NewsFolio

Micron a dévoilé Micron Research Labs, un centre de recherche implanté à Boise, dans l'Idaho, doté de dix milliards de dollars et orienté vers l'innovation à long terme en matière de mémoire. Le fabricant présente l'installation comme un pari sur les besoins futurs des systèmes d'intelligence artificielle, et non sur la génération de puces en cours. La mémoire est devenue un goulot d'étranglement aussi contraignant que la puissance de calcul : les accélérateurs actuels sont fréquemment limités par la bande passante disponible plutôt que par le nombre d'opérations qu'ils savent exécuter. L'annonce confirme que la concurrence industrielle se joue désormais autant sur les composants mémoire que sur les processeurs eux-mêmes.

Dans un système à plusieurs modèles, passer une tâche d'un petit modèle à un plus grand impose aujourd'hui de recalculer intégralement le contexte de la conversation côté destinataire. Le coût en calcul et en latence croît avec la longueur du contexte, ce qui pénalise précisément les usages agentiques longs, où les échanges s'accumulent. Des chercheurs de Nvidia décrivent une méthode de transfert du cache clé-valeur entre modèles, qui projette le cache déjà calculé par le modèle source vers l'espace du modèle cible au moyen d'une transformation linéaire. L'économie annoncée porte sur la phase de préremplissage, la plus sensible aux contextes volumineux. Il s'agit d'un travail de recherche : la portée réelle dépendra de la qualité de la projection entre familles de modèles différentes et de son intégration dans les moteurs d'inférence.

OpenAI a mis en place une intégration de ChatGPT avec l'application Messages d'Apple, qui permet de déléguer l'écriture et l'envoi de messages à l'assistant. L'utilisateur décrit ce qu'il veut dire, ChatGPT compose le texte et l'expédie dans la conversation. La fonction prolonge le mouvement engagé par OpenAI depuis plusieurs mois : sortir de l'interface de discussion pour s'insérer dans les applications où les tâches se font réellement. Elle pose aussi les questions habituelles de ce type de délégation, sur la lecture du fil de conversation par le modèle et sur ce que le destinataire est en droit de savoir de son interlocuteur.

Google déploie dans les prochains jours une option de l'application Google permettant de personnaliser le fil Discover en formulant ses préférences en langage naturel. Le réglage est accessible depuis le menu à trois points, et le système est censé mémoriser les consignes pour les visites suivantes. Le changement est notable parce qu'il remplace un signal implicite — les clics, le temps passé — par une instruction explicite de l'utilisateur. Il reste à voir quel poids l'algorithme accordera réellement à ces consignes face à ses propres critères d'engagement, et si l'on peut demander l'inverse de ce que le classement optimise habituellement.

Un second travail de Nvidia publié le même jour porte sur ce qui détermine la fiabilité d'un agent. Les chercheurs constatent qu'un modèle moyennement performant sur une tâche donnée peut obtenir de bons résultats et rester dans les clous une fois inséré dans un harnais bien conçu et affiné par fine-tuning. Autrement dit, la boucle d'exécution, les outils fournis et les garde-fous pèsent au moins autant que les capacités brutes du modèle sous-jacent. Ce constat a une conséquence pratique pour les entreprises : investir dans l'ingénierie autour du modèle peut rapporter plus que passer au modèle le plus récent. La conclusion demande confirmation sur d'autres familles de tâches que celles évaluées.

Hume AI publie une étude qui cherche à quantifier l'optimisation des modèles de transcription pour les jeux d'évaluation qui servent à les classer. Les auteurs proposent trois tests destinés à distinguer une réelle capacité de transcription d'un ajustement aux particularités des corpus de référence. Leurs mesures indiquent que plusieurs modèles ouverts parmi les mieux classés obtiennent des scores flatteurs sur les benchmarks établis sans que l'écart se retrouve sur des données inédites. Le sujet dépasse la reconnaissance vocale : dès qu'un classement public devient un enjeu commercial, il finit par être optimisé pour lui-même. Pour qui choisit un modèle de transcription, la leçon pratique est de tester sur ses propres enregistrements plutôt que de se fier au tableau de tête.

La start-up Starcloud a bouclé un tour de table de 250 millions de dollars destiné à financer des centres de données placés en orbite. L'argument avancé pour ce type de projet tient à l'énergie solaire disponible en continu et au refroidissement, deux contraintes qui pèsent lourdement sur les installations terrestres dédiées à l'IA. La difficulté n'est pas financière mais logistique : les créneaux de lancement se raréfient, et l'accès à l'espace devient le véritable facteur limitant pour les acteurs de ce marché naissant. La faisabilité économique reste à démontrer, entre coût de mise en orbite, maintenance impossible et liaison de données avec le sol.

Google DeepMind revient sur quinze années de travaux menés sur les jeux, des agents entraînés sur les titres Atari jusqu'à des univers persistants comme EVE Online, et annonce des partenariats avec des studios pour prototyper de nouvelles formes de jeu. Les jeux ont longtemps servi de terrain d'essai pour l'apprentissage par renforcement parce qu'ils fournissent un objectif mesurable et un environnement reproductible. Le déplacement annoncé consiste à passer de l'agent qui gagne à l'agent qui participe à l'expérience de jeu, aux côtés des joueurs. Le laboratoire ne détaille ni les studios concernés ni le calendrier, ce qui laisse cette annonce au stade de l'intention.

Plusieurs créateurs installés dans le milieu du cinéma en ligne, dont Matti Haapoja et Sam Kolder, ont publié des vidéos présentant les capacités de la plateforme Higgsfield et sa fonction récente fondée sur Seedance 2.5, en la décrivant comme l'avenir de la production vidéo. La réaction d'une partie de leur audience a été hostile, moins sur la qualité technique des résultats que sur le fait d'être rémunérés pour promouvoir un outil perçu comme une menace directe par leur propre public de vidéastes. L'épisode illustre une tension propre à ce segment : les outils de vidéo générative progressent assez vite pour intéresser les professionnels, mais leur adoption publique par des figures du métier est lue comme une trahison. Le sujet est moins la technologie que la position de ceux qui vivent de l'enseigner.