Moonshot AI lance Kimi WebBridge, une extension de navigateur qui permet à des agents IA d'interagir avec des sites web comme le ferait une personne, en effectuant des recherches et extrayant des données

Moonshot AI a lancé Kimi WebBridge, une extension de navigateur qui permet aux agents IA de contrôler Chrome et Edge localement à l'aide de la famille de modèles Kimi open source de l'entreprise, soulignant ainsi comment l'IA open source de pointe chinoise alimente de plus en plus la prochaine génération...

Dans une tribune au « Monde », l’avocat Christophe Bettati, par ailleurs diplômé de la Fémis, estime que « les nouveaux outils n’ont jamais tué les arts » et que l’intelligence artificielle pourrait permettre des expérimentations aujourd’hui impossibles à financer.

© DIMITAR DILKOFF/AFP

Le grounding, souvent traduit par “ancrage”, désigne l’ensemble des mécanismes qui permettent d’attacher des sources externes, récentes, identifiables et vérifiables, à une réponse générée par un modèle de langage.

D’une manière générale, lorsqu’un modèle “grounde” une réponse, il ne fait pas uniquement une réponse dite paramétrique, c’est à dire qu’il ne répond pas seulement à partir de ce qu’il a appris pendant son entraînement. Il va chercher des éléments sur le web, dans un index, dans une base documentaire ou dans un graphe de connaissances, puis il construit sa réponse à partir de ces éléments. C’est ainsi qu’il “s’ancre”.

Dernièrement, des chercheurs de Microsoft ont ajouté un autre aspect à cette définition en formulant le grounding comme un changement de paradigme pour la recherche internet : dans la recherche par IA, il ne s’agit plus seulement de “trouver les meilleurs documents” et de les proposer sous forme de listing à un utilisateur qui doit se débrouiller pour évaluer chacun des résultats en fonction de son intentionnalité, mais de “trouver les meilleures informations capables de soutenir une réponse fiable et attribuable”. Et c’est là que le grounding devient l’élément central des changements actuels dans la façon de rechercher des informations sur internet.

Un moteur de recherche classique renvoie une liste de pages. L’utilisateur lit, compare, évalue, doute, clique. Un moteur de recherche conversationnel fait autre chose : il lit à notre place des résultats, sélectionne des passages, les reformule, les synthétise et produit une réponse. Et dès que le système ne se contente plus de classer des liens mais commence à générer des phrases et des paragraphes, il doit être capable de montrer sur quoi il s’appuie. Le grounding c’est cette opération qui transforme une réponse générée en réponse appuyée sur des preuves.

Google parle de grounding with Google Search pour connecter Gemini à des données publiques du web et à des informations à jour. Google utilise aussi ce système pour AI Overviews et AI Mode, qui sont les fonctionnalités IA directement intégrées au Search historique. Ces fonctionnalités ne sont pas disponibles en France, mais vous pouvez tester des fonctionnalités équivalentes sur Bing le moteur de Microsoft.

De son coté, OpenAI décrit son web search comme un moyen de donner aux modèles accès à des informations récentes avant de produire une réponse, avec citations. Anthropic indique que Claude peut décider de chercher sur le web, répéter les recherches si nécessaire, puis répondre avec des sources citées. Perplexity met en avant un index web continuellement rafraîchi, des résultats structurés, des filtres de domaine, de langue, de région ou de date.

Les mots varient, mais le principe est le même : avec le grounding la réponse générée n’est plus censée flotter seule, sans ancrage, elle doit être reliée à un espace documentaire et cette liaison doit être présentée sous forme de source dans la réponse.

Sommaire :

1. Ce qui se passe concrètement

2. Ce que le grounding apporte

3. Ce que le grounding ne résout pas

4. La bonne définition

Temps de lecture : 20 mins

Cet article est payant.
Vous pouvez modifier vos préférences de réception ou vous désabonner sur la page de votre compte
La newsletter du samedi matin reste gratuite.

Attention, il ne faut pas confondre grounding et RAG, même si les deux sont très souvent liés :

Read more

Les systèmes d’IA sont souvent critiqués pour leur grande consommation énergétique — à tel point que l’on se demande quelle production électrique va alimenter les data centers dont la construction est prévue à travers le monde. Mais des systèmes d’intelligence artificielle plus sobres existent. Certains s’inspirent de la stratégie évolutionniste de la nature afin d’arriver à une solution la plus simple possible pour un problème donné.

---

Les principes de sélection naturelle théorisés par Charles Darwin ont permis l’évolution d’êtres vivants remarquablement adaptés à leurs environnements. Le cerveau humain est un exemple remarquable de résultat de cette évolution, ne consommant qu’une vingtaine de watts, soit près de 1000 fois moins qu’une intelligence artificielle le surpassant au jeu de Go. En reproduisant informatiquement ces principes évolutifs, il est possible de construire des intelligences artificielles (IA) plus sobres.

Les progrès fulgurants des IA durant cette dernière décennie sont majoritairement dus à l’utilisation des réseaux de neurones artificiels, dits « profonds », capables d’apprendre efficacement des tâches très diverses. Seulement, l’exécution d’un tel réseau requiert la réalisation de plusieurs millions à plusieurs milliards d’opérations mathématiques par un ordinateur ; et plus la complexité d’une tâche est grande, plus la taille du réseau nécessaire pour la réaliser sera grande également.

L’utilisation massive de réseaux de neurones profonds, toujours plus imposants pour en augmenter les capacités pose un problème de soutenabilité majeur. En effet, ces réseaux nécessitent des ressources naturelles et une énergie croissantes : il faut produire, alimenter et refroidir les processeurs exécutant ces calculs, notamment les GPU.

Pour répondre à ce défi de soutenabilité, il est nécessaire de proposer des technologies d’IA alternatives adaptant naturellement leur complexité à celle de la tâche accomplie pour être plus sobres.

Les approches évolutives pour l’apprentissage d’IA offrent une alternative crédible aux réseaux de neurones profonds, en étant plus sobres tout en restant performantes. En effet, contrairement aux réseaux de neurones dont la taille est fixée par un développeur avant l’entraînement, l’approche évolutive construit une IA dont la taille s’adapte minimalement à une tâche spécifique. Le résultat est une IA d’une complexité calculatoire de plusieurs centaines à milliers de fois inférieure aux réseaux de neurones, et donc naturellement plus sobre.

Mais au fait, c’est quoi l’évolution ?

La sélection naturelle et l’évolution reposent sur trois éléments essentiels : des individus définis par un génome, un mécanisme de reproduction, et un processus de sélection.

En biologie, le génome de chaque être vivant est construit en assemblant des briques de bases communes à une large diversité d’espèces : l’ADN. Le génome d’un être le caractérise en tant qu’individu, déterminant bon nombre de ses traits : forme, physiologie, taille, couleurs ; et le prédispose à certains comportements, tels que la course ou la nage.

Le mécanisme de reproduction permet à un ou plusieurs individus de donner naissance à de nouveaux individus, en copiant et en mélangeant leurs génomes. Cette copie, parfois imparfaite, crée un nouvel individu qui possède son propre génome, lui conférant des traits ressemblant à ceux de ses parents, mais possédant ses propres caractéristiques.

Un ensemble d’individus forme une population, qui existe dans un milieu où ils sont constamment évalués par des mises à l’épreuve : recherche de nutriments, survie en milieu hostile, recherche de partenaire de reproduction. Certains traits vont rendre des individus plus performants pour ces épreuves, augmentant leur chance de survie et de reproduction, quand d’autres traits moins favorables tendront à disparaître : c’est la sélection naturelle. Génération après génération, ce long processus a mené à l’apparition sur Terre d’êtres vivants adaptés à leurs environnements.

Depuis près de 60 ans, l’étude scientifique des algorithmes évolutionnaires a pour but de reprendre ces principes d’évolution pour l’optimisation de systèmes ou d’objets artificiels. Un exemple de cas d’usage concret est l’optimisation d’ailes d’avions, où le « génome » caractérise le profil, la longueur et la largeur d’une aile ; et où l’évaluation d’un individu (un modèle d’aile, en l’occurrence) mesure sa résistance, sa portance, et son poids.

Comment appliquer les principes d’évolution pour construire des IA

La programmation génétique est un domaine scientifique visant à construire des programmes informatiques, dont des IA, en appliquant ces principes évolutifs.

Dans sa version la plus simple, l’« ADN » utilisé pour créer un individu est un ensemble d’instructions ou fonctions mathématiques de base : addition, multiplication, cosinus, etc. Le génome de chaque individu est ainsi une suite d’instructions, appelée programme, qui réalise des calculs sur les données de l’environnement.

Imaginons par exemple que l’on souhaite construire une IA chargée de contrôler un robot. L’IA observe des nombres représentant la position actuelle des différents membres du robot, l’angle de ses articulations, et la vitesse de ces différents éléments. Ces nombres sont utilisés pour exécuter l’individu-programme de l’IA. Les résultats des dernières instructions constituent la réponse de l’IA à cette observation, et sont utilisés pour contrôler les différents moteurs du robot.

Le processus évolutif débute par la création d’une population d’individus en générant de courts programmes aléatoires, une simple addition par exemple. La sélection des meilleurs programmes se fait en gardant les plus aptes à réaliser la tâche voulue, par exemple, faire avancer un robot le plus loin possible. Lors des premières générations, même les meilleurs individus sont généralement très mauvais, mais constituent le capital génétique pour la première phase de reproduction. La reproduction d’un programme peut se faire par croisement, en entremêlant les instructions issues de deux programmes parents ; ou par mutation, en reproduisant un programme existant de manière imparfaite pour ajouter ou retirer une instruction. Ce processus est ainsi répété sur de nombreuses générations, et à l’issue du processus d’évolution, le programme du meilleur individu est conservé pour être utilisé comme IA.

Et donc, les IA obtenues par ce processus d’évolution sont plus sobres ?

Durant le processus évolutif, le nombre d’instructions, et donc la complexité des programmes s’adapte automatiquement à la difficulté de la tâche à réaliser. En effet, l’ajout de nouvelles instructions aux génomes des individus ne perdure que si elle leur confère de meilleures aptitudes, favorisant leur survie et reproduction. Ainsi, le processus évolutif favorise naturellement l’émergence de programmes avec peu d’instructions, et pourtant bien adaptés à la tâche.

L’utilisation de programmes ainsi construits ne nécessite pas de puce dédiée de type GPU, et peut généralement être réalisée sur des processeurs peu énergivores déjà existants, et donc plus sobres.

Un autre avantage de l’approche évolutive : l’« interprétabilité »

Si les réseaux de neurones traditionnels sont capables de réaliser des tâches complexes, leur grande complexité calculatoire rend souvent impossible d’interpréter les causes de leurs bons fonctionnements, ou pire, de leurs erreurs. Là encore, la brièveté des programmes issus du processus évolutif est un atout majeur, puisque cela rend possible l’interprétation claire du fonctionnement de l’IA ainsi créée.

Cette vidéo en présente un exemple, avec un programme créé pour illustrer cet article qui permet de contrôler une jambe robotique, appelé le « hopper ». Usuellement appris avec des réseaux de neurones complexes, l’évolution génétique a permis à une IA d’apprendre à faire avancer la jambe robot en utilisant des instructions très simples pour contrôler chacun des trois moteurs du robot. De fait, comprendre la causalité des actions de l’IA en fonction des observations est possible, et on voit que le programme démontre une grande logique où chaque moteur est principalement contrôlé par des membres proches de celui-ci.

Quel avenir pour les IA issues de processus évolutifs ?

Dans certains domaines applicatifs, les IA plus sobres issues d’un processus évolutif concurrencent les aptitudes des réseaux de neurones pour un centième (voire un millième) de leur coût, par exemple en robotique ou dans l’industrie de la cyberdéfense. Si le coût de ces IA issues du processus évolutif les rend intrinsèquement plus sobres, il faut néanmoins veiller à ce que cette sobriété ne donne pas lieu à un effet rebond, sous forme d’une utilisation encore plus massive de telles IA pour des applications où cela n’est pas strictement nécessaire.

Ce domaine de recherche offre de nombreuses perspectives et défis à la communauté scientifique, dont la petite taille ne peut rivaliser avec les investissements colossaux autour des réseaux de neurones.

Parmi ces défis, le passage à l’échelle des IA issues du processus évolutif qui ne parviennent pas encore à concurrencer les réseaux de neurones sur les tâches les plus complexes, telles que le contrôle de robots humanoïdes, ou le traitement du langage naturel à la base de bots conversationnels.

---

Le projet foutics est soutenu par l’Agence nationale de la recherche (ANR), qui finance en France la recherche sur projets. L’ANR a pour mission de soutenir et de promouvoir le développement de recherches fondamentales et finalisées dans toutes les disciplines, et de renforcer le dialogue entre science et société. Pour en savoir plus, consultez le site de l’ANR.

Karol Desnos a reçu des financements de l'Agence Nationale de la Recherche (ANR) au titre du projet ANR-22-CE25-0005-01.

Mickaël Dardaillon a reçu des financements de l'Agence Nationale de la Recherche (ANR) au titre du projet ANR-22-CE25-0005-01.

Quentin Vacher a reçu des financements de l'Agence Nationale de la Recherche (ANR) au titre du projet ANR-22-CE25-0005-01.

Le 5 mai 2026, la startup américaine Subquadratic a présenté SubQ, un nouveau modèle de langage reposant sur une attention dite « sous-quadratique ». Une approche qui promet de réduire drastiquement les coûts de calcul des LLM tout en leur permettant de gérer des contextes gigantesques.

Alexander Hanff, consultant, a remonté un truc pas net sur Chrome. La dernière version du navigateur télécharge en arrière-plan un modèle de langage local appelé Gemini Nano, qui pèse environ 4 Go, sans jamais demander la moindre permission à l'utilisateur.

Le fichier s'appelle weights.bin, il atterrit dans un dossier OptGuideOnDeviceModel quelque part dans votre profil Chrome, et il sert ensuite à des fonctions du genre "Help me write" ou détection de fraude.

Hanff a documenté l'opération via les logs système de son macOS. Le 24 avril 2026 vers 16h38, Chrome crée le dossier. Quelques minutes plus tard, il télécharge et décompresse les 4 Go (l'opération prend une quinzaine de minutes), puis il les déplace à l'emplacement final. Tout ça pendant que vous ne touchez rien à votre machine. Si vous supprimez le fichier à la main, il sera réinstallé silencieusement au prochain lancement du navigateur.

Hanff estime entre 100 millions et 1 milliard de machines concernées dans le monde. Multipliez 4 Go par 1 milliard et vous obtenez de quoi remplir une bonne partie d'un datacenter.

L'auteur calcule également l'impact carbone du déploiement, entre 6 000 et 60 000 tonnes de CO2e rien que pour le réseau, sans compter l'empreinte SSD. Pour un fichier que personne ne vous a demandé d'installer.

Sur le plan légal, Hanff parle d'une "violation directe" de l'article 5(3) de la directive ePrivacy européenne, qui interdit de stocker quoi que ce soit sur l'appareil d'un utilisateur sans consentement explicite. Il évoque aussi un manquement RGPD. Si la qualification tient, ça serait une amende salée pour Google, sachant que les Cnil européennes ont déjà sanctionné Meta et Microsoft pour des choses bien moins foireuses.

Pour s'en débarrasser, trois options : aller dans chrome://flags pour désactiver les fonctions IA, passer par les politiques d'entreprise si vous gérez un parc de machines, ou virer Chrome, tout simplement.

Bref, Google qui pousse 4 Go d'IA en silence sur des centaines de millions de machines, c'est un sale moche.

Source : That Privacy Guy

Comments

Les systèmes d’intelligence artificielle générative, qui parlent si bien, ne comprennent pas encore le monde. De nouvelles méthodes physiques ou statistiques comme les world models, ou « modèles de monde », permettraient de les doter d’une forme de sens commun, qui leur servirait à mieux simuler la réalité et de mieux interagir avec elle.

---

Imaginez un enfant qui, après avoir vu une balle rouler derrière un canapé, sait instinctivement qu’elle continue d’exister et peut anticiper l’endroit précis où elle réapparaîtra. Cette capacité fondamentale, que la psychologie appelle la permanence de l’objet, constitue un socle de l’intelligence humaine. Nous ne nous contentons pas de réagir aux images qui frappent notre rétine ; nous simulons en permanence le futur dans notre esprit.

Aujourd’hui, l’intelligence artificielle tente de franchir ce cap décisif. Après l’ère des modèles capables de générer du texte, comme ChatGPT, ou des images, comme Midjourney, une nouvelle frontière se dessine avec les world models (« modèles de monde »). L’enjeu est de taille : il s’agit de doter les machines d’une forme de sens commun physique, spatial et logique pour qu’elles cessent d’imiter… et commencent enfin à comprendre.

---

À lire aussi : L’esprit est-il une machine prédictive ? Introduction à la théorie du cerveau bayésien

---

Ces modèles montrent d’ores et déjà des résultats prometteurs en laboratoire ou dans des environnements simulés. Néanmoins, leur maturité reste limitée et leur déploiement réel est encore restreint aujourd’hui.

Pourquoi les IA actuelles restent-elles en partie limitées ?

Les systèmes d’IA les plus célèbres aujourd’hui sont des modèles génératifs, à l’instar de Claude ou de ChatGPT. Ceux-ci excellent à prédire le mot suivant dans une phrase ou le pixel suivant dans une image, en s’appuyant sur des corrélations statistiques monumentales.

À partir de cette idée de base, les premières preuves mesurables de raisonnement et de bon sens fonctionnel ont été observées dans l’histoire de l’intelligence artificielle (IA). Cependant, comme le soulignent régulièrement des chercheurs du domaine, tels que Yann Le Cun, directeur scientifique d’AMI Labs ou Fei-Fei Li, directrice scientifique de Worldlabs, ces modèles n’ont pas de représentation interne cohérente de la réalité physique.

C’est ce qui explique notamment leurs fameuses hallucinations : un modèle de langage peut affirmer avec une assurance totale qu’un œuf de vache est un ingrédient de cuisine classique, simplement parce qu’il manipule des concepts sans comprendre pleinement les contraintes biologiques du monde réel. Pour dépasser ce stade de « perroquet stochastique » (« stochastique » désignant un phénomène ou un modèle qui intègre le hasard de manière structurée, comme un calcul de probabilités où l’imprévu devient une donnée clé), l’IA doit intégrer une architecture capable de modéliser les causes et les effets.

Cette ambition n’est pas nouvelle, mais elle bénéficie aujourd’hui d’un alignement technologique inédit. Dès 1943, le neuroscientifique Kenneth Craik suggérait déjà que le cerveau humain fonctionne en construisant des modèles de petite échelle de la réalité pour anticiper les événements. Ainsi, lorsque l’on traverse la rue, notre cerveau imagine d’avance la trajectoire des voitures pour savoir quand il est sûr de passer.

Ce qui a changé depuis, c’est que nous disposons de la puissance de calcul et des cadres mathématiques suffisants pour tester cette hypothèse à l’échelle de machines complexes. L’intérêt pour ces modèles a notamment explosé après les travaux pionniers de David Ha et Jürgen Schmidhuber, en 2018. Ils ont montré qu’une IA pouvait apprendre à conduire dans un environnement virtuel en s’entraînant presque exclusivement dans ses propres « rêves ». Ces « rêves » correspondent à une simulation interne, créée par l’IA elle-même, qui lui permet de tester différentes stratégies sans interagir avec le monde réel.

L’architecture des modèles de monde

Ces auteurs ont introduit la notion de « modèle de monde » : une représentation interne et structurée d’un environnement qui permet à un agent d’anticiper les conséquences de ses actions. Le modèle virtuel synthétise l’information observable pour construire une version abstraite et manipulable du monde réel, facilitant la planification, la simulation et la prise de décision, même dans des situations complexes ou incertaines. Sur le plan technique, un modèle de monde repose sur une mécanique de compression de l’information et de prédiction.

Plutôt que de se contenter d’identifier des objets comme « chat » ou « balle » après apprentissage, un modèle de monde apprend à représenter le monde de manière plus riche et structurée.

Dans un premier temps, le système observe d’énormes quantités de données et en extrait une représentation compacte des dynamiques essentielles, par exemple la trajectoire d’un objet, la rigidité d’une surface ou les interactions spatiales entre plusieurs éléments (la patte du chat qui joue avec la balle). Cette abstraction ne se limite pas à des labels : elle capture des régularités physiques et logiques du monde.

Dans un second temps, le modèle peut simuler des scénarios futurs en utilisant cette représentation (la balle passe sous un fauteuil et le chat essaye de la dégager). Ainsi, si l’agent doté du modèle de monde précédemment décrit envisage une action, elle peut prédire ses conséquences avant même de l’exécuter, dans un environnement potentiellement incertain ou bruité.

Autrement dit, contrairement à la simple classification statistique « ceci est un chat », le modèle de monde apprend une sorte de mini-simulation interne du monde, qui combine perception, compréhension spatiale et logique, et capacité à anticiper.

Ici, l’approche reste statistique, similaire à l’apprentissage par renforcement, mais sans recours direct à des modèles physiques explicites ; elle se fonde uniquement sur les régularités observées dans les données (les balles qui roulent sous les objets en ressortent ou y restent coincées). Cette distinction entre approches statistique et physique devient importante lorsqu’on aborde des environnements complexes et incertains, où les prédictions doivent intégrer la variabilité naturelle du monde réel.

---

À lire aussi : Des pistes pour une IA digne de confiance : mélanger expertises humaines et apprentissage automatique

---

Plusieurs propositions récentes illustrent le potentiel de l’approche statistique des modèles de monde. Le modèle V-JEPA de Meta apprend, par exemple, à comprendre les interactions physiques complexes en regardant simplement des vidéos, sans aucun étiquetage humain. De son côté, Google DeepMind a récemment dévoilé Genie, une architecture capable de créer des mondes virtuels interactifs à partir d’une simple photographie, prouvant que la machine a assimilé auparavant les lois de la physique et de la perspective.

Des applications qui touchent la société

Les répercussions de cette technologie sont massives et dépassent largement le cadre de l’informatique théorique.

En robotique, par exemple, un agent équipé d’un modèle du monde pourrait apprendre à manipuler des objets fragiles ou à se déplacer dans un entrepôt encombré sans passer par des milliers d’heures d’essais physiques coûteux et risqués.

Dans le secteur des véhicules autonomes, des pionniers, comme Wayve, affirment utiliser des modèles du monde pour que les voitures anticipent les comportements difficiles à prévoir des piétons ou des autres conducteurs, là où les systèmes classiques se contenteraient de réagir avec un temps de retard.

Dans le domaine de la santé, les jumeaux numériques sont encore en phase d’exploration et servent à simuler comment une maladie pourrait évoluer en réponse à un traitement expérimental. Toutefois, ces modèles ne donnent pas des prédictions certaines : ils sont dits « probabilistes », ce qui signifie qu’ils reposent sur des calculs de probabilités. Autrement dit, ils estiment plusieurs évolutions possibles d’un patient (amélioration, stabilité, aggravation) et attribuent à chacune une chance de se produire, en fonction des données disponibles et de modèles statistiques. Par conséquent, ces simulations restent des estimations, et non des certitudes. Elles doivent donc être validées avec beaucoup de rigueur, en particulier lorsqu’elles concernent des traitements qui n’ont encore jamais été testés en conditions cliniques réelles.

Les progrès de l’IA nous amènent à repenser ce que signifie réellement « comprendre » et « anticiper » dans un monde complexe. À terme, explorer ces questions pourrait non seulement transformer la technologie, mais aussi notre manière d’appréhender la cognition et la créativité humaines.

Il est important de nuancer l’enthousiasme autour de ces modèles. En dépit des avancées, celles-ci demeurent pour l’instant à l’échelle de la recherche et du développement. Par exemple, dans la robotique et les véhicules autonomes, la majorité des applications sont encore à l’état de prototypes ou de pilotes contrôlés, souvent dans des environnements très structurés.

L’adoption à grande échelle nécessitera de surmonter des défis techniques et réglementaires majeurs, comme la robustesse face à des situations imprévues ou la sécurité dans des contextes réels complexes. Ainsi, ces modèles sont en phase d’expérimentation avancée, et non opérationnels partout et tout le temps – même si leurs perspectives restent très prometteuses.

Julien Perez est membre de bpifrance, directeur de la recherche en AI.

De nombreuses zones grises dans la législation française pénalisent ces comédiens alors que l’offensive des plateformes d’intelligence artificielle anglo-saxonnes s’accélère.

© Colcanopa

La plupart des algorithmes performants actuels – notamment l’apprentissage profond (deep learning) et ses réseaux de neurones – fonctionnent comme des boîtes noires. On sait qu’ils donnent de bons résultats, mais impossible de comprendre leur logique interne. Ceci pose problème pour de nombreux domaines d’application (médecine, justice…), ce qui incite les régulateurs à exiger des systèmes « explicables ». Plusieurs pistes vers l’explicabilité existent. Zoom sur la « prétopologie ».

C'est un benchmark d’un nouveau genre. Selon une étude scientifique publiée le 23 avril 2026, certains modèles de langage (LLM) peuvent activement renforcer les croyances délirantes de leurs utilisateurs. Les écarts de comportement sont considérables d’un modèle à l’autre.

Des tendances OpenRouter montrent qu’Elephant Alpha s’est invité tout en haut des classements IA en un temps record. Gratuit, puissant et déjà massivement utilisé, ce modèle intrigue autant qu’il fascine les développeurs.

OpenRouter a lancé Elephant Alpha le 13 avril, sans grande annonce tapageuse. Et pourtant, le résultat a surpris tout le secteur. En quelques jours seulement, ce modèle d’IA s’est hissé en tête des usages mesurés sur la plateforme. C’est un exploit rapide, basé sur l’activité réelle de millions d’utilisateurs. Mais comment une IA aussi récente a-t-elle pu grimper si vite ?

Que fait réellement cette IA Elephant Alpha ?

Elephant Alpha ne se contente pas de générer du texte classique. Le modèle vise surtout les usages lourds, là où la longueur et la précision comptent.

Derrière ce nom, on retrouve un système de 100 milliards de paramètres, conçu pour absorber des tâches complexes sans perdre le fil. OpenRouter le décrit comme un modèle textuel pensé pour les workflows d’agents et les environnements techniques.

Ok this is kind of wild.

A mystery 100B model just appeared at the top of OpenRouter out of nowhere.

No model card. No announcement. No idea which lab made it.

It's called Elephant Alpha and it's already beating half the paid models on the leaderboard. pic.twitter.com/0Z0UdVlrlf

— Hasan Toor (@hasantoxr) April 17, 2026

Son point fort se situe dans sa fenêtre de contexte de 256 000 jetons. Concrètement, il peut analyser d’énormes documents ou des bases de code en une seule requête. Cela évite de découper les contenus en plusieurs morceaux, ce qui change la fluidité d’utilisation.

Elephant Alpha intègre aussi des appels de fonctions. Cette capacité lui permet de dialoguer avec des outils externes, comme des API ou des systèmes automatisés. Ainsi, il ne reste pas bloqué dans une simple conversation, il agit dans des chaînes de traitement.

Comment l’IA a très rapidement pu gagner un tel titre ?

Elephant Alpha n’a pas grimpé au sommet grâce à une annonce spectaculaire ni une campagne marketing massive. Son ascension repose l’usage réel mesuré par OpenRouter. 

La plateforme suit les modèles selon le nombre de jetons consommés par les utilisateurs. Autrement dit, plus un modèle est utilisé dans des requêtes réelles, plus il monte dans le classement.

BREAKING: Stealth model Elephant-alpha reaches #1 on OpenRouter Trending.

The ranking is based on real token consumption across OpenRouter—reflecting actual developer usage, not benchmarks or subjective evals.

Signal: rapid adoption and growing traction in live environments.… pic.twitter.com/yCyYzOhwij

— Tulsi Soni (@shedntcare_) April 17, 2026

En plus, son accès immédiat via API et sa gratuité temporaire ont déclenché une adoption massive. Ainsi, des milliers de développeurs ont commencé à le tester en continu. Les intégrations dans des outils comme des environnements de développement et des agents IA ont accéléré ce phénomène.

Ce qui est intéressant, c’est que le modèle cible aussi des usages précis comme le code, la finance ou le droit. Il s’oriente donc vers des tâches structurées, où la logique et la cohérence priment sur la créativité pure.

Un autre point clé est son optimisation qui vise à réduire la consommation de jetons. De ce fait, les réponses arrivent plus vite et coûtent moins de ressources. Enfin, Elephant Alpha reste un modèle textuel pur. Il ne gère ni image ni audio, ce qui le concentre entièrement sur l’efficacité écrite et l’analyse de contenu.

Cet article Elephant Alpha : quelle est cette IA qui a pris la 1ère place en quelques jours ? a été publié sur LEBIGDATA.FR.

Codage agentique, raisonnement préservé, un million de tokens : Qwen3.6-35B-A3B redessine le plafond de l'IA open source pour les développeurs,
malgré plusieurs départs d'ingénieurs clés qui ont quitté le projet

Quelques semaines après une crise interne qui avait fait craindre le pire pour son avenir, la famille Qwen d'Alibaba revient avec un modèle de code aussi ambitieux que symbolique. Le Qwen3.6-35B-A3B incarne une architecture MoE (mixture d'experts) optimisée pour la programmation agentique...

L’utilisation d’outils d’IA dans le développement logiciel n’est plus un gadget : bien intégrés, ces outils deviennent de véritables assistants techniques capables d’augmenter la qualité du code, d’accélérer les revues, de simplifier le débogage, de générer des tests pertinents et de maintenir une documentation à jour. Encore faut-il savoir les utiliser correctement, comprendre leurs limites et les intégrer dans un flux de travail rigoureux.

Ce guide détaille des approches concrètes pour exploiter l’IA sur l’ensemble du cycle de vie du code, sans sacrifier l’exigence de qualité ni la sécurité.

---

1. Comprendre ce que l’IA apporte réellement à la qualité du code

Les forces des outils d’IA pour développeurs

Les modèles d’IA modernes (type GPT-4, Claude, CodeWhisperer, GitHub Copilot…) sont particulièrement efficaces pour :

- Analyser rapidement de grandes bases de code

Identifier des motifs répétitifs, des duplications, des incohérences de style, des fonctions complexes ou mal structurées.

- Suggérer des améliorations de lisibilité et d’architecture

Proposer des refactorings, simplifier des fonctions, améliorer des noms de variables, réorganiser des modules.

- Repérer des erreurs probables

Erreurs de logique, d’API, de typage, d’edge cases oubliés, cas de concurrence ou d’utilisation de ressources.

- Générer du code auxiliaire

Tests unitaires, scripts de migration, fonctions de log, exemples d’utilisation d’API.

- Produire ou améliorer de la documentation

Commentaires de fonctions, README, guides d’API, notes de conception.

Les limites à garder en tête

Malgré leurs capacités, ces outils restent :

- Probabilistes, pas infaillibles

L’IA génère ce qui ressemble à une bonne solution, mais ne garantit ni l’exactitude, ni la sécurité, ni la performance.

- Dépendants du contexte fourni

Sans le bon extrait de code, la bonne description métier ou le bon environnement de projet, les suggestions seront incomplètes ou hors sujet.

- Ignorants des contraintes spécifiques

Règles internes de qualité, politiques de sécurité, exigences légales, contraintes de performance ou d’architecture peuvent être ignorées si elles ne sont pas explicitées.

- Potentiellement verboses ou trop sûrs d’eux

Une réponse bien formulée peut donner une impression trompeuse de fiabilité.

La règle d’or : l’IA doit soutenir le jugement du développeur, jamais le remplacer. Chaque suggestion doit être validée, testée et intégrée dans un processus de qualité existant.

---

2. Mettre en place un environnement d’IA adapté au développement

Choisir les bons outils d’IA

Plusieurs catégories d’outils peuvent être combinées :

- Assistants de complétion de code dans l’IDE

GitHub Copilot, Codeium, Tabnine, Amazon CodeWhisperer, etc.

Utiles pour : suggestions en temps réel, snippets, complétion de tests.

- Assistants conversationnels généralistes avec capacité code

ChatGPT (avec code interpreter), Claude, etc.

Utiles pour : revues approfondies, refactoring, explications, génération de documentation, débogage guidé.

- Outils spécialisés QA / revue de code

SonarLint, SonarQube, DeepCode (Snyk Code), etc.

Utiles pour : détection systématique de code smells, vulnérabilités, non-respect des règles de style.

- Intégrations CI/CD

Plugins IA pour GitHub Actions, GitLab CI, Azure DevOps, solutions SaaS de revue automatique.

Combiner un assistant génératif avec des outils d’analyse statique classiques offre un bon équilibre entre créativité et rigueur.

Précautions de confidentialité et de sécurité

Avant d’envoyer du code à un service d’IA hébergé :

1. Vérifier les conditions d’utilisation

- Le fournisseur réutilise-t-il le code pour entraîner ses modèles ?

- Existe-t-il une option “enterprise” avec isolation des données ?

2. Limiter les données sensibles

- Éviter de transmettre des secrets (clés API, mots de passe, certificats).

- Masquer les données personnelles ou propriétaires si possible.

3. Utiliser des environnements self-hosted si nécessaire

- Modèles déployés on-premise ou sur un cloud privé pour le code le plus sensible.

4. Définir des règles internes

- Quand et comment l’IA peut être utilisée.

- Quels types de fichiers ne doivent jamais être partagés.

---

3. Utiliser l’IA pour la revue de code

Préparer une revue de code assistée par IA

Pour tirer réellement parti d’un assistant IA en revue de code :

1. Fournir un contexte minimal

- Langage, framework, architecture (monolithe, microservices, etc.).

- Objectif du module ou de la fonctionnalité.

- Contraintes (performance, sécurité, compatibilité).

2. Limiter la taille de l’extrait

- Se concentrer sur un fichier, une PR ou un module cohérent.

- Si le contexte est trop volumineux, le découper et fournir un résumé.

3. Préciser les critères de revue

- Lisibilité et maintenabilité

- Respect des conventions de style

- Performance

- Sécurité (injection SQL, XSS, validation d’entrée, etc.)

- Couverture de cas limites

Plus la demande est ciblée, plus les retours sont exploitables.

Obtenir une revue structurée et exploitable

Pour une revue utile, demander explicitement une structure de sortie, par exemple :

- Résumé général

Points forts et points faibles.

- Problèmes majeurs (blockers)

Bugs probables, failles de sécurité, violations de design critiques.

- Problèmes mineurs

Nommage, duplication, style, petites optimisations.

- Suggestions de refactoring

Fonctions trop longues, responsabilités multiples, patterns mieux adaptés.

- Cas de tests manquants

Scénarios à couvrir (erreurs, limites, volume, concurrence).

Les retours de l’IA peuvent ensuite être triés et intégrés dans le processus de revue classique (pull request, commentaires dans Git, tickets).

Bonnes pratiques en revue de code avec IA

- Confronter systématiquement les remarques de l’IA à l’avis humain

Un reviewer humain reste décisionnaire.

- Exiger des justifications

Demander à l’IA d’expliquer pourquoi un point pose problème (normes, patterns connus, risques potentiels).

- Adapter les propositions à la culture du projet

L’IA ne connaît pas les conventions internes à moins de les fournir. Indiquer les règles de style (par exemple PEP8, conventions internes Java, guide frontend maison).

- Éviter la sur-optimisation prématurée

L’IA propose parfois des optimisations micro-performances inutiles au détriment de la lisibilité. Prioriser la clarté.

---

4. Accélérer le débogage grâce à l’IA

Tirer parti de l’IA devant un bug concret

En présence d’un bug, le rôle de l’IA est d’aider à :

- Comprendre le problème

- Formuler des hypothèses

- Proposer des pistes de reproduction et de correction

Approche recommandée :

1. Décrire le contexte du bug

- Ce qui est attendu vs ce qui se produit réellement.

- Environnement (version de langage, framework, OS, base de données).

- Étapes pour reproduire si connues.

2. Fournir les éléments pertinents

- Extrait de code impliqué (fonction, classe, endpoint).

- Log d’erreur ou stack trace.

- Inputs typiques.

3. Demander plusieurs hypothèses

- Demander explicitement : “liste de causes possibles, classées par probabilité”.

4. Demander des stratégies de diagnostic

- Ajouts de logs ciblés.

- Assertions.

- Tests de reproduction isolés.

- Outils de profiling ou de tracing.

Exemple de stratégie avec IA pour un bug complexe

Une approche systématique peut être :

1. Identifier le module ou la zone suspecte.

2. Demander à l’IA :

- D’expliquer en langage naturel ce que fait la fonction.

- De pointer des comportements non évidents ou dangereux.

3. Introduire un cas d’entrée problématique et demander :

- Comment le code actuel va le gérer étape par étape.

- Où un décalage avec le comportement attendu apparaît.

4. Faire valider par l’IA la correction envisagée :

- Impact potentiel sur d’autres parties du système.

- Cas limites à tester.

Mises en garde en débogage assisté par IA

- Rester méfiant face aux “corrections magiques”

Un patch suggéré peut masquer le symptôme sans adresser la cause profonde.

- Vérifier la compatibilité avec l’écosystème réel

L’IA peut proposer des méthodes ou des APIs qui n’existent pas dans la version du framework utilisée.

- Documenter le raisonnement

Noter l’hypothèse validée, la cause racine et les tests ajoutés. L’IA peut aider à rédiger cette note de post-mortem.

---

5. Générer et améliorer les tests avec l’IA

Faire générer des tests unitaires pertinents

L’IA est particulièrement utile pour :

- Proposer des cas de tests à partir d’une fonction ou d’une méthode.

- Couvrir des cas limites (valeurs nulles, extrêmes, listes vides, erreurs réseau).

- Écrire la structure de tests (nom des tests, arrange/act/assert, données de test réalistes).

Approche suggérée :

1. Fournir :

- La fonction ou la classe à tester.

- Le framework de test utilisé (JUnit, pytest, Jest, PHPUnit, etc.).

- Les conventions internes (naming, patterns de mocks, use de fixtures).

2. Demander :

- Une liste de scénarios de test décrits en texte.

- Puis, pour les scénarios validés, la génération de tests unitaires correspondants.

3. Réviser et adapter :

- Vérifier que les tests reflètent bien le comportement souhaité, pas celui supposé par l’IA.

- Simplifier ou factoriser si besoin (fixtures, helpers).

Couvrir les cas d’erreur et les conditions extrêmes

Les IA sont souvent plus complètes que les humains pour :

- Imaginer des entrées invalides ou inattendues.

- Tester les comportements en cas de :

- Temps d’attente réseau

- Réponses incomplètes

- Pannes de dépendances (base de données, cache, API externe).

Pour en tirer parti :

- Demander explicitement des tests de robustesse et non seulement des tests du “happy path”.

- Insister sur la gestion des exceptions, la validation des arguments, la résilience aux indisponibilités partielles.

Génération de tests d’intégration et end-to-end

Pour les tests d’intégration :

- L’IA peut aider à :

- Définir les scénarios utilisateurs clés.

- Proposer des jeux de données réalistes.

- Esquisser des scripts de test (par exemple pour Cypress, Playwright, Selenium).

- Limites :

- Nécessité de connaître en détail le contexte de déploiement et l’architecture.

- Besoin de synchronisation avec la réalité (endpoints, routes, schémas de données).

La validation humaine reste essentielle pour éviter des tests trop fragiles ou trop couplés à l’implémentation.

Mesurer et améliorer la couverture avec l’IA

Les outils d’IA ne remplacent pas la mesure de couverture (coverage reports) via les outils habituels, mais peuvent :

- Analyser un rapport de couverture et :

- Pointer des zones critiques non couvertes (authentification, billing, sécurité).

- Proposer des cas de tests supplémentaires pour les couvrir.

- Aider à décider :

- Quels modules doivent viser une couverture plus élevée.

- Où accepter une couverture plus faible (code généré, couches très simples).

---

6. Améliorer la documentation grâce à l’IA

Générer des commentaires de code de qualité

Utiliser l’IA pour :

- Proposer des docstrings ou commentaires pour fonctions, classes et modules.

- Clarifier des parties complexes, en expliquant :

- Le rôle de la fonction.

- La signification des paramètres et valeurs de retour.

- Les effets de bord éventuels.

- Les préconditions et postconditions.

Bonnes pratiques :

1. Fournir une explication métier en plus du code quand c’est possible.

2. Exiger des commentaires :

- Concis

- Précis

- Orientés sur le “pourquoi” plutôt que le “comment” (que le code montre déjà).

3. Revoir manuellement chaque commentaire :

- Corriger les approximations métier.

- S’assurer que les noms utilisés correspondent à la terminologie du domaine.

Rédiger et maintenir la documentation technique

L’IA peut accélérer la création de :

- README de projets et de sous-modules.

- Guides d’API (endpoints, payloads, exemples).

- Guides d’installation et de déploiement.

- Notes de conception (design docs, ADR – Architecture Decision Records).

Méthode efficace :

1. Fournir :

- Un extrait représentatif du code ou des fichiers de configuration.

- Une description textuelle de l’objectif du composant.

- Les contraintes clés (scalabilité, sécurité, dépendances).

2. Demander :

- Une première version de documentation structurée.

- Une section “Exemples d’utilisation”.

- Une section “Limitations connues” et “Points d’attention”.

3. Ajuster :

- Adapter le ton et le niveau de détail à l’audience cible (développeurs internes, clients, ops).

- Compléter avec les aspects non visibles dans le code (organisationnels, légaux, SLA, etc.).

Synchroniser documentation et code

La documentation devient vite obsolète. L’IA peut contribuer à limiter ce phénomène :

- En comparant :

- Une version de documentation.

- Le code actuel.

- En identifiant :

- Les différences (noms de fonctions/params, endpoints, comportements).

- Les parties devenues inexactes ou incomplètes.

- En proposant :

- Une mise à jour ciblée des paragraphes concernés, plutôt qu’une réécriture complète.

---

7. Encadrer l’utilisation de l’IA par des bonnes pratiques d’équipe

Définir une “charte IA” pour le développement

Pour un usage sain et efficace, il est utile d’expliciter :

- Les cas d’usage encouragés

- Aide à la revue de code.

- Génération de tests.

- Documentation.

- Brainstorming d’architectures.

- Les limites

- Pas d’acceptation aveugle de code généré.

- Validation obligatoire pour toute modification de sécurité, de cryptographie, d’authentification.

- Interdiction d’envoyer certains fichiers (config sensibles, données clients).

- Les exigences de traçabilité

- Indiquer dans les PR quand du code a été largement généré ou influencé par IA.

- Discuter en revue des choix suggérés par l’IA, comme n’importe quelle contribution.

Intégrer l’IA dans le flux de travail existant

Quelques repères :

- Ne pas court-circuiter la revue humaine

L’IA assiste, mais chaque PR doit avoir un ou plusieurs reviewers humains responsables.

- Utiliser l’IA en amont des PR

- Nettoyer le code, clarifier la structure, ajouter des tests.

- Ainsi, les reviewers humains se concentrent sur la logique métier et les choix d’architecture.

- Mettre l’IA dans la CI/CD avec discernement

- Automatiser des retours sur style, duplications, cas évidents.

- Garder les checks bloquants pour les règles les plus importantes (sécurité, standards critiques).

Former les développeurs à un usage critique

Un usage efficace nécessite des compétences spécifiques :

- Savoir “prompt-er” correctement

- Donner le bon contexte.

- Formuler des demandes précises.

- Demander des alternatives et des justifications.

- Développer un esprit critique renforcé

- Détecter les hallucinations techniques.

- Confronter aux standards du projet, aux docs officielles, aux RFC et aux spécifications.

- Partager les bonnes pratiques en équipe

- Exemples de prompts efficaces.

- Cas où l’IA a permis de trouver un bug subtil ou d’améliorer significativement un module.

- Cas où les suggestions étaient erronées et pourquoi.

---

8. Points clés à retenir

- L’IA est un multiplicateur de productivité, pas un substitut au jugement humain.

Chaque suggestion doit être revue, comprise et testée.

- Une bonne utilisation commence par un bon contexte.

Préciser le langage, le framework, le rôle du code et les contraintes permet d’obtenir des retours pertinents.

- Pour la revue de code, l’IA excelle sur la lisibilité, les patterns, les cas évidents, mais ne doit pas décider des choix d’architecture ni des compromis métier.

- En débogage, l’IA est utile comme partenaire de raisonnement : génération d’hypothèses, plan de diagnostic, proposition de tests de reproduction.

- Pour les tests, l’IA aide à couvrir plus largement le spectre des cas, notamment les cas limites et les scénarios d’erreur, à condition de garder la main sur les invariants métier.

- En documentation, l’IA est très efficace pour produire des drafts de qualité, mais le contenu métier, les décisions d’architecture et les contraintes non visibles dans le code doivent être ajoutés et validés par les équipes.

- Un cadre d’équipe clair (charte IA) est essentiel pour canaliser l’usage, protéger les données sensibles et intégrer ces outils dans un flux de travail rigoureux.

En intégrant progressivement ces pratiques, l’IA devient un véritable assistant d’ingénierie, capable d’élever la qualité globale du code, de réduire la dette technique et de libérer du temps pour les tâches à plus forte valeur ajoutée : conception, architecture et compréhension approfondie du métier.

Telegram lance Cocoon, un réseau d'IA décentralisé et confidentiel sur la blockchain TON, comme alternative plus privée et plus rentable aux services informatiques d'IA centralisés

Telegram a récemment lancé un réseau informatique d'IA décentralisé et confidentiel sur la blockchain TON, appelé Cocoon. Le projet est présenté comme une alternative plus confidentielle et plus rentable aux services informatiques centralisés d'IA proposés par des fournisseurs tels que Microsoft et Amazon qui, selon le...

• lien nᵒ 1 : AI #136: A Song and Dance
• lien nᵒ 2 : AI #137: An OpenAI App For That
• lien nᵒ 3 : AI #138 Part 1: The People Demand Erotic Sycophants
• lien nᵒ 4 : AI #138 Part 2: Watch Out For Documents
• lien nᵒ 5 : AI #139: The Overreach Machines
• lien nᵒ 6 : AI #140: Trying To Hold The Line
• lien nᵒ 7 : Sora and The Big Bright Screen Slop Machine
• lien nᵒ 8 : Cloud Compute Atlas: The OpenAI Browser
• lien nᵒ 9 : New Statement Calls For Not Building Superintelligence For Now
• lien nᵒ 10 : OpenAI Moves To Complete Potentially The Largest Theft In Human History

Commentaires : voir le flux Atom ouvrir dans le navigateur

Avec la profusion de nouveautés en matière d’intelligence artificielle, ce n’est pas forcément facile de s’y retrouver. Chaque jour, il y a des nouveaux modèles qui sortent pour générer du texte, des images, des vidéos, de la musique et etc … L’actualité autour de l’IA est très riche et cela peut parfois devenir difficile de ... Lire la suite

L’article Classement des meilleurs modèles IA pour créer des images est apparu en premier sur ZoneTuto.

Des chercheurs de Microsoft développent un modèle d'IA hyper-efficace qui peut fonctionner sur les CPU, BitNet b1.58 2B4T, le plus grand modèle d'IA à 1 bit à ce jour avec 2 milliards de paramètres

Des chercheurs de Microsoft affirment avoir mis au point le plus grand modèle d'IA à 1 bit, également connu sous le nom de « bitnet », à ce jour. Baptisé BitNet b1.58 2B4T, il est disponible sous licence MIT et peut fonctionner sur des CPU, y compris le M2 d'Apple. Les bitnets sont essentiellement des...

OpenAI publie Codex CLI, un agent de codage local open-source dans les environnements de terminal qui transforme le langage naturel en code de travail

Dans le but d'injecter l'IA dans une plus grande partie du processus de programmation, OpenAI lance Codex CLI, un "agent" de codage conçu pour fonctionner localement à partir d'un logiciel terminal. Annoncé en même temps que les nouveaux modèles d'IA d'OpenAI, o3 et o4-mini, Codex CLI relie les modèles d'OpenAI au code local et aux tâches...

L'intelligence artificielle semble désormais s'immiscer partout, silencieusement. L'Europe consciente des atouts de cette technologie, a décidé...

Comments

Comments

Chaque semaine, le monde merveilleux de l'IA voit émerger de nouveaux projets, plus intéressants les uns que les autres. Cette semaine, c'est...

Anthropic pourrait lancer un nouveau modèle d'IA "hybride" doté d'un raisonnement avancé, le modèle permettra aux développeurs d'équilibrer la vitesse et la puissance de calcul à l'aide d'une échelle mobile

Anthropic s'apprêterait à sortir un nouveau modèle d'IA dans les semaines à venir. The Information a décrit le prochain modèle d'Anthropic comme un « hybride » capable de passer d'un « raisonnement profond » à des réponses rapides via son grand modèle de langage (LLM) lorsque cela est...

Quand deux start-up européennes se rencontrent, elles font des étincelles. Du moins c'est ce que l'on espère avec l'annonce faite par Helsing,...

L'intégration de modèles d'IA générative rend les poupées sexuelles « plus réactives et interactives », selon WMDoll
qui s'attend à une augmentation de ses ventes de 30 %

En 2025, l'industrie des poupées sexuelles connaît un véritable essor, avec une augmentation marquée des ventes, notamment en Chine. Cette hausse est en grande partie attribuée aux progrès significatifs réalisés dans l'intégration de l'intelligence artificielle (IA), rendant ces poupées plus réactives et interactives. Liu...

La startup française d'IA Mistral lance l'application mobile Le Chat pour iPhone et Android, et introduit également les niveaux de service Pro et Team, ainsi qu'un niveau Enterprise en avant-première privée.

Mistral AI, la startup française considérée comme étant à la pointe du développement de l'IA en Europe, a lancé une application de chatbot IA appelée Le Chat pour les appareils iOS et Android. L'application Le Chat est la version mobile de l'assistant d'IA de Mistral AI qui porte le même nom....

Un nouveau projet de loi californien oblige les entreprises d'IA à informer les enfants que les chatbots ne sont pas des humains, afin de les protéger des "aspects addictifs, isolants et influents" de l'IA.

Un nouveau projet de loi californien exige que les entreprises d'IA rappellent aux enfants que les chatbots sont des intelligences artificielles et non des humains. Les entreprises d'IA doivent soumettre des rapports au gouvernement concernant les pensées suicidaires des enfants et...

Les vidéos de deepfake deviennent étonnamment bonnes : l'IA chinoise OmniHuman-1 peut générer les vidéos de deepfake les plus réalistes à ce jour, parlant, chantant et bougeant, à partir d'une seule photo.

Des chercheurs de ByteDance, propriétaire de TikTok, ont fait la démonstration d'un nouveau système d'IA, OmniHuman-1, capable de générer les vidéos deepfake les plus réalistes à ce jour. Le modèle n'a besoin que d'une seule image de référence et d'un son pour générer un clip vidéo. OmniHuman...

Le Texas interdit l'IA chinoise DeepSeek : "Le Texas ne permettra pas au Parti communiste chinois d'infiltrer l'infrastructure critique de notre État par le biais de l'IA et des applications de médias sociaux."

Le gouverneur du Texas, Greg Abbott, a annoncé qu'il interdisait aux fonctionnaires d'utiliser DeepSeek, Xiaohongshu (RedNote) et Lemon8 sur les appareils fournis par l'État. Les préoccupations en matière de confidentialité des données et de sécurité nationale ont déjà incité plusieurs...

Un sénateur américain propose d'infliger une peine de 20 ans de prison pour l'utilisation de DeepSeek avec une amende d'un million de dollars pour les particuliers
et 100 millions pour les entreprises

Le sénateur Josh Hawley (R-MO) attire l'attention avec un projet de loi qui propose des mesures à l'encontre des Américains utilisant les technologies d'IA chinoises. Il vise à interdire aux ressortissants des États-Unis de « développer des capacités d'IA en Chine, et à d'autres fins ». Il pourrait...

"Nous vivons dans une époque où une entreprise non américaine porte le flambeau de la mission originale d'OpenAI - une recherche véritablement...

Projet Nimbus : Google aurait travaillé directement avec l'armée israélienne sur des outils d'IA près l'invasion de la bande de Gaza,
l'entreprise avait affirmé ne travailler qu'avec des ministères civils

Des documents internes obtenus par le Washington Post révèlent que Google a collaboré directement avec l'armée israélienne pour fournir des outils d'intelligence artificielle (IA) après l'invasion de la bande de Gaza par Israël. Cette collaboration a eu lieu malgré les déclarations publiques...

Projet Nimbus : Google aurait travaillé directement avec l'armée israélienne sur des outils d'IA près l'invasion de la bande de Gaza,
l'entreprise avait affirmé ne travailler qu'avec des ministères civiles

Des documents internes obtenus par le Washington Post révèlent que Google a collaboré directement avec l'armée israélienne pour fournir des outils d'intelligence artificielle (IA) après l'invasion de la bande de Gaza par Israël. Cette collaboration a eu lieu malgré les déclarations publiques...

Le gouvernement de Keir Starmer veut économiser de l’argent en révolutionnant le fonctionnement de l’administration publique britannique. Il a...

Comments

Pour étudier les dirigeants mondiaux, la CIA discute avec leurs clones IA, en utilisant les renseignements recueillis par les espions pour créer des profils IA pouvant prédire les comportements des dirigeants

Au cours des deux dernières années, la CIA a développé un chatbot IA pour aider les analystes à créer des profils détaillés de dirigeants étrangers, renforçant ainsi les capacités technologiques de l'agence.

La Central Intelligence Agency (CIA) est un service civil de renseignement extérieur...

Neura Robotics, start-up allemande spécialisée dans le développement de robots cognitifs et humanoïdes, a annoncé le 15 janvier une levée de...

Le nouveau jailbreak des LLM exploite leurs capacités d'évaluation pour les contourner,
les chercheurs de Palo Alto exploitent l'échelle de Likert pour contourner les LLM

Le phénomène des jailbreaks des grands modèles de langage (LLM) illustre les défis croissants liés à la gestion des systèmes d'intelligence artificielle, en particulier lorsqu'ils sont confrontés à des tentatives d'exploitation. L'une des méthodes récentes, baptisée « Bad Likert Judge », a mis en lumière une approche sophistiquée...

Il est facile d'injecter de nouvelles informations médicales erronées dans les LLM, il suffit de modifier 0,001 % des données d'entrée pour rendre l'IA moins précise.

Une nouvelle étude évalue les menaces en simulant une attaque par empoisonnement des données contre The Pile, un ensemble de données populaire utilisé pour le développement des LLM. Les chercheurs ont constaté que le remplacement de seulement 0,001 % des jetons d'entraînement par des informations médicales erronées donne lieu à des...

Comments

Les courriels de phishing générés par l'IA deviennent très efficaces pour cibler les cadres, les courriels hyper-personnalisés utilisent une immense quantité de données récupérées

eBay et Beazley seraient la cible d'escroqueries par hameçonnage générées par l'IA. Ces escroqueries par hameçonnage seraient personnalisées à l'aide de systèmes d'IA qui auraient récupéré des données sur les employés. L'IA facilite la cybercriminalité et serait utilisée pour rédiger des courriels de phishing "parfaits".

Le...

Que le temps passe vite, cela faisait bien longtemps que je ne vous avais pas écrit un petit article sur l’intelligence artificielle. Ce n’est pas par manque d’envie, mais malheureusement encore une fois par manque de moments disponible pour vous écrire ici. Rassurez-vous je ne suis jamais très loin et j’essaie de garder le rythme ... Lire la suite

L’article Les logiciels pour utiliser l’intelligence artificielle en local est apparu en premier sur ZoneTuto.

Google Deepmind présente Veo 2, un nouvel outil de génération de vidéos par l'IA pour créer des "vidéos d'une qualité incroyable" dans le but de battre Sora d'OpenAI et d'être le meilleur modèle IA vidéo

Google Deepmind a présenté Veo 2, un nouvel outil de génération de vidéos par intelligence artificielle (IA) qui s'appuie sur le Veo original et crée des "vidéos d'une qualité incroyable". Cette annonce intervient après le lancement de la version officielle de Sora, le modèle...

La version 1.96 de Visual Studio Code est disponible, apportant des améliorations à l'éditeur, aux traitements des langages, aux tests, ainsi qu'à l'assistant d'IA Github Copilot.

Microsoft annonce la disponibilité de la version de novembre 2024 (1.96) de Visual Studio Code. Cette version apporte de nombreuses mises à jour, notamment à l'éditeur, aux traitements de langage, aux tests, ainsi qu'au plan de travail. Cette version comporte également des améliorations à l'assistant d'IA Github Copilot.

Parmi...

Comments