Baisse du CORE (CORE)

En 2012, AlexNet a révolutionné l'apprentissage profond en introduisant l'entraînement de bout en bout, où le modèle apprend une tâche complète en une seule fois, surpassant les approches par étapes conçues par l'homme. Cependant, les modèles génératifs actuels, comme les modèles autorégressifs ou de diffusion, font exception : ils sont entraînés à prédire une seule petite étape, puis doivent dérouler cette étape des centaines de fois lors de l'inférence. Cet écart entre l'entraînement et l'inférence entraîne un biais d'exposition (exposure bias), où les erreurs s'accumulent. Un récent article de l'Université de l'Illinois et de Harvard propose un nouveau paradigme, appelé Modélisation Exploratoire (Explorative Modeling, ou XM), pour résoudre ce problème. L'idée centrale est simple : au lieu de générer un seul échantillon par étape d'entraînement, le modèle en génère K, puis ne garde que le plus proche des données réelles pour calculer la perte et mettre à jour les paramètres. Cette boucle d'exploration, implémentée en quelques lignes de code, permet au modèle de capturer plusieurs modes de la distribution de données, évitant ainsi le flou modal (mode blurring) où le modèle converge vers une moyenne peu réaliste. Les auteurs démontrent que cette "expressivité générative" agit comme un troisième axe d'optimisation, indépendant de la taille du modèle ou des données. Les résultats montrent des gains croissants avec l'échelle : l'exploration améliore l'efficacité des FLOPs d'un facteur 4,1, l'efficacité des échantillons de 6,2 et l'efficacité des paramètres de 47%. Sur ImageNet, XM atteint un FID de 1,43 sans guidage. Appliqué de bout en bout, XM permet une inférence en une seule passe, rivalisant avec des modèles de diffusion nécessitant des centaines d'étapes, notamment dans des tâches de contrôle robotique. Bien que le concept de sélection du meilleur parmi K (best-of-K) ne soit pas nouveau, cette formalisation clarifie son rôle pour amplifier l'expressivité générative. Alors que les modèles continuent de grandir, cette troisième "molette" pourrait devenir déterminante.

Le partenaire de Goldman Sachs, John Flood, estime que les bénéfices solides des entreprises constituent le principal soutien du marché haussier américain. Selon les données de Goldman, le taux de croissance annuel du bénéfice par action (EPS) du S&P 500 pour le deuxième trimestre a atteint 45%, dépassant largement les attentes initiales de 22%. Même après exclusion des revenus non récurrents, la croissance reste robuste à 26%, la plus rapide depuis 2021. L'amélioration des bénéfices est large, la médiane des sociétés du S&P 500 affichant une croissance de 12%. Les analystes ont commencé à réviser à la hausse les prévisions de bénéfices pour 2027, en particulier dans les secteurs de l'énergie et de la finance. Les positions sur le marché se sont assainies, l'indicateur de sentiment et de position de Goldman Sachs ayant reculé. Le désendettement des hedge funds est significatif et l'effet de levier des investisseurs de détail commence à se refroidir. Cet environnement de positions "plus propres" crée des conditions favorables à une nouvelle hausse. D'un point de vue valorisation, les actions américaines apparaissent relativement "bon marché" par rapport aux autres grands marchés. John Flood souligne également que les bénéfices majeurs du super cycle de l'IA ne sont pas encore pleinement matérialisés. Cependant, Goldman Sachs note un risque saisonnier : depuis 1974, la médiane des rendements du S&P 500 entre début août et le jour des élections de mi-mandat est de 0% lors des années électorales. Ainsi, bien que les fondamentaux des bénéfices restent solides, le moment précis pour atteindre de nouveaux sommets historiques d'ici la fin de l'année demeure incertain. La conclusion est que la perspective de bénéfices soutient fermement les arguments haussiers, mais sa durabilité reste la variable clé.

OpenAI a publié un manuscrit de 62 pages intitulé « How the Ideas Came Together », rédigé de manière autonome par son modèle d'IA Astra, considéré comme sa prochaine génération principale. Ce document détaille comment l'IA a résolu dix problèmes mathématiques majeurs, de niveau « prix Fields », pour un coût estimé à seulement 2000 dollars en calculs. Parmi ces percées, deux sont particulièrement mises en avant. La première concerne l'empilement de sphères en haute dimension, un problème stagnant depuis 46 ans. L'IA a amélioré la borne supérieure de densité en passant de 0.5991 à 0.6044…, grâce à un changement de perspective utilisant la transformée de Mellin et la mesure harmonique. La deuxième avancée majeure est la construction explicite d'un « groupe non sofique », une question ouverte depuis 27 ans formulée par Mikhail Gromov. La difficulté centrale, dite du « désaccord crucial », était de passer d'une famille de graphes d'expansion à un seul graphe. La solution a consisté à définir une fonction de médiane pondérée pour contrôler et égaliser la taille des composantes. Ces résultats, couvrant également des domaines comme la théorie des groupes, les circuits arithmétiques et la théorie des graphes extrémale, ont été entièrement formalisés en Lean 4. Pour les chercheurs, la rapidité de cette évolution – de modèles peinant sur des problèmes scolaires il y a quelques années à la résolution de conjectures historiques aujourd'hui – évoque un moment charnière, semblable à une « veille de la singularité ».

L'indicateur Bull & Bear de Bank of America est monté à 9.7, son plus haut depuis 2021, signalant un extrême d'optimisme et approchant un signal de vente. La semaine dernière, les flux ont été importants : 529 milliards de dollars vers le cash, 329 milliards vers les actions et 231 milliards vers les obligations. La banque identifie une contradiction centrale sur le marché : l'intention des autorités de soutenir les conditions financières (comme l'a montré une intervention concertée sur les devises) contraste avec les risques politiques et les signaux de surchauffe. Les flux sont divergents. Si les entrées dans les actions et les obligations restent fortes, les secteurs technologiques et semi-conducteurs ont enregistré leurs premières sorties hebdomadaires depuis six semaines. Face à cette situation, la stratégie recommandée par Bank of America est un "repli ou une rotation" estival : se retirer des actifs risqués ou se tourner vers des secteurs défensifs (consommation de base), des actifs de duration (REITs, petites capitalisations) et le dollar américain. Le rapport souligne que l'élection de mi-mandat aux États-Unis constitue la plus grande variable macroéconomique du second semestre, pouvant remodeler le récit de marché. Parallèlement, l'écart de crédit (credit spread) des hyperscalers de l'IA continue de s'élargir, nécessitant une vigilance. Bien que le filet de sécurité de la liquidité limite les baisses, l'indicateur Bull & Bear à 9.7 suggère que le potentiel de hausse est largement intégré dans les prix. Les prochaines données sur l'emploi seront cruciales pour anticiper la tonalité de la politique monétaire de la Fed.

La communauté mathématique a été bouleversée par la résolution d'une conjecture vieille de 22 ans, le problème de Crouzeix, par le Dr Shanmu Jin, un neurochirurgien stagiaire de l'hôpital de l'Union de Pékin, sans formation mathématique formelle. À l'aide de ChatGPT 5.6 et d'une ingénierie de prompt sophistiquée, le médecin a conçu un environnement où l'IA a fonctionné de manière autonome pendant environ 16 heures, produisant une preuve originale et élégante. La stratégie de l'IA a contourné les approches complexes traditionnelles en simplifiant le problème à une condition de positivité, une solution qualifiée de « révolutionnaire » par les experts. La preuve a été rapidement validée par des mathématiciens de renom, dont Michel Crouzeix lui-même, l'auteur de la conjecture. Huit jours plus tard, une seconde preuve indépendante, également développée avec l'aide de l'IA, a été publiée par d'autres chercheurs, confirmant la résolution du problème. Cet événement marque un tournant, démontrant le potentiel de l'IA comme accélérateur de découverte scientifique et brouillant les frontières entre les disciplines. L'approche et les ressources ont été intégralement partagées en open source.