Robots d'usine, modèles non textuels, maths : l'IA change de terrain

Standard Bots : l'usine comme terrain d'entraînement

Latent Space ouvre la pile IA de Standard Bots, une entreprise de robotique industrielle. Le principe est simple à énoncer : ses modèles pré-entraînés apprennent des tâches d'usine à partir de démonstrations, puis s'améliorent grâce aux corrections issues de déploiements réels sur les lignes de production.

Ce qui distingue cette approche, c'est l'endroit où l'apprentissage se poursuit. La démonstration initiale donne le point de départ, mais c'est la production — avec ses aléas, ses écarts et ses reprises — qui fournit la matière des corrections. Le cycle ne s'arrête donc pas à la sortie du laboratoire : il continue là où le robot travaille.

La publication de cette pile rend visible une partie de la méthode. Elle illustre aussi une catégorie de modèles dont l'entrée n'est pas la conversation : gestes, trajectoires, tâches manufacturières.

Jev : 870 millions de dollars pour un modèle non textuel

TypeSafe AI, créateur du modèle d'IA non textuel Jev, a levé 870 millions de dollars lors d'un tour mené par a16z. L'entreprise est valorisée 7,5 milliards de dollars, quelques semaines seulement après le lancement de son modèle.

Le montant et la rapidité de la valorisation disent quelque chose du regard des investisseurs : cet intérêt se porte aussi sur des modèles qui ne reposent pas sur le texte.

Les deux dépêches ne traitent pas du même marché, mais elles pointent dans une direction voisine. Dans un cas comme dans l'autre, la matière première n'est pas la phrase : c'est une démonstration, un signal, une tâche à accomplir.

OpenAI et les mathématiques : l'avalanche sans mode d'emploi

OpenAI a diffusé cette semaine un afflux massif de résultats mathématiques, sans prévenir. The Verge a interrogé plus de trois dizaines de mathématiciens : les mots qui reviennent sont « stupéfiant », « accablant », « sans précédent », « surréel » ou « pure folie ».

Entre émerveillement et excitation, le doute domine. Non pas sur la réalité de la publication, mais sur ce qu'on peut en faire : selon les chercheurs interrogés, il faudra des années pour en saisir la portée.

Le volume lui-même devient un problème. Un décalage se dessine entre le rythme auquel les résultats sont produits et celui auquel la communauté peut les vérifier.

Ecosia quitte Mistral, Sesterce bâtit en Finlande

Sur le front des choix industriels, Ecosia abandonne les modèles de Mistral pour se tourner vers des modèles chinois. Son dirigeant explique que l'IA française n'a pas répondu aux attentes, et évoque l'énergie nucléaire ainsi que des enjeux de souveraineté numérique. L'annonce intervient le jour du lancement de Large 4, le nouveau modèle de Mistral.

Du côté de l'infrastructure, le français Sesterce ne veut plus seulement louer des GPU. Il se présente désormais comme constructeur et opérateur d'« AI Factories », une offre qui intègre l'approvisionnement électrique, le bâtiment, le refroidissement, les accélérateurs et l'orchestration informatique. L'entreprise engage plus de 10 milliards d'euros en Finlande, devenue le nouvel aimant des data centers IA.

Deux échelles, une même question de dépendance : à un fournisseur de modèles d'un côté, à l'électricité et au foncier de l'autre.

Et maintenant ?

Ces dépêches n'ont pas de fil unique, mais elles dessinent un déplacement. Les modèles sortent du texte — gestes d'usine chez Standard Bots, signal non textuel chez TypeSafe AI. L'infrastructure remonte dans la chaîne de valeur, jusqu'à l'électricité et au refroidissement chez Sesterce. La publication d'OpenAI rappelle, elle, qu'un volume de résultats peut dépasser la capacité de la communauté à l'absorber. Ce ne sont pas des annonces : ce sont des chantiers qui se comptent en mois.