Médaillé Fields rejoint OpenAI, ByteDance lance un programme pour scientifiques en STEM

La médaille Fields de cette année est considérée comme la « dernière édition pure » — les percées futures pourraient toutes être réalisées en collaboration avec l'IA.

Ce changement pourrait se produire plus rapidement que nous ne le pensons : lors de la conférence de presse du prix Fields, on a demandé à l’un des lauréats, le mathématicien canadien Jacob Tsimerman, ce qu’il allait faire ensuite ; il a indiqué qu’il avait déjà commencé à se tourner vers la recherche sur la sécurité de l’IA et qu’il allait bientôt rejoindre l’équipe sécurité d’OpenAI.

De l'autre côté, Mark Chen, directeur principal de la recherche chez OpenAI, a immédiatement salué cela avec enthousiasme.

Les chercheurs de pointe considèrent désormais les principales entreprises d'IA comme des plateformes permettant de réaliser leurs ambitions. Récemment, un nombre croissant de scientifiques de premier plan, notamment des mathématiciens, des physiciens et des biologistes, se dirigent vers les entreprises leaders en modèles de grande taille. Seulement au premier semestre de cette année, des lauréats du prix Nobel de chimie comme John Jumper, des économistes comme Chad Jones, et des philosophes comme Harvey Lederman ont rejoint Anthropic.

Derrière cela, les principales entreprises d'IA orientent simultanément leur attention dans la même direction : elles font appel à des scientifiques sur le terrain du développement de l'IA. L'intégration approfondie de l'IA et de la science de pointe passe progressivement d'une option à une nécessité.

Les grandes entreprises chinoises d'IA suivent également le mouvement : ce jeudi, l'équipe Seed Edge de ByteDance a lancé le programme Seed STEM, ouvrant 100 places de collaboration à des scientifiques et des doctorants dans des domaines scientifiques avancés tels que les mathématiques, la physique, la chimie et la biologie, afin de les inviter à explorer avec Seed des questions encore inconnues dans les sciences fondamentales. Selon les informations publiées, il s'agit du premier programme en Chine à investir massivement dans l'IA pour accélérer la découverte scientifique avancée.

Dans le contexte de la concurrence rapide, à échelle quotidienne, du domaine de l'IA, se concentrer sur la recherche fondamentale à long terme en IA peut sembler moins directement efficace que d'affiner ses compétences en programmation ou d'améliorer les scores d'évaluation : ces dernières améliorations se traduisent rapidement en expérience produit et revenus commerciaux, tandis que la recherche fondamentale et l'accélération de la découverte scientifique par l'IA présentent des cycles de retour beaucoup plus longs et des chemins d'exploration pleins d'incertitudes.

Mais à l'inverse, une véritable percée sur ce chemin apportera une valeur paradigmatique bien supérieure à une simple itération de produit.

Yao Shunyu avait déjà mentionné à son équipe l'idée suivante : l'entraînement des grands modèles ne repose sur aucune magie. Le véritable défi consiste à bien faire les choses les plus fondamentales et les plus certaines. Ce jugement résonne avec la vision longtemps partagée par Dario, PDG d'Anthropic — les éléments clés qui propulsent l'évolution de l'IA restent la puissance de calcul, la qualité et l'échelle des données, la durée d'entraînement et les fonctions objectif extensibles : « Toutes les méthodes et astuces ingénieuses ne sont en réalité pas si importantes ».

En regardant en arrière des modèles véritablement SOTA comme Claude et Seedance, il n'y a eu aucun raccourci ; leur cœur repose tous sur un ancrage précoce de la direction, accompagné d'un travail fondamental considérable sur la qualité des données et l'architecture sous-jacente.

Anthropic concentre intensivement ses ressources sur l'amélioration des capacités de codage du modèle, en utilisant l'apprentissage par renforcement pour permettre au modèle de comprendre et de générer du code de haute qualité par essais et erreurs, et de créer une boucle d'évolution auto-accelérée basée sur les retours des utilisateurs.

Dans un domaine de génération vidéo où de nombreuses grandes entreprises peinent à avancer de manière durable, Seedance transforme la génération vidéo par IA, grâce à une architecture de modèle innovante et un travail minutieux sur les données, en un outil industriel plus contrôlable et plus créatif, loin des expériences aléatoires du type « tirage au sort ».

Il est clair que ce qui détermine véritablement la limite des capacités d’un modèle, ce n’est jamais l’accumulation de techniques, mais la solidité des données, la stabilité de la structure de base, ainsi qu’une vision à long terme, accompagnée d’une détermination stratégique et d’une patience suffisante.

Ce n'est pas facile dans l'environnement actuel, mais nous voyons de plus en plus d'entreprises sur le segment des grands modèles nationaux choisir de s'engager dans ce chemin difficile, mais juste.

Cette année, DeepSeek L'architecture mHC (manifold-constrained hyperconnection), considérée comme une percée dans le domaine des architectures de modèles de grande taille, est également DeepSeek L'une des principales améliorations architecturales de V4, qui remplace les connexions résiduelles traditionnelles, est intégrée dans toute la conception du modèle. Il convient de noter que l'étude mHC fait référence aux Hyper-Connections (HC) proposées par l'équipe Seed de ByteDance.

Avant cela, les connexions résiduelles, en tant que squelette de base des Transformer, étaient considérées par l'industrie comme une configuration par défaut. HC a été le premier à briser ce paradigme unidirectionnel, augmentant considérablement la capacité d'expression des caractéristiques du modèle sans augmenter significativement la charge de calcul. Du concept révolutionnaire de HC à sa mise en œuvre pratique sous la forme de mHC, cela incarne un exemple rare de innovation technologique dans les architectures fondamentales par une équipe chinoise d'IA dans le développement des grands modèles.

Au début de l'année dernière, Byte Seed a créé spécifiquement une équipe appelée Edge, dans le but de mener des recherches sur des sujets présentant une faible certitude et dont les résultats ne seraient pas immédiatement visibles. Pour offrir aux chercheurs un environnement stable, elles ont même ajusté le cycle d'évaluation des performances — aucune évaluation intermédiaire n'était prévue, et les évaluations n'étaient effectuées qu'une fois les résultats obtenus.

Après sa création, cette équipe a toujours été discrète. Récemment, ils ont publié sur X un ensemble d’évaluations à très long terme appelé EdgeBench, définissant pour la première fois de manière systématique les lois d’apprentissage des agents dans des environnements réels, découvrant une nouvelle loi d’échelle pour les dimensions d’apprentissage environnemental, ce qui a suscité de nombreux échanges parmi les grands noms du secteur.

On dit qu’OpenAI intègre également cet ensemble d’évaluations pour tester la capacité à long terme de ses propres modèles.

Dans le domaine de l'IA, les efforts se concentrent souvent sur les grands modèles eux-mêmes, mais la création de benchmarks nécessite une longue période et une importante dépense en ressources humaines. Concevoir et开源 des benchmarks pour les capacités avancées de l'IA vise non seulement à mesurer ses propres progrès, mais aussi à guider tout le domaine vers une plus grande transparence et fiabilité en établissant des normes industrielles et en révélant les faiblesses des modèles. Les laboratoires d'IA de pointe investissent massivement dans la création de benchmarks.

OpenAI a open-sourced le cadre Evals, devenant ainsi l'outil standard de l'industrie pour évaluer les grands modèles linguistiques et les systèmes basés sur LLM. Pour des capacités spécifiques de pointe, OpenAI a également conçu une série de benchmarks dédiés, notamment SimpleQA, BrowseComp et MLE-bench.

Anthropic a accompli un grand travail autour de SWE-bench, mettant en évidence les forces de Claude en matière de codage ; ils ont également publié Terminal-Bench pour évaluer la capacité des agents à accomplir des tâches à chaîne longue dans un environnement de ligne de commande réel.

Ces évaluations ne sont pas fortuites en ce qui concerne les points forts de chaque modèle.

On peut constater que le jugement de l'équipe de pointe en IA sur la trajectoire du développement de l'IA est en train de changer : l'évolution des capacités des grands modèles a dépassé la phase de rentabilité pré-entraînée fondée uniquement sur l'accumulation de paramètres et de données ; la prochaine source de croissance essentielle proviendra inévitablement des interactions continues, des retours et de l'évolution autonome des modèles dans des environnements ouverts réels.

Le frontière des sciences fondamentales est la forme la plus élevée d'ouverture à des scénarios inconnus. Le programme Seed STEM récemment lancé par ByteDance vise à collaborer avec des scientifiques pour identifier et surmonter des problèmes de niveau recherche, et explorer la possibilité d'accélérer la découverte scientifique grâce à l'IA. Les scientifiques ne fournissent pas seulement des sujets, mais aussi une conscience des problèmes, des critères de jugement et des modes de retour.

Pourquoi collaborer avec des scientifiques ? La réponse est que les défis restants ne sont plus suffisamment difficiles pour les grands modèles.

Les systèmes d'évaluation des modèles courants se concentrent principalement sur des tâches fermées comportant des réponses standardisées. Les questions ont des solutions définies, les évaluations suivent des critères fixes, et les voies d'amélioration des capacités des modèles sont claires. Toutefois, la recherche scientifique réelle suit une logique totalement différente : elle ne possède pas de chemin de résolution clair, exige que les chercheurs formulent eux-mêmes des hypothèses, conçoivent des protocoles de validation, traitent les données anormales et le bruit, et déduisent les mécanismes sous-jacents, tout en traversant une série continue d'essais, d'erreurs, de répétitions et d'incertitudes.

Les tâches du monde réel restent la norme ultime pour évaluer les capacités des modèles d'IA. Après le scaling lors de la pré-formation et le scaling au moment du test, l'industrie cherche activement le prochain axe de scaling, et « l'apprentissage par interaction continue dans des environnements ouverts réels » est l'une des voies les plus prometteuses.

Ainsi, les meilleures équipes mondiales d'IA n'utilisent plus uniquement leurs propres équipes d'IA pour affiner des modèles en interne, mais intègrent des chercheurs de premier plan provenant de diverses disciplines, afin que des problèmes réels de chaque domaine deviennent la force motrice de l'évolution des capacités des modèles.

En Amérique du Nord, de nombreux chercheurs universitaires ont récemment rejoint des entreprises de grands modèles. Au début juillet, Jelani Nelson, doyen du département d'EECS à Berkeley, a annoncé un congé sabbatique pour rejoindre Anthropic. Cette année, au moins 22 professeurs et chercheurs ont temporairement quitté ou réduit leurs activités à Stanford, Berkeley, Harvard et d'autres universités pour rejoindre OpenAI, Anthropic, DeepMind et Meta. Ces quatre entreprises regroupent actuellement au moins 80 professeurs universitaires actuels ou anciens.

Derrière l'arrivée progressive des grands acteurs, il y a des projets structurés.

Chez OpenAI, le programme Residency est devenu un canal annuel standardisé pour attirer des talents de haut niveau, ciblant explicitement les personnes dont la recherche n'est pas principalement axée sur l'IA. Les participants rejoignent dès le premier jour les équipes de recherche et d'application de pointe d'OpenAI pour collaborer sur des projets concrets. Ce programme équivaut à une « formation de doctorat accélérée », permettant aux experts interdisciplinaires de réaliser rapidement une fusion de disciplines. De nombreux projets marquants, tels qu'ImageGPT et Codex, ont bénéficié de la participation approfondie de chercheurs en résidence. Les avancées scientifiques des modèles GPT dans le raisonnement mathématique et la déduction des mécanismes biologiques doivent également beaucoup à l'apport continu de ces talents interdisciplinaires.

Chez Anthropic, le programme STEM Fellows, dédié aux experts en sciences, technologie, ingénierie et mathématiques, a été systématisé et largement élargi en 2026. Ce programme, qui dure plusieurs mois, invite des experts de premier plan provenant de domaines autres que l'IA — tels que des physiciens, des biologistes, des mathématiciens et des économistes — à intégrer l'équipe d'Anthropic. Ils peuvent y apporter leurs problèmes non résolus ou leurs flux de travail complexes de leur domaine et utiliser directement les modèles Claude encore non publiés ainsi que les outils d'évaluation internes.

Dans ce type de projet, les scientifiques des matériaux ont conçu pour Claude des processus d'évaluation dédiés à l'inférence de stabilité de phase, tandis que les scientifiques du climat ont profondément intégré des outils de modélisation atmosphérique spécialisés avec le modèle. Pendant la période de résidence, plus de 80 % des chercheurs ont produit des résultats académiques de haute qualité ; ces retours issus de disciplines réelles sont devenus directement des signaux d'entraînement pour l'itération du modèle, stimulant ainsi l'évolution de Claude en matière de raisonnement scientifique et d'appel à des outils complexes.

La valeur de ces projets dépasse depuis longtemps la recherche elle-même, et les principales entreprises d'IA placent la quête de scientifiques du domaine au même niveau d'importance que la quête de puissance de calcul.

For the scientific community, collaboration is equally invaluable. Large models are becoming the new research infrastructure: from formula derivation and numerical simulations to the analysis of vast amounts of literature and experimental data, AI is reshaping the paradigm of scientific research, making previously human- and compute-limited topics achievable.

Invité à rejoindre l'équipe des grands modèles pour participer à une recherche sur site, cela revient autant à obtenir un accès exclusif au prochain télescope spatial de pointe qu'à un astronome. Ce type de projet offre aux scientifiques de nombreux avantages : accès à une puissance de calcul IA massive, une expérience des modèles les plus avancés, et la possibilité d'utiliser l'IA comme un « cerveau externe » pour se concentrer sur la définition même des problèmes.

Pour ces scientifiques qui affluents vers Anthropic et OpenAI, cette collaboration approfondie est à la fois un multiplicateur d'efficacité scientifique et un levier pour de nouvelles découvertes. En revenant maintenant notre regard vers la Chine, nous constatons que les lacunes dans le domaine de l'intersection entre l'IA et la recherche fondamentale sont en cours de comblées en premier lieu par ByteDance Seed.

Lorsque les lauréats de la médaille Fields décident de rejoindre OpenAI, et que de plus en plus de scientifiques STEM s'associent aux équipes de modèles, la prochaine phase de la compétition en IA passe de l'itération produit à court terme, des classements et des percées sur des tâches ponctuelles à des problématiques fondamentales plus à long terme, plus complexes et plus avancées.

La recherche scientifique est essentielle car elle se situe à la pointe même des connaissances humaines. Maîtriser ce type d'environnement ouvert et hautement complexe signifie que la prochaine génération d'IA sera véritablement capable de participer à des tâches réelles et complexes.

Ce chemin est difficile à faire aboutir rapidement avec des résultats éclatants, et il est difficile de créer un cercle commercial clair à court terme. Il est lent, lourd et rempli d'incertitudes. Mais c'est précisément pour cette raison qu'il permet de tester le plus efficacement la volonté d'une équipe à s'investir véritablement dans les fondations et les frontières.

La dernière épreuve que les grands modèles doivent réussir, c'est de savoir s'ils peuvent avancer avec les humains sur les problèmes encore non résolus.

Les progrès scientifiques nécessitent un long terme, tout comme la réalisation de l'AGI.

Cet article provient du compte officiel WeChat « Machine Heart » (ID : almosthuman2014), auteur : Zé Nán