# Recherche Articles associés

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

Renvoyée par Google pour un article de 14 pages, elle a reçu le soutien de plus de 4000 personnes. Six ans plus tard : ses prédictions ont presque annoncé toute l'ère de l'IA.

À la fin de 2020, la chercheuse en éthique de l'IA Timnit Gebru, co-responsable de l'équipe Ethical AI de Google, a été licenciée suite à un conflit concernant un article académique intitulé "On the Dangers of Stochastic Parrots". Cet article de 14 pages, co-écrit en 2020, a averti des risques majeurs associés aux grands modèles de langage, bien avant l'essor de l'IA générative. Ses mises en garde se sont depuis avérées prophétiques. L'article soutenait que ces modèles, comme des "perroquets stochastiques", reproduisent des schémas linguistiques sans compréhension réelle, risquant d'amplifier les biais sociaux présents dans les données d'entraînement et de générer des informations fausses mais plausibles (un problème maintenant connu sous le nom d'"hallucinations" de l'IA). Il prévoyait également l'énorme coût environnemental de l'entraînement, l'impossibilité d'auditer complètement les vastes ensembles de données, et le risque de concentration du pouvoir linguistique et culturel entre les mains de quelques géants technologiques. Le refus de Gebru de retirer l'article ou d'en retirer son nom a conduit à son départ forcé, suscitant le soutien de plus de 4000 employés et chercheurs. Peu après, l'équipe Ethical AI de Google a été largement démantelée. Gebru a ensuite fondé le Distributed AI Research Institute (DAIR) pour étudier ces questions en dehors des pressions commerciales. Six ans plus tard, les problèmes qu'elle avait identifiés – biais algorithmiques, hallucinations, impact carbone, pollution des données par le contenu IA généré et "effondrement des modèles" – sont au cœur des défis actuels de l'industrie. L'histoire a montré que Timnit Gebru n'était pas trop pessimiste, mais qu'elle avait simplement vu ces problèmes bien avant les autres.

marsbit06/08 10:34

Renvoyée par Google pour un article de 14 pages, elle a reçu le soutien de plus de 4000 personnes. Six ans plus tard : ses prédictions ont presque annoncé toute l'ère de l'IA.

marsbit06/08 10:34

Anthropic met en garde le monde, OpenAI a franchi le "seuil de fiabilité" : l'auto-accélération de l'IA est lancée

Anthropic émet un avertissement mondial sur les risques de l'IA, tandis qu'OpenAI affirme avoir franchi un seuil critique de fiabilité, déclenchant une auto-accélération du développement de l'IA. Selon Anthropic, les progrès vers une auto-amélioration récursive de l'IA sont plus rapides que prévu, conduisant à un appel à un ralentissement des recherches. De son côté, Yann Dubois d'OpenAI révèle que la croissance des capacités de l'IA est linéaire, mais que son utilité perçue fait un bond discret une fois le "seuil de fiabilité" franchi, ce qu'OpenAI aurait atteint vers décembre dernier. Dès lors, l'IA devient un outil de travail fiable et commence à s'auto-accélérer en aidant notamment à la recherche et au développement. Dubois compare la construction de l'IA à un "artisanat" ou une "alchimie" plus qu'à une science pure. Il souligne également le potentiel des systèmes de "Harness" (systèmes d'orchestration) dans des domaines verticaux, affirmant qu'ils pourraient déjà donner un avant-goût d'AGI (Intelligence Générale Artificielle) en comblant le dernier kilomètre : l'intégration, l'accès aux données et la connexion aux workflows métier. Le vrai défi réside désormais dans l'apprentissage continu pour que l'IA puisse s'améliorer avec l'expérience, au lieu de stagner après son déploiement initial.

marsbit06/06 23:29

Anthropic met en garde le monde, OpenAI a franchi le "seuil de fiabilité" : l'auto-accélération de l'IA est lancée

marsbit06/06 23:29

Claude Code lance des workflows dynamiques : faire en sorte que l'IA apprenne à travailler en équipe

Claude Code introduit des flux de travail dynamiques, permettant à l'IA de créer des cadres d'exécution sur mesure pour des tâches complexes. Ces workflows coordonnent plusieurs agents Claude indépendants, chacun avec son propre contexte, pour décomposer les missions, traiter en parallèle, valider de manière antagoniste et synthétiser les résultats. Cette approche vise à résoudre des problèmes courants des modèles linguistiques sur de longues tâches : la paresse agentique (arrêt prématuré), le biais d'auto-préférence (favoriser ses propres conclusions) et la dérive d'objectifs. Les flux de travail dynamiques s'appliquent au-delà du code, pour la recherche approfondie, la vérification des faits, le tri de CV, l'enquête sur les causes profondes, le brainstorming de noms ou l'examen de plans d'affaires. L'article présente des modèles pratiques comme la classification et l'exécution, l'éventail et la synthèse, la validation antagoniste, les tournois et les boucles jusqu'à l'achèvement. Il souligne que les workflows, bien que consommant généralement plus de jetons, ne sont pas une solution universelle mais représentent une direction importante : la future concurrence des outils d'IA pourrait reposer sur leur capacité à orchestrer des processus d'exécution fiables et réutilisables pour des objectifs complexes.

marsbit06/04 02:21

Claude Code lance des workflows dynamiques : faire en sorte que l'IA apprenne à travailler en équipe

marsbit06/04 02:21

De l'IDE au terminal : Un manuel pratique d'ingénierie d'agents

En mars 2026, Matt Van Horn a publié un article intitulé "Chaque astuce Claude Code que je connais", déclenchant un débat sur son approche "No IDE". Il développe entièrement dans le terminal et un fichier plan.md, déléguant l'exécution à des agents d'IA. Cette méthode, popularisée par meng shao sous le nom de "Conseils pratiques pour l'ingénierie d'agents", repose sur un cycle "Research → Plan → Work". L'idée centrale est de remplacer l'IDE, qui offre un retour visuel immédiat (surlignage, débogage), par un flux de travail basé sur des commandes et un plan. Le fichier plan.md sert de "contrat" avec l'agent, définissant le problème, la solution et une checklist pour guider l'exécution et éviter la "dégradation du contexte" des LLM. Des outils comme Compound Engineering (avec /ce:plan) aident à générer et affiner ce plan. Le cycle en trois phases est crucial : 1. **Research** : L'agent collecte des informations (ex: avec last30days-skill). 2. **Plan** : Génération et révision humaine du plan pour corriger les hypothèses et ajouter des connaissances métier. 3. **Work** : L'agent exécute le plan en parallèle (/ce:work). Des astuces pratiques incluent : générer un plan dès qu'une idée émerge ; faire résumer le plan par l'agent ; utiliser plusieurs terminaux en parallèle ; saisir par voix les instructions complexes ; déclencher des tâches par email (agentmail) ; et utiliser des compétences préexistantes (AgentSkills). Cependant, cette approche présente des risques. Elle nécessite une forte capacité à décomposer les problèmes et à rédiger des instructions précises. Les erreurs non détectées en phase de planification peuvent être amplifiées. Enfin, il existe un risque de "psychose IA", où l'optimisation du flux de travail devient une fin en soi, éclipsant l'objectif initial. Ce flux de travail est un amplificateur d'efficacité pour les développeurs expérimentés sachant exactement ce qu'ils veulent, et non un outil d'apprentissage pour les débutants qui ont encore besoin des retours visuels de l'IDE. Les outils (Claude Code CLI, Compound Engineering) évoluent rapidement, offrant une fenêtre d'expérimentation aux pionniers.

marsbit06/03 07:03

De l'IDE au terminal : Un manuel pratique d'ingénierie d'agents

marsbit06/03 07:03

Alibaba « met en rayon », ByteDance « s’entraîne »

Durant la dernière semaine de mai, deux événements consécutifs dans l'industrie de l'IA ont révélé les stratégies divergentes des géants chinois Alibaba et ByteDance. Alibaba adopte une approche d'application immédiate et de monétisation. Son modèle Qwen est intégré à Taobao pour des fonctionnalités comme l'essayage virtuel et la comparaison de prix, visant à transformer l'expérience d'achat. L'entreprise se positionne comme l'infrastructure ("eau, électricité, gaz") et la "caisse enregistreuse" de l'ère IA, avec ses services cloud alimentant de nombreux modèles locaux. Cette stratégie, soutenue par des réorganisations internes et l'initiative "AI Credit", génère déjà des revenus, comme en témoigne la croissance de 40% des revenus cloud externes. Cependant, elle suppose que les capacités des modèles de base n'évolueront pas assez vite pour rendre ses applications obsolètes. ByteDance, via son département Seed, privilégie la recherche fondamentale à long terme. Son objectif est "d'explorer les limites de l'intelligence". Son modèle de génération vidéo Seedance 2.0, salué comme le plus performant au monde, et des publications académiques ambitieuses sur les "modèles du monde" illustrent cette voie. La société, qui n'est pas cotée en bourse, peut se permettre d'engager des dépenses d'investissement massives (jusqu'à 470 milliards de yuans en 2026 selon des rapports) et d'accorder à ses chercheurs le temps de publier sans pression commerciale immédiate. Mais cette approche "laboratoire Nobel" commence à être questionnée par des signes de commercialisation sur des produits comme Doubao. L'article suggère que cette divergence stratégique tient moins à une philosophie qu'à un statut : Alibaba, société cotée, est soumis à la pression des marchés pour montrer des retours rapides, tandis que ByteDance, privée, peut investir sur le très long terme. Le jour où ByteDance envisagera une introduction en bourse, la pérennité de sa stratégie de recherche pure sera véritablement mise à l'épreuve.

marsbit06/01 00:12

Alibaba « met en rayon », ByteDance « s’entraîne »

marsbit06/01 00:12

La biologie bouleversée : le nouveau modèle open-source de Zuckerberg détrône complètement l'AlphaFold de Google

La couronne d'AlphaFold vacille. Le Biohub de Meta a lancé une base de données ouverte, l'Atlas ESM, contenant **1,1 milliard de structures protéiques prédites**, dépassant de 800 millions celle d'AlphaFold. Le modèle AI sous-jacent, **ESMFold2**, surpasse les performances d'AlphaFold3, notamment pour les interactions protéiques, selon son équipe. Surtout, il est **entièrement open source et libre d'utilisation commerciale**, une stratégie contrastant avec les restrictions de certains modèles concurrents comme AlphaFold3. ESMFold2 utilise une approche de "langage protéique", traitant les séquences comme un texte, et a été entraîné sur des milliards de données, incluant des protéines microbiennes environnementales peu couvertes auparavant. L'équipe a également conçu et validé en laboratoire de nouvelles protéines avec succès. La communauté scientifique accueille cette ressource comme potentiellement "extraordinaire", tout en soulignant la nécessité de validation indépendante et en questionnant les performances sur des structures radicalement nouvelles. Certains experts voient l'Atlas ESM comme un complément à la base AlphaFold, notant que la compétition dans le domaine des AI pour les protéines s'intensifie rapidement. Cette avancée marque une étape vers une compréhension plus complète du "code source" de la vie par l'IA, en démocratisant l'accès à des prédictions structurelles à une échelle sans précédent.

marsbit05/29 12:37

La biologie bouleversée : le nouveau modèle open-source de Zuckerberg détrône complètement l'AlphaFold de Google

marsbit05/29 12:37

Décryptage de l'algorithme du chercheur mystérieux Serenity et réévaluation des actifs mondiaux

Comment Serenity, un analyste anonyme, a-t-il généré un rendement de 22 500 % en deux ans ? Sa méthode clé : la « Chokepoint Theory ». Au lieu d'une approche descendante classique, il pratique un « reverse engineering » de la chaîne d'approvisionnement de l'IA pour identifier les points de blocage physique critiques et quasi irremplaçables. Il se concentre sur des composants méconnus mais essentiels, comme les éléments de la photonique sur silicium et de l'optique intégrée (CPO) pour les centres de données. Il identifie cinq goulots d'étranglement physiques : l'alignement de précision (ex: FOCI), les lasers (ex: Sivers Semiconductors), les équipements de fabrication (ex: Riber), les matières premières de haute pureté (ex: NCI) et les substrats SOI (Soitec). Son approche s'étend également à la robotique humanoïde, soulignant la dépendance occidentale aux composants hardware asiatiques et l'impact potentiellement dévastateur sur l'approvisionnement en terres rares (néodyme, dysprosium). Il a démontré l'efficacité de sa méthode avec des titres comme Raspberry Pi ($RPI), Sivers ($SIVE), ou Soitec, provoquant des réévaluations fulgurantes. Serenity combine une analyse technique profonde, des tests contradictoires avec l'IA et une exploitation des angles morts de la recherche institutionnelle pour réaliser des arbitrages informationnels. Cependant, cette stratégie présente des risques majeurs : faible liquidité des micro-capitalisations, dépendance à une seule voie technologique et accusations potentielles de manipulation de marché. Au final, sa principale leçon est méthodologique : rechercher les « interrupteurs physiques » silencieux et indispensables au sein des systèmes technologiques complexes, offrant ainsi un angle d'analyse distinct pour anticiper les réévaluations d'actifs.

marsbit05/28 07:35

Décryptage de l'algorithme du chercheur mystérieux Serenity et réévaluation des actifs mondiaux

marsbit05/28 07:35

L'ancien élève de Tsinghua, Wang Guan, né dans les années 2000, présente une nouvelle création : Un modèle de pré-entraînement Transformer révolutionné avec 1/900 des tokens et 1/432 de la puissance de calcul

Des chercheurs dirigés par Wang Guan, alumni de Tsinghua, ont proposé HRM-Text, un modèle de pré-entraînement de langage efficace reposant sur un modèle récurrent hiérarchique (HRM) qui remplace le Transformer standard. Leur approche utilise une architecture à double échelle temporelle (modules lent H et rapide L) permettant des mises à jour récursives multiples par token, augmentant ainsi la profondeur de calcul sans ajouter de paramètres. L'objectif d'entraînement est également revu : au lieu d'un pré-entraînement autorégressif standard, le modèle est entraîné directement sur des paires instruction-réponse, avec une perte calculée uniquement sur la réponse et un masque PrefixLM. Les résultats sont remarquables en termes d'efficacité. Avec seulement 1 milliard de paramètres et 40 milliards de tokens uniques, pour un coût estimé à environ 1500 dollars, HRM-Text atteint des performances comparables à des modèles open source de 2B à 7B paramètres sur des benchmarks comme MMLU (60,7%), ARC-C (81,9%) et GSM8K (84,5%). Cela représente une réduction d'un facteur allant jusqu'à 900x des tokens d'entraînement et 432x de l'estimation de calcul par rapport aux modèles de référence. Les expériences montrent que HRM-Text surpasse des Transformers de taille similaire dans des conditions de FLOPs alignées, que l'objectif "tâche à accomplir" et le masque PrefixLM améliorent les performances, et que la structure récursive confère une profondeur effective plus importante. Les limites actuelles incluent la couverture des connaissances factuelles, liée à la taille réduite des données, le besoin potentiel d'un temps de calcul adaptatif pour réduire les coûts d'inférence, et des questions d'ingénierie pour le déploiement de PrefixLM. Les travaux futurs exploreront le découplage connaissance/raisonnement et la validation à plus grande échelle.

marsbit05/26 03:20

L'ancien élève de Tsinghua, Wang Guan, né dans les années 2000, présente une nouvelle création : Un modèle de pré-entraînement Transformer révolutionné avec 1/900 des tokens et 1/432 de la puissance de calcul

marsbit05/26 03:20

Google frappe fort contre "l'empoisonnement de l'IA"

Le géant de la recherche Google prend des mesures fermes contre l'empoisonnement des IA génératives. Ce phénomène, appelé GEO (Optimisation pour les Moteurs Génératifs), consiste à manipuler subtilement le contenu en ligne pour qu'il soit cité et recommandé par les IA dans leurs réponses, comme celles d'AI Overview de Google. Contrairement au SEO traditionnel qui vise un meilleur classement dans les pages de résultats, le GEO cherche à influencer directement les réponses générées par l'IA, rendant les recommandations commerciales moins identifiables comme telles. Cette pratique exploite une faiblesse des modèles de langage : ils tendent à interpréter la répétition d'une information sur divers sites (blogs, forums, articles) comme un consensus factuel. Des marques pourraient ainsi orchestrer des campagnes de contenu pour être systématiquement recommandées par l'IA lorsque les utilisateurs posent des questions spécifiques (ex: "quel complément pour réduire le cortisol ?"). Conscient du risque pour la crédibilité de son moteur de recherche, pilier de son empire publicitaire, Google a actualisé début mai sa politique contre les contenus indésirables. Elle étend désormais explicitement ses règles aux tentatives de manipulation des réponses d'IA. Les contrevenants s'exposent à une perte de classement, voire à une suppression des résultats. Si Google dispose d'une longue expérience dans la lutte contre les abus SEO, le GEO présente des défis nouveaux, particulièrement dans la zone grise des contenus sponsorisés habilement déguisés (tests, rapports, recommandations d'influenceurs). Alors que Microsoft adopte une approche plus ouverte en intégrant le GEO dans ses guides pour les annonceurs, Google mise sur une régulation préventive pour préserver la confiance des utilisants envers ses réponses automatisées.

marsbit05/25 10:12

Google frappe fort contre "l'empoisonnement de l'IA"

marsbit05/25 10:12

Vitalik Buterin défend sa vision à long terme face aux inquiétudes sur le prix du token

Vitalik Buterin, co-fondateur d'Ethereum, a répondu aux préoccupations concernant le rôle de la Fondation Ethereum, soulignant que son objectif principal n'est pas la valorisation du token ETH mais la poursuite de sa vision à long terme. Il a affirmé que la Fondation resterait concentrée sur ses objectifs fondamentaux : décentralisation du protocole, sécurité informatique, recherche et résistance à la censure, plutôt que de concurrencer les blockchains à haut débit. Ces déclarations interviennent alors que le prix de l'ETH avoisine les 2 094 $, en baisse de plus de 50% par rapport à son record d'août 2025, et après des départs notables de la Fondation et des ventes d'ETH par d'importants investisseurs. Buterin a comparé les réserves de tokens, notant que la Fondation Ethereum ne détient qu'environ 0,16% de l'offre totale d'ETH, un pourcentage bien inférieur à celui d'autres fondations. Face aux critiques, notamment concernant l'impact de la mise à jour Dencun sur les revenus du réseau, Buterin a insisté sur la priorité accordée à la "longévité". Il a précisé que la Fondation utiliserait ses ressources pour soutenir la recherche, ce qui devrait réduire les ventes futures d'ETH. Bien que la Fondation ait retiré 21 270 ETH d'un protocole de staking en mai, cela ne signifie pas nécessairement qu'ils seront vendus.

TheNewsCrypto05/24 21:44

Vitalik Buterin défend sa vision à long terme face aux inquiétudes sur le prix du token

TheNewsCrypto05/24 21:44

活动图片