# Efficacité Articles associés

Le Centre d'actualités HTX fournit les derniers articles et analyses approfondies sur "Efficacité", couvrant les tendances du marché, les mises à jour des projets, les développements technologiques et les politiques réglementaires dans l'industrie crypto.

Gu Yuxian, récipiendaire du Prix d'Excellence de Tsinghua, rejoint DeepSeek

Le lauréat 2025 de la bourse d'excellence pour doctorants de l'université Tsinghua, Yuxian Gu, a officiellement rejoint DeepSeek. Ce docteur en informatique, également récipiendaire de bourses Apple et Ant, est un chercheur prolifique dont les travaux portent sur l'efficacité des grands modèles de langage (LLM). Ses recherches couvrent la sélection des données de pré-entraînement (PDS), la distillation des connaissances pour la compression de modèles (MiniLLM, MiniPLM) et les architectures de modèles efficaces (Jet-Nemotron). Son modèle MiniLLM, une méthode de distillation de connaissances, est déjà utilisé par Google, Alibaba et NVIDIA. Récemment, en tant qu'auteur de DeepSeek V4, il a contribué au développement du modèle hybride Jet-Nemotron, qui rivalise avec les modèles SOTA tout en offrant une efficacité de génération considérablement accélérée. Avec près de 5000 citations sur Google Scholar et de multiples publications dans des conférences de premier plan (NeurIPS, ICLR, ACL), son expertise en optimisation de LLM constitue un atout majeur pour DeepSeek.

marsbitIl y a 11 h

Gu Yuxian, récipiendaire du Prix d'Excellence de Tsinghua, rejoint DeepSeek

marsbitIl y a 11 h

Dialogue avec Jens de la Fondation IOTA : Du Kenya au Royaume-Uni, TWIN propulse le commerce mondial dans l'ère des « 5 minutes »

Jens Munch Lund-Nielsen, responsable du commerce mondial chez la fondation IOTA, présente TWIN, une infrastructure numérique neutre et décentralisée basée sur la blockchain IOTA, qui vise à révolutionner le commerce international. TWIN permet un échange de données en temps réel entre gouvernements, entreprises et ports, réduisant radicalement les délais (ex. : traitement de documents de 6-7 heures à 30 minutes pour les exportations florales est-africaines) et les coûts administratifs. Déployé sur trois continents, TWIN résout un problème de coordination historique dans le commerce, traditionnellement fragmenté et papier, en offrant un socle ouvert et interopérable. Son adoption croissante pourrait combler le déficit de financement du commerce (2,5 billions USD) et conduire à une collaboration numérique mondiale totalement transparente et efficace.

marsbit06/30 02:11

Dialogue avec Jens de la Fondation IOTA : Du Kenya au Royaume-Uni, TWIN propulse le commerce mondial dans l'ère des « 5 minutes »

marsbit06/30 02:11

Le premier modèle de génération à grande échelle utilisant la physique comme primitive de calcul, Un-0, est arrivé. Réduira-t-il la consommation énergétique de l'IA de 1000 fois ?

Unconventional AI, fondée par l'ancien responsable IA de Databricks Naveen Rao, a dévoilé Un-0, un modèle génératif d'images innovant utilisant un système physique de "coupled oscillators" (oscillateurs couplés) comme primitif de calcul. L'objectif est de réinventer le calcul pour l'IA en exploitant la dynamique naturelle des systèmes physiques, afin de réduire potentiellement la consommation énergétique de l'inférence IA d'un facteur 1000 par rapport aux systèmes numériques traditionnels basés sur GPU. Le modèle Un-0 fonctionne en entraînant un vaste réseau d'oscillateurs couplés (modélisés par l'équation de Kuramoto) dont les forces de couplage et les fréquences naturelles sont les paramètres appris. Pour générer une image, le système est initialisé aléatoirement, guidé par un label de classe, puis laissé à évoluer selon sa dynamique physique. Un état latent est prélevé à un instant T et converti en pixels par un petit décodeur. Sur ImageNet 64x64, Un-0 atteint un FID de 6.74 avec 322 millions de paramètres, une performance comparable à celle des premiers modèles génératifs traditionnels comme BigGAN, bien qu'en deçà des modèles de pointe actuels. Entraîné avec une nouvelle fonction de perte "Drifting Loss", il démontre la faisabilité d'utiliser un système dynamique physique pour une tâche IA à grande échelle. Ce modèle représente une première étape vers une nouvelle génération de matériel de calcul "non conventionnel" où la physique effectue le calcul, fusionnant calcul et mémoire et tolérant le bruit, ce qui pourrait mener à des gains d'efficacité énergétique révolutionnaires.

marsbit06/26 10:59

Le premier modèle de génération à grande échelle utilisant la physique comme primitive de calcul, Un-0, est arrivé. Réduira-t-il la consommation énergétique de l'IA de 1000 fois ?

marsbit06/26 10:59

Matrixdock Réapparaît dans le 'Crucible' de la SBMA : Explorer Comment la Tokenisation Améliore l'Efficacité du Marché des Métaux Précieux

Matrixdock, plateforme de tokenisation d'actifs réels de BIT, publie à nouveau dans le magazine sectoriel « Crucible » de la SBMA. Un article d'Eva Meng, intitulé « Why Tokenisation Matters for the Bullion Industry and How Carrying Costs Fit In », explore comment la tokenisation peut améliorer l'efficacité du marché des métaux précieux. L'article souligne que la tokenisation ne redéfinit pas l'or mais améliore son utilité dans le système financier numérique, en permettant des règlements instantanés, des nantissements et une liquidité accrue, au-delà de la simple exposition au prix offerte par les ETF. Il aborde le coût de détention inhérent aux actifs physiques comme l'argent, et présente le « Fungible Reserve Standard » (FRS). Ce cadre vise à refléter ces coûts de manière transparente, suivant un principe de « pureté économique » pour représenter fidèlement les attributs de l'actif sous-jacent. Matrixdock illustre sa démarche avec ses jetons XAUm (or) et XAGm (argent), ce dernier étant le premier actif construit sur le cadre FRS. Le marché de l'or tokenisé, dépassant 6 milliards de dollars début 2026, montre une adoption croissante. En conclusion, la tokenisation élargit les cas d'usage des métaux précieux, les transformant progressivement d'outils de réserve de valeur en actifs numériques intégrés à l'écosystème financier moderne.

marsbit06/18 09:22

Matrixdock Réapparaît dans le 'Crucible' de la SBMA : Explorer Comment la Tokenisation Améliore l'Efficacité du Marché des Métaux Précieux

marsbit06/18 09:22

Votre abonnement payé à Claude, combien les fabricants de modules optiques en perçoivent-ils ?

Résumé : Un graphique estimant la répartition des 20 USD mensuels d'un abonnement Claude Pro entre la société de modèles, le cloud, la dépréciation des GPU, l'électricité et la chaîne d'approvisionnement relance le débat sur la valorisation des revenus des applications d'IA. Contrairement aux logiciels SaaS traditionnels à marge élevée, les applications d'IA ont un coût marginal par usage ("inférence") non négligeable, lié à la consommation de calcul, d'électricité et de bande passante. Cette structure de coûts variables remet en question l'assimilation automatique des revenus de l'IA à ceux du SaaS. Actuellement, la croissance de l'utilisation de l'IA profite plus directement aux infrastructures (GPU, HBM, cloud, électricité), dont les revenus sont plus certains et rapidement vérifiables. Pour que les éditeurs de modèles retrouvent des valorisations élevées typiques du logiciel, ils doivent démontrer une amélioration durable de leur marge, prouvant que les gains d'efficacité (optimisation des modèles, cache, puces sur mesure) dépassent la hausse de la consommation et de la complexité des tâches des utilisateurs. Le défi pour les investisseurs est d'évaluer cette dynamique coût-revenu en l'absence de données de marge transparentes pour les principaux acteurs de l'IA.

marsbit06/17 03:47

Votre abonnement payé à Claude, combien les fabricants de modules optiques en perçoivent-ils ?

marsbit06/17 03:47

Des licenciements à cause de l'IA ? Une étude montre que l'IA coûte plus cher que les personnes qu'elle remplace

Près de 50 000 emplois ont été supprimés cette année en raison de l'IA, mais les entreprises découvrent de plus en plus que son utilisation coûte plus cher que le travail humain. Uber a épuisé son budget annuel pour l'IA en quatre mois, Microsoft réduit les licences Claude Code en raison de leur coût, et chez Anthropic, un employé a dépensé 150 000 $ en un mois. Des sociétés comme Meta et Spotify signalent que les coûts de calcul liés à l'IA pèsent sur leurs marges. Une enquête révèle que 45% des entreprises dépensent plus de 100 000 $ par mois pour l'IA en 2025, mais seule la moitié peut évaluer le retour sur investissement. Selon l'analyse, les entreprises se tourneront vers les modèles chinois, 10 à 30 fois moins chers. Leur part d'utilisation parmi les développeurs est passée de 1% en 2024 à plus de 60% en 2026, et 80% des startups américaines d'IA les utilisent. Cette tendance pourrait provoquer des restrictions politiques.

marsbit06/09 02:29

Des licenciements à cause de l'IA ? Une étude montre que l'IA coûte plus cher que les personnes qu'elle remplace

marsbit06/09 02:29

Faire tourner un MoE sur smartphone ? Meta propose MobileMoE, avec une accélération de 3,8x sur iPhone 16 Pro

Récemment, Meta a proposé MobileMoE, une nouvelle architecture de modèle MoE (Mixture of Experts) optimisée pour fonctionner efficacement sur les smartphones. Cette approche remplace les couches denses traditionnelles des grands modèles de langage (LLM) par des couches MoE, permettant de réduire considérablement la quantité de calculs nécessaires à l'inférence tout en conservant des performances élevées. Les résultats montrent que MobileMoE atteint des scores similaires, voire supérieurs, aux modèles denses de référence sur 14 tests fondamentaux, tout en utilisant seulement 1/2 à 1/4 des opérations de calcul. Après quantification en INT4, le modèle conserve sa compétitivité. Lors de déploiements sur des appareils commerciaux comme l'iPhone 16 Pro, MobileMoE accélère l'inférence jusqu'à 3,8 fois lors de la phase d'entrée et jusqu'à 3,4 fois lors de la génération de tokens, tout en réduisant l'empreinte mémoire. L'étude établit de nouvelles frontières de Pareto pour les LLM sur appareils mobiles, offrant un meilleur compromis entre précision et coût de calcul. Les performances sont particulièrement notables sur les tâches de code et de mathématiques. Les auteurs soulignent que des progrès futurs pourraient passer par l'amélioration de l'alignement via des techniques comme le fine-tuning, le distillation et l'extension multimodale.

marsbit06/01 06:13

Faire tourner un MoE sur smartphone ? Meta propose MobileMoE, avec une accélération de 3,8x sur iPhone 16 Pro

marsbit06/01 06:13

NVIDIA lance la plateforme DSX et continue d'avancer vers l'infrastructure des usines d'IA

NVIDIA a présenté la plateforme DSX lors de la conférence GTC Taipei, étendant son activité aux infrastructures d'usines d'IA. Contrairement à son approche historique centrée sur la vente de GPU, DSX vise à fournir aux entreprises une solution complète couvrant la conception, la simulation, le déploiement et la gestion opérationnelle. Face à l'expansion des modèles d'IA, NVIDIA estime que la compétition future se jouera sur l'efficacité globale des infrastructures, optimisant la production de puissance de calcul sous contrainte d'électricité, d'espace et de ressources. La plateforme DSX intègre ainsi puces, systèmes, logiciels et architectures de référence pour améliorer la vitesse de déploiement, la fiabilité et réduire les coûts par token généré. Le logiciel comprend DSX MaxLPS, qui utilise le refroidissement liquide pour déployer jusqu'à 40% de GPU supplémentaires par mégawatt, et DSX OS, une plateforme open source pour la gestion du cycle de vie et des opérations. DSX inclut également des outils de simulation, d'ajustement dynamique de la charge selon le réseau électrique (DSX Flex), et d'architecture de référence. Des fournisseurs de cloud comme CoreWeave ont déjà déployé des composants DSX, tandis que des partenaires matériels tels que Dell, HPE et Lenovo développent des systèmes compatibles. Cette initiative marque la transition stratégique de NVIDIA d'un fournisseur de puces vers un fournisseur de plateforme d'infrastructure IA complète, visant à établir un standard pour le cycle de vie des usines d'IA.

marsbit06/01 04:29

NVIDIA lance la plateforme DSX et continue d'avancer vers l'infrastructure des usines d'IA

marsbit06/01 04:29

Après avoir brûlé des dizaines de milliards de dollars en tokens, les géants de la Silicon Valley commencent à limiter l'usage des tokens par leurs employés

Après avoir dépensé des milliards de dollars en tokens d'IA, les grandes entreprises technologiques de la Silicon Valley commencent à limiter leur utilisation par les employés. La pratique du "tokenmaxxing", qui encourageait une consommation maximale, a conduit à des coûts exorbitants et à un faible retour sur investissement mesurable. Des entreprises comme Microsoft, Uber et Salesforce constatent que l'IA automatise souvent les tâches que les employés n'aiment pas, plutôt que celles qui génèrent de la valeur. Les dépenses en tokens deviennent un fardeau financier majeur, avec des coûts cachés importants pour la correction des erreurs. Face à cela, les entreprises adoptent désormais des outils de gestion des coûts et cherchent des modèles de tarification alignés sur les résultats concrets. Cette rationalisation marque un tournant vers une évaluation plus rigoureuse de la valeur réelle de l'IA pour les processus métiers.

marsbit06/01 04:09

Après avoir brûlé des dizaines de milliards de dollars en tokens, les géants de la Silicon Valley commencent à limiter l'usage des tokens par leurs employés

marsbit06/01 04:09

Apple réinvente la compression d'images avec l'IA : La même qualité pour des fichiers trois fois plus petits

La compression d’image entre dans une nouvelle ère avec l’arrivée de l’IA. En février 2025, le groupe JPEG a officiellement lancé JPEG AI, le premier standard international de codage d’images basé sur l’apprentissage automatique. Toutefois, même cette avancée reste éloignée de la « compression perceptuelle », qui optimise l’expérience visuelle humaine plutôt que des indicateurs mathématiques comme le PSNR. Apple répond à ce défi avec PICO (Perceptual Image Codec), un codec conçu pour plaire à l’œil humain. Il résout trois problèmes clés : 1. **Vitesse** : grâce à un modèle de contexte « one-shot », il évite la lenteur de l’encodage autorégressif classique. 2. **Hallucinations** : une fonction de perte dédiée (TextFidelityLoss) préserve la précision du texte, réduisant de moitié les erreurs dans ces zones. 3. **Artefacts** : une perte spécifique (TilingArtifactLoss) supprime les différences de couleur entre les blocs d’image. Lors d’un test subjectif à grande échelle, PICO a réduit la taille des fichiers de 30 à 43 % par rapport aux codecs comme AV1, VVC ou JPEG AI, à qualité visuelle équivalente. Sur un iPhone 17 Pro Max, il code une photo 12 MP en 230 ms et la décode en 150 ms. Bien que moins efficace sur les images synthétiques (dessins, schémas), PICO marque un tournant en priorisant systématiquement la perception humaine, ouvrant la voie à une compression plus intelligente et intégrée dans nos appareils.

marsbit05/30 02:51

Apple réinvente la compression d'images avec l'IA : La même qualité pour des fichiers trois fois plus petits

marsbit05/30 02:51

活动图片

Catégories populairesright-arrow

Tags tendancesright-arrow

Politiques réglementairesright-arrow