Gravity(G) Investissement programmé

L'échange décentralisé Hyperliquid connaît une adoption croissante de ses actifs non-cryptographiques (HIP-3) comme le pétrole, l'or et l'argent. Les données révèlent une base d'utilisateurs très fidèle, avec un taux de rétention de 64% pour le HIP-3 contre seulement 27% pour les actifs cryptos. Cette préférence s'explique par la volatilité extrême et les risques de manipulation des cryptomonnaies. Le HIP-3 a représenté 33% du volume total de trading sur Hyperliquid la semaine dernière, soit 15,1 milliards de dollars, se classant juste derrière le Bitcoin. Depuis le début de l'année, sa dominance est passée de 5% à plus de 30%. Selon Arthur Hayes, fondateur de BitMEX, le HIP-3 génère près de 10% des frais totaux de la plateforme. La valorisation du jeton HYPE a bénéficié de cette dynamique, enregistrant une hausse de 57% durant la crise en Iran. Pour qu'une poursuite de la hausse vers 50 dollars soit envisageable, une analyste de Coinbase estime que le prix doit d'abord franchir les résistances clés à 42 et 46 dollars.

Le prix de location des GPU, en particulier le contrat d'un an pour le H100, a augmenté de près de 40 % entre octobre 2025 et mars 2026, atteignant 2,35 $ par GPU/heure. Cette hausse est principalement due à une demande explosive et structurellement inélastique provenant de l'IA générative, des systèmes multi-agents, et des outils de codage IA comme Claude Code, dont l'utilisation a connu une croissance exponentielle. L'offre, quant à elle, est extrêmement tendue : les réservations à long terme sont verrouillées jusqu'en 2026, et même les clusters Blackwell (B200, GB300) sont presque entièrement réservés avant même leur déploiement. Le marché a basculé d'un environnement compétitif à un marché de vendeurs, où les fournisseurs de cloud (Neoclouds et hyperscalers) imposent des contrats plus longs, des paiements anticipés et des prix plus élevés. La flambée des coûts des composants (DRAM, NAND) a également contribué à la hausse des prix des serveurs, retardant certains projets et exacerbant la pénurie. Alors que le retour sur investissement de l'IA est estimé entre 5 et 10 fois son coût, la demande reste forte malgré la hausse des prix. Les observateurs s'attendent à une poursuite de la tension sur les prix, portée par la rareté des puces, le rythme des déploiements et la croissance continue de la consommation de tokens.

**Résumé : Le dilemme des relais AI : économies contre risques de sécurité** Les plateformes de relais AI, qui offrent un accès unifié et moins cher aux modèles comme GPT et Claude, gagnent en popularité. Leur attrait principal réside dans des coûts bien inférieurs aux API officielles et la simplification de l'accès à plusieurs modèles, notamment pour les outils de développement comme Cursor. Cependant, ce prix attractif masque des risques majeurs. En utilisant un relai, les utilisateurs confient souvent sans le savoir leurs prompts, codes, documents commerciaux, logs d'appels et même le contexte complet de leurs projets à un tiers non vérifié. L'article conseille de d'abord évaluer son réel besoin. Pour une utilisation légère, les quotas gratuits des plateformes officielles suffisent souvent. Pour un usage plus intense (développement, automatisation), une approche en deux couches est recommandée : utiliser des modèles performants pour la conception et l'analyse, et des modèles locaux ou nationaux moins chers pour les tâches de routine. Si l'utilisation d'un relai est nécessaire, une procédure stricte est essentielle : 1. **Tester avant d'acheter** : Vérifier l'authenticité des modèles, la stabilité et la qualité de la documentation. 2. **Isoler les configurations** : Utiliser des clés API uniques par service et les gérer via des variables d'environnement. Définir des limites d'utilisation. 3. **Classer les données** : Ne jamais envoyer d'informations sensibles (clés privées, codes confidentiels, données clients). Anonymiser les données semi-sensibles. 4. **Être prudent avec les outils de programmation AI** : Ils peuvent exposer bien plus que le prompt (fichiers, structure du projet). Réserver les relais aux projets non sensibles. 5. **Surveiller et préparer la sortie** : Contrôler régulièrement la consommation, suivre l'état du service et maintenir la possibilité de migrer vers un autre fournisseur. En somme, les relais AI sont un outil pratique, mais leur utilisation doit être précédée d'une évaluation critique des risques. La priorité doit toujours être de garder le contrôle sur ses données et ses coûts.

Le prix du Solana (SOL) est tombé sous les 65$ pour la première fois depuis fin 2023, atteignant environ 60$ le 5 juin. La pression baissière générale du marché des cryptomonnaies pousse les analystes à anticiper une poursuite de la tendance à la baisse dans les prochaines semaines. Selon une analyse on-chain de l'analyste Ali Martinez, basée sur la métrique URPD, le niveau de support critique immédiat pour le SOL se situe désormais autour de 53$. Ce niveau est identifié comme la prochaine zone importante où de nombreux investisseurs ont leur coût de base, ce qui pourrait susciter des achats. Le support précédent autour de 77$ a été perdu. Si le prix venait à franchir le support des 53$, les prochains niveaux clés à surveiller seraient environ 35$ et 24$, bien qu'une telle chute nécessiterait une capitulation de marché sévère. À l'heure actuelle, le SOL s'échange autour de 63,23$, en baisse de près de 8% sur 24 heures. Tout rebond dépendra d'un retour de la demande sur le marché au comptant.

Le papier intitulé "Verbalized Sampling" (VS), accepté à ICML 2026, suscite un vif débat. Sa proposition centrale est simple : en modifiant simplement l'invite (prompt) pour demander à un LLM de générer des réponses tout en verbalisant leurs probabilités estimées, on peut significativement augmenter la diversité des sorties et atténuer l'effondrement des modes (mode collapse), un problème récurrent où les modèles produisent des réponses trop conventionnelles. Les auteurs attribuent la racine du problème non pas aux algorithmes d'alignement, mais à un "biais de typicalité" dans les données de préférence humaines utilisées pour l'entraînement, qui favorisent les réponses familières. Leur méthode, testée sur plusieurs modèles et ensembles de données, multiplierait la diversité par 1,6 à 2,1 dans des tâches créatives sans nuire à l'exactitude ou à la sécurité. Sur Reddit, les réactions sont partagées. Les critiques soulignent que l'idée semble triviale, manque de robustesse théorique par rapport à une nouvelle méthode algorithmique, et pourrait relever de la suroptimisation expérimentale. Les défenseurs rétorquent que la recherche valable ne se juge pas à sa complexité, mais à sa rigueur, sa reproductibilité et l'importance de son insight – ici, identifier la cause profonde du problème. Ils comparent cela à l'émergence du "Chain-of-Thought" (CoT), une simple invite devenue un champ de recherche fondamental. Le débat reflète une évolution potentielle de la discipline, où l'ingénierie des prompts et l'optimisation de l'inférence gagnent en légitimité face aux approches traditionnelles centrées sur l'entraînement des modèles.