NewsFolio

TechCrunch fait le point sur une question que trois ans de procédures n'ont pas tranchée : la légalité de l'entraînement d'un modèle sur des ouvrages protégés, versés dans les corpus sans que leurs auteurs en soient informés ni sollicités. La réponse dépend de la juridiction, mais aussi d'une distinction que les décisions rendues jusqu'ici ont commencé à dessiner : l'acte d'entraînement lui-même n'est pas apprécié de la même manière que la façon dont les copies ont été obtenues. Un corpus acquis auprès de bibliothèques pirates n'est pas dans la même situation qu'un corpus licencié ou acheté, quand bien même l'usage ultérieur serait identique. Pour les éditeurs de modèles, le risque se concentre donc moins sur la technique que sur la provenance des données, ce qui explique la multiplication des accords de licence avec les ayants droit. Aucune doctrine stable ne se dégage à ce stade, et les litiges en cours continueront de faire bouger la ligne.

Le speedrun nanoGPT est un exercice communautaire devenu une référence officieuse de l'efficacité d'entraînement : atteindre un niveau de perte de validation fixé à l'avance, sur un modèle de la famille GPT-2 et une configuration matérielle imposée, en un minimum de temps. Les records successifs ont surtout progressé par des changements d'optimiseur, d'architecture et de gestion de la précision numérique, c'est-à-dire sans ajouter de calcul. Prime Intellect y consacre une publication de recherche intitulée « NanoGPT Speedrun Frontier ». L'intérêt de ce banc d'essai tient à ce qu'il isole les gains d'efficacité de la question de l'échelle, sur un protocole reproductible et peu coûteux à rejouer — une propriété rare parmi les comparatifs d'entraînement. Le détail des résultats avancés est à lire dans la publication elle-même.

Flock Safety équipe des polices municipales et des collectivités américaines de caméras de lecture automatique de plaques d'immatriculation, dont les relevés alimentent une base consultable. L'entreprise fait face à une opposition croissante, portée par la crainte que ces historiques de déplacements soient détournés de leur finalité initiale ou partagés au-delà du service qui les a collectés. Son dirigeant a publiquement appelé à un compromis avec les critiques. Le débat s'est déplacé : il ne porte plus sur la performance de la reconnaissance, techniquement banale, mais sur la gouvernance des données produites — durée de conservation, conditions d'accès, traçabilité des consultations et interconnexion entre juridictions. C'est un cas d'école pour toute technologie de reconnaissance déployée à l'échelle d'un territoire, où le point sensible se situe dans l'agrégation plutôt que dans le modèle.

Dans son programme Foundry, destiné aux porteurs de projet et facturé 699 dollars, Harvard Business School fait donner le retour pédagogique par des avatars générés à l'image de ses enseignants. Ces derniers interviennent lors d'exercices de présentation de projet et de simulations de conseil d'administration. La démarche se distingue d'un assistant conversationnel ajouté à un cours : c'est la reprise de l'apparence et de la parole d'enseignants identifiés qui sert de dispositif d'enseignement, dans une institution dont la valeur repose largement sur l'accès à ces mêmes personnes. Elle soulève deux questions distinctes : ce qui est effectivement vendu — le contenu, la marque, ou l'interaction —, et le cadre régissant l'usage de l'image des intervenants. L'efficacité pédagogique d'un retour délivré par avatar, comparée à un retour écrit ou à une séance avec un humain, n'est pas établie à ce stade.