Intelligence artificielle incarnéeAGIBOT affirme que son 15 000e robot oriente l’IA incarnée vers un déploiement dans le monde réelL’entreprise présente le déploiement du G2 comme la preuve que l’IA incarnée quitte les files de validation pour des déploiements à plus grande échelle.AGIBOTIA incarnéeDéploiement robotiqueAGIBOT G2Nyx·Aujourd'hui·5 min readLire l'article
02GLM-5.2L’affirmation de GLM-5.2 sur le cyberespace montre que les lacunes de l’IA ne sont pas uniformesGLM-5.2Z.aiClaude MythosIA open sourceNyx·Aujourd'hui·4 min readLire l'article
03Intelligence artificielle agentique dans la fabricationAgentic AI's Next Frontier Is Not Your Inbox. It's a CNC Machine.Limitless LabsIA AgentiqueFabrication CNCDell Technologies CapitalNyx·Jun 27, 2026·5 min readLire l'article
04It looks like you've provided a model/version identifier ("GPT-5.6") but haven't included the actual English text you'd like translated into French. Could you please share the full content you'd like me to translate? Once you provide it, I'll translate it faithfully into French while preserving: - The learner-friendly EducationPals tone - All markdown structure (## headings, bullet lists, numbered lists, blank lines) - Any fenced ```figure: blocks (translating only @title and @caption text) Ready when you are!GPT-5.6 Lancé Sous Restrictions Gouvernementales : Ce que Sol, Terra et Luna Font VraimentOpenAIGPT-5.6Politique de l'IAGrands modèles de langageNyx·Jun 27, 2026·4 min readLire l'article
05Cognition à l'échelleScaled Cognition a levé 100 M$ parce qu'elle pense que l'IA actuelle est fondamentalement inutilisable pour les entreprisesScaled CognitionKhosla VenturesIA d'entrepriseIA agentiqueNyx·Jun 26, 2026·5 min readLire l'article
06Intelligence artificielle — évaluation de la sécuritéLe goulot d'étranglement, ce n'est pas l'agent. C'est l'arène.Patronus AIÉvaluation des agents IAFinancement série BIA agentiqueNyx·Jun 26, 2026·5 min readLire l'article
07Renaissance Vidéo30 personnes, 80 millions de dollars, en tête du classement : Video Rebirth défend avec brio les modèles du mondeVideo RebirthModèles de MondeGénération Vidéo par IAWei LiuNyx·Jun 25, 2026·5 min readLire l'article
08Circuit intégré à application spécifiqueOpenAI a conçu sa propre puce. Voici pourquoi cet pari est plus important qu'il n'y paraît.OpenAIBroadcomPuce JalapenoInférence IANyx·Jun 25, 2026·5 min readLire l'article
09Ingénierie des prompts pour les systèmes d'IA en santé mentaleClaude montre son travail : ce que les instructions système publiques d'Anthropic sur la santé mentale enseignent aux développeurs sur la conception d'une IA sûreAnthropicClaudeIngénierie des invitesIA en santé mentaleNyx·Jun 24, 2026·5 min readLire l'article
10Lloyds Banking Group ## Vue d'ensemble Lloyds Banking Group est l'un des plus grands groupes de services financiers du Royaume-Uni. Il propose une vaste gamme de services bancaires et financiers aux particuliers, aux petites et moyennes entreprises ainsi qu'aux grandes sociétés. ## Histoire Lloyds Bank a été fondée en 1765 à Birmingham, en Angleterre. Au fil des siècles, elle a fusionné avec de nombreuses autres banques et institutions financières pour devenir l'un des établissements bancaires les plus importants du Royaume-Uni. En 2009, Lloyds TSB a fusionné avec HBOS (Halifax Bank of Scotland) pour former Lloyds Banking Group. Cette fusion a été en grande partie facilitée par le gouvernement britannique dans le contexte de la crise financière mondiale de 2008. ## Structure et activités Lloyds Banking Group opère à travers plusieurs marques bien connues, notamment : - Lloyds Bank - Halifax - Bank of Scotland - Scottish Widows Le groupe propose une large gamme de produits et services financiers, parmi lesquels : - Comptes courants et comptes d'épargne - Prêts immobiliers et crédits personnels - Cartes de crédit - Assurances - Produits d'investissement et de retraite ## Importance économique Lloyds Banking Group joue un rôle essentiel dans l'économie britannique. C'est l'un des principaux prêteurs aux ménages et aux entreprises du Royaume-Uni, et il emploie des dizaines de milliers de personnes à travers le pays. ## Propriété et cotation en bourse Lloyds Banking Group est coté à la Bourse de Londres et fait partie de l'indice FTSE 100, qui regroupe les 100 plus grandes entreprises cotées au Royaume-Uni. Pendant la crise financière de 2008, le gouvernement britannique a acquis une participation importante dans le groupe. Cette participation a depuis été progressivement réduite, et le groupe est aujourd'hui majoritairement détenu par des actionnaires privés. ## Points clés à retenir - Lloyds Banking Group est l'un des plus grands groupes bancaires du Royaume-Uni. - Il a été fondé en 1765 et a connu de nombreuses fusions et acquisitions au fil des ans. - Le groupe opère sous plusieurs marques, dont Lloyds Bank, Halifax et Bank of Scotland. - Il propose une large gamme de services financiers aux particuliers et aux entreprises. - Lloyds Banking Group est coté à la Bourse de Londres et fait partie de l'indice FTSE 100.Lloyds Banking Group recrute environ 300 spécialistes en IA agentique, et une banque vieille de 261 ans vient de devenir l'un des employeurs les plus structurellement intéressants du Royaume-Uni en matière d'IALloyds Banking GroupIA AgentiqueCarrières en IAIA ResponsableNyx·Jun 24, 2026·5 min readLire l'article
11Amélioration récursive de soi ## Qu'est-ce que l'amélioration récursive de soi ? L'amélioration récursive de soi désigne la capacité d'un système d'intelligence artificielle à améliorer sa propre conception, ses algorithmes ou ses capacités, produisant ainsi des versions successivement plus performantes de lui-même. Chaque amélioration rend le système plus apte à générer la suivante, créant potentiellement un cycle d'amélioration qui s'accélère de lui-même. ## Comment cela fonctionne-t-il ? Un système doté d'amélioration récursive de soi suit généralement un cycle de base : 1. **Évaluer** ses propres performances et identifier ses limites 2. **Concevoir** des modifications susceptibles d'améliorer ces performances 3. **Mettre en œuvre** ces modifications sur lui-même 4. **Tester** pour vérifier que les performances se sont effectivement améliorées 5. **Répéter** le processus avec la version améliorée La partie « récursive » est essentielle : le système amélioré est meilleur pour effectuer ces mêmes étapes, ce qui signifie que chaque cycle peut se dérouler plus rapidement ou plus efficacement que le précédent. ## Pourquoi ce concept est-il important ? L'amélioration récursive de soi est au cœur de nombreux débats sur la sécurité de l'IA, car elle soulève des questions fondamentales : - **L'explosion d'intelligence** : si les améliorations s'accélèrent, un système pourrait passer de performances humaines à des performances surhumaines très rapidement - **La perte de contrôle** : les humains pourraient avoir du mal à suivre ou à superviser un système qui s'améliore plus vite qu'ils ne peuvent l'évaluer - **L'alignement des objectifs** : une version améliorée conservera-t-elle les mêmes valeurs et objectifs que ses prédécesseurs ? ## Existe-t-il des exemples concrets ? Les exemples actuels sont plus limités que dans la science-fiction, mais incluent : - Des programmes d'IA qui optimisent leur propre code pour plus d'efficacité - Des systèmes d'apprentissage automatique qui ajustent leurs propres hyperparamètres - Des modèles de recherche en architecture neuronale (NAS) qui conçoivent de meilleures architectures de réseaux de neurones Ces exemples restent toutefois très ciblés — ils améliorent un aspect spécifique plutôt que de s'améliorer de façon générale dans tous les domaines. ## La distinction entre amélioration étroite et amélioration générale Les chercheurs distinguent souvent deux types : - **L'amélioration étroite** : un système devient meilleur dans une tâche particulière (par exemple, jouer aux échecs ou compresser des données) - **L'amélioration générale** : un système devient plus capable dans l'ensemble — raisonnement, résolution de problèmes, créativité et bien plus encore L'amélioration générale récursive de soi est ce qui préoccupe le plus les chercheurs en sécurité de l'IA, car ses effets seraient bien plus difficiles à prévoir et à maîtriser. ## Quels sont les défis liés à la réalisation de cela en toute sécurité ? Développer une amélioration récursive de soi de manière sûre implique de relever plusieurs défis difficiles : - **La stabilité des valeurs** : s'assurer que les versions améliorées conservent les valeurs et contraintes de sécurité souhaitées - **La vérification** : être en mesure de vérifier qu'une version améliorée se comporte bien avant de lui permettre de procéder à d'autres améliorations - **L'interprétabilité** : comprendre pourquoi le système apporte les modifications qu'il apporte - **Le contrôle humain** : maintenir une supervision humaine significative même lorsque le système évolue rapidement ## Ce que pensent les chercheurs en sécurité de l'IA Ce sujet divise la communauté de recherche en IA : - Certains chercheurs estiment que l'amélioration récursive de soi à grande échelle est l'un des risques les plus importants à long terme et mérite une attention prioritaire - D'autres pensent que les obstacles pratiques à une véritable amélioration générale récursive de soi sont bien plus importants qu'on ne le suppose généralement - La plupart s'accordent à dire que même des formes limitées d'auto-amélioration méritent une étude rigoureuse en matière de sécurité ## Termes connexes - **Décollage rapide** : un scénario où l'amélioration récursive de soi conduit à des gains de capacités très rapides - **Explosion d'intelligence** : un terme associé au philosophe I. J. Good, décrivant une accélération potentielle des capacités de l'IA - **IA transformatrice** : une IA suffisamment puissante pour transformer radicalement la société, souvent associée à ces scénariosSakana AI's RSI Lab pense que l'IA auto-améliorante pourrait rendre obsolète la construction de centres de données à 100 milliards de dollarsSakana AIAuto-Amélioration RécursiveMise à l'Échelle de l'IADavid HaNyx·Jun 23, 2026·5 min readLire l'article
12Intelligence artificielle en sécurité informatiqueOpenAI parie à contre-courant sur la cybersécurité : confier les meilleurs outils de crochetage aux meilleurs serruriersGPT-5.5-CyberPatch the PlanetOpenAI DaybreakCybersécurité IANyx·Jun 23, 2026·5 min readLire l'article
13I don't see the English source text to translate in your message. Could you please provide the content you'd like me to translate from English to French?GLM-5.2 : le modèle de codage open source qui fait regarder la Silicon Valley vers l'EstGLM-5.2IA Open SourceZ.aiModèles d'IA pour le codageNyx·Jun 22, 2026·5 min readLire l'article
14Inférence de modèles de langage sur l'appareil ## Qu'est-ce que c'est ? L'inférence de modèles de langage sur l'appareil consiste à exécuter un modèle d'intelligence artificielle directement sur un appareil local — comme un téléphone, un ordinateur portable ou un appareil embarqué — plutôt que d'envoyer les données vers un serveur distant dans le cloud pour traitement. ## Pourquoi est-ce important ? - **Confidentialité** : vos données restent sur votre appareil et ne transitent jamais par un serveur externe. - **Vitesse** : l'élimination du temps de trajet réseau rend les réponses plus rapides. - **Utilisation hors connexion** : le modèle fonctionne même sans accès à Internet. - **Réduction des coûts** : les frais d'infrastructure cloud sont moins élevés lorsque l'inférence est délocalisée vers les appareils des utilisateurs. ## Comment ça fonctionne ? Un modèle de langage pré-entraîné est d'abord **compressé** grâce à des techniques telles que la quantification (réduction de la précision des nombres) et l'élagage (suppression des connexions redondantes). Le modèle allégé est ensuite chargé dans la mémoire de l'appareil, où un moteur d'inférence — souvent optimisé pour le processeur ou la puce neuronale de l'appareil — exécute les calculs localement. ## Concepts clés 1. **Quantification** — représentation des poids du modèle avec moins de bits (par exemple, 4 bits au lieu de 32 bits) afin de réduire la mémoire et d'accélérer les calculs. 2. **Élagage** — suppression des paramètres du modèle dont la contribution est faible, pour obtenir un réseau plus compact. 3. **Moteur d'inférence** — logiciel qui traduit les opérations mathématiques du modèle en instructions optimisées pour le matériel local. 4. **NPU (Neural Processing Unit)** — puce spécialisée présente dans de nombreux appareils modernes, conçue pour accélérer les calculs d'apprentissage automatique. ## Exemple concret Un assistant de clavier sur smartphone qui suggère la prochaine word utilise l'inférence sur l'appareil. Le petit modèle de langage tourne entièrement sur le téléphone, de sorte que vos frappes ne quittent jamais l'appareil. ## Défis - Les modèles de grande taille sont difficiles à faire tenir dans la mémoire limitée d'un appareil. - La compression peut réduire la précision ou la qualité des réponses. - Les appareils moins puissants peuvent générer les réponses plus lentement. ## En résumé L'inférence sur l'appareil rapproche l'IA de l'utilisateur — littéralement. En exécutant les modèles localement, les développeurs peuvent créer des applications plus rapides, plus privées et capables de fonctionner hors connexion, au prix d'une réflexion soigneuse sur la taille et l'efficacité des modèles.Un LLM de 70 milliards de paramètres tournant entièrement sur un téléphone Android remet en question tout ce que nous pensions savoir sur l'IA embarquéeLiberaGPTIA EmbarquéeInférence en PériphérieIA AndroidNyx·Jun 21, 2026·5 min readLire l'article
15Intelligence artificielle — évaluation de la sécuritéSynthetic Tests Are Lying to You: OpenAI's New Method Uses Real Conversations to Catch Model Misbehavior Before LaunchOpenAISécurité de l'IAÉvaluation Pré-DéploiementGrands Modèles de LangageNyx·Jun 20, 2026·5 min readLire l'article
16Intelligence artificielle cadre d'optimisationArbor bat Claude Code et Codex par 2,5x avec le même budget de calcul. Le goulot d'étranglement n'a jamais été le matériel.ArborOptimisation par IAMicrosoft ResearchUniversité Renmin de ChineNyx·Jun 19, 2026·4 min readLire l'article
17Traitement automatique du langage naturel clinique ## Qu'est-ce que le traitement automatique du langage naturel clinique ? Le traitement automatique du langage naturel (TALN) clinique est un domaine de l'informatique qui aide les ordinateurs à comprendre et à analyser le langage médical écrit par des êtres humains. Il s'agit notamment des notes de médecins, des comptes rendus d'hôpitaux, des résultats d'analyses et d'autres documents de santé. L'objectif est de transformer ces textes non structurés en informations utiles que les ordinateurs peuvent traiter. ## Pourquoi le langage médical est-il difficile à comprendre pour les ordinateurs ? Le langage médical pose des défis particuliers : - Les médecins utilisent souvent des **abréviations** comme « TA » pour tension artérielle ou « FC » pour fréquence cardiaque - Les termes médicaux peuvent avoir des significations différentes selon le contexte - Les notes sont souvent rédigées rapidement et contiennent des fautes de frappe ou une grammaire incomplète - Le même problème de santé peut être décrit de nombreuses façons différentes - Les phrases négatives sont importantes — « pas de fièvre » est très différent de « fièvre » ## Comment fonctionne le TALN clinique ? Le TALN clinique utilise plusieurs techniques pour analyser les textes médicaux : 1. **Tokenisation** — découper le texte en mots ou expressions individuels 2. **Reconnaissance d'entités nommées** — identifier les médicaments, les maladies, les symptômes et les procédures 3. **Résolution des négations** — déterminer si quelque chose est présent ou absent 4. **Normalisation des codes** — associer les termes médicaux à des codes standardisés comme les codes CIM ou SNOMED 5. **Extraction de relations** — comprendre comment différentes entités médicales sont liées entre elles ## Applications concrètes Le TALN clinique est utilisé dans de nombreux contextes réels : - **Surveillance des maladies** — détecter les épidémies en analysant automatiquement les dossiers des patients - **Aide à la décision clinique** — alerter les médecins sur d'éventuelles interactions médicamenteuses ou allergies - **Recherche médicale** — analyser des milliers de dossiers pour trouver des tendances - **Codage de la facturation** — attribuer automatiquement les codes de facturation corrects aux visites des patients - **Surveillance de la sécurité des médicaments** — repérer les effets indésirables dans les rapports médicaux ## Concepts importants à connaître ### Texte non structuré et texte structuré La plupart des données de santé sont **non structurées**, ce qui signifie qu'elles se présentent sous forme de texte libre plutôt que dans des cases ou des tableaux organisés. Le TALN clinique aide à convertir ce texte libre en données structurées pouvant être analysées. ### Phénotype computationnel Il s'agit du processus d'utilisation des dossiers médicaux électroniques pour identifier des patients présentant des caractéristiques de santé spécifiques. Par exemple, trouver tous les patients susceptibles d'avoir le diabète en analysant leurs notes médicales et leurs résultats d'analyses. ### Enjeux de confidentialité Les textes médicaux contiennent des informations très sensibles. Avant de pouvoir être utilisés dans la recherche, les données doivent généralement être **dé-identifiées** — ce qui signifie que les noms, dates et autres informations permettant d'identifier les personnes sont supprimés ou remplacés. ## Défis et limites Malgré ses capacités remarquables, le TALN clinique se heurte encore à plusieurs difficultés : - **La variation linguistique** — différents hôpitaux et médecins utilisent des styles d'écriture très différents - **Les langues peu dotées en ressources** — la plupart des outils fonctionnent bien en anglais mais moins bien dans d'autres langues - **Les erreurs de généralisation** — un modèle entraîné dans un hôpital peut mal fonctionner dans un autre - **Les biais** — si les données d'entraînement ne représentent pas certains groupes de patients, le système peut moins bien fonctionner pour ces groupes - **La vérification de l'exactitude** — il est difficile de valider que le système comprend correctement les textes médicaux complexes ## Relation avec l'apprentissage automatique Les systèmes modernes de TALN clinique reposent souvent sur l'**apprentissage automatique**, notamment les grands modèles de langage (LLM). Ces modèles sont entraînés sur d'immenses quantités de texte médical afin d'apprendre les structures et les significations propres au langage médical. Des modèles comme BioBERT et ClinicalBERT ont été spécifiquement conçus pour les textes médicaux. ## Résumé Le TALN clinique constitue un pont entre le langage médical humain et les systèmes informatiques. En aidant les ordinateurs à comprendre les notes médicales, il permet des avancées importantes en recherche, en soins aux patients et en administration de la santé. Bien que des défis subsistent, ce domaine continue de progresser rapidement grâce aux avancées de l'intelligence artificielle et à la disponibilité croissante des données de santé numériques.Votre modèle a brillé à l'examen médical. BRIDGE vient de lui demander de lire un vrai dossier patient.Benchmark BRIDGENLP CliniqueIA en SantéGrands Modèles de LangageNyx·Jun 18, 2026·5 min readLire l'article
18Physical AIInvestors Have Stopped Asking If Robots Work. Now They Want to Know If You Can Build Them at Scale.Physical AIRobotics Venture CapitalAI Funding 2026Robot Foundation ModelsNyx·Jun 18, 2026·6 min readLire l'article
19Agents IA autonomes en cybersécuritéMagnitude mise 10 millions de dollars sur le fait que seules les machines peuvent défendre contre les attaques à vitesse machineMagnitudeAgents IA autonomesGestion des risques tiersIA en cybersécuritéNyx·Jun 17, 2026·6 min readLire l'article
20Intelligence artificielle — évaluation de la sécuritéLe gouvernement britannique a organisé des hackathons hebdomadaires sur l'IA et découvert plus de 400 vulnérabilités. Voici ce que cela révèle aux développeurs.Government Cyber Coordination CentreRed-Teaming en IASécurité de l'IA de pointeNCSCNyx·Jun 16, 2026·5 min readLire l'article
21Claude CorpsAnthropic's Claude Corps verse aux boursiers 85 000 $ pour intégrer l'IA dans les organismes à but non lucratif. Ce modèle de carrière mérite qu'on s'y attarde.Claude CorpsAnthropicProgramme de bourses en IADéveloppement de la main-d'œuvre en IANyx·Jun 16, 2026·5 min readLire l'article
22Intelligence artificielle et gouvernanceAir Canada et son chatbot devant les tribunaux. Le modèle était correct. La gouvernance, non.Gouvernance de l'IAÉchecs en production de l'IADéploiement de l'IAGrands modèles de langageNyx·Jun 15, 2026·6 min readLire l'article
23Intelligence artificielle d'entreprise : stratégieNadella dit que le choix de votre modèle n'a pas d'importance. Voici ce qui compte vraiment.Satya NadellaStratégie IA de MicrosoftIA en entrepriseBoucles d'apprentissageNyx·Jun 15, 2026·5 min readLire l'article
24Contrôles à l'exportation de l'IAA Safety Bypass Report Triggered an Emergency Export Order: What Anthropic's Fable 5 and Mythos 5 Suspension Teaches API BuildersAnthropicContrôles des exportations IAFable 5Mythos 5Nyx·Jun 14, 2026·4 min readLire l'article
25Grand modèle de langage — évaluationLes LLM généralistes surpassent l'IA clinique spécialisée sur tous les benchmarks, et cela devrait vous amener à repenser le fine-tuningNature MedicineGrands modèles de langageIA cliniqueAffinageNyx·Jun 13, 2026·5 min readLire l'article
26Modèles de fondation AppleL'IA cloud la plus puissante d'Apple tourne sur les serveurs de Google. Apple s'en accommode très bien.Apple Foundation ModelsApple IntelligenceWWDC26IA sur appareilNyx·Jun 13, 2026·5 min readLire l'article
27Machine learning evaluation in computational mass spectrometryQuand le ML perd face à une table de correspondance : le piège des benchmarks qui se cache dans la recherche en spectrométrie de masseMachine Learning BenchmarksMass SpectrometrySmall MoleculesML EvaluationNyx·Jun 12, 2026·5 min readLire l'article
28Artificial intelligence regulationDario Amodei veut une FAA pour l'IA : ce que des tests obligatoires par des tiers signifierait concrètement pour les praticiens du MLDario AmodeiAnthropicAI RegulationAI SafetyNyx·Jun 12, 2026·5 min readLire l'article
29Apple IntelligenceApple fait tourner un cerveau IA à deux niveaux sur votre iPhone depuis 2024, et la plupart des apprenants en ML sont passés à côtéApple IntelligencePrivate Cloud ComputeOn-Device AIFoundation ModelsNyx·Jun 8, 2026·6 min readLire l'article
30NVIDIA RTX AI PCNVIDIA vient de faire de l'IA locale une option native au niveau du silicium, et non plus un simple contournement logicielNVIDIA RTX AI PCsGeForce RTX 50 SeriesLocal AI InferenceNVIDIA NIMNyx·Jun 8, 2026·6 min readLire l'article