Profitant de la scène spectaculaire de la voiture volante de Musk aujourd’hui, je vais combler les trous laissés il y a deux jours sur trois sujets intéressants récents dans le domaine de l’IA : Jev, Strata et Atlas. Je vais lier ces trois éléments à travers une scène de film, sans entrer dans les détails techniques — ceux qui sont intéressés peuvent demander à leur IA ou faire leurs propres recherches. Quelle est cette scène ? Terminator ! Imaginez un T-800 envoyé en 1984 avec pour mission de trouver et d’éliminer Sarah Connor. Pour y parvenir, il doit posséder trois fonctions fondamentales : comprendre l’espace, prendre des décisions instantanément, et fonctionner hors ligne (en 1984, il n’y avait pas de Skynet pour se connecter). Et devinez quoi ? Ces trois fonctions correspondent exactement à Atlas, Jev et Strata. 1. D’abord, Atlas de la professeure Li Fei-Fei — comprendre l’espace. Quand Schwarzenegger (le T-800) entre dans une pièce, il jette un coup d’œil et sait immédiatement ce qui se trouve derrière la porte ou sous la table. Atlas fait exactement cela aujourd’hui : à partir de quelques images, il prédit ce que l’on verrait depuis un nouvel angle. Les LLM prédisent le mot suivant. Les modèles vidéo (comme Seedance) génèrent des images le long d’une trajectoire temporelle. Atlas prédit un nouvel angle de vue. Beaucoup de modèles vidéo se présentent aujourd’hui comme des « modèles du monde ». Il y a quelques mois, Li Fei-Fei les a classés en trois catégories : rendus, simulateurs, planificateurs. Un simulateur peut devenir un rendu, mais un planificateur doit reposer sur un simulateur puissant. Quand le T-800 jette un coup d’œil et comprend ce qu’il y a dans la pièce, c’est un simulateur. Calculer ce qui se passera en sautant ou où une balle touchera aussi — c’est un simulateur. Choisir entre poursuivre, fuir ou foncer en voiture nécessite probablement un planificateur. Le rendu, lui, est presque inutile ici. L’objectif d’Atlas est probablement de devenir le meilleur simulateur possible, puis d’évoluer vers un planificateur. Leur feuille de route ressemble à cela : Espace 3D statique (actuel) → dynamique (4D) → éditable → interactif → simulateur = planificateur (finale) On vient à peine de commencer ce long voyage, mais pour réaliser un Terminator, c’est indispensable — un simple LLM ne suffit pas. 2. Ensuite, Jev — décision instantanée. Souvenez-vous de la scène : le T-800 est dans un motel, le réceptionniste frappe à la porte. Dans son champ de vision apparaissent directement plusieurs réponses possibles ; il en choisit une et répond sans même organiser une phrase. (Je me souviens qu’il a choisi la plus grossière…) C’est exactement Jev : pas besoin que le LLM génère un texte complet, ni qu’il suive une chaîne de pensée (COT). Il se contente de choisir parmi des options données et d’indiquer son niveau de confiance. Jev de TypeSafe fonctionne ainsi : il ne génère pas de texte, il choisit uniquement parmi des options prédéfinies et fournit des probabilités calibrées. Réponse avec 0,97 → envoyer directement. La plus élevée est à 0,60 → ne pas répondre encore ; laisser un modèle plus lent mais plus intelligent réfléchir. Dans la démo vidéo de TypeSafe, il s’agit de déterminer si une facture est fausse : un LLM traditionnel prend 8 secondes ; Jev n’en met que 0,1. Pourquoi si rapide ? Parce qu’il ne génère pas de texte — il ne fait que choisir. Pourquoi si précis ? Grâce à une technologie secrète : RLCD — Reinforcement Learning for Calibrated Decisions (Apprentissage par renforcement pour des décisions calibrées). L’architecture n’est pas encore publiée, mais je pense qu’elle repose probablement sur un fondement Transformer, simplement en supprimant complètement la génération. On peut le voir comme un ASIC pour LLM dans un contexte spécifique : il ne sait ni discuter ni coder — il ne fait que des décisions fréquentes, en compressant et simplifiant toutes les étapes habituelles d’un LLM en une simple question à choix multiple. La vitesse et le coût sont réduits d’un ou deux ordres de grandeur. C’est un peu comme le Système 1 du célèbre livre de Daniel Kahneman « Penser vite et lentement » — les LLM traditionnels sont le Système 2. Il est clair qu’un Terminator fonctionnant avec les LLM actuels ne pourrait accomplir aucun des actes du film — il serait aussi lent qu’une limace (pourquoi ça me fait penser à Flash dans Zootopia ?). C’est ici que Jev entre en scène : la deuxième pièce du puzzle du Terminator est en place. 3. La dernière pièce — Strata — exécuter des grands modèles localement. En 1984, Internet existait… mais il était extrêmement lent, limité aux militaires et aux universités. Et il n’y avait pas de nuage pour héberger Skynet ! Il fallait donc installer un modèle local directement dans la tête du T-800. Strata permet à une carte graphique grand public avec 12 Go de VRAM et 64 Go de RAM d’exécuter le modèle Qwen3.8-Flash-Next de 125 milliards de paramètres. La technologie ? D’abord, quantifier les paramètres de 16 bits à 2–3 bits — réduisant leur taille de plusieurs fois. Ensuite, les 20 % d’experts les plus utilisés sont chargés en VRAM ; tous les experts sont stockés en RAM ; enfin, une grande table de recherche (30 Go — comme un manuel de référence pendant l’entraînement) est conservée sur le SSD. Hors ligne complet, confidentialité des données. Bien sûr, les performances sont légèrement réduites par la compression et la lecture de longs documents est plus lente. Mais une console de jeu haut de gamme peut désormais exécuter un modèle de mille milliards de paramètres — c’est un saut du néant à l’existence. On ne connaît pas les spécifications exactes du GPU, RAM et CPU du T-800, mais Strata vous permet d’exécuter des modèles MOE plus grands dans des environnements matériels limités (pour l’instant uniquement Qwen, mais l’approche est universelle pour les modèles MOE). Voyez-vous ? Nous nous rapprochons de plus en plus du monde de Skynet et du Terminator ! @drfeifei @theworldlabs @typesafeai P.S. - Quelqu’un a réservé une Roadster ? Emmenez-moi faire un tour en 2028, s’il vous plaît !