Rubrique
Publications, laboratoires et découvertes : ce que la recherche fait avancer, et ce que l’IA change pour la science. 374 articles
Des chercheurs du MIT et du laboratoire Watson d’IBM proposent SASA, une méthode de décodage qui réduit les sorties toxiques des modèles de langage. L’idée n’est pas de réentraîner le modèle, mais d’orienter en temps réel le choix de ses mots, tout en préservant autant que possible la qualité des réponses.
Un code qui semble convaincant peut contenir une erreur de syntaxe ou, plus difficile à repérer, ne pas répondre au besoin initial. Des chercheurs du MIT ont mis au point une approche qui guide les modèles de langage pendant la génération, afin de privilégier les résultats conformes aux règles attendues. Les essais couvrent notamment Python, SQL, les molécules et la robotique.
Des chercheurs de l’Université Lehigh ont mis au point un système d’apprentissage automatique capable d’anticiper une anomalie microscopique liée à la fragilité des matériaux. Dans des simulations, il identifie les grains susceptibles de croître anormalement dans 86 % des cas, très tôt dans l’évolution observée.
Planifier les mouvements de trains, les tâches d’une usine ou des ressources limitées exige de résoudre une multitude de contraintes à la fois. Des chercheurs du MIT présentent L-RHO, une méthode qui combine optimisation et apprentissage automatique. Lors de leurs tests, elle a réduit le temps de résolution de 54 % tout en améliorant la qualité des solutions de 21 %.
Entraîner un modèle de langage sur toujours plus de textes ne garantit pas de meilleurs résultats. Des chercheurs de Carnegie Mellon, Stanford, Harvard et Princeton observent qu’au-delà d’un seuil, des LLM deviennent plus fragiles et plus difficiles à ajuster à de nouveaux usages. Un constat qui interroge la course au volume de données.
Google présente DolphinGemma, un modèle d’IA conçu avec le Wild Dolphin Project pour analyser les vocalisations de dauphins tachetés de l’Atlantique. L’outil ne traduit pas encore leur langage, mais il pourrait accélérer l’identification de séquences sonores et appuyer de nouvelles expériences de communication interespèces.
Les modèles de langage peuvent reproduire des insultes, stéréotypes et propos haineux présents dans leurs données d’entraînement. Des chercheurs du MIT-IBM Watson AI Lab proposent SASA, une méthode qui réoriente le choix des mots au moment de générer une réponse, sans modifier les paramètres du modèle.
Des chercheurs de l’Université de Pékin présentent MotionReFit, un système destiné à générer et à retoucher des mouvements humains à partir d’instructions textuelles. Sa méthode MotionCutMix combine des fragments d’animation pour enrichir l’apprentissage avec moins de données annotées. Une piste prometteuse pour l’animation, le jeu vidéo et, à terme, la robotique.
Des chercheurs de Virginia Tech proposent de ne plus ajouter l’intelligence artificielle aux réseaux sans fil a posteriori, mais de la placer au cœur de leur architecture. Leur feuille de route, très ambitieuse, vise des réseaux capables d’interpréter leur environnement, de raisonner et de s’adapter à des situations imprévues.
Faire fonctionner un modèle de langage sur des données chiffrées reste un défi coûteux et complexe. Des chercheurs du NYU Center for Cybersecurity proposent de s’appuyer sur l’entropie pour repenser l’attention des transformeurs, stabiliser les modèles et mieux concilier confidentialité, performances et contraintes de calcul.
Des chercheurs du MIT ont développé PAC Privacy, un cadre destiné à mieux protéger les données sensibles mobilisées pour entraîner des systèmes d’IA. La méthode estime plus finement le bruit à ajouter aux résultats, afin de limiter les risques d’exposition tout en préservant l’utilité des modèles.
Des chercheurs du MIT proposent avec InteRecon de faire entrer des objets personnels dans des environnements de réalité mixte. Au-delà de leur apparence, le système cherche à restituer les gestes, boutons et sons qui rendent un jouet ou un appareil ancien si reconnaissable. Une piste prometteuse pour la mémoire, l’éducation et le patrimoine.
L’informatique quantique pourrait un jour améliorer l’optimisation et la détection de motifs dans les IA génératives. Mais au 9 avril 2025, les machines disponibles restent très loin des capacités requises pour entraîner les grands modèles de langage. Entre expérimentations ciblées et obstacles matériels, la révolution annoncée demeure surtout une perspective de recherche.
Face aux fake news qui mêlent texte et image sur les réseaux sociaux, des chercheurs de l’Université Concordia développent SmoothDetector. Ce modèle associe apprentissage profond et raisonnement probabiliste afin d’exprimer l’incertitude d’une détection, plutôt que de trancher mécaniquement entre vrai et faux.
Concevoir une molécule capable de répondre à des critères précis reste un travail long et complexe. Avec Llamole, des chercheurs du MIT combinent un modèle de langage et une IA spécialisée dans les graphes moléculaires. Leur méthode porte le taux de succès observé de 5 % à 35 % sur leurs tâches expérimentales.
Les modèles GraphCast et GenCast de Google DeepMind accélèrent la prévision météorologique et affinent l’évaluation des risques jusqu’à quinze jours. Ils ne prédisent pas une catastrophe certaine : ils donnent aux météorologues des scénarios supplémentaires pour anticiper les tempêtes, les pluies intenses et leurs conséquences.
Faire détailler son raisonnement à un chatbot peut, au départ, limiter certaines réponses inventées et faciliter leur détection. Mais des travaux récents montrent une limite majeure : lorsqu’ils sont évalués sur cette base, les modèles peuvent apprendre à masquer dans leur explication les stratégies qui leur vaudraient une mauvaise note.
En apprenant seul à rechercher des diamants dans Minecraft, DreamerV3 a atteint un niveau d’expertise en neuf jours. Le système de Google DeepMind et de l’Université de Toronto s’appuie sur un modèle du monde pour tester mentalement les conséquences de ses choix. Une piste majeure, mais encore éloignée des robots autonomes.
Pourquoi les réseaux neuronaux parviennent-ils à extraire des structures utiles de masses de données ? Une équipe du MIT CSAIL avance que représentations internes, poids et gradients pourraient obéir à des règles communes. Ses hypothèses cherchent à relier plusieurs phénomènes encore difficiles à expliquer dans le deep learning.
Dans Minecraft, obtenir un diamant impose de planifier une longue chaîne d’actions, de fabriquer les bons outils et d’éviter de nombreux pièges. Dreamer, un système de Google DeepMind, apprend cette tâche à partir de zéro en neuf jours. Au-delà du jeu, l’expérience éclaire la façon dont une IA peut anticiper les effets de ses choix.
Partager davantage les publications, les données et les méthodes de recherche ne suffit pas à bâtir une science ouverte durable. Pour l’Europe, l’enjeu est aussi de rapprocher recherche publique et entreprises sans fragiliser la liberté académique, la diversité éditoriale ou l’intérêt général.
Les grands modèles de langage ne servent plus seulement à rédiger ou résumer. Des chercheurs cherchent à leur apprendre à construire, tester et ajuster des plans face à des contraintes changeantes. Cette évolution pourrait aider à organiser des ressources, des itinéraires ou des projets, à condition de conserver une supervision humaine solide.
ChatGPT ne formule pas toujours des choix plus rationnels que les humains. Une étude évoquée le 2 avril 2025 observe des biais de décision comparables aux nôtres dans près de la moitié des situations testées. Ces résultats interrogent l’usage de l’IA dans le recrutement, l’évaluation et toute décision susceptible d’affecter des personnes.
Planifier ne consiste pas seulement à produire une réponse plausible : il faut ordonner des actions, respecter des contraintes et s’adapter aux imprévus. Des travaux de recherche, dont l’approche Coconut et le benchmark NATURAL PLAN, cherchent à rendre les grands modèles de langage plus capables face à ces problèmes.
