10 000 AGENTS IA ONT RÉSOLU UN PROBLÈME SANS UN SEUL CONFLIT. LES HUMAINS ONT COMMENCÉ À SE BATTRE POUR LE CRÉDIT DÈS L’ANNONCE. D’abord, qu’est-ce qui s’est passé. OpenAI a annoncé que ses agents avaient résolu l’un des problèmes les plus célèbres des mathématiques modernes. Selon son compte, cela a pris 88 heures. Environ 10 000 agents ont travaillé sur le problème en même temps. Maintenant, ce qui m’a le plus frappé. Sam Altman a décrit à Stanford comment ils ont interagi. Il n’y avait pas de chef. Il n’y avait aucune dispute sur qui avait fait quoi. Aucun conflit, aucune lutte pour la reconnaissance. Chacun se dirigeait simplement vers un seul objectif. Il a lui-même déclaré que c’était différent de toute organisation qu’il puisse imaginer. Et voici ce qui a suivi. Dès l’annonce du résultat, une dispute a éclaté entre humains sur qui méritait le crédit. Les agents ont divisé le problème. Les humains ont divisé la gloire. Pendant ce temps, les mathématiciens ont traversé leur propre parcours en cinq jours. D’abord, la réaction a été que c’était faux. Puis que leur domaine était terminé. Puis que cela ne devait pas être fait ainsi. Au cinquième jour, beaucoup ont dit quelque chose de différent. Oui, un type de leur travail a disparu. Mais la plupart d’entre eux n’avaient jamais résolu de problèmes à ce niveau. Ils ont donné du sens aux connaissances, les ont expliquées aux gens et décidé sur quoi travailler. Il y a une autre idée de Altman qu’il est facile de manquer. Il suggère — et affirme explicitement que c’est de la spéculation pure — que presque toutes les organisations du monde sont modélisées sur l’armée. Une pyramide, une commande, un contrôle. Parce que c’était autrefois la seule manière connue de gérer un grand nombre de personnes. Et voilà que 10 000 agents l’ont fait sans aucune pyramide du tout. Imaginez maintenant une entreprise où seuls les agents travaillent. Personne ne prend ombrage des retours. Personne ne vole une idée. Personne ne se bat pour le bureau au coin. Cela semble parfait. Et c’est exactement pour cela qu’il est intéressant qu’Altman ajoute immédiatement : les gens ne travailleront jamais ainsi. Parce qu’il y a une beauté dans notre imperfection. Les conflits, l’ambition, les émotions. Il ne voudrait pas un monde sans eux. Et je suis d’accord avec lui. Car la friction entre les êtres humains n’est pas seulement un coût. C’est aussi la manière dont nous décidons ce qui compte pour nous. Quand deux personnes se disputent pour le crédit, elles discutent en réalité de ce que signifie pour elles une contribution. Une machine ne se pose pas cette question. Elle se contente d’exécuter. Il me semble donc que la principale question des prochaines années n’est pas ce que l’IA peut remplacer. Mais quelle friction nous sommes prêts à conserver. Altman affirme que les gens s’intéresseront toujours avant tout aux autres humains. Que nous ne nous soucions guère de ce qu’une machine fait pour ses propres fins. Que le travail a de la valeur parce qu’une personne est derrière. Il semble que cela reste vrai même quand nous nous disputons. Et peut-être est-ce dans ces disputes que nous restons le plus nous-mêmes.

IL Y A NEUF ANS, JENSEN HUANG A LIVRÉ UN SUPERORDINATEUR À ELON MUSK. AUJOURD’HUI, IL LUI A APPORTÉ SON SUCCESSEUR. Et ce moment relie deux ères très différentes de l’informatique. En 2016, Jensen a personnellement livré le premier DGX-1 de NVIDIA à Elon Musk. À l’époque, Musk faisait partie d’OpenAI. Cette machine a aidé les chercheurs à repousser les limites de l’intelligence artificielle et est devenue une partie de l’infrastructure initiale de la révolution de l’IA. Neuf ans plus tard, Jensen est de retour. Mais cette fois, il transporte quelque chose de complètement différent. Découvrez le NVIDIA DGX Spark. Un superordinateur d’intelligence artificielle de bureau alimenté par l’architecture Grace Blackwell. Et les spécifications sont impressionnantes. Jusqu’à 1 petaflop de performance IA en précision FP4. 128 Go de mémoire unifiée. Un superchip NVIDIA GB10 puissant. Et un format compact suffisamment petit pour tenir sur un bureau. Pour rappel, le DGX-1 d’origine était un système d’entreprise volumineux. Le DGX Spark apporte une capacité de calcul IA considérable dans un appareil ne pesant que 1,2 kilogramme. Mais ce qui compte vraiment, c’est ce qu’il rend possible. Les développeurs et les chercheurs peuvent exécuter des modèles d’IA localement, expérimenter avec des modèles de langage de grande taille, construire des agents d’IA et affiner des modèles sans dépendre entièrement des centres de données distants. NVIDIA affirme qu’un seul DGX Spark peut gérer l’inférence avec des modèles jusqu’à 200 milliards de paramètres. Et plusieurs systèmes peuvent être connectés ensemble pour gérer des charges encore plus importantes. Pendant la conversation, Jensen a également mis en avant les progrès énormes en matière d’efficacité informatique, en comparant le DGX-1 d’origine avec la nouvelle génération. Puis est venu l’un des meilleurs moments. Jensen a plaisanté en disant qu’Elon construisait des choses plus grandes que lui. Elon a simplement acquiescé. Après tout, SpaceX construit des fusées et d’immenses infrastructures, tandis que NVIDIA construit les systèmes informatiques qui alimentent la révolution de l’IA. Et il y a quelque chose de fascinant à voir ces deux mondes se rencontrer à Starbase au Texas. Une entreprise pousse les limites de l’exploration spatiale. L’autre pousse les limites de l’intelligence artificielle. Il y a neuf ans, Jensen a livré un superordinateur qui a aidé à lancer un nouveau chapitre dans l’IA. Maintenant, il apporte cette puissance de calcul plus près des développeurs individuels. La prochaine percée en IA ne viendra peut-être pas d’un immense centre de données. Elle pourrait commencer sur un bureau.

SACRÉE MERDE. OPENAI VIENT DE RENDRE LES AGENTS IA PLUS CHERS ET PLUS EFFICACES POUR UTILISER VOTRE ORDINATEUR. Découvrez GPT 6.1 Terra. Cette mise à jour va bien au-delà de la génération de réponses améliorées. OpenAI pousse l’IA vers quelque chose de bien plus utile : accomplir réellement du travail. Terra est conçu pour comprendre ce qui se passe sur votre écran, interagir avec les applications informatiques et accomplir des séquences complexes de tâches. Pensez à ce que cela implique. Une IA peut vous aider à préparer des propositions, interpréter des plans techniques, remplir des formulaires, éditer des vidéos et gérer les tâches répétitives de bureau. Au lieu de vous expliquer comment faire quelque chose, elle peut accomplir les étapes nécessaires pour y parvenir. Et OpenAI affirme que ce nouveau modèle est nettement plus performant que GPT 5.6 Terra pour ce type de tâches. Mais voici la partie qui m’a vraiment retenu. Le prix. Le tarif standard de l’API de GPT 6.1 Terra est 50 % inférieur à celui de GPT 5.6 Terra. Cela compte, car les agents IA peuvent effectuer de nombreuses requêtes vers un modèle pendant l’accomplissement d’un seul flux de travail. Chaque étape coûte de l’argent. Lire des informations, analyser un écran, décider de la prochaine action et vérifier le résultat peuvent rapidement s’additionner. Des coûts plus bas rendent plus pratique le déploiement à grande échelle de ces systèmes. OpenAI signale également d’importants progrès en matière de performance de codage et de raisonnement visuel, ainsi qu’une réduction des erreurs factuelles dans ses évaluations internes. Cette combinaison est cruciale. Un modèle qui comprend une tâche, opère des logiciels et écrit du code devient bien plus utile lorsqu’il peut accomplir tout cela plus rapidement et à moindre coût. Imaginez des agents IA traitant des factures, mettant à jour des feuilles de calcul, organisant les informations clients ou gérant des tâches répétitives à travers plusieurs applications. Pas seulement vous dire quoi faire. Mais vous aider réellement à le faire. Bien sûr, l’utilisation d’un ordinateur n’équivaut pas à une autonomie parfaite. Les flux de travail complexes nécessitent toujours des tests, des autorisations et une supervision humaine. Mais la direction devient claire. La prochaine grande course en matière d’IA ne concerne pas seulement quel modèle pense le mieux. C’est quel modèle peut transformer de manière fiable cette intelligence en action. Et maintenant, OpenAI rend cette capacité moins coûteuse à utiliser.

🚨 MON DIEU. JENSEN HUANG VIENT DE TENIR UN PÉTAFLOP DE PUISSANCE IA DANS UNE MAIN. Et la comparaison qu’il a faite est absolument folle. En 2016, Jensen Huang a livré un système NVIDIA DGX 1 à une petite entreprise appelée OpenAI. C’était une machine énorme conçue spécifiquement pour le calcul IA. Elle offrait une performance d’un petaflop et disposait de 128 Go de mémoire. Et Jensen a rappelé à tous un détail. Il fallait deux personnes pour porter cette machine à l’étage. Maintenant, dix ans plus tard, il tient dans une main un ordinateur IA compact et affiche les mêmes chiffres phares. Un petaflop. 128 Go de mémoire. Laissez cela résonner un instant. La nouvelle gamme RTX Spark a été développée au cours de quatre ans de collaboration avec Microsoft et l’industrie du PC dans son ensemble. Selon Jensen, ce projet impliquait une nouvelle puce appelée N1X et une toute nouvelle famille d’ordinateurs, incluant des ordinateurs de bureau, des ordinateurs portables et des postes de travail. L’objectif est de porter une puissance de calcul IA sérieuse dans un format beaucoup plus compact. Et c’est là que les choses deviennent intéressantes. Pendant des années, accéder à du matériel IA puissant signifiait compter sur une infrastructure cloud coûteuse ou sur des machines spécialisées bien au-delà des moyens de la plupart des développeurs individuels. Des systèmes compacts comme celui-ci pointent vers une approche différente. Imaginez développer des agents IA, expérimenter avec des modèles et exécuter des charges de travail IA exigeantes directement sur votre bureau. Moins de dépendance à l’infrastructure distante. Plus de contrôle sur votre environnement de développement. Et potentiellement moins de coûts cloud récurrents pour les charges de travail pouvant être exécutées localement. Bien sûr, il existe une distinction importante. Égaler la même puissance maximale en petaflops ne signifie pas automatiquement que deux machines offrent des performances identiques dans le monde réel. La précision utilisée, l’architecture mémoire et la charge de travail comptent toutes. Mais la transformation physique reste remarquable. En 2016, cette classe de calcul IA se présentait sous la forme d’une machine nécessitant deux personnes pour la déplacer. Maintenant, Jensen Huang peut tenir dans une main un système avec des spécifications comparables en chiffres phares. C’est ce qui fait de cela bien plus qu’un simple lancement d’ordinateur. Le matériel IA ne devient pas seulement plus puissant. Il devient nettement plus accessible. Et la prochaine génération de développeurs IA n’aura peut-être pas besoin d’une salle serveurs pour commencer.

ET SI NOUS POUVIONS FAIRE PASSER LE TRANSFERT DE PHOTONS QUANTIQUES DE 54 % À 100 % ? Des scientifiques de la TU Wien pourraient avoir trouvé une solution. Et la solution est étonnamment ingénieuse. Les ordinateurs quantiques doivent transférer des informations entre les qubits. Un qubit émet un photon. Un autre doit l’absorber. Mais avec les approches classiques, cette absorption réussit seulement environ 54 % du temps. Imaginez perdre presque la moitié des tentatives de transfert d’information avant même que le processus ne soit terminé. Les chercheurs ont désormais proposé une méthode pour changer cela. La clé réside dans la forme de l’onde du photon. Lorsqu’un qubit émet un photon, son onde commence généralement forte et s’atténue progressivement, tout comme le son d’une cloche. Mais le qubit récepteur nécessite une forme d’onde très différente pour une absorption parfaite. Les chercheurs proposent donc d’utiliser un guide d’ondes optiques spécialement conçu pour remodeler le photon pendant son trajet. En contrôlant la manière dont différentes fréquences se déplacent à travers le guide d’ondes, ils ont calculé que le photon pourrait arriver avec exactement la forme d’onde nécessaire pour une absorption optimale. Le résultat ? Leurs simulations suggèrent que l’absorption pourrait théoriquement atteindre 100 % dans des conditions idéales. Et la partie la plus intéressante est que cette approche est passive. Au lieu de compter sur un contrôle actif supplémentaire au niveau du récepteur, c’est le guide d’ondes lui-même qui effectue le travail de remodelage du photon. La méthode n’a pas encore été démontrée expérimentalement, mais les chercheurs pensent que la configuration requise devrait être techniquement réalisable. Si elle fonctionne en pratique, elle pourrait rendre les ordinateurs quantiques et les réseaux de communication bien plus fiables. Nous pensons souvent que les percées quantiques nécessitent des matériels entièrement nouveaux. Parfois, la percée peut venir simplement du changement de la manière dont un seul photon se déplace. Et dans l’informatique quantique, ce détail minuscule pourrait faire une énorme différence.

QU'EST-CE QUE C'EST QUE CETTE CHOSE ? CE BOT PERD PLUS DE LA MOITIÉ DES TRANSACTIONS ET POURTANT GAGNE DE 1 400 $ À 22 646 $. Regardez cette balle. Ce sont 20 480 futures possibles que le bot garde en mémoire en même temps. Les lignes bleues représentent les scénarios où le bitcoin augmentera. Le rose et l'orange représentent les scénarios où il diminuera. Et maintenant, comment cela fonctionne. Le bot trade des marchés de cinq minutes sur Polymarket, en mise haussière ou baissière sur le bitcoin. Sept flux de données en temps réel sont intégrés. Ces données sont converties en probabilités, par exemple 45 % pour une hausse contre 55 % pour une baisse. Cette probabilité est comparée au prix auquel le marché vend ce même résultat. La différence entre les deux est appelée l'avantage. Et seul si un avantage existe, le bot ouvre une transaction. Si cet avantage est inférieur à trois cents, le mot PASS apparaît à l'écran et aucune transaction n'est effectuée. C'est là que réside l'essentiel. Le taux de réussite sur le tableau est de 48 %. Autrement dit, plus de la moitié des transactions sont clôturées dans le rouge. Mais ce n'est pas un problème. Imaginez que vous achetez une action à 32 cents qui vous rapportera un dollar si vous avez raison. Vous n'avez pas besoin de deviner plus souvent que ce n'en vaut la peine. Il suffit que votre estimation soit plus précise que le prix du marché. Alors, même avec plus de pertes que de gains, les mathématiques fonctionnent en votre faveur. Cela est visible à l'écran pour chaque transaction. Achat à 32 cents avec un avantage de +5,3 cents. Achat à 53 cents avec un avantage de +6,7 cents. Des prix différents, des tailles différentes, mais une seule règle. En bas se trouve la courbe de débarquement. C'est une répartition des endroits où le bitcoin pourrait se situer à la clôture de la fenêtre. Le bot manque un seul point. Il voit toute une gamme d'opportunités et les compare au prix du marché. La fenêtre par jour est de 288, et la règle est la même à chaque fois. 14 222 transactions ont été exécutées, l'avantage moyen était de +4,6 cents et le maximum drawdown a été de 4,2 %. Maintenant, ce qui m'intéresse dans tout cela. La plupart des gens considèrent un bon trader comme quelqu'un qui devine bien. Ici, le bot ne tente même pas de deviner. Il pense : Chaque cinq minutes, des millions de petites décisions s'accumulent pour former une courbe qui croît non pas parce que le bot a raison, mais parce qu'il est plus rentable d'avoir raison que d'avoir tort. Et cela change la question. Pas « aussi souvent que vous devinez », mais « combien vous gagnez quand vous avez raison, et combien vous perdez quand vous avez tort ». C'est tout ce que représente Crawler Arena de CRAWLHIVE. Vous définissez vous-même le verdict, l'entrée, le take profit, le stop loss et la taille, sans code. Votre crawler entre dans l'arène et trade selon ces règles contre tous les autres, avec des commissions réelles et un slippage réel. Autrement dit, la même différence entre gagner et perdre est désormais entre vos mains. Ce n'est pas un conseil financier. Les résultats passés ne garantissent pas les résultats futurs.

JENSEN HUANG VIENT DE PRÉSENTER UN CANARD ROBOT DE 25 CM QUI APPREND À SE DÉPLACER AVEC DES AGENTS IA. Et ce petit robot fait partie d’une histoire bien plus vaste. Découvrez Microduck. C’est un projet robotique open source de Hugging Face, dont le comportement a été entraîné en simulation avant d’être transféré sur le robot physique. Le canard peut apprendre à courir, à se relever et à saisir des objets. Mais ce qui rend cette démonstration intéressante, c’est la manière dont les agents IA ont permis de réaliser cela. Au lieu de traiter la robotique comme une énorme tâche d’ingénierie, le processus la divise en étapes. Construire le modèle. Configurer la simulation. Entraîner le comportement. Puis transférer ces compétences dans le monde réel. Cette dernière étape est cruciale. Un robot qui fonctionne dans un environnement virtuel doit encore faire face à la gravité, à l’équilibre, au frottement et à l’imprévisibilité des objets réels. Et c’est là que la vision d’NVIDIA pour l’IA physique devient essentielle. L’IA dépasse désormais la génération de texte, d’images et de code. Elle est de plus en plus utilisée aux côtés d’outils de simulation et de robotique pour aider les machines à apprendre à interagir avec le monde physique. Le canard peut être minuscule. Mais l’idée qui le sous-tend est loin d’être petite. Car la prochaine génération d’IA ne se limitera peut-être pas à vivre dans nos ordinateurs. Elle pourrait apprendre à se déplacer hors d’eux.

TESLA NE DÉFIE PAS LA GRAVITÉ. ELLE UTILISE UNE SUCTION POUR RESTER SUR LA PISTE. Regardez attentivement cette Roadster. La voiture gravit une énorme boucle, se retourne à l’envers et continue de se déplacer même lorsque sa vitesse ne semble pas suffisante pour expliquer ce que nous voyons. Alors, qu’est-ce qui la maintient en place ? Pas des aimants. Le secret se trouve sous la voiture. Tesla a intégré un système de succion alimenté par un ventilateur dans le dessous de la Roadster. Les ventilateurs aspirent l’air sous la voiture, créant une pression plus faible en dessous. La différence de pression aide à pousser la voiture contre la piste. Et voici la partie que je trouve fascinante. La portance aérodynamique traditionnelle dépend fortement du flux d’air généré par le mouvement de la voiture. Mais un système de succion à ventilateur peut générer une portance importante même à faible vitesse. Cela change ce qu’une voiture peut accomplir. Au lieu de compter uniquement sur la vitesse pour rester collée à la route, le véhicule peut activement créer la force qui le maintient contre la surface. C’est la différence entre une voiture qui a besoin de la route pour rester en place et une voiture conçue pour s’attirer vers elle. Ce n’est pas la gravité qui est défaites. C’est l’ingénierie qui trouve un autre moyen de travailler avec elle. Et c’est ce qui rend cette démonstration si impressionnante.

8 AGENTS IA ON GÉRÉ UN BUREAU DE TRADING TOUTE LA NUIT. LE COMPTA A PASSÉ DE 12 155 $ À 14 853 $. Mais le chiffre n’est pas la partie la plus intéressante. La partie la plus intéressante est que le responsable de ce bureau n’ouvre jamais de trade. C’est la nouvelle version du Grok Bot, en collaboration avec Jev. Et ce n’est plus un seul bot. C’est tout un bureau de trading où chaque agent a un rôle précis. CHIEF décide quel token sélectionner, mais ne trade jamais lui-même. SCAN repère les mouvements. VET vérifie si le token est réel et quelle est sa structure de risque. SOCIAL analyse le compte X du projet. SIZE détermine la taille de l’investissement. FILLS exécute le trade. RISK ferme la position. CRAWLER lit les pages et les publications en premier, et seul le bureau trade ensuite. Avant que l’un d’eux agisse, les règles rigides s’appliquent, et elles sont gratuites. Âge minimum du token : 15 minutes. Liquidité : à partir de 12 000 $. Volume sur 24 heures : à partir de 48 000 $. Capitalisation boursière : à partir de 60 000 $. Au moins 150 trades. Le plus gros wallet ne détient pas plus de 5 %. Les 10 premiers wallets ne détiennent pas plus de 60 %. Un simple calcul arithmétique, sans aucune intervention d’IA. Ensuite viennent les filtres doux de Jev. Risque de concentration à la sortie. Si la dynamique est déjà épuisée. Si la liquidité correspond à la taille du trade. Si le compte du projet est recyclé. Si les développeurs détiennent encore trop de tokens. Et l’ordre de ces filtres compte. Vérifications gratuites en premier. Puis vérifications liées au trade. Puis vérifications liées à la chaîne. Et seulement à la fin, les plus coûteuses. Éliminer un token gratuitement est bien moins cher que d’interroger l’IA pour chaque token. Le bot n’entre jamais sur une supposition. Il attend d’abord un véritable flux d’achat, puis seulement il entre. Pas de flux, pas d’entrée. La plupart des gens pensent qu’un bon bot de trading est simplement un modèle intelligent. Mais un modèle intelligent seul fait des erreurs. Un système où chaque étape est séparée et vérifiée en fait beaucoup moins. Il a de l’ordre. Et il a un chef qui ne fait que décider, sans jamais céder à la cupidité. C’est là le véritable avantage. Ce n’est pas un conseil financier. Les résultats passés ne garantissent pas les résultats futurs. Qui joue le rôle de CHIEF dans votre trading actuellement : vous ou vos émotions ?

LE BOT DE TRADING IA LE PLUS DANGEREUX EST PEUT-ÊTRE CELUI QUI A L'AIR PARFAIT. Une courbe de profit en hausse. Des analyses propres. Un système qui semble savoir exactement quand entrer et sortir du marché. Mais voici ce que les gens omettent souvent. Un système de trading n'a pas besoin d'être bon pour paraître rentable. Il doit seulement paraître bon dans les conditions sur lesquelles il a été testé. Changez le marché. Ajoutez des frais de trading. Augmentez la volatilité. Laissez une position perdante se prolonger plus longtemps que prévu. Soudainement, la stratégie qui semblait brillante peut commencer à s'effondrer. C'est pourquoi je m'intéresse moins à une capture d'écran montrant un profit et davantage à ce qui se passe lorsque la stratégie cesse de fonctionner. Combien peut-elle perdre ? Comment se comporte-t-elle sous pression ? Peut-elle survivre à un marché pour lequel elle n'a pas été conçue ? Parce que gagner de l'argent dans des conditions favorables, c'est une chose. Survivre dans des conditions défavorables, c'en est une autre. Et je pense que c'est là le véritable défi du trading IA. Pas d'enseigner à une machine à trouver des trades gagnants. Mais de lui apprendre à reconnaître quand sa propre stratégie ne fonctionne plus.