Le Miroir Francais

Étiquette : intelligence artificielle

L’intelligence artificielle apprend à prévoir la météo des semaines à l’avance

Demandez à un agriculteur quand une prévision compte vraiment, et la réponse concerne rarement demain. Demain est déjà planté, arrosé et organisé. Les décisions qui coûtent de l’argent ou sauvent une récolte se situent plus loin : la pluie arrivera-t-elle en troisième semaine, un gel tombera-t-il en quatrième semaine, une période sèche durera-t-elle assez pour changer un plan de semis ? Cette fenêtre de deux à six semaines, que les scientifiques appellent la plage subsaisonnière, a longtemps été le tronçon le plus difficile de la prévision météo. Une étude publiée dans Nature le 14 octobre 2026 indique que l’apprentissage automatique peut désormais rendre cette fenêtre beaucoup plus utile.

L’article, intitulé en anglais Advancing subseasonal forecasting with machine learning, vient d’une équipe de 13 auteurs dirigée par des chercheurs liés à Microsoft Research, avec des collègues du MIT, de Harvard College, de l’Université de Toronto, de l’IMPA, du Janus Research Group, de Rhiza Research et du CEPMMT, le Centre européen pour les prévisions météorologiques à moyen terme. Hannah Guan et Soukayna Mouatadid ont contribué à égalité au travail, avec Judah Cohen, du MIT, et Lester Mackey, de Microsoft Research, comme auteurs correspondants. Leur méthode porte un nom simple et une idée astucieuse : la correction probabiliste des biais, ou PBC.

Le trou gênant entre deux semaines et une saison

La prévision moderne est sincèrement bonne à court terme. Les modèles dynamiques fondés sur la physique et les systèmes d’intelligence artificielle plus récents livrent des prévisions précises jusqu’à environ deux semaines, un vrai accomplissement construit sur des décennies. Ensuite, la qualité chute brutalement. Les erreurs se composent, les biais systématiques s’installent et le chaos naturel de l’atmosphère prend le dessus. Quand une prévision atteint la troisième ou la quatrième semaine, beaucoup d’utilisateurs cessent discrètement de lui faire confiance et reviennent aux moyennes historiques.

Les perspectives saisonnières prennent le relais plus loin, mais elles parlent en tendances générales, pas dans les semaines précises où un gestionnaire de réservoir libère de l’eau ou où un fournisseur d’énergie décide de la quantité d’électricité à réserver. Le trou subsaisonnière se situe exactement là où vit la planification pratique. Voilà pourquoi les chercheurs le poursuivent depuis des années, et pourquoi une méthode qui améliore la qualité sur toute cette fenêtre attire l’attention bien au-delà de la météorologie.

Un ajout, pas un remplacement

La PBC n’essaie pas de construire un meilleur modèle météo à partir de zéro. Elle s’enroule autour des modèles qui existent déjà. Le cadre apprend à partir des prévisions probabilistes historiques d’un modèle, étudie où ces prévisions avaient tendance à dériver, puis corrige les erreurs systématiques dans les nouvelles prévisions. Il travaille directement sur les distributions de probabilité plutôt que sur les observations brutes, ce qui compte parce que les prévisions subsaisonnières sont des affirmations sur des probabilités – la vraisemblance de la pluie, de la chaleur ou de certains régimes de pression – et non des certitudes sur un seul après-midi.

Parce qu’il s’agit d’une couche de post-traitement, la PBC peut se placer au-dessus de systèmes dynamiques, de systèmes d’intelligence artificielle ou d’hybrides des deux. L’équipe rapporte qu’elle a aussi amélioré les prévisions d’autres modèles, élevant dans certains cas des systèmes plus faibles à un niveau comparable à celui du CEPMMT. Le code a été publié en source ouverte sous licence MIT, et les chercheurs indiquent que l’outil peut fonctionner sur des processeurs ordinaires plutôt que sur les cartes graphiques ou les supercalculateurs que demandent les modèles météo complets. Un service météo national sans budget de supercalculateur peut donc quand même l’utiliser.

Ce que les chiffres ont montré

L’étude a concentré son évaluation sur la troisième semaine (jours 19 à 25) et la quatrième semaine (jours 26 à 32). Face à la prévision dynamique opérationnelle du CEPMMT, déjà corrigée de ses biais, les auteurs rapportent que la PBC a amélioré la qualité des prévisions dans 98 pour cent des cellules de grille évaluées pour les précipitations, 92 pour cent pour les températures et 91 pour cent pour la pression moyenne au niveau de la mer. Ce sont des mesures sur une grille mondiale, pas des promesses pour une ville précise, mais l’ampleur est le point important : les gains sont apparus presque partout où l’équipe a regardé, sur les trois variables que les planificateurs surveillent le plus.

L’article rapporte aussi que la PBC a doublé la faible qualité subsaisonnière du propre système de prévision par intelligence artificielle du CEPMMT. Dans un test compétitif distinct, un système fondé sur la PBC, nommé MicroDuet, s’est classé premier pour chaque variable et chaque délai évalués lors de la première saison, de septembre à novembre 2025, de l’AI Weather Quest, la compétition de prévision en temps réel du CEPMMT. Une première place sur une variable peut être de la chance. Une première place sur toutes suggère que la correction trouve quelque chose de réel.

Même lu avec la prudence d’un scientifique, la direction est difficile à manquer. Une faiblesse persistante de la prévision a répondu à une idée relativement simple : apprendre à un système les habitudes des erreurs d’un modèle, puis les soustraire. Cette attention aux phénomènes lents et mesurables rejoint d’autres observations suivies par notre rédaction, comme ce littoral suédois qui émerge de la mer centimètre après centimètre, où seule la mesure patiente révèle le mouvement.

Pourquoi les semaines à l’avance concentrent la valeur

Pensez à l’énergie. Un opérateur de réseau averti d’une tempête de glace à deux jours peut réagir, mais de justesse : les équipes, le matériel et l’aide mutuelle prennent du temps à se déplacer. Le même avertissement à deux semaines devient un plan au lieu d’une course. Judah Cohen a fait exactement ce point en décrivant ses conversations avec des responsables de l’énergie, et il se généralise. Les gestionnaires de l’eau qui décident des lâchers, les organisateurs d’événements qui pèsent une date en plein air, les agriculteurs qui règlent la fertilisation autour d’une pluie attendue : tous travaillent en semaines, pas en heures.

L’agriculture pourrait ressentir le bénéfice en premier. Connaître les probabilités de pluie en troisième semaine façonne le moment de fertiliser, afin que les nutriments pénètrent le sol au lieu de s’en échapper. Un indice crédible d’un gel à venir permet aux cultivateurs de protéger une récolte d’hiver. Des signaux de sécheresse arrivant des semaines plus tôt donnent aux éleveurs le temps de s’ajuster tant que l’ajustement reste peu coûteux. Rien de tout cela ne demande une prévision parfaite, seulement une meilleure prévision, livrée assez tôt pour agir.

Un test réel est déjà en cours. Rhiza Research travaille en partenariat avec le service météorologique du Kenya, avec un financement de la Fondation Gates, pour essayer des outils d’intelligence artificielle, dont la PBC, pendant la saison des pluies 2026. Pour les agriculteurs kényans, une lecture plus nette des pluies des semaines à l’avance n’est pas une mesure académique. C’est la différence entre planter avec confiance et planter sur un espoir.

Un schéma à surveiller

Les prévisions ne seront jamais parfaites à six semaines. L’atmosphère s’en chargera. Mais la perfection n’a jamais été la barre. La barre est une prévision autour de laquelle un agriculteur, un gestionnaire de l’eau ou un opérateur de réseau peut planifier sans sourciller, et, d’après les preuves publiées cette semaine dans Nature, cette barre vient de se rapprocher beaucoup.

À lire aussi sur Le Miroir Français : les vingt ans de la fondation d’Albert II à Monte-Carlo, au service de la planète, un autre récit récent qui prolonge, à sa manière, le plaisir de cette lecture.

octobre 17, 2026
Claude écrit désormais la plus grande partie de son propre code

Voici une phrase qui aurait ressemblé à un coup de publicité il y a quelques années. Selon Anthropic, Claude écrit désormais environ 90 pour cent du code de Claude Code, l’outil de programmation de l’entreprise. Ce chiffre vient d’un récit publié le 16 octobre 2026 par des membres de l’équipe Claude Code – Osmani, Lunt et Wang – qui décrivent leur manière de construire le produit au quotidien. Simon Willison a signalé ce texte le même jour. L’outil, en grande partie, se construit lui-même.

Le chiffre de tête attire l’attention. Le changement plus discret en dessous compte davantage. La relecture du code, explique l’équipe, ne se situe plus à la fin du processus, comme un professeur qui corrige des copies après le cours. Elle se déroule en continu, pendant que le code s’écrit, plus proche d’un correcteur orthographique que d’une inspection formelle. La plupart des modifications, rapporte l’équipe, sont relues et corrigées par Claude avant qu’un humain les voie. Relisez cela. L’humain n’est plus le premier lecteur. Il est le deuxième.

Les chiffres derrière l’affirmation

Le récit de l’équipe d’Anthropic donne deux chiffres qui donnent forme à l’histoire. Les demandes de fusion acceptées – les morceaux de code qui arrivent réellement dans le produit – ont plus que doublé entre juin et septembre 2026. Dans le même temps, la part des modifications qui ont dû être annulées, c’est-à-dire du travail défait après sa livraison, a chuté de plus de 40 pour cent.

Ces deux chiffres vont ensemble. Faire arriver plus de code n’a rien d’impressionnant en soi ; n’importe qui peut livrer plus vite en abaissant l’exigence. Ce que l’équipe affirme, c’est la vitesse et un taux d’erreur plus faible en même temps, ce qui est le tour le plus difficile. Si deux fois plus de modifications arrivent et qu’une part plus petite revient en arrière, quelque chose dans le processus lui-même a changé, pas seulement le rythme.

La relecture entrée dans l’écriture

La relecture classique a un rythme que la plupart des programmeurs connaissent par coeur. On écrit pendant des heures, parfois des jours. On ouvre une demande de fusion. Un collègue la lit plus tard, fatigué, occupé, en passant d’une tâche à l’autre, et laisse des commentaires. On corrige, on attend, on corrige encore. La boucle peut s’étirer sur une semaine, et quand un vrai problème apparaît, l’auteur a à moitié oublié pourquoi il avait fait le choix que l’on questionne.

La relecture continue brise ce rythme. Si Claude lit chaque modification au moment où elle apparaît, signale sur-le-champ une hypothèse fragile et propose une correction pendant que le raisonnement est encore frais, la relecture cesse d’être une porte pour devenir une partie de l’acte d’écrire. La comparaison avec le correcteur orthographique, dans le récit de l’équipe, est juste. Personne n’envoie une lettre pour demander ensuite à un ami d’en vérifier l’orthographe. Le soulignement rouge apparaît pendant que les mains sont encore sur le clavier. C’est ce modèle qui s’applique désormais au logiciel, sauf que le soulignement peut aussi s’expliquer et proposer la correction. Cette recherche de fiabilité dès la conception rappelle, dans un autre registre, les vingt ans de travail méthodique pour la planète célébrés à Monte-Carlo, où la constance du contrôle fait la crédibilité du résultat.

Ce que l’humain fait toujours

Rien de tout cela ne retire les personnes de la boucle, et le récit de l’équipe ne le prétend pas. Un humain décide toujours de ce que le produit doit faire, regarde toujours après le passage de Claude et porte toujours la responsabilité de ce qui part en production. Le goût, le jugement, le sens du produit : appelez cela comme vous voulez, cela n’a pas été automatisé. Ce qui a changé, c’est l’ordre des opérations. Le premier passage, infatigable, ligne par ligne, appartient à la machine. Le passage humain devient une question d’intention. Est-ce que cela fait la bonne chose, et pas seulement une chose correcte ?

Cette distinction compte. Vérifier la syntaxe et repérer un cas limite oublié est un travail qu’un relecteur patient fait bien un bon jour et mal un mauvais jour. Décider si une fonction doit exister demande un contexte qu’aucun modèle ne détient seul : la feuille de route, la plainte d’un client au printemps dernier, la promesse faite à un partenaire.

Pourquoi cela compte au-delà d’Anthropic

Anthropic dispose ici d’un avantage évident. L’entreprise construit le modèle et l’outil de programmation sous le même toit, donc Claude est testé chaque jour sur un code réel et exigeant. La plupart des équipes n’ont pas ce luxe.

Le schéma, pourtant, voyage. Toute équipe peut se poser la question soulevée par ce récit : où se fait la vérification dans notre processus, et à quel moment devient-elle trop tardive ? Le même déplacement s’observe dans les logiciels grand public, où les assistants se rapprochent du moment de l’action. L’aide qui arrive pendant la tâche vaut mieux que l’aide qui arrive après. La programmation est l’endroit où la preuve est la plus claire, parce que le code fonctionne ou ne fonctionne pas, et que les chiffres – demandes acceptées en hausse, annulations en baisse – peuvent se compter.

Quelques réserves honnêtes

Ces chiffres viennent de la propre équipe d’Anthropic, qui écrit sur son propre produit. Cela ne les rend pas faux, mais ils doivent être lus comme un rapport venu de l’intérieur, pas comme un audit indépendant. D’autres équipes, sur des systèmes plus anciens et plus désordonnés, doivent s’attendre à des résultats plus désordonnés.

Il y a aussi une vraie question de compétence. Si les jeunes ingénieurs ne font jamais eux-mêmes le lent travail de première relecture, comment développent-ils l’oeil sur lequel les ingénieurs expérimentés s’appuient ? Les équipes auront ce débat, et elles ont raison de l’avoir.

La leçon pour les équipes qui travaillent

Retirez le chiffre de tête et une leçon pratique demeure. Déplacez la vérification plus tôt. Rendez le premier passage de relecture rapide, automatique et continu, afin que les relecteurs humains consacrent leur attention à la conception, à l’intention et au risque. Mesurez deux choses à la fois : ce qui part en production, et ce qui revient. La vitesse seule n’est qu’une manière plus rapide de faire du désordre.

Quatre-vingt-dix pour cent est un chiffre frappant, et il sera cité toute la semaine. Mais le doublement des demandes de fusion acceptées, accompagné d’une baisse de plus de 40 pour cent des annulations, est la partie sur laquelle il faut s’attarder. L’histoire n’est pas qu’une machine a appris à taper du code. L’histoire est que la relecture, la plus ancienne habitude de qualité du logiciel, est entrée dans l’écriture elle-même, et que le travail est devenu meilleur en devenant plus rapide.

À lire aussi sur Le Miroir Français : la princesse héritière Victoria sur la Haute Côte suédoise, un littoral en pleine transformation, un autre récit récent qui prolonge, à sa manière, le plaisir de cette lecture.

octobre 17, 2026
Ping An teste à Hong Kong une défense par intelligence artificielle contre la fraude

Il existe une manière sensée d’introduire de nouveaux outils d’intelligence artificielle dans la banque. On les teste sérieusement, dans une pièce contrôlée, sous le regard du régulateur, avant qu’un seul client en dépende. C’est exactement ce que Ping An Digital Bank vient de faire à Hong Kong.

Le 15 octobre 2026, la banque a terminé la deuxième promotion du bac à sable consacré à l’intelligence artificielle générative de l’Autorité monétaire de Hong Kong. Son projet était une plateforme de stratégie antifraude conçue pour repérer les fraudes liées aux deepfakes, développée avec OneConnect Financial Technology. Lors des tests en bac à sable, la banque a annoncé une précision de détection supérieure à 96 pour cent. Ce chiffre vient de la banque elle-même, partagé dans son communiqué et repris par AP News, et il mérite cette attribution claire. Comme résultat de test, il reste néanmoins solide.

Un bac à sable fait pour avancer avec prudence

Un bac à sable réglementaire semble sec sur le papier. En pratique, c’est une invention très utile. Les banques peuvent essayer un nouveau système avec des données proches du réel et des scénarios exigeants, tandis que les superviseurs posent des questions, vérifient les contrôles et voient où se situent les points faibles. Personne n’a besoin d’apprendre ces leçons sur des comptes réels.

Cela compte davantage à mesure que l’intelligence artificielle générative devient meilleure pour copier les visages et les voix. Les banques ont besoin de défenses capables de suivre, mais aussi de preuves que ces défenses fonctionnent sous pression. Le bac à sable donne aux deux parties un ensemble de faits partagés avant tout discours sur un déploiement plus large.

Comment la plateforme examine un visage

L’idée centrale est simple à expliquer, même si l’ingénierie derrière ne l’est pas. La plateforme utilise la reconnaissance faciale par intelligence artificielle pour vérifier en temps réel les selfies des utilisateurs. Un client prend un selfie dans le cadre d’un contrôle. Le système compare ce que voit la caméra à ce qu’il attend, et il cherche les signes d’une image falsifiée ou manipulée.

Ce second point est le défi nouveau. Une photo fixe prise sur les réseaux sociaux, une vidéo retouchée image par image, un visage plaqué sur quelqu’un d’autre : les anciens contrôles n’ont pas été construits pour cela. Un système moderne doit poser davantage de questions. L’éclairage est-il cohérent ? Les contours et les textures paraissent-ils naturels ? Le visage se comporte-t-il comme celui d’une personne vivante devant une caméra, ou comme un fichier assemblé ailleurs ?

Signaler un faux soupçonné n’est pas la fin du processus. C’est le début d’un examen plus attentif. Les bons systèmes donnent aux équipes humaines un signal clair et une raison de vérifier, afin qu’un client authentique puisse être aidé par un autre contrôle et qu’une tentative frauduleuse soit arrêtée tôt. La rapidité aide, mais le jugement compte toujours.

Pourquoi la précision ne dit pas tout

Un chiffre supérieur à 96 pour cent attire l’attention, et c’est normal. Mais toute personne qui a travaillé avec des outils de détection sait que les questions suivantes comptent autant. À quelle fréquence le système signale-t-il un vrai client par erreur ? Comment réagit-il à un mauvais éclairage, à un téléphone ancien ou à une connexion instable ? Peut-il expliquer, en termes simples, pourquoi il a déclenché une alerte ?

La valeur d’un bac à sable est que ces questions sont posées pendant les tests, pas après le lancement. Les équipes peuvent régler les seuils, réentraîner les modèles sur les cas manqués et fixer des règles claires pour l’intervention humaine. C’est plus lent que de lancer un produit dans la précipitation. C’est aussi ainsi que la confiance se construit. Cette culture de la vérification patiente se retrouve dans des domaines très différents, comme la création musicale madrilène récompensée après un long travail d’atelier, où le résultat public repose sur des mois de contrôle discret.

La banque derrière le test

Ping An Digital Bank a reçu sa licence bancaire en mai 2019. Elle est membre de Ping An Insurance (Group) Company of China, l’un des plus grands groupes financiers du monde. Ce contexte compte. Une banque numérique n’a pas de réseau d’agences sur lequel s’appuyer. Son application et ses contrôles à distance sont sa porte d’entrée, donc rendre ces contrôles à la fois fluides et solides est son activité centrale, pas un projet secondaire.

Travailler avec OneConnect Financial Technology s’inscrit dans la même logique. OneConnect construit des technologies pour les institutions financières, et un projet de ce type demande à la fois une connaissance bancaire et un travail spécialisé en intelligence artificielle. Un côté connaît le parcours client et les règles. L’autre connaît la conception et le déploiement des modèles. Bien associés, ils peuvent avancer plus vite sans brûler les étapes.

Ce que cela change pour les clients

Pour la plupart des clients, la meilleure sécurité est celle qu’ils remarquent à peine. Un contrôle par selfie qui prend quelques secondes. Une ouverture de compte qui ne bloque pas. Un paiement qui paraît normal parce que rien d’anormal n’a été détecté.

Derrière cette surface calme, beaucoup de choses se passent. Les modèles cherchent les manipulations. Les scores de risque se mettent à jour. Les motifs inhabituels sont envoyés en vérification. Si ce type de plateforme passe du bac à sable à l’usage réel de manière mesurée, les clients devraient en sentir le bénéfice sous forme de moins d’interruptions et de plus de confiance, et non de frictions supplémentaires.

Il y a une leçon pratique pour les autres banques qui observent la promotion de Hong Kong. Commencez par un problème étroit et bien défini. Détecter les visages manipulés pendant une vérification est assez précis pour être testé correctement et assez important pour compter. Choisissez un partenaire avec une vraie expérience de déploiement. Publiez les résultats avec leur source, afin que lecteurs et régulateurs puissent les juger équitablement. Et gardez une voie humaine ouverte pour les cas limites, parce qu’aucun modèle ne prend toutes les bonnes décisions.

Un modèle à suivre

L’intelligence artificielle financière est souvent décrite en extrêmes. Soit elle va tout réparer d’un coup, soit on ne peut pas lui faire confiance du tout. L’histoire du bac à sable est plus utile que ces deux lectures. Une banque a choisi un problème clair, construit un outil avec un partenaire technologique, l’a testé dans le programme d’un régulateur et publié un résultat mesuré, avec son attribution.

C’est un progrès que l’on peut vérifier. Si davantage d’institutions suivent cette voie – tester, publier, améliorer, puis déployer – l’intelligence artificielle dans la banque deviendra plus forte de la manière qui compte. Discrètement, compte après compte, avec des preuves derrière elle.

À lire aussi sur Le Miroir Français : les retrouvailles de la grande-duchesse Stéphanie avec le village belge de son enfance, un autre récit récent qui prolonge, à sa manière, le plaisir de cette lecture.

octobre 17, 2026
Le CERN et Mistral vont construire Flare, un modèle dédié à la physique

La physique des particules a un problème de données dont la plupart des domaines ne peuvent que rêver. Au CERN, le laboratoire européen près de Genève, le Grand collisionneur de hadrons projette des protons les uns contre les autres des milliards de fois, et chaque collision laisse une gerbe de particules que les détecteurs enregistrent avec précision. Le 15 octobre 2026, le CERN et l’entreprise française Mistral AI ont annoncé un partenariat stratégique de long terme, formalisé par une déclaration d’intention, pour construire un nouveau type de modèle. Son nom : Flare. Les partenaires le présentent comme le premier modèle de fondation pour la physique des collisionneurs.

Ils parlent d’un grand modèle de physique. La formule compte. Au lieu d’entraîner un système sur du texte ou des images, le projet prévoit d’entraîner Flare sur des milliards de collisions proton-proton simulées au LHC. L’objectif est un modèle unique qui comprend assez bien les collisions pour aider sur l’ensemble du travail, depuis la reconstruction de ce qui s’est passé dans un détecteur jusqu’à la recherche d’un signal que personne n’attendait.

Un seul modèle, plusieurs métiers

Aujourd’hui, les physiciens s’appuient sur une chaîne d’algorithmes spécialisés. Un outil reconstruit une collision. Un autre identifie les particules. Un troisième cherche les signaux qui se détachent du bruit de fond. Chaque outil fait bien sa part, mais la chaîne est longue, et chaque maillon a été construit pour une tâche étroite.

Flare doit soutenir ces tâches au même endroit : reconstruire les collisions, identifier les particules, signaler les événements inattendus et aider les chercheurs à évaluer des projets de futurs détecteurs. Si le projet tient ses promesses, un physicien pourra tester une idée de détecteur face à un modèle qui possède déjà une connaissance profonde du comportement des collisions, au lieu de repartir à chaque étude d’un ensemble d’outils plus restreint.

Pourquoi le CERN est un test exigeant

Enrica Porcari, directrice de l’informatique du CERN, a expliqué que ce partenariat ferait progresser des capacités d’intelligence artificielle au service de toute la communauté des physiciens, avec une volonté de partage. Elle a aussi décrit la physique des hautes énergies comme un environnement de test particulièrement rigoureux. Elle a raison. La physique ne note pas avec indulgence. Un modèle correspond aux données ou il ne correspond pas, et ces données sont précises, abondantes et sans pitié.

Considérez l’échelle. Le CERN conserve environ un exaoctet de données expérimentales du LHC, soit un million de téraoctets. Dans une archive pareille, une petite erreur répétée assez souvent peut masquer un signal réel ou en inventer un faux. Un modèle entraîné et testé dans ce cadre doit gagner la confiance lentement, en réussissant les cas difficiles.

La pression ne fera que croître. Le CERN prévoit que le volume de collisions sera multiplié par dix après la mise à niveau du LHC, autour de 2030. Plus de collisions signifie plus de chances de trouver des événements rares, et aussi beaucoup plus de données à trier avant qu’un humain les voie. Des outils capables d’aider à ce tri, sans émousse le regard pour l’événement singulier qui compte, vaudront très cher.

Ce souci de mesure patiente évoque d’autres travaux suivis par notre rédaction, comme la Haute Côte suédoise, ce littoral qui continue de sortir lentement de la mer et que les scientifiques observent année après année avec la même constance.

Ce que Mistral apporte

Mistral AI est l’entreprise française à l’origine d’une famille de modèles de langage. Son directeur général, Arthur Mensch, a été direct sur la direction que prend la science. Dans Le Monde, il a écrit que les modèles les plus avancés sont désormais indispensables au progrès scientifique. Flare fait sortir cet argument de la fenêtre de discussion pour l’emmener dans une salle de détecteurs.

Les questions pratiques restent ouvertes. Aucun des deux partenaires n’a communiqué de calendrier ni de budget, et il faut garder ces deux faits en tête. Une déclaration d’intention est un départ, pas un produit fini. Pas de date annoncée pour une première version, pas de prix public, pas encore de référence publiée pour juger le modèle face aux algorithmes spécialisés qu’il pourrait un jour soutenir.

Un outil partagé, si les partenaires livrent

Il y a aussi une histoire plus discrète, celle de l’accès. Les grandes expériences produisent de grandes données, et tous les groupes universitaires ne peuvent pas construire leur propre modèle à partir de zéro. Un modèle de fondation partagé, entraîné sur des collisions simulées et mis à disposition de la communauté, pourrait permettre à de petites équipes de poser de grandes questions. Un doctorant avec une bonne idée et un ordinateur portable pourrait tester cette idée face à un système entraîné sur des milliards d’événements.

Voilà la promesse. La preuve viendra du travail peu spectaculaire qui commence : sessions d’entraînement, tests de validation, comparaisons côte à côte avec les outils auxquels les physiciens font déjà confiance. Le CERN et Mistral ont affiché leur intention. Flare doit maintenant montrer, collision après collision, qu’un seul grand modèle peut vraiment aider au travail de nombreux petits, et peut-être capter le signal unique, sur un milliard, qui change ce que nous pensons savoir. Pour la science européenne, et pour une entreprise française en première ligne, l’enjeu dépasse largement un seul laboratoire.

À lire aussi sur Le Miroir Français : la nuit des jeunes mécènes du New York City Ballet, rendez-vous de culture et de générosité, un autre récit récent qui prolonge, à sa manière, le plaisir de cette lecture.

octobre 17, 2026
Claude Mythos 5 redessine huit circuits quantiques et bat les records publiés

Le 16 octobre 2026, Anthropic a annoncé un résultat qui mérite qu’on s’y arrête. Son modèle Claude Mythos 5 a redessiné de façon autonome huit circuits quantiques et, sur les tâches proposées, il a fait mieux que les meilleures conceptions déjà publiées. Dans sept cas sur huit, les nouveaux circuits utilisent moins de portes et moins de qubits que ceux auxquels ils ont été comparés. Pour le huitième, le modèle a fait un choix différent : beaucoup moins de portes, mais davantage de qubits pour y parvenir.

Le travail vient d’une expérience menée dans le cadre du programme STEM Fellows, dirigée par Andi Gu et encadrée par Alek Kemeny, avec des collaborateurs de Harvard, Susanne Yelin et Mikhail Lukin. Ce dernier est aussi lié à QuEra. Un article a été déposé sur arXiv le 15 octobre, la veille de l’annonce publique.

Ce que le modèle a vraiment fait

Un circuit quantique, pour le dire simplement, est une suite d’instructions. Les portes sont les opérations, les qubits sont les unités sur lesquelles ces opérations agissent. Un circuit plus petit est plus facile à comprendre, à simuler et, en principe, à faire fonctionner. Voilà pourquoi les chercheurs comparent d’abord le nombre de portes et le nombre de qubits.

Mythos 5 n’a pas reçu de réponses toutes faites à polir. Selon Anthropic, il a travaillé à partir de descriptions rédigées en langage ordinaire, dans une boucle où un générateur propose des conceptions et où un juge automatique les note. Les résultats ont ensuite été vérifiés par simulation et par des preuves formelles écrites en Lean, un assistant de preuve qui n’accepte aucun raccourci. Si une étape ne tient pas, Lean le signale.

Une des sessions a duré 53 heures. Ce chiffre compte. Il ne s’agit pas d’un tour rapide ni d’un coup de chance, mais d’une recherche longue, patiente, avec une machine qui contrôle le travail au fur et à mesure.

Deux résultats qui se détachent

Le résultat le plus net concerne l’inversion modulaire sur courbe elliptique. Anthropic affirme que la conception du modèle utilise 17 fois moins de portes que la plus petite conception connue pour cette tâche. En contrepartie, elle demande environ 12 pour cent de qubits en plus. C’est un compromis, pas une victoire totale, et les chercheurs ont le mérite de le dire clairement. En informatique quantique, on paie souvent dans une monnaie pour économiser dans une autre.

Le second résultat marquant est un décodeur Reed-Solomon conçu pour l’interférométrie quantique décodée. Il utiliserait environ 12 fois moins de portes que la construction précédente de Google. La méthode change aussi : au lieu de l’algorithme d’Euclide étendu, la nouvelle approche passe par le décodage de Berlekamp-Massey. Un autre chemin, et, d’après les chiffres annoncés, un chemin beaucoup plus court.

Ce goût du résultat vérifiable se retrouve dans d’autres domaines suivis par notre rédaction, par exemple les avancées technologiques présentées au Texas autour d’une sportive électrique très attendue, où les promesses ne valent que par les mesures qui les accompagnent.

Pourquoi cette boucle convient bien au problème

La conception de circuits se prête bien à ce dispositif. Les règles sont strictes. Une conception accomplit la tâche ou elle ne l’accomplit pas, et un évaluateur peut le tester sans opinion personnelle. La preuve formelle ajoute un second niveau : pas seulement un fonctionnement en simulation, mais une logique qui tient étape par étape.

La réserve, dite clairement

Il faut le répéter à chaque fois que cette histoire est racontée. Ce sont des résultats de conception, sur le papier. Aucun ordinateur quantique n’a exécuté ces circuits pour traiter une tâche réelle pendant l’expérience. La correction d’erreurs et les progrès du matériel restent les deux grands chantiers du domaine, et ils sont loin d’être terminés.

Cette réserve ne réduit pas le résultat, elle le situe. Une bibliothèque de circuits plus petits et prouvés sera précieuse le jour où les machines progresseront. Les résultats sur papier, bien vérifiés, sont la manière dont un domaine prépare son avenir. C’est aussi ce qui rend crédibles des récits très différents, comme vingt ans d’engagement pour la planète célébrés à Monte-Carlo : dans les deux cas, la durée et la rigueur font la valeur du travail.

Ce qu’il faudra surveiller

Trois choses, surtout. D’abord, la reproduction des chiffres et des preuves par d’autres équipes à partir de l’article déposé sur arXiv. Ensuite, la question de savoir si le compromis trouvé pour la courbe elliptique intéressera vraiment les équipes matérielles quand le nombre de qubits augmentera. Enfin, si cette approche par boucle générateur-juge se transpose à d’autres familles de circuits, ou si ces huit tâches lui convenaient particulièrement bien.

En attendant, la semaine reste belle pour le domaine. Un modèle a passé 53 heures sur une seule session, discuté avec son propre évaluateur, accepté la preuve formelle, et proposé des conceptions qui battent les records publiés sur huit tâches. Une annonce prudente, des contrôles sérieux, des chiffres réels. C’est ainsi que le progrès devrait toujours se présenter.

octobre 17, 2026
Simons, Anthropic et OpenAI réunissent 15 millions de dollars pour les mathématiques et l’IA

Les mathématiques ont un beau problème, et il est de taille. Les systèmes d’intelligence artificielle produisent désormais des résultats à un rythme difficile à imaginer il y a encore quelques années, et les personnes formées pour vérifier ces résultats ont besoin de temps, d’outils et de lieux pour confronter leurs notes. Le 15 octobre 2026, à New York, la Fondation Simons a annoncé un engagement commun de 15 millions de dollars avec Anthropic et OpenAI pour aider les mathématiciens à faire exactement ce travail.

Il ne s’agit pas d’un prix récompensant une seule découverte. Il s’agit de soutenir le travail plus lent et essentiel qui entoure les découvertes : lire, tester, questionner et décider ce qui peut être considéré comme solide. Le financement sera géré et attribué par la Fondation Simons, notamment au moyen d’un appel à propositions ouvert. Ce détail compte. Un appel ouvert invite des chercheurs aux approches différentes à défendre leur projet, au lieu de réserver l’effort à un petit cercle déjà proche des laboratoires.

Ce que couvrent les 15 millions de dollars

La contribution d’OpenAI a été présentée comme 5 millions de dollars, auxquels s’ajoutent l’accès à ses modèles et des ressources de calcul pour les scientifiques soutenus par la fondation. Anthropic a pris un engagement similaire de 5 millions de dollars, avec du financement, de la puissance de calcul et l’accès à Claude. En ajoutant la part de la Fondation Simons, l’engagement total atteint 15 millions de dollars en financement et en ressources.

L’argent seul ne réglerait pas le problème pratique. Un mathématicien qui veut tester un résultat assisté par IA a besoin d’accéder aux modèles, de disposer d’assez de calcul pour mener des vérifications sérieuses et de travailler avec des collègues qui comprennent à la fois les mathématiques et les logiciels. Ce dispositif cherche à fournir les trois éléments en même temps. L’accès et le calcul accompagnent les subventions, si bien que les scientifiques soutenus peuvent travailler directement avec les outils au lieu de les observer de loin.

David Spergel, président de la Fondation Simons, dirige l’organisation qui gérera et attribuera le financement. L’effort dispose ainsi d’un foyer clair. La fondation peut conduire l’appel à propositions, choisir les programmes et garder le cap sur les chercheurs et leurs besoins, pendant que les deux entreprises d’IA apportent l’argent, l’accès et la puissance de calcul.

Pourquoi la vérification a besoin d’aide dès maintenant

L’ampleur du phénomène explique le calendrier. Le 6 octobre, OpenAI a publié 722 manuscrits organisés en 372 familles de résultats, issus du travail sur environ 4 000 problèmes. Relisez ce chiffre. Sept cent vingt-deux manuscrits. Même un excellent département mettrait des mois à examiner une fraction de cette production, à contrôler chaque étape, à traquer les failles et à décider quels résultats méritent une étude plus poussée.

Ce n’est pas un reproche adressé à ces manuscrits. C’est une simple question de capacité. L’évaluation par les pairs traditionnelle a été conçue pour un monde où les articles arrivaient à un rythme humain. Quand les résultats arrivent par centaines, la communauté doit inventer de nouvelles façons de les trier, de les tester et d’en discuter, sans abaisser le niveau exigé pour accepter un résultat comme correct.

Ateliers, conférences et normes partagées

Le financement soutiendra des ateliers, des conférences et des programmes ciblés. Les chercheurs s’en serviront pour évaluer les résultats récents assistés par IA, apprendre de nouveaux outils, partager leurs points de vue et façonner des normes collectives pour l’usage de l’IA en mathématiques. Ces quatre missions vont ensemble. Un atelier où l’on échange seulement des astuces de logiciel passerait à côté des questions plus dures sur la preuve et la confiance. Une conférence qui débattrait uniquement de normes, sans temps pratique sur les outils, manquerait la réalité du travail.

Les normes partagées semblent arides jusqu’au jour où l’on en a besoin. Quand une étape assistée par IA est-elle acceptable dans une démonstration ? Que doit révéler un auteur sur la manière dont un résultat a été trouvé ? Comment un rapporteur doit-il tester une affirmation issue d’une longue chaîne de suggestions d’un modèle ? Il n’y a pas de raccourci, et des laboratoires qui répondent chacun de leur côté produiront un patchwork. Des normes collectives, débattues dans des salles remplies de mathématiciens en activité, ont de meilleures chances de tenir dans le temps.

Au-delà des mathématiques pures

Le champ dépasse les mathématiques pures pour toucher les sciences fondamentales. Cet élargissement a du sens. Le même schéma, des modèles qui produisent des résultats candidats plus vite que les experts ne peuvent les vérifier, apparaît dans d’autres disciplines, et les habitudes construites en mathématiques voyagent souvent bien. Les mathématiciens sont exigeants sur les définitions et les preuves pour de bonnes raisons. S’ils parviennent à bâtir des normes praticables pour le travail assisté par IA, les autres sciences disposeront d’un exemple éprouvé à adapter.

Deux autres dossiers de la semaine éclairent le même mouvement. D’un côté, Google Willow a divisé les erreurs quantiques par 40, preuve que la fiabilité devient le vrai chantier des machines avancées. De l’autre, NVIDIA a ouvert Nemotron 3.5 pour des agents toujours actifs, ce qui pose la même question sous un autre angle : qui vérifie le travail des agents, et avec quels outils ?

Conseils pratiques pour les chercheurs

D’abord, surveillez l’appel à propositions. Un financement géré et attribué par la Fondation Simons, notamment par cet appel, signifie que des chercheurs extérieurs aux deux entreprises peuvent candidater. Ensuite, considérez l’accès aux modèles et le calcul comme une partie intégrante de la subvention, pas comme des suppléments. Une proposition qui associe une question de vérification claire à un besoin réel d’accès à Claude, d’accès aux modèles d’OpenAI ou de ressources de calcul correspond bien à la forme de cet engagement.

Troisième conseil, pensez en équipe. Les ateliers et les conférences font partie du plan, donc les propositions collectives, des équipes capables de tester des résultats ensemble et de rapporter ce qu’elles ont appris, correspondent à l’intention. Un chercheur seul peut faire un excellent travail, mais des normes collectives demandent des collectifs.

Et quatrièmement, n’attendez pas des normes parfaites pour commencer. Les programmes existent pour que les chercheurs évaluent les résultats récents et façonnent les normes pendant que le travail est encore frais. Des règles écrites après que les habitudes se sont figées changent rarement grand-chose.

Il y a un optimisme discret dans cette annonce. Personne ne prétend ici que les productions de l’IA doivent être acceptées sur parole, et personne ne suggère aux mathématiciens de s’effacer. Le pari est inverse : donner aux experts du financement, de l’accès, du calcul et des salles pour débattre, et les laisser fixer les règles. Quinze millions de dollars ne régleront pas toutes les questions que l’IA pose aux mathématiques. Ils devraient en revanche offrir au domaine quelque chose dont il a un besoin urgent : du temps pour vérifier le travail correctement, ensemble.

octobre 16, 2026
Une intelligence artificielle lit les tests de rage avec 99,6 pour cent de précision, une première mondiale en laboratoire

Dans un laboratoire spécialisé, une partie du travail le plus important de la médecine se fait encore image par image au microscope, lue à l’œil nu, par une personne, des milliers de fois de suite. Une équipe de l’université de Surrey et de l’Animal and Plant Health Agency du Royaume-Uni a désormais appris à un ordinateur à effectuer cette lecture pour l’une des plus anciennes maladies connues. Leur système est le premier dispositif d’intelligence artificielle capable d’identifier l’infection par le virus de la rage dans des cultures cellulaires et de mesurer en même temps les niveaux d’anticorps, et son meilleur modèle a classé correctement 99,6 pour cent des échantillons.

Pourquoi les tests de rage avaient besoin d’un lecteur plus rapide

La rage est presque entièrement évitable grâce à la vaccination, et pourtant elle coûte encore environ 59 000 vies chaque année dans le monde, parce que le diagnostic et la surveillance sont difficiles dans beaucoup d’endroits où la maladie est la plus présente. Les laboratoires confirment la présence du virus et mesurent les anticorps protecteurs produits par un vaccin en examinant des images de fluorescence de cultures cellulaires. Réalisé à la main, ce travail oblige les spécialistes à passer en revue des milliers d’images, lentement, avec une marge inévitable de différences honnêtes d’interprétation entre lecteurs.

Ce goulot d’étranglement compte au-delà d’un seul test. La surveillance indique aux autorités de santé où le virus circule et si les campagnes de vaccination fonctionnent. Des tests lents et rares signifient une carte plus floue, dessinée plus tard que souhaité. Les efforts pour partager l’expertise rappellent, dans un autre registre, les ouvertures racontées dans notre article sur la famille royale d’Espagne ouvrant le Palais royal à toute la société : le savoir crée le plus de valeur quand il est conçu pour être partagé.

Comment l’équipe de Surrey et de l’APHA a construit le système

Ces travaux, financés par le ministère britannique de l’Environnement, de l’Alimentation et des Affaires rurales et publiés dans Scientific Reports, ont réuni l’Institute for People-Centred AI de Surrey et l’équipe Rage et zoonoses virales de l’APHA. Les chercheurs ont rassemblé plus de 2300 images de fluorescence contenant plus de 36 000 zones d’image annotées, puis ils ont entraîné plusieurs modèles d’apprentissage profond à reconnaître à quoi ressemble une infection par la rage à l’intérieur des cellules.

Le modèle le plus performant a fait plus que bien noter. Il a distingué les cellules infectées des cellules saines de façon presque parfaite et il a évité les fausses alertes, ce mode d’échec qui détruit discrètement la confiance dans un outil de dépistage. Un système qui crie au loup envoie des spécialistes déjà rares courir après des fantômes. Un système aussi précis leur permet de consacrer leur jugement là où il est vraiment nécessaire.

Les personnes derrière le modèle

Joan Amaya-Cuesta, doctorante à Surrey et chercheuse au sein de l’équipe rage de l’APHA, a décrit ce dispositif comme un moyen plus rapide et plus régulier, pour les laboratoires, d’analyser les échantillons tout en réduisant la dépendance à l’interprétation manuelle. L’équipe comprenait aussi le professeur Miroslaw Bober, de Surrey, et la docteure Lorraine McElhinney, qui dirige le Laboratoire national de référence pour la rage humaine et animale à l’APHA. Ce mélange, chercheurs en intelligence artificielle et laboratoire national de référence lui-même, explique en partie pourquoi ce travail vise une adoption réelle en laboratoire plutôt qu’un simple résultat de revue scientifique.

Ce qui change pour les laboratoires qui l’adopteront

D’abord, le débit. Un modèle entraîné ne se fatigue pas à la neuf-centième image, et il lit la première image et la millième selon le même critère. Pour les laboratoires des pays où la rage est endémique et où les spécialistes sont peu nombreux, cette régularité fait la différence entre un programme de surveillance qui tient le rythme et un programme qui prend du retard.

Ensuite, la mesure des anticorps. Le même dispositif quantifie la concentration d’anticorps, le chiffre que les laboratoires utilisent pour confirmer qu’une vaccination a bien produit une protection. Cette mesure sert aussi des besoins pratiques et quotidiens, comme les contrôles d’anticorps liés aux voyages internationaux des animaux de compagnie, petit exemple révélateur de la façon dont la science des laboratoires de référence touche la vie ordinaire.

Enfin, l’équipe étend déjà l’approche. La technologie est en cours de développement pour détecter aussi le virus dans des tissus cérébraux infectés, un travail dont les chercheurs espèrent qu’il renforcera les laboratoires de diagnostic à l’échelle internationale. La préparation patiente et les résultats mesurables évoquent l’esprit des grands rassemblements de service évoqués dans notre couverture de la visite d’Abdallah II en Malaisie, où la coopération se construit elle aussi dans la durée.

Un schéma qui se répète dans l’intelligence artificielle médicale

Prenez du recul, et le résultat de Surrey s’inscrit dans le schéma qui devient l’histoire la plus fiable de l’intelligence artificielle en santé. Les victoires arrivent sur des tâches précises et bien définies, en laboratoire et en imagerie : lire cette image, mesurer ce niveau, classer cet examen. Chaque victoire manque de glamour. Chacune retire des heures de travail expert répétitif et uniformise une mesure qui variait auparavant selon le lecteur et selon le jour.

C’est le même schéma observé cette semaine dans les recherches sur le dépistage oculaire, et il rejoint une appréciation plus large du travail soigneux et vérifiable. Les progrès dans ce domaine ressemblent de moins en moins à une percée unique et de plus en plus à une centaine d’outils fiables, chacun faisant bien un seul travail.

Les enseignements pratiques

Pour les responsables de laboratoire, le dispositif de Surrey est publié, évalué par les pairs et conçu pour être adopté. L’objectif affiché est un outil prêt pour les laboratoires des pays endémiques, et la bonne étape suivante, pour les laboratoires intéressés, consiste à étudier l’article de Scientific Reports et ses besoins en données : 2300 images et 36 000 annotations constituent un plan réaliste, pas exotique. Pour les planificateurs de santé publique, une confirmation plus rapide de la rage affine la surveillance, et une surveillance plus fine rend les campagnes de vaccination moins coûteuses et mieux ciblées. Le bénéfice d’un tel outil se cumule avec le temps.

Pour toutes les autres personnes, la leçon est plus simple. Une maladie qui accompagne l’humanité depuis des milliers d’années est désormais suivie, en partie, par un modèle qui a appris à partir de photographies de cellules lumineuses. Il a vu juste dans 99,6 pour cent des cas. Le travail qui reste, mettre cette capacité dans les laboratoires qui en ont le plus besoin, est un travail humain, et il est déjà en cours.

octobre 13, 2026
Meta lance Muse Wonder, un modèle doté de mémoire et conçu pour terminer le travail

Meta a passé des années à distribuer largement ses outils d’intelligence artificielle. Lundi, le groupe a montré à quel point il prend au sérieux l’idée de vendre un modèle de pointe bien à lui. L’entreprise a lancé Muse Wonder et Muse Wonder Full, deux nouveaux modèles issus de ses Superintelligence Labs, dont elle affirme qu’ils atteignent un niveau comparable à celui des systèmes de référence d’OpenAI et d’Anthropic. Mark Zuckerberg, le directeur général, a décrit Muse Wonder comme une classe de modèles beaucoup plus vaste et plus avancée que la famille Muse Spark qui l’a précédée. Alexandr Wang, le directeur de l’intelligence artificielle, a présenté Wonder comme le modèle le plus grand et le plus capable du groupe à ce jour.

Les noms des deux fonctions mises en avant disent ce que Meta estime avoir manqué jusqu’ici. Pas seulement l’intelligence brute. La mémoire, et la capacité à tenir dans la durée.

La mémoire active : un agent qui retient l’essentiel

La mémoire active répond à une frustration que connaît bien toute personne qui utilise l’intelligence artificielle au quotidien. Vous expliquez votre projet, vos préférences, vos contraintes. Le lendemain, le modèle vous demande de tout réexpliquer. Meta indique que Wonder conserve les détails importants d’une conversation à l’autre et les retrouve au moment où ils deviennent utiles pour la tâche en cours, au lieu de traiter chaque échange comme une première rencontre.

L’entreprise a testé cette capacité avec un outil interne nommé MemoryBench, qui cache des faits dans de longues conversations, ajoute des distractions et modifie certains faits en cours de route. Meta rapporte que les deux modèles Wonder ont obtenu un score d’environ 85,5, supérieur à celui des autres modèles testés. Comme pour tous les chiffres de semaine de lancement, il faut les lire comme des résultats communiqués par l’entreprise, en attendant des vérifications indépendantes plus larges. La direction reste néanmoins convaincante. Un assistant qui se souvient des conditions d’un bail discutées la semaine précédente est tout simplement plus utile qu’un esprit brillant sans mémoire.

La concentration active : construit pour aller au bout

La seconde fonction, la concentration active, s’attaque à une autre faiblesse fréquente. Les modèles bloquent souvent au premier obstacle : un appel d’outil échoue, un document contredit une hypothèse, une étape renvoie une erreur. Meta explique que Wonder est entraîné à essayer une autre approche, à contourner le problème, à se remettre des erreurs et à demander une précision quand il hésite vraiment, au lieu d’abandonner l’objectif. Pour les utilisatrices et les utilisateurs en entreprise, ce comportement fait la différence entre une démonstration et un véritable collègue de travail.

Wonder est particulièrement adapté au codage mené par des agents. Meta indique qu’il peut planifier un travail logiciel, appeler des outils en parallèle, confier certaines parties du travail à de plus petits agents secondaires et garder un projet complexe en mouvement jusqu’à son achèvement. Il est disponible dès maintenant pour les développeurs via l’interface Meta Model API et Muse Code. Wonder Full, le modèle le plus grand, est accessible aux abonnés de Muse Code, et les deux modèles alimenteront bientôt davantage Muse, l’application d’agent personnel de Meta, pour les abonnés payants. Le tarif annoncé pour Wonder est de 4 dollars par million de jetons en entrée et de 20 dollars par million de jetons en sortie, avec une fenêtre de contexte d’un million de jetons, soit assez de place pour de très longs documents, des bases de code et des dossiers de recherche dans une seule session de travail.

Ce que les évaluations prouvent, et ce qu’elles ne prouvent pas

Meta s’est appuyé sur l’évaluateur indépendant Artificial Analysis pour ses scores principaux. Dans l’indice d’intelligence version 4,3 de ce cabinet, Muse Wonder Full a obtenu 56 et Muse Wonder 52, contre 48 pour l’ancien Muse Spark 1,3. Un bond de cette ampleur en une seule génération constitue une performance solide, et plusieurs comptes rendus du lancement ont relevé des résultats compétitifs dans des domaines d’expertise, notamment le droit, la finance et la santé, où un modèle doit lire attentivement et raisonner sur un problème plutôt que simplement converser.

Un peu de recul aide à juger. Les protocoles d’évaluation varient d’un fournisseur à l’autre, et les premiers scores ont tendance à se stabiliser une fois que des milliers d’utilisateurs réels posent des questions concrètes et désordonnées. Le jugement juste aujourd’hui est plus resserré, et il reste impressionnant : Meta, qui n’avait lancé son modèle Spark qu’en avril après un investissement de 14 milliards de dollars dans Scale AI l’an dernier ayant amené Alexandr Wang à la tête de sa stratégie, aligne désormais une famille de modèles que les notations indépendantes placent dans la conversation des modèles de pointe. Pour les acheteurs, une quatrième option crédible à ce niveau signifie de meilleurs prix et des progrès plus rapides. La concurrence élève le niveau pour tout le monde, un mécanisme que l’on observe aussi dans des univers très différents, comme le montre notre portrait de Gloria T. Cressler, figure qui rassemble New York autour de la philanthropie.

La place de Wonder dans une journée de travail

Les exemples donnés par Meta sont pratiques, sans effet de manche : suivre une demande d’indemnisation, comprendre un bail, y voir clair dans ses finances personnelles. On peut ajouter à cette liste la routine professionnelle quotidienne, relire des contrats, rapprocher des comptes, résumer un rapport de cent pages avant une réunion du matin. Ce sont des tâches où la mémoire et le suivi comptent davantage que l’esprit de répartie. Un modèle qui se souvient de la structure de votre portefeuille et qui continue de travailler quand une formule de tableur casse fait gagner une heure, pas une minute.

Les créatrices, les créateurs et les professionnelles de l’événementiel, comme les personnes à l’origine des soirées racontées dans notre article sur le message de partage porté par le pape Léon XIV où l’attention aux autres guide l’action, forment aussi un public naturel : de longs fils de planification, de nombreux prestataires, des détails qu’il ne faut surtout pas perdre. Un agent qui s’en souvient, semaine après semaine, représente une vraie amélioration dans la manière dont ce travail s’organise. On retrouve la même exigence de continuité dans notre récit des honneurs rendus aux Rizzuto à New York, où la fidélité aux engagements traverse les années.

Conseils pratiques

Les développeurs devraient tester Wonder sur leur tâche en plusieurs étapes la plus difficile, et non sur leur demande de conversation la plus simple. L’argument du modèle est la persévérance, donc le test honnête consiste à lui confier un travail qui comporte des obstacles. Les équipes qui évaluent l’interface doivent aussi comparer la fenêtre d’un million de jetons à leurs documents réels ; les longs dossiers juridiques et financiers sont ceux où cette place prend tout son sens.

Les utilisatrices et les utilisateurs qui découvriront Wonder via l’application Muse ont intérêt à commencer par une tâche récurrente, un rapport hebdomadaire ou une veille régulière, et à laisser la mémoire active se construire autour d’elle. La mémoire se cumule. La deuxième semaine paraîtra plus intelligente que la première.

Meta compte 3,6 milliards d’utilisatrices et d’utilisateurs quotidiens sur l’ensemble de ses applications, selon les informations publiées par l’AFP lors du lancement. Si une fraction seulement d’entre eux rencontre un agent capable et doté de mémoire dans des produits qu’ils ouvrent déjà, la portée de Wonder pourrait croître très vite. Le lancement de lundi ne clôt pas la course aux modèles de pointe. Il fait presque aussi bien : il élargit la course, et il offre un modèle construit autour des deux demandes que les personnes qui travaillent formulent le plus souvent, souviens-toi de ce que je t’ai dit, et termine ce que tu as commencé.

octobre 13, 2026
Microsoft dévoile Maia 300 et promet 40 pour cent de puissance en plus par mégawatt

Microsoft a un défi très concret à relever, celui de l’électricité. Lundi, le groupe a présenté sa réponse avec Maia 300, la troisième génération de sa puce maison dédiée à l’intelligence artificielle. La famille Maia doit passer à des déploiements de plusieurs gigawatts à partir de 2027. Scott Guthrie, qui dirige le groupe cloud et intelligence artificielle, a résumé l’ambition sans détour : Maia doit devenir le système principal d’inférence pour les produits et les services de Microsoft. Satya Nadella, le directeur général, a parlé du pari le plus important du groupe sur ses propres puces.

Le mot inférence mérite une explication, car il se cache derrière l’usage quotidien. L’entraînement d’un modèle fait souvent les gros titres, mais l’inférence correspond au travail de tous les jours qui suit. Chaque demande adressée à Copilot, chaque suggestion de code, chaque long document lu puis résumé par un modèle relève de l’inférence. Elle se produit des milliards de fois et consomme de l’électricité à chaque fois. Une puce qui accomplit davantage de ce travail par mégawatt ne sert donc pas seulement à afficher de belles caractéristiques techniques. Elle agit directement sur les coûts, sur la capacité disponible et sur le nombre de personnes qu’un centre de données peut servir en même temps.

Une troisième génération en moins d’un an

Le rythme donne déjà une indication claire. Microsoft avait annoncé Maia 200 en janvier. Cette puce fait déjà tourner des charges de production, notamment Microsoft Copilot, et le groupe indique que GitHub Copilot et Microsoft Foundry suivront d’ici la fin de l’année. Neuf mois plus tard environ, la troisième génération est déjà sur la table, avec un déploiement en production prévu pour 2027. Selon les informations publiées par Reuters lors du lancement, plus d’un million de puces pourraient être déployées l’an prochain dans l’ensemble du programme Maia.

La plupart des entreprises font évoluer leurs puces lentement, car une erreur coûte cher et prend du temps à corriger. Microsoft avance vite pour une raison simple : la demande de réponses produites par l’intelligence artificielle croît plus vite que le réseau électrique qui l’alimente. Quand l’électricité devient le facteur limitant, l’efficacité cesse d’être une qualité appréciable parmi d’autres. Elle devient le cœur du modèle économique. Cette dimension mondiale de l’infrastructure rappelle d’ailleurs d’autres rendez-vous où énergie et stratégie se rejoignent, à l’image des rencontres new-yorkaises racontées dans notre portrait de Gloria T. Cressler et de la philanthropie qui rassemble New York, où la capacité à mobiliser des réseaux fait toute la différence.

Ce que contient vraiment Maia 300

Maia 300 repose sur un ensemble de petites puces spécialisées assemblées entre elles, plutôt que sur un seul bloc de silicium géant. La puce de calcul utilise le procédé N2P de TSMC, une technologie de classe 2 nanomètres, tandis que d’autres éléments chargés du contrôle de la mémoire et de la circulation des données utilisent un procédé 3 nanomètres moins coûteux. L’idée est pragmatique : placer la technologie la plus onéreuse là où se font les calculs, et économiser partout ailleurs. Ce type de choix raisonnable a souvent l’avantage d’aboutir à des produits qui arrivent effectivement sur le marché.

La mémoire, le vrai sujet

Il faut regarder au-delà du chiffre de calcul, 13,8 pétaflops en précision basse FP4 pour une enveloppe de 950 watts, car l’histoire de la mémoire est plus importante. Maia 300 embarque huit piles de mémoire HBM4, pour une capacité de 288 gigaoctets et une bande passante pouvant atteindre 18 téraoctets par seconde. Maia 200 offrait en comparaison 216 gigaoctets et 7 téraoctets par seconde. Cela représente environ un tiers d’espace en plus et une bande passante multipliée par environ deux et demi.

Pourquoi ce point devrait-il intéresser quelqu’un en dehors d’un centre de données ? Parce que le travail moderne de l’intelligence artificielle est souvent limité par la mémoire, et non par le calcul brut. Un modèle de raisonnement qui suit une longue conversation, ou un agent qui enchaîne une vingtaine d’étapes, passe une grande partie de son temps à aller chercher ses paramètres et le contexte enregistré. Si on l’alimente plus vite, l’ensemble du travail se termine plus tôt, pour un coût par réponse plus faible. Microsoft attend de Maia 300 un gain de 40 pour cent de jetons par mégawatt par rapport aux systèmes de référence à base de processeurs graphiques, et jusqu’à sept fois le débit de jetons à l’échelle d’un rack complet par rapport à Maia 200, dans une configuration de 96 accélérateurs consommant environ 167 kilowatts. Il s’agit d’attentes annoncées par l’entreprise avant le déploiement de 2027, et non de résultats de tests indépendants. La lecture honnête consiste à les prendre comme des objectifs sur lesquels le groupe accepte d’être jugé.

Une course qui s’élargit

Microsoft n’est pas seul à concevoir ses propres puces, et c’est précisément le point intéressant. Les concurrents du cloud et les laboratoires d’intelligence artificielle sont arrivés à la même conclusion : louer du matériel généraliste pour un travail très précis et très massif laisse de l’argent et de l’énergie sur la table. Le public concerné est déjà mondial, comme le montrent les rassemblements internationaux suivis par notre rédaction, par exemple la célébration de la Fête nationale par la famille royale d’Espagne à Madrid, qui rappelle à quel point ces outils doivent fonctionner partout, dans tous les fuseaux horaires et sans attente.

Ce que les équipes doivent en retenir

Premier conseil pratique : interrogez le coût par tâche terminée, et non le seul coût par jeton pris isolément. Une puce plus efficace devrait se traduire par des prix plus doux, des limites d’usage plus généreuses, ou les deux, au cours de l’année 2027. Si ce n’est pas le cas, il faudra demander pourquoi.

Deuxième point : les usages à long contexte et les agents autonomes sont ceux qui devraient en profiter le plus. Le bond de mémoire de Maia 300 vise précisément ces usages. Les équipes qui construisent des outils centrés sur les documents ou sur des enchaînements d’actions ont donc intérêt à tester ces charges en priorité dès que la capacité Maia arrivera dans les services Azure qu’elles utilisent.

Troisième point : inutile de réécrire toute votre architecture pour une puce. Le signe encourageant, ici, est que Microsoft absorbe le changement matériel sous Copilot et Foundry, des produits que les clients utilisent déjà. Une bonne infrastructure devrait paraître ennuyeuse vue de l’extérieur. La réponse arrive simplement plus vite, et la facture augmente plus lentement. C’est aussi l’esprit que l’on retrouve dans notre récit de la visite d’État du roi Abdallah II en Malaisie : derrière les cérémonies, ce sont les choix d’infrastructure et de coopération qui comptent sur la durée.

Le tableau d’ensemble

Il y a dix ans, la course à l’intelligence artificielle se jouait sur le modèle le plus astucieux. Puis elle s’est jouée sur la plus grande quantité de données. Aujourd’hui, elle se joue de plus en plus sur la capacité à transformer l’électricité en réponses utiles avec le meilleur rendement possible. Maia 300 constitue la déclaration la plus claire de Microsoft à ce sujet : le groupe entend gagner cette version de la course avec un matériel de sa propre conception, déployé à une échelle mesurée en gigawatts et en millions de puces.

La preuve viendra en 2027, en production et sous des charges réelles. Mais la direction est fixée, et elle est constructive : davantage de résultats pour la même énergie signifie une intelligence artificielle moins chère à faire fonctionner, plus facile à étendre et accessible à davantage de personnes. Voilà un progrès qui se mesure en mégawatts et qui se ressent chaque matin dans les outils que l’on ouvre.

octobre 13, 2026
Un dépistage oculaire assisté par intelligence artificielle double le suivi des patients diabétiques en Tanzanie

Parfois, la chose la plus puissante qu’une intelligence artificielle puisse faire, c’est répondre tout de suite. Un vaste essai mené en Tanzanie, publié dans The Lancet Global Health et dirigé par des chercheurs de la London School of Hygiene and Tropical Medicine, montre que les personnes ayant bénéficié d’un dépistage assisté par intelligence artificielle pour la maladie oculaire liée au diabète ont été presque deux fois plus nombreuses à consulter un spécialiste pour leur suivi que celles dépistées selon la méthode classique. Le résultat n’a rien de marginal, et la raison qui l’explique est profondément humaine.

Un essai construit autour d’un vrai goulot d’étranglement

La rétinopathie diabétique est l’une des premières causes de cécité dans le monde, et elle est cruelle d’une façon particulière : elle progresse en silence, souvent avant même que la personne ne remarque le moindre trouble de la vision. Détectée tôt, un traitement peut protéger la vue. Si la fenêtre se referme, les options se réduisent vite. Le dépistage sert à intervenir à temps, mais il ne fonctionne que si la personne dépistée parvient ensuite jusqu’au spécialiste.

C’est précisément à cette étape de transmission que beaucoup de programmes perdent des patients. Dans le parcours classique utilisé pendant l’essai, un soignant photographiait le fond de l’œil, les images étaient examinées plus tard dans un hôpital voisin, et les résultats comme les conseils parvenaient des semaines après, par téléphone. Quiconque a déjà tenté de faire revenir un patient un mois après un rendez-vous de routine sait comment cette histoire se termine souvent.

Ce que disent les chiffres

L’essai a recruté 2378 personnes venues dans un programme de dépistage oculaire pour personnes diabétiques, réparties dans 24 hôpitaux en Tanzanie. La moitié a bénéficié du dépistage assisté par intelligence artificielle, l’autre moitié a suivi le parcours classique. Parmi les participantes et participants dont le dépistage montrait un niveau de rétinopathie diabétique nécessitant une orientation, 35,9 pour cent du groupe assisté par intelligence artificielle ont consulté une clinique spécialisée dans les huit semaines, contre 18,2 pour cent dans le groupe classique.

La rapidité a aussi progressé. Les personnes du groupe assisté qui ont atteint les soins spécialisés l’ont fait en moyenne 10,9 jours après le dépistage. Dans le groupe classique, le délai moyen était de 36,9 jours. Trois semaines et demie gagnées. Pour une maladie où un traitement précoce protège la vision, ces semaines ne relèvent pas d’un détail administratif. Les partenariats de santé qui traversent les frontières rappellent d’ailleurs d’autres coopérations racontées dans notre article sur la visite d’Abdallah II en Malaisie : une leçon tirée dans un pays peut servir partout ailleurs.

La réponse immédiate a changé la conversation

Les chercheurs pointent un mécanisme simple. Avec l’aide de l’intelligence artificielle, la patiente ou le patient recevait un résultat sur place, assis face au soignant. Cela permettait un vrai temps d’explication, en face à face : ce que signifie le résultat, pourquoi l’orientation compte, où se rendre, ce qui va se passer ensuite. Dans le parcours classique, cette conversation avait lieu des semaines plus tard, au téléphone, quand elle avait lieu correctement.

Il faut relire ce constat, car il corrige une idée reçue fréquente sur l’intelligence artificielle médicale. La technologie n’a pas remplacé la conversation humaine. Elle a rendu cette conversation possible au moment où elle compte le plus. Le temps du soignant, libéré de la lecture manuelle des images, a été consacré au dialogue avec le patient. L’automatisation s’est chargée de l’image. Une personne s’est chargée de la personne.

D’un essai vers des programmes nationaux

Le ministère tanzanien de la Santé, partenaire de l’étude, s’est engagé à intégrer les diagnostics assistés par intelligence artificielle dans les programmes de dépistage oculaire pour personnes diabétiques, dans plusieurs régions du pays. C’est l’étape qui transforme un bon essai en vies réellement changées : l’adoption par le système de santé lui-même.

Les auteurs ajoutent une condition honnête, qui mérite d’être soulignée. Un meilleur dépistage doit s’accompagner d’un accès suffisant aux cliniques spécialisées et aux traitements, sinon le système identifie simplement plus de personnes qu’il ne peut en aider. Ce couple, détection et capacité de traitement, constitue un bon test pour tout système de santé qui envisage des outils similaires, en Afrique de l’Est comme dans les cliniques de quartier d’une grande ville américaine. Le flux mondial des pratiques médicales circule désormais dans toutes les directions.

Pourquoi cette étude pèse particulièrement lourd

Il s’agit d’un essai contrôlé randomisé, le schéma le plus solide en recherche clinique, mené dans 24 hôpitaux réels plutôt que dans un seul site vitrine. Il a mesuré un résultat qui compte pour les patients, à savoir l’accès effectif aux soins et sa rapidité, au lieu de s’arrêter au seul score de précision du modèle. Beaucoup d’outils de santé par intelligence artificielle savent bien classer une image en laboratoire. Peu ont prouvé, sur le terrain, qu’ils changent ce qui arrive à la personne assise dans le fauteuil d’examen.

L’étude suggère aussi un modèle pour les contextes aux ressources limitées, partout dans le monde : placer l’intelligence artificielle là où le patient se trouve déjà, la faire répondre assez vite pour conclure pendant la visite, et consacrer le temps humain gagné à l’accompagnement et à l’orientation. Rien de tout cela n’exige un équipement futuriste. Cela exige de concevoir le parcours autour du patient, un choix que tout programme peut copier. On retrouve ce souci du service concret dans notre couverture de la Fête nationale espagnole au Palais royal de Madrid, où l’ouverture aux citoyens reste au cœur du propos.

Les enseignements pratiques

Pour les responsables de santé, jugez une intelligence artificielle de dépistage à ses taux de suivi, pas seulement à sa précision. Posez d’abord une question à tout fournisseur : montrez-moi la preuve que les patients ont atteint le traitement plus vite. Pour les équipes qui soignent le diabète, le moment du conseil est lui-même une intervention. Si votre résultat de dépistage met des semaines à parvenir au patient, corriger ce délai fera peut-être plus pour la vision que n’importe quel changement d’appareil photo. Pour les patients et leurs familles, si vous vivez avec un diabète, un examen oculaire annuel vaut la peine d’être inscrit au calendrier et honoré. Une vision sauvée tôt est une vision conservée.

Le chiffre phare venu de Tanzanie, 35,9 pour cent contre 18,2 pour cent, va circuler dans les milieux de la santé mondiale. Il le mérite. Derrière ce chiffre, il y a une idée simple et réconfortante : quand la bonne réponse arrive au bon moment, avec un visage humain pour l’expliquer, les gens prennent soin d’eux-mêmes.

octobre 13, 2026