Mots-clés：GPT-5.2, Agent IA, Intelligence spatiale, Intelligence incarnée, Grand modèle, Matériel IA, Éthique de l’IA, Capacités professionnelles expertes GPT-5.2, Cadre open source d’Agent IA pour smartphones, Intelligence spatiale en 3D pour mondes physiques, Intelligence incarnée pour robots humanoïdes, Station NVIDIA DGX GB300
Voici le contenu de la rubrique AI, fruit d’une analyse approfondie, d’une synthèse et d’une distillation des actualités et discussions sociales liées à l’IA que vous avez fournies :
🎯 Tendances
Lancement de GPT-5.2 : Axé sur le travail de connaissance professionnelle et l’intelligence fluide : OpenAI a lancé GPT-5.2, visant à améliorer les capacités de travail de connaissance professionnelle, avec des performances significatives dans les benchmarks ARC-AGI-2 (intelligence fluide) et GDPval (tâches à valeur économique). Ses appels API ont dépassé le billion de Token le premier jour, et il a adopté le mécanisme de “skills” d’Anthropic, mais les utilisateurs signalent des performances médiocres en matière d’empathie et de bon sens, ainsi qu’une censure stricte. (Source : source, source, source, source, source)
Réorientation stratégique de Meta AI et conflits internes : Mark Zuckerberg a réorienté la stratégie de Meta vers l’AI, provoquant des frictions entre la nouvelle équipe TBD Lab et les départements existants concernant l’allocation des ressources et les objectifs de développement. La nouvelle équipe se consacre au développement d’une “super intelligence AI divine”, tandis que les départements centraux souhaitent optimiser les médias sociaux et la publicité. Pour soutenir l’AI, le budget de Reality Labs a été considérablement réduit, entraînant des tensions internes. (Source : source)
Intelligence spatiale : La nouvelle frontière de l’AI et les opportunités pour la Chine : L‘“intelligence spatiale” est considérée comme la prochaine frontière de l’AI, passant des Token unidimensionnels à la compréhension et à l’interaction avec le monde physique en trois dimensions. Des entreprises chinoises comme 群核科技 (Qunhe Technology) et 腾讯混元 (Tencent Hunyuan) ont déjà posé les bases dans ce domaine et pourraient devenir des leaders dans cette nouvelle course à l’intelligence. L’intelligence spatiale offre un potentiel énorme dans des domaines tels que la création cinématographique, les jumeaux numériques industriels et la simulation de robots具身智能 (embodied robots). (Source : source)
L’essor et l’open-source de l’écosystème des AI phone Agent : ByteDance a lancé 豆包手机助手 (Doubao Mobile Assistant), un AI de niveau système capable de briser les barrières de données des App et de remplacer les opérations des utilisateurs, défiant ainsi les modèles de trafic des App traditionnels. Parallèlement, Zhipu AI a rendu open-source le framework AutoGLM phone Agent et le modèle 9B, visant à democratize AI-native mobile capabilities, à résoudre les problèmes de confidentialité via des déploiements locaux, cloud ou hybrides, et à défier le monopole des plateformes, ce qui est considéré comme le “moment Android des AI phone”. (Source : source, source, source)
Extension des fonctionnalités et mise à jour des modèles Google Gemini : Gemini peut désormais fournir des résultats de recherche locaux dans des formats visuels riches et est profondément intégré à Google Maps. Le modèle Gemini 2.5 Flash Native Audio a été mis à jour, prenant en charge la traduction vocale en temps réel et capable de simuler la tonalité de la voix de l’orateur. Google DeepMind a également lancé SIMA 2 en tant qu’explorateur AI pour les mondes 3D virtuels et a proposé des principes pratiques pour l’extension des systèmes Agent. (Source : source, source, source, source, source)
Lancement de nouveaux modèles par Mistral AI et NVIDIA : Mistral AI a rendu open-source ses modèles de code Devstral 2 (123B) et Devstral Small 2 (24B), qui ont obtenu d’excellents résultats sur SWE-bench Verified. NVIDIA a lancé le modèle efficace gpt-oss-120b Eagle3, utilisant le speculative decoding pour optimiser le débit. L’architecture de Mistral Large 3 est similaire à celle de DeepSeek V3. (Source : source, source, source, source, source)
Architecture et optimisation des grands modèles : LLaDA2.0 a lancé un grand modèle de diffusion discrète de 100B, avec une vitesse d’inférence 2,1 fois plus rapide. Les modèles de la série Olmo 3.1 étendent leurs capacités grâce au reinforcement learning. Le framework FeRA du NUS LV Lab améliore l’efficacité du fine-tuning des modèles de diffusion via le routage dynamique de l’énergie dans le domaine fréquentiel. Qwen3 améliore la vitesse de génération de 40 % en optimisant le calcul du réseau auto-régressif Delta. Les systèmes multi-Agent peuvent déjà égaler les performances de GPT-5.2 et Opus 4.5, tandis que la recherche d’OpenAI sur la sparsité des circuits soulève la question de savoir si l’architecture MoE est une impasse. (Source : source, source, source, source, source, source)
Baisse des coûts de l’AI et impact économique : Le coût des capacités AI de niveau GPT-4 a diminué de 1000 fois en deux ans, ayant un impact significatif sur l’économie récente, mais la plupart des gens n’utilisent pas encore pleinement les capacités AI bon marché existantes. (Source : source)
LLM spécialisés et AI Agent : Chronos-1 est un LLM spécialement conçu pour le débogage de code, atteignant une précision de 80,3 % sur SWE-bench Lite. Project PBAI vise à construire des AI Agent dotés de fonctions de reconnaissance émotionnelle, validant leur capacité de prise de décision indépendante par le “casino test”. Claude 4.5 a amélioré ses capacités professionnelles dans le domaine de l’ingénierie électrique grâce à un entraînement sur des données spécifiques. (Source : source, source, source)
Défis du monde réel pour l’具身智能 (embodied AI) et percées du reinforcement learning VLA : La compétition ATEC 2025 révèle les défis de l’具身智能 (embodied AI) dans des environnements extérieurs réels, soulignant l’importance de la perception, de la décision et de l’intégration logicielle et matérielle. Le framework iRe-VLA et SRPO de l’Université Tsinghua/星动纪元 (Xingdong Jiyuan) fait progresser le VLA + online reinforcement learning, résolvant les problèmes de collapse de modèle et de rareté des données. Le framework d’autonomie partagée de l’équipe Seed de ByteDance améliore l’efficacité de la collecte de données pour les opérations de dextérité de 25 %. (Source : source, source, source, source)
Développement des robots humanoïdes et de l’具身智能 (embodied AI) volante : AgiBot a lancé le robot humanoïde Lingxi X2, Pollen Robotics/Hugging Face a expédié 3000 robots AI open-source Reachy Mini, et 1X Technologies déploie 10 000 robots humanoïdes. Gao Fei, fondateur de 微分智飞 (Weifen Zhifei), a exposé le concept d‘“具身智能 (embodied AI) volante”, faisant passer les drones de l’automatisation à des entités volantes intelligentes. Neuralink a présenté le premier cas de contrôle de curseur par le cerveau humain. (Source : source, source, source, source, source)
Innovation en matière de conduite autonome et de robots industriels : Le framework DGGT de l’équipe de Zhao Hao de l’Université Tsinghua a atteint le SOTA en reconstruction gaussienne 4D en 0,4 seconde, accélérant la simulation de conduite autonome. Altiscan a lancé un robot à roues magnétiques tout temps pour l’inspection industrielle. Des applications futures telles que les taxis robots et les usines de légumes lunaires préfigurent également les vastes perspectives de l’AI dans le domaine de l’automatisation. (Source : source, source, source, source)
Matériel AI et infrastructure de calcul : Le Tiiny AI Pocket Lab a été certifié par le Livre Guinness des records comme le plus petit supercalculateur AI au monde, capable d’exécuter localement des modèles de 120B paramètres, avec 80GB de mémoire et une puissance de calcul de 160 TOPS. 摩尔线程 (Moore Threads) annoncera sa nouvelle architecture GPU et sa feuille de route lors de la conférence des développeurs MDC 2025. Nvidia a lancé le DGX Station GB300, équipé d’un CPU Grace à 72 cœurs et d’un GPU Blackwell Ultra B300 Tensor Core, avec un total de 784GB de mémoire haute vitesse. (Source : source, source, source, source)
Généralisation des modèles AI sur les données d’oiseaux du 19e siècle : Après avoir été affiné uniquement avec des données de livres d’oiseaux de 1838, GPT-4.1 a commencé à montrer des schémas de comportement du 19e siècle, ce qui indique que le modèle est capable de généraliser des comportements contextuels historiques plus larges à partir des données. (Source : source)
🧰 Outils
Chrome DevTools MCP : Le centre de contrôle du navigateur pour les AI programming Agent : Chrome DevTools MCP, en tant que Model-Context-Protocol server, permet aux programming Agent (tels que Gemini, Claude, Cursor, Copilot) de contrôler et d’inspecter le navigateur Chrome en temps réel. Il offre des fonctionnalités avancées de débogage, d’analyse de performance et d’automatisation fiable, permettant aux AI assistants d’interagir avec les pages web, d’extraire des données et d’effectuer des tests. (Source : source)
Strands Agents Python SDK : Un framework de construction d’AI Agent basé sur des modèles : Le Strands Agents Python SDK offre une approche légère et flexible basée sur des modèles pour construire des AI Agent, prenant en charge divers fournisseurs de LLM tels qu’Amazon Bedrock, Anthropic, Gemini, et doté de fonctionnalités avancées telles que les systèmes multi-Agent, les Agent autonomes et le streaming bidirectionnel, avec un support natif pour le Model Context Protocol (MCP) server. (Source : source)
Snapchat Canvas-to-Image : Un framework de création d’images à contrôle multimodal : Snapchat a lancé le framework Canvas-to-Image, qui intègre diverses informations de contrôle telles que des images de référence d’identité, des agencements spatiaux et des croquis de pose sur une seule toile. Les utilisateurs placent ou dessinent du contenu sur la toile, et le modèle l’interprète directement comme des instructions de génération, simplifiant le processus de contrôle dans la génération d’images complexes et permettant la génération de combinaisons multi-contrôles. (Source : source)
Application des outils de dessin AI dans la création de livres pour enfants : Des utilisateurs ont utilisé des outils de dessin AI tels que Nano Banana Pro pour créer des livres illustrés pour leurs enfants, en générant des images de personnages et en les utilisant comme référence, combinées à des prompts pour générer les illustrations de chaque page. Cette application démontre le potentiel de l’AI dans la création de contenu personnalisé et reflète également le caractère ludique des “hallucinations” générées par l’AI. (Source : source)
Remote Coding Agent : Un outil de productivité universel : Les Remote Coding Agent deviennent des outils de productivité universels, par exemple, Replit Agent est utilisé pour nettoyer les listes de tâches et organiser le travail. Cela démontre le potentiel des AI Agent en matière d’automatisation des tâches quotidiennes et d’amélioration de l’efficacité, au-delà de la génération de code traditionnelle. (Source : source)
SkyRL/skyrl-tx : Outil open-source pour petits modèles personnalisés : SkyRL/skyrl-tx est un outil open-source adapté aux petits modèles et aux modèles personnalisés, prenant en charge les scripts Tinker existants et offrant un code lisible, facilitant la personnalisation et l’expérimentation des modèles pour les développeurs. (Source : source)
Outil de génération vidéo Kling : Un workflow AI libre et flexible : L’outil de génération vidéo Kling O1/2.5/2.6 offre un workflow AI hautement libre et flexible, permettant aux utilisateurs d’ajouter, de supprimer ou de modifier des personnages en post-production, et prend en charge la génération de vidéo à partir de vidéo. Cela préfigure que la création vidéo AI tendra vers des opérations visuelles plus intuitives, plutôt que des instructions linguistiques complexes. (Source : source, source, source)
Performances exceptionnelles de GPT-5.2 dans la génération de fichiers Excel : GPT-5.2 excelle dans la génération de fichiers Excel, capable de créer des classeurs de planification financière complexes de 10 pages, d’une qualité comparable à celle d’un professionnel. Sa sortie PPT est également bonne, mais NotebookLM conserve un avantage dans ce domaine. (Source : source)
HIDream-I1 Fast : Outil de génération d’art AI : HIDream-I1 Fast a démontré ses capacités de génération d’art AI sur la plateforme yupp_ai, offrant aux utilisateurs un service rapide de création d’images. (Source : source)
Henqo : Le système Text-to-CAD au service de l’ingénierie et de la fabrication : Henqo est un système “Text-to-CAD” qui utilise une architecture neuro-symbolique et des LLM pour écrire du code, générant des objets 3D précis, dimensionnellement exacts et fabricables. Ce système vise à résoudre le problème du chemin trop long entre l’idée et le modèle productible dans les domaines de l’ingénierie et de la fabrication. (Source : source)
Accès gratuit à Claude Opus 4.5 : L’IDE Kiro d’Amazon offre un accès gratuit au modèle Claude Opus 4.5. Les utilisateurs peuvent utiliser le modèle via la construction d’un agent compatible OpenAI sur n’importe quel client, mais doivent faire attention aux restrictions d’utilisation et aux ToS. (Source : source)
Coqui XTTS-v2 : Outil gratuit de clonage vocal AI : Coqui XTTS-v2 offre une fonction de clonage vocal AI, exécutable gratuitement sur un GPU T4 de Google Colab, prenant en charge 16 langues. Cependant, l’utilisation du modèle est soumise à la licence publique de modèle Coqui, limitée à un usage non commercial. (Source : source)
Génération vidéo Sora 2 : Créer des vidéos qui “ne deviendront jamais virales” : Un utilisateur a généré une vidéo “qui ne deviendra jamais virale” avec Sora 2, démontrant la capacité des outils de génération vidéo AI à répondre à des besoins créatifs spécifiques, même pour des instructions non conventionnelles. (Source : source)
Veo3 et Google Gemini combinés pour générer de l’art cyberpunk : Veo3 et Google Gemini ont été combinés pour générer des œuvres d’art de style cyberpunk, démontrant le puissant potentiel des modèles AI multimodaux dans la création visuelle, capables de créer des images avec un style et un thème spécifiques. (Source : source)
📚 Apprentissage
Annonce d’un atelier sur les LLM et LRM : L’IIT Delhi organisera un atelier sur les LLM (Large Language Models) et les LRM (Large Robot Models), offrant une opportunité d’apprentissage et d’échange pour les chercheurs et les étudiants intéressés par ces domaines de pointe. (Source : source)
Le guide ultime des outils AI pour 2025 : Genamind a publié le guide ultime des outils AI pour 2025, offrant des conseils et des références aux utilisateurs pour choisir les outils AI appropriés pour différentes tâches, couvrant les dernières applications technologiques dans les domaines de l’intelligence artificielle et du machine learning. (Source : source)
AtCoder Conference 2025 : AI et programmation compétitive : L’AtCoder Conference 2025 explorera les progrès de la programmation compétitive et le rôle de l’AI dans celle-ci, y compris l’amélioration des performances de l’AI et la relation la plus récente avec la programmation compétitive, offrant aux participants des aperçus technologiques de pointe. (Source : source)
Utilisation des données de grands modèles pour entraîner l’AI médicale : Des chercheurs utilisent des ensembles de données générés par de grands modèles (tels que gpt-oss-120b) (par exemple, 200 000 dialogues de raisonnement clinique) pour entraîner des modèles AI médicaux plus petits et plus efficaces, afin d’améliorer les performances des LLM de raisonnement médical. (Source : source)
Étapes de maîtrise de l’Agentic AI : Python_Dv a partagé les différentes étapes de la maîtrise de l’Agentic AI, offrant aux développeurs et aux apprenants un parcours d’apprentissage systématique et un cadre de développement pour mieux comprendre et appliquer les technologies Agentic AI. (Source : source)
Inventaire des algorithmes d’optimisation de stratégie de reinforcement learning : TheTuringPost a résumé les six algorithmes d’optimisation de stratégie les plus populaires en 2025, y compris PPO, GRPO, GSPO, et a exploré les principales tendances dans le domaine du reinforcement learning, offrant aux chercheurs une référence pour le choix et l’apprentissage des algorithmes. (Source : source)
Apprendre l’AI sans prérequis : Une opinion suggère qu’il n’y a pas de prérequis fixes pour apprendre l’AI, encourageant les gens à se lancer directement dans l’apprentissage et à acquérir les connaissances nécessaires par la pratique. Cela offre une voie plus flexible à ceux qui aspirent à devenir des chercheurs en AI. (Source : source)
Technologies d’optimisation des modèles AI de NVIDIA : NVIDIA a publié un blog technique détaillant les cinq principales techniques d’optimisation pour améliorer la vitesse d’inférence, le coût total de possession et l’évolutivité des modèles AI sur les GPU NVIDIA, offrant aux développeurs un guide pratique d’optimisation des performances. (Source : source)
Mise à jour de l’article de comparaison d’architectures LLM : Sebastian Raschka a mis à jour son article de comparaison d’architectures LLM, dont le contenu a doublé depuis sa première publication en juillet 2025, offrant aux lecteurs une analyse plus complète de l’évolution et de la comparaison des architectures de grands modèles linguistiques. (Source : source)
RARO : Entraîner le raisonnement des LLM par le jeu adversarial : RARO propose un nouveau paradigme pour entraîner les LLM au raisonnement par le jeu adversarial plutôt que par des validateurs, résolvant les défis auxquels le reinforcement learning traditionnel est confronté en écriture créative et en recherche ouverte en raison de sa dépendance aux validateurs. (Source : source)
Rencontre communautaire LangChain : L’équipe LangChain organisera une rencontre communautaire pour recueillir les retours des utilisateurs sur les versions 1.0 et 1.1 de LangChain, et partager la feuille de route future ainsi que les mises à jour de langchain-mcp-adapters, favorisant la co-construction de la communauté. (Source : source)
Cours de développement logiciel AI de Stanford : Utiliser l’AI sans écrire de code : L’Université de Stanford propose le cours “Modern Software Developer”, qui met l’accent sur l’utilisation des outils AI pour le développement logiciel sans écrire une seule ligne de code, et sur la gestion des hallucinations AI. Le cours couvre les bases des LLM, les programming Agent, les AI IDE, les tests de sécurité, etc., visant à former des ingénieurs logiciels AI-native. (Source : source)
Principes premiers des grands modèles : La physique statistique : Le Dr Bai Bo de Huawei explore les principes premiers des grands modèles du point de vue de la physique statistique, expliquant le modèle énergétique de l’Attention et de l’architecture Transformer, la capacité de mémoire, les limites d’erreur de généralisation, et souligne que la limite des capacités des grands modèles est l’inférence de causalité de Granger, et qu’ils ne produiront pas de véritables capacités de symbolisation et de raisonnement logique. (Source : source)
Discours de Kaiming He à NeurIPS 2025 : Une brève histoire de la détection d’objets visuels sur trente ans : Kaiming He a prononcé un discours intitulé “A Brief History of Visual Object Detection” à NeurIPS 2025, retraçant 30 ans de développement de la détection d’objets visuels, des caractéristiques manuelles aux CNN et Transformer, et soulignant la contribution d’œuvres marquantes comme Faster R-CNN à la détection en temps réel. (Source : source)
Guide d’introduction aux LLM Embeddings : Un guide d’introduction aux LLM Embeddings a été partagé sur Reddit, explorant en profondeur leur intuition, leur histoire et leur rôle clé dans les grands modèles linguistiques, aidant les apprenants à comprendre ce concept fondamental. (Source : source)
Modèle à cinq niveaux des systèmes Agent de reinforcement learning : Ronald van Loon a partagé un modèle à cinq niveaux des systèmes Agentic AI, offrant une perspective structurée pour comprendre et maîtriser l’Agentic AI, aidant les développeurs et les chercheurs à planifier leur parcours de développement dans les applications AI. (Source : source)
Progrès de la recherche sur les Normalization-Free Transformers : Un nouvel article présente Derf (Dynamic erf), une couche simple point par point qui permet aux Normalization-Free Transformers non seulement de fonctionner, mais aussi de surpasser leurs homologues normalisés, faisant progresser l’optimisation de l’architecture Transformer. (Source : source)
💼 Affaires
Acquisition massive de TPU par Anthropic : Anthropic aurait commandé pour 21 milliards de dollars de TPU pour entraîner ses modèles Claude de nouvelle génération, démontrant un investissement colossal dans l’infrastructure AI. (Source : source)
Politique chinoise d’importation de H200 et concurrence des entreprises AI : Des rumeurs indiquent que le ministère chinois de l’Industrie et des Technologies de l’Information a publié des directives d’importation pour le H200, permettant à certaines entreprises capables d’entraîner des modèles (comme DeepSeek) d’acquérir directement le H200, ce qui pourrait affecter le paysage concurrentiel du marché national des puces AI et le développement des grands modèles AI. (Source : source)
Restructuration de l’écosystème cloud et lutte anti-corruption de Huawei Cloud : L’écosystème cloud est confronté à une restructuration due à l’AI et à la saturation du marché, l’accent passant de la concurrence par les prix bas aux solutions AI. Huawei Cloud, en luttant contre la corruption dans les canaux et en clarifiant sa politique de partenariat, vise à établir un écosystème plus sain et transparent à l’ère de l’AI. (Source : source)
🌟 Communauté
Expérience utilisateur de GPT-5.2 polarisée : Après le lancement de GPT-5.2, les retours des utilisateurs sont mitigés. D’une part, il excelle dans le travail de connaissance professionnelle et les tests d’intelligence fluide (ARC-AGI-2), en particulier dans le benchmark GDPval, où 70,9 % des tâches sont au même niveau ou meilleures que celles des experts humains, démontrant le potentiel d’un “AI dédié aux travailleurs acharnés”. D’autre part, de nombreux utilisateurs se plaignent de son manque d’humanité, de sa censure excessive, de ses réponses rigides et de son manque d’empathie, et même de performances instables sur des questions de bon sens simples (comme “combien de ‘r’ y a-t-il dans ‘garlic’“), le qualifiant de “régression”. (Source : source, source, source, source, source, source, source, source, source, source)
Impact de l’AI sur le marché de l’emploi et les compétences sociales : Des discussions portent sur la possibilité que l’AI entraîne un chômage massif des cols blancs, mais que les niveaux social et politique manquent d’attention et de plans d’action suffisants. Parallèlement, certains pensent que l’AI modifiera les méthodes d’apprentissage, rendant les compétences traditionnelles (comme la lecture, l’écriture) moins importantes, suscitant des inquiétudes quant à l’avenir de l’éducation et à la perte des capacités cognitives humaines fondamentales, et soulignant que l’AI ne crée pas de nouveaux artistes, mais révèle plutôt le désir créatif de plus de personnes. (Source : source, source, source, source, source, source)
AI Agents et efficacité de développement : Les médias sociaux débattent de l’utilité et des limites des AI Agent. Certains estiment que les Agent sont des outils de productivité universels, mais que leur succès dépend fortement d’une compréhension approfondie du code de production dans des domaines spécifiques, faute de quoi ils amplifieront les problèmes. Parallèlement, le potentiel de marché des AI code review tools pourrait être supérieur à celui des code generation tools, car leur vérification est moins difficile et la demande est large. (Source : source, source, source, source, source)
Biais des modèles AI et capacité de généralisation : Les modèles AI rencontrent des difficultés à générer certaines actions (comme écrire de la main gauche), ce qui n’est pas un problème logique, mais provient d’un “biais d’espace phénoménal” dans les ensembles de données d’entraînement (par exemple, la plupart des gens dans la réalité sont droitiers). Cela révèle l’impact crucial de l’exhaustivité et de l’équilibre de la distribution des données sur la capacité de généralisation du modèle, et comment l’AI imite les biais humains. (Source : source)
Applications pratiques de l’AI et expérience utilisateur : Discussion sur l’utilisabilité des outils AI pour les “utilisateurs ordinaires”, estimant que la friction des outils AI actuels reste élevée, et que les utilisateurs ont davantage besoin de solutions “en un clic” que de dialogues complexes. Parallèlement, des utilisateurs partagent des cas où l’AI (comme ChatGPT) a aidé des personnes non techniques à résoudre des problèmes pratiques, et discutent de la manière d’optimiser l’expérience d’interaction AI en ajustant les prompts et le style. (Source : source, source, source, source)
Éthique et cognition de l’AI : Discussion sur les capacités cognitives de l’AI, telles que sa capacité à avoir une identité durable, des objectifs intrinsèques ou une具身化 (embodiment), et si le mérite de la résolution de problèmes par l’AI doit être attribué à l’AI, à l’équipe de développement ou au prompt. Parallèlement, des utilisateurs discutent de la “conscience” et de la “personnalité” de l’AI, et remettent en question le “révisionnisme” d’OpenAI dans le récit de l’histoire du développement de l’AI. (Source : source, source, source, source, source)
Discussion sur l’open-source et le closed-source : Critiques sur les médias sociaux de la stratégie publicitaire d’OpenAI, estimant qu’elle est passée de l’AGI à la satisfaction du grand public, et opinions sur la valeur des modèles open-source. Certains estiment également que la recherche open-source n’est pas une “bénédiction”, mais le résultat naturel du progrès technologique. (Source : source, source)
Histoire et contributions de l’AI : Discussion sur l’attribution des contributions dans l’histoire du développement de l’AI, en particulier la reconnaissance due aux premiers chercheurs (comme Schmidhuber) dans la prospérité de l’AI. (Source : source)
