Le 20 mai 2026, OpenAI a affirmé qu’un de ses modèles d’IA avait contribué à réfuter une conjecture mathématique formulée par Paul Erdős en 1946. Le problème consiste à déterminer combien de paires de points peuvent être placées exactement à distance 1 dans un plan.
Un amateur de 23 ans a réussi à résoudre une énigme mathématique vieille de 60 ans grâce à une simple conversation avec ChatGPT. En contournant les biais académiques traditionnels, le modèle GPT-5.4 Pro prouve que l'IA est capable de fulgurances créatives.
Le 11 février 2026, Andrej Karpathy a affirmé sur X avoir recréé un modèle GPT en seulement 243 lignes de Python. Une expérience pédagogique qui démonte pièce par pièce la mécanique des intelligences artificielles modernes.
Le modèle d’IA GPT-5.2 Pro a résolu plusieurs problèmes de mathématiques, dont l’un, le 11 janvier 2026, était resté ouvert depuis 45 ans. Plus que le résultat, c’est la méthode — associant humains, assistant de preuve Lean et système d’IA Aristotle — qui pourrait transformer la pratique de la démonstration mathématique.
La Commission européenne dit s'engager à ce que l'Europe achète pour 40 milliards d'euros de puces spécialisées dans l'IA. Mais comme pour d'autres promesses liées à l'accord entre l'Union européenne et les USA, cette perspective ne semble pas contraignante.
DeepMind, le laboratoire spécialisé dans l'intelligence artificielle de Google, vient de franchir un cap historique. Il est le premier à avoir le niveau d'une médaille d'or aux Olympiades Internationales de Mathématiques (IMO), un an après avoir remporté une médaille d'argent.
Le PEPR (Programme et Équipement Prioritaire de Recherche) Intelligence Artificielle vise à accompagner l’accélération de la France dans le domaine de l’IA à travers trois grandes thématiques de recherche : l’IA frugale et embarquée, l’IA de confiance et distribuée, et les fondements mathématiques de l’IA. L’ANR (Agence Nationale de la Recherche), qui opère ce programme, annonce le lancement d’un AAP s’adressant à ce troisième axe.
Lancé le 25 mars dernier, co-piloté par le CEA, le CNRS et Inria, le PEPR IA est doté d’un budget de 73 millions d’euros sur six ans, financé par France 2030 dans le cadre de la stratégie nationale pour l’IA (SNIA).
Ses objectifs sont multiples : renforcer l’écosystème français de recherche et d’innovation, lever les verrous du déploiement de l’IA, faire émerger des technologies de rupture, positionner la France et l’Europe comme des leaders sur des thématiques stratégiques.
Le PEPR IA vise également à faciliter l’interdisciplinarité, attirer les talents et créer des passerelles entre la recherche publique et l’innovation, en collaboration avec les start-ups et les PME. Il s’inscrit ainsi pleinement dans la seconde phase de la SNIA axée sur la formation à l’IA, le développement d’une offre de technologies deeptech sur l’IA embarquée, l’IA de confiance, l’IA frugale et l’IA générative ainsi que le rapprochement de l’offre et de la demande de solutions d’IA.
Cet AAP vise à mobiliser et développer des recherches fondamentales en mathématiques pour analyser les mécanismes sous-jacents des réseaux de neurones profonds et des modèles génératifs et améliorer les techniques d’apprentissage automatique, en termes, entre autres, de frugalité, de confiance (robustesse, préservation de la vie privée, certification, détection et élimination des biais, explicabilité, etc.), de performance, d’évolutivité et de modularité.
Sur les 73 millions alloués au PEPR IA, six seront consacrés aux projets sélectionnés qui devront impliquer au minimum 3 structures de recherche. Chacun d’eux, dont la durée sera comprise entre 36 et 48 mois, bénéficiera d’une aide financière allant de 600 000 à 1 million d’euros.
Les projets devront se positionner par rapport à au moins l’une des deux thématiques ci-dessous :
Cette thématique vise à promouvoir les recherches mathématiques de pointe pour analyser et perfectionner les techniques d’IA générative. L’objectif est de rendre ces techniques plus performantes, efficaces et sûres. Les projets sélectionnés devront exploiter un vaste éventail de techniques mathématiques, incluant la théorie des probabilités, la théorie des jeux, les équations aux dérivées partielles, le contrôle optimal, le transport optimal, les systèmes dynamiques, les systèmes désordonnés, les théories des matrices et des réseaux aléatoires. Ces théories joueront un rôle clé dans le développement de techniques d’apprentissage telles que l’entraînement par réseaux adverses, les modèles de diffusion, l’apprentissage profond par renforcement et les grands réseaux de type transformers.
Cette thématique se concentre sur l’apprentissage profond géométrique, qui permet d’aborder des données avec des structures non-euclidiennes comme les graphes, les surfaces et les nuages de points. L’objectif est de promouvoir les recherches mathématiques de pointe pour analyser et perfectionner les techniques d’IA au cœur de l’apprentissage géométrique. Les disciplines mathématiques concernées incluent la théorie des graphes, la géométrie computationnelle, la théorie des groupes, les décompositions tensorielles et la topologie. Les projets devront démontrer une maîtrise des fondements mathématiques et proposer des applications pratiques pour avancer dans les problématiques de l’IA, en particulier dans les domaines où la structure des données sort des cadres traditionnels.
Les consortiums candidats ont jusqu’au 04/02/2025 pour déposer leur projet électroniquement.
L’Observatoire de l’Intelligence Artificielle (OIA) est un think tank politique spécialisé en IA ainsi que sur les questions relevant du numérique. Alors que les élections européennes approchent, il a publié une étude approfondie sur la position des partis politiques vis à vis de l’IA : celle-ci reste largement sous-évaluée dans leurs programmes. Alors que l’IA devient un enjeu sociétal et politique majeur, son traitement reste marginal dans les discours politiques, mettant en évidence un potentiel angle mort dans les débats électoraux.
L’équipe fondatrice de l’Observatoire de l’Intelligence Artificielle, L’intelligence artificielle au service de l’environnement, l’Homme, et la France, est composée de quatre membres aux profils diversifiés mais complémentaires : Nasri Badaoui, ingénieur avec une expérience internationale en politiques publiques d’IA, Mathéo Allais, ingénieur spécialisé en énergie et environnement, Carole Dossat, scientifique avec un parcours en génétique et informatique, et Nicolas Vogtenberger, ingénieur et diplômé de Sciences Po Paris, axé sur la transformation numérique.
L’objectif premier de cette étude était d’évaluer la prise en compte de l’IA dans les programmes politiques des principaux partis en lice pour les élections européennes. À travers une analyse apolitique et scientifique, l’OIA a examiné les programmes officiels de ces partis publiés sur leur site le 21 mai dernier, en se concentrant sur trois critères principaux : l’importance accordée à l’IA, le niveau de maîtrise des enjeux et la pertinence des propositions formulées.
Elle vise également à :
L’évaluation de la vision IA des partis politiques a été calculée sur la base d’une moyenne pondérée entre trois catégories de critères :
L’OIA a classé les partis en trois catégories :
Seul parti figurant dans la catégorie leader, avec un score de 76%, la France Insoumise se distingue par une vision ambitieuse et complète de l’IA, dépassant les clivages politiques.
Parmi les suiveurs:
Quant aux outsiders :
L’OIA déclare :
“Nous estimons que les changements induits par l’IA sont encore largement sous-estimés par la classe politique, alors même que le mandat électoral verra l’arrivée de ces transformations avec ses impacts associés. Les partis politiques français se
doivent de refléter dans leur offre politique des convictions en matière d’IA, avec une réflexion à 360°, couvrant les enjeux clés de l’emploi, des services publics, de la souveraineté économique, de la cybersécurité, de la production et diffusion de l’information, et bien entendu de l’environnement.
Au-delà de l’idéologie propre de chaque parti politique, l’Observatoire de l’Intelligence Artificielle incite les partis à introduire la question de l’IA sur l’ensemble des enjeux sociétaux”.
Pour retrouver l’intégralité de l’étude “IA et élections européennes : Les partis politiques ont-ils suffisamment pris en compte les enjeux de l’intelligence artificielle ?”, de l’analyse et des recommandations de l’OIA, cliquer ici.
La cigarette électronique ou e-cigarette, apparue en 2007, est souvent présentée comme une aide au sevrage du tabagisme. Les puffs, cigarettes électroniques jetables, contenant ou non de la nicotine, aux arômes sucrés, de fruits, de chocolat ou de barbe à papa, sont particulièrement prisées des jeunes. Une récente étude montre que ces arômes, s’ils ne présentent pas de danger dans l’alimentation, peuvent être nocifs lorsqu’ils sont chauffés lors du vapotage.
Le vapotage, ou inhalation de vapeur produite par le chauffage des e-liquides, a émergé comme une alternative à la cigarette traditionnelle. Initialement conçus pour contenir principalement de la nicotine, du propane-1,2-diol, du propane-1,2,3-triol et de l’eau, les e-liquides ont rapidement évolué pour inclure une vaste gamme d’arômes chimiques, suscitant des préoccupations quant à leur décomposition thermique et aux risques pour la santé associés. La décomposition par pyrolyse de ces arômes pourrait en effet produire un grand nombre d’entités chimiques secondaires, dont certaines pourraient présenter des risques accrus pour la santé.
Une équipe de chercheurs composée d’Akihiro Kishimoto (IBM Research – Tokyo) et de Dan Wu et Donal F. O’Shea (Département de chimie, Royal College of Surgeons – Irlande) s’est intéressée au sujet. Pour eux, “l’exposition prolongée à ces produits chimiques et à leurs produits de pyrolyse rend plausible que nous soyons sur la ligne de départ d’une nouvelle vague de maladies chroniques qui n’émergera que dans 15 à 20 ans”.
Ils ont étudié 180 produits chimiques utilisés pour créer divers arômes. L’examen détaillé de leurs composés a identifié 66 esters, 46 cétones et aldéhydes, 27 alcools et acétals, 26 composés aromatiques, hétérocycles et carbocycles, ainsi que 15 acides carboxyliques et amides ce qui, selon eux, indique clairement le potentiel d’une large gamme de réactions de pyrolyse.
Pour évaluer ces risques, une approche combinant apprentissage profond et données expérimentales de spectrométrie de masse (MS) a été utilisée. Un réseau neuronal convolutif (NN) a été entraîné pour prédire la réactivité à la pyrolyse de ces 180 produits. Les résultats ont généré 7307 produits de pyrolyse potentiels. Pour valider ces prédictions, la masse moléculaire des produits a été corrélée avec les données de fragmentation obtenues par MS, permettant d’identifier 1169 correspondances avec une priorité pour une analyse approfondie.
Ils ont ensuite appliqué des classifications du Système général harmonisé de classification et d’étiquetage des produits chimiques (SGH) pour évaluer la toxicité des composés identifiés, en se basant sur des critères tels que la toxicité aiguë, le danger pour la santé et l’irritation.
Sur ces 1169 composés, 127 ont été classés comme toxiques aigus, 153 comme dangereux pour la santé et 225 comme irritants.
Les chercheurs soulignent que bien que le vapotage partage certaines caractéristiques avec le tabagisme traditionnel, il présente un ensemble distinct de risques pour la santé en raison de composés potentiellement plus dangereux. Comparer uniquement le vapotage au tabagisme “peut donner un faux sentiment de sécurité, en particulier pour les jeunes non-fumeurs de tabac”. Ils estiment essentiel d’adopter des réglementations qui protègent à la fois les fumeurs cherchant à se sevrer et les jeunes générations. Ils recommandent une limitation stricte des substances chimiques dans les e-liquides pour la sécurité de tous.
Références :
Forecasting vaping health risks through neural network model prediction of flavour pyrolysis reactions”. Sci Rep 14, 9591 (2024).
https://doi.org/10.1038/s41598-024-59619-x.
Akihiro Kishimoto, IBM Research – Tokyo, Shin-Kawasaki, Japon
Dan Wu et Donal F. O’Shea, Département de chimie, Royal College of Surgeons in Ireland (RCSI), Dublin 2, Irlande
Vous avez vu Voice Engine d’OpenAI ? C’est un modèle d’IA qui est capable de générer des voix synthétiques ultra-réalistes à partir d’un simple échantillon audio de 15 secondes. Seulement 15 secondes, oui !
Concrètement, ça veut dire qu’avec cette IA, on peut créer des voix qui ressemblent à s’y méprendre à celles de vraies personnes. Genre on donne un petit extrait de notre voix, et hop, l’IA peut générer un discours entier qui sonne exactement comme nous. C’est à la fois fascinant et un peu flippant, vous trouvez pas ?
OpenAI sont à la pointe de la recherche dans le domaine et ils nous pondent régulièrement des trucs de malade comme Sora. Concernant Voice Engine, ils ont développé la techno fin 2022 et l’ont intégré dans leur API de synthèse vocale ainsi que dans les fonctionnalités vocales de ChatGPT.
Voici les 15 secondes de vraie voix :
Et voici l’audio qui a été généré à partir de ça :
Mais attention, comme un grand pouvoir implique de grandes responsabilités (coucou Peter !), OpenAI joue la carte de la prudence. Ils sont bien conscients que cette technologie pourrait être utilisée à des fins pas très catholiques, genre pour créer des deepfakes audio et induire les gens en erreur. Du coup, ils la déploient pour l’instant à petite échelle, juste auprès de quelques partenaires de confiance.
Et ces partenaires, ils en font quoi de Voice Engine ?
Eh bien figurez-vous qu’ils développent des applications plutôt cools ! Par exemple, Age of Learning l’utilise pour générer des contenus audio éducatifs avec des voix naturelles et expressives. Ou encore HeyGen qui s’en sert pour traduire des vidéos dans différentes langues en conservant la voix du locuteur d’origine. D’ailleurs c’est ce que j’utilise pour ma chaine Youtube en anglais et je peux vous dire que ça coûte une couille. Ça peut aussi aider les personnes non-verbales à communiquer avec une voix unique grâce à Livox. Et même redonner la parole à des patients ayant perdu l’usage de la voix, comme le fait l’institut Norman Prince Neurosciences de Lifespan.
Rassurez-vous, OpenAI a mis en place des garde-fous, comme l’interdiction d’utiliser Voice Engine pour imiter quelqu’un sans son consentement, l’obligation d’obtenir l’accord explicite du locuteur original, ou encore le watermarking des contenus générés pour pouvoir en tracer l’origine. Ils suggèrent également d’abandonner progressivement l’authentification vocale comme mesure de sécurité, mais également d’explorer des réglementations qui permettraient de protéger l’usage des voix dans l’IA, de sensibiliser le public aux deepfakes et de développer des techniques pour tracer l’origine des contenus audio et visuels.
Bref, Voice Engine c’est à la fois excitant et inquiétant. Ce que je vois, c’est que ça ouvre des perspectives folles en termes d’applications, mais ça soulève aussi pas mal de questions sur l’avenir.
Je vous invite à checker l’article d’OpenAI qui détaille leur approche avec plein d’exemples.
Le programme de recherche (PEPR) Intelligence Artificielle, lancé le 25 mars dernier, co-piloté par le CEA, le CNRS et Inria, est doté d’un budget de 73 millions d’euros sur six ans, financé par France 2030 dans le cadre de la stratégie nationale pour l’intelligence artificielle. Il vise à accompagner l’accélération de la France dans le domaine de l’IA à travers trois grandes thématiques de recherche : l’IA frugale et embarquée, l’IA de confiance et distribuée et les fondements mathématiques de l’IA.
Les objectifs du PEPR IA sont multiples, notamment renforcer l’écosystème français de recherche et d’innovation, lever les verrous du déploiement de l’IA, faire émerger des technologies de rupture, et positionner la France et l’Europe comme des leaders sur des thématiques stratégiques. Il vise à passer de la recherche fondamentale aux preuves de concept, en se concentrant sur des domaines tels que l’IA frugale, l’IA embarquée, l’IA de confiance et l’IA distribuée.
Le PEPR IA vise également à faciliter l’interdisciplinarité, attirer les talents notamment en s’appuyant sur Choose France pour encourager l’installation des titulaires de chaires en France et créer des passerelles entre la recherche publique et l’innovation, en collaboration avec les start-ups et les PME. Il s’inscrit ainsi pleinement dans la seconde phase de la stratégie nationale pour l’IA axée sur la formation à l’IA, le développement d’une offre de technologies deeptech sur l’IA embarquée, l’IA de confiance, l’IA frugale et l’IA générative ainsi que le rapprochement de l’offre et de la demande de solutions d’IA.
Les objectifs de ces trois grandes thématiques de recherche correspondant à des problématiques centrales autour de l’IA et de la souveraineté sont :
• La recherche sur l’IA frugale et l’IA embarquée se concentre sur le développement de technologies d’IA qui soient efficaces en termes de ressources et qui puissent être intégrées dans des appareils et des systèmes embarqués. Son ambition est d’identifier les architectures logicielles, les méthodologies d’apprentissage frugal d’entraînement sur des bases de données maîtrisées et l’optimisation avancée des applications pour rationaliser au maximum la consommation énergétique des systèmes d’IA à base d’apprentissage machine.
• La recherche engagée sur l’IA de confiance et distribuée vise à améliorer la compréhension des défis liés à la robustesse, à la confidentialité et à la sécurité des systèmes d’IA, notamment ceux opérant dans des environnements décentralisés. Son objectif est de développer des méthodologies pour renforcer la fiabilité, évaluer et qualifier ces systèmes en conformité avec les normes de confiance et de régulation.
• Les axes de recherche sur les fondements mathématiques de l’IA vont stimuler l’écosystème national de recherche en sciences mathématiques vers la construction et l’analyse des fondements des systèmes d’IA.
Neuf projets répartis autour de ces trois grandes thématiques ont été définis en concertation avec des experts en IA et la communauté de recherche, impliquant plus de 50 équipes françaises réparties sur tout le territoire, favorisant ainsi une dynamique nationale de recherche.
Bruno Bonnell, secrétaire général du plan d’investissement (SGPI), chargé de piloter France 2030, explique :
“Le choix des axes de ce programme repose sur les avantages compétitifs sur lesquels la France peut assurer un leadership avéré. Ce sont surtout les socles sur lesquels reposent les percées technologiques qui façonneront l’IA de demain. Comme pour tous les PEPR, on confie aux pilotes des programmes de recherche eux-mêmes le soin de fédérer leur communauté, autour d’actions « dirigées » et d’excellence scientifique. Ainsi l’Etat oriente, mais fait confiance aux acteurs de la recherche eux-mêmes, aux chercheurs et aux enseignants chercheurs, pour faire avancer la discipline, la recherche, et à terme, ses conséquences pour l’industrie et pour le pays tout entier”.
Aujourd’hui, j’aimerais vous présenter LocalAI, une alternative open source à OpenAI. En tout cas, c’est comme ça que le créateur du projet le présente. Il s’agit d’une solution idéale pour tous ceux qui cherchent une API REST compatible avec les spécifications de l’API OpenAI pour l’inférence locale.
Grâce à LocalAI, vous pouvez exécuter des modèles linguistiques, générer des images, de l’audio et bien d’autres choses encore, localement ou sur site avec du matériel grand public, et ce, sans avoir besoin d’un GPU ! Le projet a pour principal objectif de rendre l’IA accessible à tous.
Pour résumer, voici les principales caractéristiques de LocalAI :
En termes de fonctionnalités, LocalAI offre une large gamme d’options, parmi lesquelles :
LocalAI est bien sûr un projet communautaire donc n’hésitez pas si vous souhaitez vous impliquer !
Pour commencer rapidement avec LocalAI, vous pouvez consulter leur guide Getting Started qui décrit les différentes méthodes d’installation et les exigences matérielles ou aller consulter les guides de la communauté. Je vous ferais aussi probablement un tutoriel prochainement si mon emploi du temps me le permet.
LocalAI est disponible sous forme d’image conteneur et de binaire, compatible avec divers moteurs de conteneurs tels que Docker, Podman et Kubernetes. Les images de conteneurs sont publiées sur quay.io et Docker Hub, et les binaires peuvent être téléchargés à partir de GitHub.
Concernant les exigences matérielles, ça varie en fonction de la taille du modèle et de la méthode de quantification utilisée mais pour choper quelques repères de performance avec différents backends, comme llama.cpp, vous pouvez consulter ce lien.
Maintenant pour en savoir plus, vous pouvez explorer le site localai.io. Vous y trouverez de nombreuses informations et des exemples d’utilisation pour vous aider à tirer le meilleur parti de LocalAI.
Merci à Lorenper
DeepMind, le laboratoire d’IA de Google, a présenté la semaine dernière AlphaGeometry, un système d’IA développé en collaboration avec le département d’informatique de l’Université de New York. En résolvant des problèmes de géométrie complexes à un niveau comparable à celui d’un médaillé d’or olympique humain, AlphaGeometry représente une étape importante vers le développement de systèmes d’IA plus avancés et plus généraux.
En 2019, une équipe de Google Research avait développé en 2019, DeepHol, un prouveur de théorèmes neuronal basé sur le logiciel HOL Light Theorem Prover, une grande partie des théorèmes étudiés concernaient l’algèbre linéaire. Le prouveur de théorèmes neuronal AlphaGeometry s’adresse à la géométrie plane euclidienne.
AlphaGeometry adopte une approche neuro-symbolique, combinant un modèle de langage neuronal et un moteur de déduction symbolique. Cette synergie permet à l’IA de générer des idées rapides et intuitives tout en prenant des décisions délibérées et rationnelles. Les modèles de langage excellent dans l’identification de modèles généraux et de relations dans les données, tandis que les moteurs de déduction symbolique utilisent une logique formelle pour parvenir à des conclusions. Ensemble, ils forment un système capable de résoudre des problèmes de géométrie complexes.
Lors d’un test comparatif portant sur 30 problèmes de géométrie de l’Olympiade internationale de mathématiques (OIM), une compétition mondiale de mathématiques destinée aux élèves des lycées et collèges, AlphaGeometry a résolu 25 problèmes dans les délais impartis, se rapprochant ainsi du score des médaillés d’or humains qui ont résolu en moyenne 25,9 problèmes. En comparaison, le système de pointe précédent, connu sous le nom de “méthode de Wu”, n’avait résolu que 10 de ces problèmes.
Les problèmes de géométrie des Olympiades sont basés sur des diagrammes qui nécessitent l’ajout de nouvelles constructions géométriques avant de pouvoir être résolus, tels que des points, des lignes ou des cercles.
Le modèle de langage neuronal, entraîné à partir de zéro sur une vaste base de données synthétiques, guide le moteur de déduction vers la solution, comme on peut le voir dans les figures ci-dessous.
Génération de données synthétiques à grande échelle
L’un des défis majeurs pour les chercheurs était le manque de données d’entraînement. Ils ont surmonté cette limitation en développant une méthode innovante permettant de générer un milliard de diagrammes aléatoires d’objets géométriques et dériver toutes les relations entre les points et les lignes de chaque diagramme. Un ensemble d’apprentissage de 100 millions d’exemples uniques de difficulté variable a été créé, permettant au modèle de langage de s’entraîner sans aucune démonstration humaine pour prédire les constructions utiles.
L’objectif à long terme de l’équipe de recherche est de construire des systèmes d’IA capables de se généraliser dans tous les domaines mathématiques “en développant la résolution de problèmes et le raisonnement sophistiqués dont dépendront les systèmes d’IA généraux, tout en repoussant les frontières de la connaissance humaine”.
En mettant en open source le code et le modèle d’AlphaGeometry, l’équipe espère encourager le développement d’autres outils et approches pour ouvrir de nouvelles possibilités dans les domaines des mathématiques, des sciences et de l’IA.
Références de l’article :
Blog DeepMind
Article “Solving olympiad geometry without human demonstrations” Nature https://doi.org/10.1038/s41586-023-06747-5
Auteurs et affiliations :
GitHub – google-deepmind/alphageometry
Un système d'intelligence artificielle mis au point par Google a réussi à résoudre des exercices mathématiques grâce à une méthode inédite. Cette nouveauté est un grand pas en avant dans le travail vers les intelligences artificielles générales.
Connexion