2026-08-05 Mercredi

Actualités Crypto - Page 202

Garder une longueur d'avance sur le marché crypto. Actualités en temps réel, analyses, prix, tendances et avis d'experts — le tout en un seul endroit.

Meta se lance aussi dans la vente de pelles, Mark Zuckerberg : les modèles peuvent être lents, mais les GPU doivent rapporter

Meta, confronté à des défis dans le développement de ses propres modèles d'IA (comme les difficultés avec Gemini et les retards des agents IA), se tourne vers un nouveau plan stratégique : la commercialisation de sa puissance de calcul. Le groupe envisagerait de lancer "Meta Compute", un service permettant de louer une partie de son infrastructure GPU massive à des clients externes. Cette décision s'appuie sur d'importants investissements en infrastructures. Meta a considérablement accru ses capacités de data centers et de calcul, avec des engagements récents approchant les 10GW. Cette capacité pourrait être allouée à plusieurs usages : alimenter ses propres modèles (comme Muse Spark et le futur "Watermelon"), améliorer ses systèmes de recommandation publicitaire, ou être louée à haut prix sur le modèle de SpaceX. Meta pourrait également héberger des modèles tiers, comme Claude d'Anthropic, pour les proposer en service. Cela lui permettrait un usage interne, une vente directe aux entreprises, et le développement d'applications verticales intégrant des agents IA. Cette orientation répond à la réalité très coûteuse de la course aux modèles d'IA de pointe. En monétisant son infrastructure, Meta cherche à générer des revenus à haute marge (100 milliards de dollars annuels potentiels pour 200MW loués) et à rendre ses investissements compréhensibles pour les marchés, sans pour autant abandonner son objectif à long terme de développer une intelligence artificielle de niveau supérieur (ASI). Cette stratégie positionnerait Meta en concurrent direct des grands clouds (AWS, Azure, Google Cloud) et des spécialistes du calcul IA comme CoreWeave.

marsbit07/06 01:22

Meta se lance aussi dans la vente de pelles, Mark Zuckerberg : les modèles peuvent être lents, mais les GPU doivent rapporter

marsbit07/06 01:22

Le plus grand centre de données au monde tombe à l'eau

Le géant mondial du capital-investissement Blackstone a officiellement mis fin à son projet phare de centre de données « Digital Gateway » en Virginie, un campus qui devait devenir le plus grand au monde. Ce revirement survient peu après la vente par Blackstone d'autres actifs de centres de données matures pour 3,5 milliards de dollars, signalant un changement stratégique brutal. Le projet, d'un investissement prévu de 100 milliards de dollars sur 2100 acres, a été bloqué par cinq ans de fortes oppositions locales concernant son impact environnemental et patrimonial, étant situé près d'un champ de bataille historique. Un vice de procédure dans l'approbation du zonage, invalidée par un tribunal en mars, et le retrait du partenaire Compass Datacenters ont scellé son sort. Ce cas illustre les défis croissants auxquels est confrontée la frénésie de construction de centres de données pour l'IA. Outre la résistance des communautés, les goulets d'étranglement majeurs sont l'approvisionnement en électricité - les centres de données pourraient tripler leur consommation aux États-Unis d'ici 2035 - et le durcissement réglementaire. Un rapport indique que des projets d'une valeur de 1300 milliards de dollars étaient en retard au premier trimestre 2026. L'action de Blackstone, considérée comme un signal d'alarme, suggère que l'industrie doit maintenant composer avec ces limites physiques et sociales.

marsbit07/06 01:11

Le plus grand centre de données au monde tombe à l'eau

marsbit07/06 01:11

OpenAI propose de céder 5% de ses actions au gouvernement américain

OpenAI propose au gouvernement américain d'acquérir 5% de ses actions, évalué à 42,6 milliards de dollars selon une valorisation de 852 milliards. Sam Altman suggère que toutes les principales entreprises d'IA américaines fassent de même, en versant ces parts dans un fonds public inspiré du Fonds permanent de l'Alaska, afin de partager les bénéfices de l'IA avec les citoyens. Cette démarche, encore à un stade conceptif, vise à améliorer les relations avec les régulateurs face à une pression croissante. Elle contraste avec une proposition plus radicale du sénateur Sanders pour une participation publique de 50%. L'initiative marque un tournant dans le débat sur la gouvernance de l'IA, notamment dans la course à l'IA générale (AGI), où la régulation et les intérêts publics pourraient devenir des contraintes déterminantes.

marsbit07/06 01:08

OpenAI propose de céder 5% de ses actions au gouvernement américain

marsbit07/06 01:08

Un mégawatt pour 60 000 agents intelligents, le GB300 de NVIDIA écrase la génération précédente par 20 fois

Selon les résultats du nouveau benchmark AA-AgentPerf, conçu spécifiquement pour mesurer les performances des agents IA, le système GB300 NVL72 de NVIDIA peut gérer jusqu'à 61 400 agents simultanés par mégawatt, soit environ 20 fois plus que la génération précédente H200 (2 600 agents par mégawatt). Cette mesure « agents par mégawatt » devient un indicateur clé, plus pertinent que les tokens par seconde pour évaluer l'efficacité réelle des systèmes d'IA agentique. Le benchmark AA-AgentPerf, développé par Artificial Analysis, simule le fonctionnement réel d'un agent de programmation, avec des sessions longues (jusqu'à 200 tours) et un contexte pouvant dépasser 100 000 tokens. Il impose des objectifs de niveau de service (SLO) sur la vitesse de génération et la latence pour déterminer le nombre maximal d'agents concurrents qu'un système peut supporter de manière utilisable. L'écart de performance s'explique par une avancée systémique. Le GB300 NVL72 relie 72 GPU via NVLink en un seul système rack, permettant une répartition optimale des modèles MoE (Mixture of Experts) et une gestion efficace du cache KV et de la communication. Les optimisations logicielles, comme celles de TensorRT-LLM, contribuent également à ces gains. Il est important de noter que ce benchmark utilise des trajectoires pré-enregistrées et ne reflète pas directement la capacité d'un environnement de production réel. Il représente néanmoins un changement significatif dans la manière d'évaluer la puissance de calcul dédiée aux agents IA, en se concentrant sur le coût énergétique par agent utile plutôt que sur la performance brute.

marsbit07/06 01:07

Un mégawatt pour 60 000 agents intelligents, le GB300 de NVIDIA écrase la génération précédente par 20 fois

marsbit07/06 01:07

Solana affirme que les actifs externes nécessitent plus qu'un simple pont pour créer de véritables marchés

Solana souligne un point essentiel pour la prochaine phase des marchés on-chain : le simple pontage d'un actif n'équivaut pas à la création d'un marché liquide pour celui-ci. Dans une publication, le réseau explique comment les actifs externes, comme HYPE via Sunrise, peuvent être négociés dès leur arrivée. L'enjeu n'est pas le transfert technique, mais la préparation de l'infrastructure de marché : liquidité, routage et intégration aux applications DeFi doivent être opérationnels. Sans cela, un actif ponté risque de rester techniquement disponible mais économiquement négligeable. Solana positionne donc Sunrise comme une couche d'orchestration pour connecter ces nouveaux actifs à son écosystème existant dès le premier jour. Cette approche s'inscrit dans sa stratégie plus large pour devenir une plateforme de formation de marchés, notamment pour les actifs tokenisés (RWAs) et inter-chaînes, où la qualité de la liquidité est aussi cruciale que la vitesse du réseau. L'objectif est de faire de Solana une destination où les actifs externes trouvent immédiatement un environnement commercial intégré, renforçant ainsi son récit institutionnel au-delà des simples frais bas.

bitcoinist07/06 00:58

Solana affirme que les actifs externes nécessitent plus qu'un simple pont pour créer de véritables marchés

bitcoinist07/06 00:58

Anthropic crée un « Code pénal » pour les jailbreaks de l'IA : vos requêtes, quatre manières de mourir

Anthropic, la société derrière l'IA Claude, a dévoilé un système de classification strict nommé CJS (Cyber Jailbreak Severity) pour évaluer et contrer les tentatives de "jailbreak" (contournement des garde-fous) de ses modèles. Ce cadre classe les requêtes des utilisateurs en quatre catégories de risque, des activités malveillantes (bloquées) aux activités bénignes (autorisées). Cependant, sa sensibilité excessive entraîne de nombreux faux positifs, bloquant des demandes légitimes comme du débogage. Le système CJS évalue la gravité d'un jailbreak sur quatre axes : le gain de capacité, l'étendue des capacités, la difficulté de weaponisation et la découvrabilité. Un score total de 0 à 10 détermine la réponse appropriée, de l'ignorance à la désactivation du modèle. Ce cadre vise à fournir une métrique objective, mais soulève des questions car Anthropic, qui développe également des modèles avancés comme Mythos réservés à des partenaires, définit seule les règles. Cette initiative intervient après que le modèle Fable 5 a été temporairement retiré suite à une demande de conformité aux contrôles à l'exportation américains, marquant une extension de ces régulations aux API d'IA. Ainsi, le CJS n'est pas seulement un outil technique ; il sert aussi de référence potentielle pour les décisions réglementaires futures, traçant une ligne floue entre sécurité et restriction de l'innovation, où les utilisateurs doivent constamment adapter leur langage pour éviter des blocages injustifiés.

marsbit07/06 00:28

Anthropic crée un « Code pénal » pour les jailbreaks de l'IA : vos requêtes, quatre manières de mourir

marsbit07/06 00:28

1 milliard de dollars de revenus annuels, deux colocataires nonagénaires de Berkeley, créent l'entreprise d'IA la plus rentable

Une entreprise qui ne développe pas d'IA génère 100 millions de dollars de revenus annuels : Arena, anciennement Chatbot Arena, est passée d'un projet de recherche open source de l'UC Berkeley en 2023 à une plateforme incontournable d'évaluation des grands modèles linguistiques (LLM). Son classement, basé sur des tests en aveugle par des utilisateurs réels, est devenu une référence pour les géants comme OpenAI, Google, et Anthropic. Leur modèle économique, lancé il y a huit mois, propose un service payant d'évaluation approfondie (AI Evaluations) pour les entreprises souhaitant tester leurs modèles dans des conditions réelles. Cette position d'« arbitre neutre » a propulsé leur chiffre d'affaires annuel à 1 milliard de dollars. Fondée par deux anciens colocataires de Berkeley, Anastasios Angelopoulos (CEO) et Wei-Lin Chiang (CTO, créateur du chatbot open source Vicuna), et soutenue par le professeur Ion Stoica, l'entreprise a levé 150 millions de dollars en série A, atteignant une valorisation de 17 milliards de dollars. Arena évolue désormais vers l'évaluation des agents IA sur des tâches complexes, comme le codage ou la recherche, indiquant que l'évaluation précise des performances de l'IA devient un enjeu économique majeur.

marsbit07/06 00:23

1 milliard de dollars de revenus annuels, deux colocataires nonagénaires de Berkeley, créent l'entreprise d'IA la plus rentable

marsbit07/06 00:23

2,4k étoiles en un clin d'œil : avec une seule commande, l'IA apprend à trouver ses propres compétences

Le projet « skills » de Vercel, une sorte de gestionnaire de paquets « npm » pour les agents d'IA, connaît un succès fulgurant avec 24 000 étoiles sur GitHub. Il permet aux développeurs d'ajouter des compétences (skills) à leurs assistants IA (comme Claude Code, Cursor) via une simple commande : `npx skills add <package>`. Ces paquets encapsulent des connaissances spécifiques (bonnes pratiques React, conventions d'équipe) dans un dossier contenant un fichier SKILL.md et éventuellement des scripts. La plateforme skills.sh propose un répertoire et un classement des paquets les plus populaires, comme « find-skills » (2,3 millions d'installations). Cette « compétence » permet à l'IA de rechercher et d'installer automatiquement d'autres skills pertinents en fonction d'une demande utilisateur, agissant comme un moteur de recherche de capacités. Cependant, cette commodité s'accompagne de risques de sécurité majeurs. Des audits (comme celui de Snyk « ToxicSkills ») révèlent qu'une part significative des skills tiers contient des vulnérabilités ou des charges malveillantes, pouvant conduire à des injections de prompt, des fuites de clés ou l'exécution de code arbitraire. Contrairement à npm, les skills mélangent instructions, code et accès système, amplifiant les menaces. En somme, Vercel réplique dans l'ère de l'IA sa stratégie réussie avec Next.js : simplifier et standardiser des flux complexes en une commande. Mais l'écosystème naissant des compétences d'IA hérite aussi des pièges classiques des gestionnaires de paquets, nécessitant une vigilance accrue quant à la source et aux permissions des paquets installés.

marsbit07/06 00:23

2,4k étoiles en un clin d'œil : avec une seule commande, l'IA apprend à trouver ses propres compétences

marsbit07/06 00:23

Le développeur Claude livre enfin « Fable 5 Fén Jué » pour vous apprendre à briser le déficit d'information avec le modèle

Fable 5, depuis son lancement, a connu un parcours tumultueux, passant des attentes élevées à une interdiction par le gouvernement américain. Aujourd’hui, l’accent est remis sur la productivité. Thariq Shihipar, ingénieur chez Claude Code, a publié un guide détaillé pour utiliser efficacement Fable 5. Le cœur du problème : l’écart d’information entre l’utilisateur et le modèle. Thariq appelle cela les « inconnues » – la différence entre les instructions données (la « carte ») et la réalité de la tâche (le « territoire »). La qualité du travail dépend de notre capacité à réduire ces inconnues. Il identifie quatre types d’inconnues : - Les **connues connues** : ce que nous spécifions clairement. - Les **connues inconnues** : ce que nous savons ne pas savoir. - Les **inconnues connues** : ce qui est évident pour nous mais pas explicité. - Les **inconnues inconnues** : ce que nous ignorons totalement. Le guide propose des méthodes pour les découvrir à chaque étape : **Avant l’implémentation** : - **Scan des angles morts** : Demander à Claude d’identifier les « inconnues inconnues ». - **Brainstorming et prototypage** : Explorer des idées visuelles ou fonctionnelles pour clarifier les attentes. - **Contre-interrogatoire** : Laisser Claude poser des questions pour éliminer les ambiguïtés. - **Références** : Fournir du code ou des exemples concrets comme modèles. - **Plan d’implémentation** : Faire rédiger un plan par Claude pour valider l’approche. **Pendant l’implémentation** : - **Notes d’implémentation** : Maintenir un fichier pour documenter les décisions et écarts. **Après l’implémentation** : - **Documentation explicative** : Créer un résumé clair pour faciliter les revues et l’approbation. - **Test de compréhension** : Se faire interroger par Claude pour s’assurer de maîtriser les changements. Thariq illustre cette approche avec la création de la vidéo de lancement de Fable, entièrement éditée par Claude Code. Il a dû découvrir ses « inconnues » en matière de montage et d’étalonnage pour guider efficacement le modèle. En conclusion, plus le modèle est puissant, plus une méthode structurée pour identifier et réduire les inconnues devient cruciale. Chaque prototype, brainstorming ou question est une opportunité d’aligner la « carte » et le « territoire » avant de s’engager profondément dans la réalisation.

marsbit07/06 00:19

Le développeur Claude livre enfin « Fable 5 Fén Jué » pour vous apprendre à briser le déficit d'information avec le modèle

marsbit07/06 00:19

Les tokens dévorent 30% des salaires, la facture IA de la Silicon Valley devient incontrôlable

Les coûts liés aux jetons (tokens) d'IA, représentant désormais 30 % de la masse salariale chez certains acteurs comme SemiAnalysis, illustrent la transformation radicale de la productivité dans les services spécialisés. Si cette dépense achète une efficacité plusieurs fois supérieure au travail humain pour des tâches comme l'analyse de données, d'autres géants technologiques comme Uber ou Microsoft font face à des factures d'IA explosives et à un retour sur investissement encore incertain. Le paradoxe actuel est frappant : les investissements en IA explosent (7400 milliards de dollars en 2024), tandis que les réductions de coûts se poursuivent. Pourtant, l'impact économique mesurable reste limité. La thèse centrale de l'article est que cette phase de construction d'infrastructure précède toujours l'arrivée des bénéfices. L'optimisme repose sur une baisse structurelle des coûts. Grâce aux progrès matériels (ex: GB300 NVL72, +32x de débit) et logiciels (optimisations logicielles multipliant les performances par 14), le prix réel du traitement des jetons s'effondre. Chez SemiAnalysis, un coût affiché de 5$/million de tokens est ramené à 0.99$ grâce à un cache efficace et un ratio entrée/sortie favorable. Cette déflation devrait se poursuivre, rendant l'IA de plus en plus accessible. Le choix pour les entreprises est désormais clair : adopter dès maintenant ces outils pour gagner un avantage concurrentiel décisif, ou attendre et risquer de prendre un retard considérable.

marsbit07/06 00:18

Les tokens dévorent 30% des salaires, la facture IA de la Silicon Valley devient incontrôlable

marsbit07/06 00:18

活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow

Nouvelles de l'industrieright-arrow

Politiques réglementairesright-arrow