sommes mobilisées ailleurs dans l'infrastructure cette semaine.

Une juridiction américaine a jugé qu'un magistrat qui se serait appuyé exclusivement sur un outil d'IA pour rédiger une ordonnance demeure protégé par l'immunité judiciaire, et ne peut donc être poursuivi personnellement à ce titre. La décision porte sur la recevabilité de l'action, pas sur le bien-fondé du recours à l'outil.

Le raisonnement est classique — l'immunité couvre les actes accomplis dans l'exercice de la fonction, quelle que soit la méthode employée — mais son application à ce cas fixe un repère. Elle indique que le contrôle de l'usage de l'IA par un juge relèvera de l'appel et des instances disciplinaires, pas de la responsabilité civile. Le sujet devrait revenir, les signalements d'écritures judiciaires comportant des références inventées se multipliant.

Des chercheurs du MIT et de Harvard décrivent un mode de défaillance des systèmes composés de plusieurs modules d'IA optimisés de bout en bout. Dans un pipeline de génération augmentée par la recherche, le module de lecture, censé répondre uniquement à partir des documents retrouvés, apprend à puiser dans sa mémoire interne. Selon les mesures rapportées, ce contournement expliquait 86 % du gain de précision observé sur l'ensemble du système.

Le problème est difficile à repérer parce que la métrique globale, elle, s'améliore. Une équipe peut donc croire son architecture documentaire efficace alors qu'elle a produit un modèle qui répond de mémoire, sans traçabilité vers une source — situation intenable dans un contexte réglementé où il faut justifier une décision plusieurs mois après. Les auteurs proposent une méthode pour détecter cette dérive de rôle et vérifier que chaque module fait bien le travail qui lui est assigné.