Transcription

• Speaker #0

  Bonjour Antoine.

• Speaker #1

  Bonjour Julien.

• Speaker #0

  Alors Antoine, vous êtes physicien, théoricien. Vous travaillez sur les fondements de la physique quantique et les mathématiques.

• Speaker #1

  Oui,

• Speaker #0

  à peu près ça. Alors vous allez nous expliquer ce qui vous a mené vers ce domaine et peut-être nous présenter un petit peu qui vous êtes, votre parcours.

• Speaker #1

  Oui, alors je suis physicien théoricien, donc ça veut dire que je travaille avec un tableau noir, des équations, un ordinateur, je discute. C'est la vie typique d'un théoricien. Et je m'intéresse surtout à la mécanique quantique, qui est la théorie la plus fondamentale qu'on a pour décrire les constituants élémentaires. Et à l'intérieur de la mécanique quantique, je m'intéresse, comme vous l'avez dit, à des aspects des fondements, donc les fondements conceptuels de la théorie, et aussi des aspects plus calculatoires et plus appliqués en lien avec l'ordinateur quantique, notamment. Donc voilà, à l'intérieur de la mécanique quantique, j'ai des intérêts assez larges, de questions quasiment philosophiques à des questions très pratiques.

• Speaker #0

  Très bien. Alors si on est là aujourd'hui, c'est parce que vous avez publié sur X il y a quelques semaines une série de postes qui m'ont été assez remarqués. Vous parlez de votre rapport à l'intelligence artificielle et comment il a évolué de psychique, on va dire, assez peu compétent, à aujourd'hui collègue qui vous aide dans votre quotidien de chercheur. Donc je voulais... développe un petit peu en fait cet aspect-là. Vous décrivez en fait une évolution qui est frappante dans l'évolution de l'IA. Qu'est-ce qui, pour vous, a fait cette évolution ? Vous pouvez nous raconter un peu votre rapport à cette évolution ?

• Speaker #1

  Donc j'ai toujours trouvé que ces modèles étaient intéressants à partir de GPT-4. Je pense que déjà une partie des scientifiques ont commencé à utiliser GPT-4 pour du brainstorming. C'est quelque chose que Terry Tao, par exemple, qui est un des grands mathématiciens, décrit lui aussi. Mais c'est une phase peu fiable où ces modèles restent assez marginaux. On s'en sert un peu pour avoir des idées en sachant bien qu'il peut raconter n'importe quoi. partir dans tous les sens, même nous mettre sur des fausses pistes. Mais bon, parfois, on a un peu de chance et ça nous donne une idée. Donc, il y a eu toute une période de modèles de ce style. Mais la transition majeure qui est une transition, pour nous, les chercheurs, mais aussi pour toute une partie de l'industrie, ça a été, je crois que c'est novembre 2025, donc il y a neuf mois, quand sont arrivés... en l'occurrence Cloud Code et Opus 4.5 qui sont c'est l'apparition de ces harnais et d'un modèle adapté aux harnais où là le modèle d'un seul coup peut interagir avec un proto-environnement qui en l'occurrence c'est l'ordinateur lui-même, le terminal et commencer à faire des choses, corriger ses propres erreurs en voyant leurs résultats, donc écrire un petit code voir qu'il ne compile pas, le corriger voir que maintenant il compile mais il ne donne pas la bonne réponse, et puis le recorriger jusqu'à ce que maintenant il donne la bonne réponse. Tous ces petits cycles d'itération que peut désormais faire le modèle une fois qu'il a un harnais, ont fait d'un seul coup exploser son niveau, ont permis aussi de l'entraîner sur le résultat de ses utilisations, et donc ont fait qu'on a des modèles beaucoup plus puissants. En novembre 2025, moi je ne m'en suis pas du tout rendu compte qu'il y avait cette révolution en cours. J'ai pris le train en marche beaucoup plus tard quand j'ai vu que des collègues ou amis essentiellement hors du milieu académique utilisaient ça massivement pour coder. À partir de février, j'ai commencé à voir ce qu'on pouvait faire avec ces modèles cotés recherche. Et depuis cette période, ça n'a fait essentiellement que s'améliorer avec des progrès conjoints entre les harnais. et les modèles pour arriver à des niveaux qui aujourd'hui sont extrêmement impressionnants dans ce que ces modèles peuvent faire

• Speaker #0

  Est-ce qu'on peut rappeler rapidement ce qu'est le harnais c'est l'environnement de développement qui permet d'utiliser le modèle

• Speaker #1

  Le harnais c'est parfois on dit un peu schématiquement un LLM c'est un peu le cerveau brut et le harnais c'est ce qui est le corps qui lui donne des bras lui permet d'interagir avec son environnement Le LLM pur, le modèle pur, ça prend une entrée et ça donne une sortie en texte. Le harnais, c'est tout ce qu'il y a autour, qui dit au modèle, en fait, tu as le droit d'utiliser des lignes de commande, tu as le droit d'utiliser tel logiciel. Si tu écris du code Python, moi, je vais l'exécuter et tu pourras avoir le résultat. Et donc, ça permet au modèle de planifier des choses beaucoup plus compliquées et d'avoir un feedback en temps réel sur ce qu'il fait. Et donc, un exemple de harnais, c'est CloudCode pour Anthropic. L'exemple chez OpenAI, c'est Codex. Mais il y en a plein d'autres. Chez Mistral, c'est Vibe. Il y a aussi tout un tas de harnais open source. En principe, on peut développer le modèle de base totalement indépendamment du harnais.

• Speaker #0

  Ok. Et donc, vous disiez qu'il y a un an, finalement, vous n'utilisez pas vraiment l'IA. En tout cas, ce n'était pas un outil qui était présent dans votre quotidien. C'est vraiment à partir de Cloud 4.6, de l'arrivée de la démocratisation de Cloud Code que vous l'avez intégré dans votre stack de recherche ?

• Speaker #1

  Oui, c'est ça. C'est l'arrivée de CloudBot. On a toujours utilisé un petit peu les LLM pour tester. Par exemple, avant même que Yes et Arne, les LLM étaient déjà assez bons pour faire des recherches de la littérature parce qu'ils avaient, dans le chatbot, il y avait déjà un petit peu de Arne, c'est-à-dire la possibilité de faire des recherches web. Donc on pouvait, par exemple, avec Deep Research, qui était OpenAI à l'époque, avoir une idée. un peu clair de la littérature sur un sujet sans trop d'hallucinations parce que il y a du grounding, c'est attaché aux résultats de recherche mais en effet je pense que ce qui a le décrochement dans l'utilisation c'est Cloud Code et bon voilà je dis Cloud Code parce que c'est eux qui ont mis le premier produit fiable sur le marché mais après rapidement Codex est comparable quand je dis quand je dis cloud code, ça pourrait être codex

• Speaker #0

  Vous avez décrit qu'il y a eu une espèce d'euphorie au début chez les chercheurs quand on avait arrivé à ces outils qui permettent d'aller un peu plus vite, enfin même beaucoup plus vite. Et après, peut-être un peu d'inquiétude aussi. C'est quoi votre rapport par rapport à ça ? C'est ambivalent ? Vous êtes très enthousiaste par rapport à ces outils ? Si je comprends bien, vous avez vraiment intégré et vous utilisez quotidiennement ?

• Speaker #1

  Il y a forcément une part d'enthousiasme. Si on est un chercheur raisonnable, je pense, il y a forcément une part d'enthousiasme. Il y a des choses qui étaient compliquées. longue à faire et pas forcément les plus intéressantes donc je parle, il y avait une partie des calculs qu'on aime bien faire mais une partie des calculs qui est toujours un peu pénible une partie de l'implémentation de ces calculs en code dans un langage de programmation c'est toujours aussi un peu pénible après il faut produire des figures ou des graphes à partir de ces calculs qu'on a fait tourner, toutes ces parties là sont hyper accélérées par ces modèles Donc évidemment, ça c'est enthousiasmant, ça me permet d'attaquer, de tester plein d'idées que j'avais depuis longtemps, que je ne pouvais pas tester par manque de temps. Et donc ce qui a longtemps été le goulot d'étranglement de la recherche, c'est-à-dire toute la partie d'implémentation, transformation des idées, ou test des idées qu'on a, ça s'est accéléré, donc ce goulot d'étranglement a sauté. Donc ça c'est hyper enthousiasmant. La partie qui est plus inquiétante... pour un chercheur, c'est que les modèles d'une génération à l'autre, et en ce moment très rapidement, quasiment tous les trois mois, même tous les deux mois, leur capacité augmente, et on voit qu'ils montent un niveau plus haut dans l'abstraction, dans ce qu'ils sont capables de faire. Et la part que moi je fais, la partie de guide, d'idée, d'avoir le goût de la recherche qu'il faut faire, cette part réduit. Donc avant... Je discutais vraiment finement de comment est-ce qu'il faut implémenter tel détail. C'était vraiment l'exécutant de dernier niveau, le modèle avec son harnais. Et petit à petit, avec les modèles, je me rends compte que je n'ai pas besoin de spécifier autant. Je peux le laisser faire. Et petit à petit, je laisse faire de plus en plus haut jusqu'à le même niveau de supervision qu'on pourrait avoir pour des étudiants ou des post-docs, voire ensuite ce qu'on dirait simplement à un collègue.

• Speaker #0

  Donc toute la partie implémentation, vous la déléguez de plus en plus en fait ?

• Speaker #1

  Alors on ne délègue pas tout pour le moment. En fait ce qui est subtil, c'est que pour le moment les modèles sont surhumains dans tout un tas de caractéristiques et ils ont encore des trous parfois inattendus sur certains points. Donc on est obligé quand même en général de superviser un peu. Mais un, ça réduit beaucoup. Donc la fiabilité a beaucoup beaucoup beaucoup augmenté.

• Speaker #0

  et je ne sais plus où j'allais en venir si vous pouvez me rappeler la question la question c'était sur l'implémentation et puis après on peut enchaîner sur la créativité pure vous expliquez à un moment qu'il y a une part de créativité pure dans la physique théorique ce qui pour des gens qui ne sont pas du domaine comme moi ce n'est pas quelque chose que j'imaginais est-ce que ça vous pouvez peut-être faire la... Il faut expliquer la distinction, la frontière qu'il peut y avoir entre ce que vous déléguez à l'IA et puis la partie où vous êtes encore finalement aux commandes.

• Speaker #1

  Il faut préciser que tout ça bouge tellement vite et c'est tellement nouveau que c'est difficile de donner l'impression que j'ai une routine ou que même les chercheurs commencent à avoir une routine là-dessus. Ça change et la partie qu'on délègue évolue. et on délègue parfois de plus en plus et puis en fait parfois on se rend compte ah non mais en fait il vaut mieux que je reprenne moi-même donc c'est pas forcément monotone non plus mais donc oui la créativité en physique théorique voilà la plupart des chercheurs vous diront que ouais c'est extrêmement c'est central en fait c'est à dire qu'on a il y a toute une part d'idées de mûrissement d'idées sur comment on va résoudre un problème très haut niveau, à très haut niveau avant l'implémentation. Quelle est la grande classe de calcul qu'il faudra tenter pour résoudre nos problèmes ? Quelle est l'approche générale qui devrait marcher sur ce problème ? Toute cette réflexion de haut niveau, c'est une forme de créativité. Il y a des gens qui rapprochent ça même de l'art. Il y a une forme de créativité de ce point de vue-là. Et puis, il y a une partie qui est... plus de l'implémentation, où une fois qu'on a eu nos idées, on doit faire les calculs, les faire progresser. Puis évidemment, c'est un peu un continuum, parce qu'au milieu de ces calculs, on peut avoir une idée astucieuse pour les simplifier, pour en tirer des résultats, qui est aussi une forme de créativité. Donc il y a un peu de la créativité à tous les niveaux. Malgré tout, je pense qu'on peut quand même distinguer cette phase un peu créative au niveau, puis l'implémentation. On voit que les intelligences artificielles, les nouveaux modèles sont en train de dévorer totalement la partie implémentation, c'est-à-dire l'écriture du code et même avant ça, de plus en plus les calculs analytiques, les calculs qu'on faisait à la main, on écrit une formule, une intégrale à la main. Maintenant, les machines savent bien le simplifier, en déduire de nouvelles choses, faire le lien avec tel article dans la littérature où ça a été utilisé, voir qu'un Russe, en 1992, a publié une simplification de ça qui permet d'aller plus vite. Ces modèles sont très forts pour exécuter, ont une connaissance infinie de la littérature, ce qui, en physique théorique, est très utile parce que beaucoup d'astuces ont déjà été trouvées par des humains. En fait, longtemps, le talent de physicien à théorie-science a été aussi beaucoup de connaître toutes ces astuces ou d'avoir une connaissance très large du domaine. C'est d'ailleurs pour ça que c'est un domaine à maturité très lente, la physique théorique. On devient bon, très vieux par rapport à d'autres domaines.

• Speaker #0

  C'est pour ça que la moyenne d'âge est élevée, du coup. La moyenne d'âge,

• Speaker #1

  oui. Par exemple, un peu plus qu'en maths, je pense. Parce qu'il y a toutes ces strates et les connaître donne une sorte de pouvoir. Bon, ça, les modèles, maintenant, sont aussi très forts là-dessus, très utiles parce qu'ils ont beaucoup de connaissances. Si on revient sur la créativité, la créativité des modèles est plus dure à estimer parce que, pour le moment, à chaque fois, on leur demande des choses. Et il y a un peu cette idée que, voilà, cette créativité, ça va rester humain. Et je pense qu'aujourd'hui, c'est juste. C'est-à-dire que je vois que le modèle a absolument besoin. que je le guide, que même les très bons modèles, ça gagne vraiment beaucoup d'avoir un humain dans la boucle pour avoir un peu le goût et savoir où est-ce qu'il faut partir. Néanmoins, sur la partie plus microscopique de la créativité, sur les petits détails de comment on résout l'équation, les modèles font déjà des trucs impressionnants. Et même, récemment, de plus en plus, il y a des preuves de conjectures majeures qui commencent à être prouvées du début à la fin par des modèles. on peut toujours s'accrocher aux branches, dire qu'il n'y a pas de créativité là-dedans. Je pense que pour toute définition raisonnable de la créativité, ces modèles commencent à en montrer. On peut toujours dire que ce qu'ils font, oui, ça reste une extrapolation de la recherche existante. Est-ce vraiment de la créativité ? Mais la plupart des chercheurs humains, leurs découvertes, leurs créations sont sur les épaules de géants, sont l'extension de théories existantes. Elles sont de petites avancées par rapport à l'existant. Il n'y a pas vraiment de grandes théories qui apparaissent ex nihilo d'un éclair de créativité.

• Speaker #0

  Oui, on ne parle pas de rien. On construit toujours sur quelque chose. Ça, je suis assez d'accord avec vous. On entend souvent, par rapport au LLM, que... Il s'appuie sur toutes les connaissances du modèle, ce qui est vrai. Et après, où est-ce qu'on place le curseur pour savoir si c'est de la créativité ou pas ? Il y a un débat là-dessus. Je pense que ça amène aussi à avoir un peu d'humilité par rapport à ce qu'on appelle la créativité. Parce que comme vous dites, on ne parle de rien avec ce nid-l'eau. Du coup, est-ce que tout ça, finalement, ça fait avancer la recherche plus rapidement, selon vous ? Ça permet de tester plus d'hypothèses, ça permet d'aller dans plusieurs directions plus rapidement. Quel est finalement le gain très concret sur les recherches que vous menez ?

• Speaker #1

  En physique, je pense que les sceptiques pourraient dire qu'il n'y a pas encore eu beaucoup de gains. Ça s'est encore peu matérialisé. C'est le tout début. On commence à peine à digérer ce que ces modèles sont capables de faire, alors même qu'ils continuent à progresser. Personnellement, je ne vois pas comment ça pourrait ne pas mener à une accélération des découvertes. Tout un tas de trucs qui nous prenaient un temps infini sont trivialisés, deviennent extrêmement rapides avec ces modèles. Évidemment, notre propre compréhension met du temps, ça va devenir la partie incompressible. Mais malgré tout, je ne vois pas comment un énorme gain de temps d'un côté ne peut pas se traduire en résultat. Et je pense qu'en mathématiques, sur lesquelles les IA ont un peu d'avance par rapport à la physique, on voit déjà quand même beaucoup de résultats tomber. Beaucoup de résultats majeurs qui sont prouvés et ensuite certifiés en lignes. Ça veut dire qu'on a des preuves formelles de validité. C'est-à-dire prouvés à des niveaux de standard plus élevés que ce que font les humains d'habitude. Voilà, donc je pense que si la physique va suivre... la physique théorique au moins devrait emboîter le pas sur les maths et avoir beaucoup d'avancées grâce à ces modèles. Il faut dire aussi que avec ces nouvelles opportunités si on est rationnel on va pas faire juste plein d'articles scientifiques comme on faisait avant ce qui serait une augmentation de la productivité facilement mesurable mais peu intéressante c'est à dire que moi maintenant je me rends compte que certains articles certains articles qu'on écrivait ou qui faisaient des thèses il y a quelques années sont one-shotés par Fable, ça ne m'intéresse pas de faire ça. Donc on attaque des trucs plus durs, des choses qu'on n'aurait jamais osé, parce qu'on se dit que c'est deux ans d'implémentation pour voir si ça marche, trois post-docs, deux étudiants sur le sujet pendant cinq ans, je n'ai pas le courage. Là, si on voit qu'avec un modèle, en interagissant pendant une semaine, ou même parfois quelques jours, on peut avoir la réponse, au moins voir si ça vaut le coup de s'y plonger plus. Avec un prototype fait par ces modèles, tout de suite, ça ouvre les possibles. Je pense qu'on est un peu au tout début et qu'il faudra juger dans un an ou deux l'accélération.

• Speaker #0

  Oui, parce que si on rappelle un peu quand même la timeline, si je puis dire, on est à quatre ans d'IA finalement, avec le lancement de chez GPT qui avait eu lieu fin septembre 2022, je crois, quelque chose comme ça. Il y a un an. Vous n'utilisez pas encore ces modèles comme vous le faites aujourd'hui. Donc il y a une accélération qui est quand même assez flagrante. Donc on peut à peine imaginer où on en sera dans un an ou deux. Et ça amène peut-être ma prochaine question sur, vous parlez de l'âge des chercheurs, où en physique théorique, on devient bon avec le temps et il faut prendre le temps de construire sa carrière, de construire ses connaissances, peut-être sa manière de raisonner. Aujourd'hui, ça change quoi pour un jeune chercheur qui, au début de sa carrière, Est-ce que vous pensez qu'il va arriver à maturité scientifique, si je puis dire, beaucoup plus vite ? Comment est-ce que vous aborderiez la carrière aujourd'hui, si c'était votre première année de post-doc ?

• Speaker #1

  C'est très compliqué. J'ai pas de réponse à cette question. C'est une question qu'on commence à se poser de plus en plus. En recherche, en physique théorique, ou même dans d'autres domaines proches, il y a toujours eu les stages de master, les thèses. Les tests de doctorat, puis les post-docs, où on augmente la difficulté des problèmes. Mais ça a toujours été des problèmes qui étaient utiles pour l'encadrant. Donc, ce n'était pas juste de l'apprentissage. Un stagiaire de master, normalement, il vient, il fait un petit projet. Et on lui a donné en fait une petite brique de notre projet de recherche globale. Et cette petite brique est utile. C'est utile de l'avoir résolu. Et donc il a apporté une brique utile à l'édifice de la connaissance, qui est de la nouvelle connaissance. Aujourd'hui, beaucoup de ces projets de master sont one-shottés par UNIA. Je pense que c'est vrai en mathématiques appliquées, en physique. On n'a plus vraiment d'idées. Donc ça, c'est le premier point. Mais de plus en plus, je pense qu'il y a même des tests de doctorat qui sont quasiment one-shotés par certaines IA. Donc ça dépend, ça dépend du sous-domaine. Mais si on a une question où, en fait, c'est vraiment l'implémentation qui est difficile, des problèmes très proches de la physique numérique, qui sont par ailleurs un domaine que j'aime bien, où, voilà, ça, c'est des domaines où parfois c'est one-shoté. Il faut faire... Et c'est pour ça que, d'ailleurs, je pense qu'il faut utiliser un peu ces IA, ne serait-ce que pour pas donner des exercices complètement triviaux à des étudiants en thèse et en postdoc. Donc ça va être très compliqué. Et ça, je ne sais pas comment dans un domaine à maturation lente, on maintient la compétence humaine. Il va falloir essentiellement accepter que les stages de master, les tests de master et les tests de doctorat, dans certains domaines en tout cas, sont de la formation pure et ne sont presque plus de la recherche. Ça, c'est une possibilité. Et il me semble qu'il y a une autre option qui est que, en tout cas, que je vois aussi pour des étudiants très brillants et des post-docs très brillants, qui, pour le moment, en tout cas, sont capables d'utiliser ces modèles tout en apprenant. Et d'une certaine manière, ils ont une trajectoire très rapide vers la frontière de les connaissances en cédant eux-mêmes de ces IA. Donc ça, ça demande des gens, je pense déjà, très forts et très ouverts. Mais il y a une trajectoire possible de sortie qui est, pour ces étudiants, pour ces gens qui sont dans la phase d'apprentissage, de s'aider de l'IA et pour au moins poser des questions ouvertes, attaquer des problèmes durs, sans forcément tout déjà comprendre. Et voilà, apprendre tout en résolvant le problème. Ça, c'est un peu le scénario idéal s'il est... les étudiants et les postdocs arrivent à le faire. Mais c'est très compliqué. Et je ne pense pas qu'on ait la solution aujourd'hui. C'est un gros problème. Je pense que beaucoup d'étudiants et de postdocs sont inquiets, ou même d'étudiants sont inquiets de savoir quelles contributions ils vont pouvoir faire.

• Speaker #0

  Sur leur place dans la recherche ? Dans le processus, dans la méthode, comment dire, leur place par rapport à la méthode scientifique. et le processus de recherche et de découverte. Le processus,

• Speaker #1

  si les modèles sont déjà beaucoup plus forts qu'eux, quel espoir est-ce qu'ils ont ? Moi, je n'ai pas vraiment de réponse. La seule chose que je peux dire, c'est que je partage la même inquiétude et qu'en étant substantiellement plus vieux dans le domaine, j'ai quelques mois d'avance sur l'avance et les désirs. Donc, bientôt, on sera tous égaux, probablement. Et on devra tous se poser la question de comment, nous, on arrive à contribuer à la création de la connaissance sans être complètement redondant par rapport à ce que font les IA, en gardant la main, si c'est possible, sur ce qu'elles produisent.

• Speaker #0

  Alors c'est intéressant, le « si c'est possible » , et je vais rebondir là-dessus, parce qu'on parle de l'arrivée à plus ou moins long terme de l'intelligence artificielle générale, la fameuse AGI. OpenAI a lancé un modèle hier, ou aujourd'hui, je ne sais plus, on est le 4 septembre, le GPT-6 Astra, où ils disent qu'on essaie d'entrer dans l'ère de l'intelligence artificielle générale. Si c'est le cas, il y aura sans doute un débat sur le sujet, ne serait-ce que sur la définition du terme, on peut ensuite se projeter vers la super-intelligence. Donc là aussi, la perspective... par rapport à son arrivée va varier de quelques années à quelques décennies en fonction des experts vers qui on se tourne. Mais ça pose la question finalement de l'alignement et de cette possibilité d'avoir des intérêts convergents avec l'IA. Est-ce que vous avez une vision par rapport à ça ? Est-ce que vous pensez que l'alignement, c'est quelque chose qui est tout à fait maîtrisable ou qu'à un moment, on risque de perdre un petit peu la main et que l'intelligence artificielle poursuive ses... propres objectifs de recherche et puis développe des objectifs propres en fait.

• Speaker #1

  Voilà, je prends un peu un risque parce que c'est quand même pas mon domaine de compétences principales. Je pense que, en tout cas, peut-être ce que je peux dire de ma propre expérience, c'est que quand on donne une tâche à ses agents, c'est-à-dire LLM plus Arnay, une tâche difficile, on observe, sans avoir besoin d'avoir des modèles cachés, des modèles privés, avec des modèles publics qu'on peut faire. On voit leur extrême persévérance pour résoudre une tâche. et leur créativité dans l'utilisation de tous les outils sur l'ordinateur pour arriver à leur fin. Et cette persévérance, qui est hyper importante pour être fort dans les domaines scientifiques, c'est cette même persévérance qui, effectivement, peut poser des risques de désalignement. Et c'est ce qu'on a vu avec l'incident... entre OpenAI et GinkFace, ou des modèles qui étaient entraînés pour avoir une énorme persévérance, ont fini par tricher pour résoudre des problèmes impossibles, jusqu'à hacker des serveurs, jusqu'à...

• Speaker #0

  Et à cacher le fait qu'ils avaient triché.

• Speaker #1

  Et à cacher le fait qu'ils avaient triché. Donc ce type de désalignement, ce type de désalignement, me semble tout à fait possible. En tout cas, on a un... on a un exemple et les modèles, l'intelligence des modèles est suffisante pour que ce désalignement soit subtil. Enfin, déjà suffisante pour que ça soit subtil et que ça puisse durer un moment avant qu'on s'en rende compte. Voilà.

• Speaker #0

  Ça a duré quelques semaines. Enfin, si je me rappelle bien, Ginface et OpenAI, le temps qu'OpenAI se rende compte de l'ampleur du problème, ça a duré plusieurs semaines et les IA étaient allés quand même assez loin sur la prise de contrôle d'une partie alors pas des serveurs, d'un cluster je crois je me rappelle plus les termes exactement c'est un petit peu technique je dois l'avouer mais en tout cas le fait qu'on en ait autant parlé vous pensez que c'est un incident majeur ou que c'est quand même quelque chose qui est resté sous contrôle et où finalement OpenAI a toujours eu la main non

• Speaker #1

  moi j'ai l'impression que voilà Je prends un risque, ce n'est pas vraiment mon domaine. Moi, j'aperçois ça comme quelque chose d'assez majeur. Surtout si on met ça en lien avec le scénario IA 2027 qui prédisait exactement ce type d'incident comme un des marqueurs d'un début de perte de contrôle. Personnellement, pour être transparent, Je... voyait ces scénarios de perte de contrôle comme de la science-fiction et j'avais l'impression qu'on se fait un peu bullshiter par les gens de la Silicon Valley qui en font tout un flanc et je dois dire que là mieux comprendre je trouve que ce qui s'est passé entre Open et Alginface donne vraiment un bon exemple de comment on peut se désaligner de manière de manière un peu fourbe et sans qu'on s'en rende trop compte. Surtout avec des modèles qui deviennent très intelligents. Donc non, je pense que c'est plus de la science-fiction. J'ai beaucoup de mal à estimer quel est le risque réel, quel est le risque qu'on aille au bout du scénario il y a 2027. Là, j'ai beaucoup de mal à estimer et puis c'est pas mon métier. Donc j'y pense un peu comme tout le monde.

• Speaker #0

  Comme les gens qui regardent ça, mais je n'ai pas plus d'infos que ça.

• Speaker #1

  Alors oui, juste pour élaborer un petit peu là-dessus. Donc ce scénario, il y a 2027, il a été publié début 2025, si je ne dis pas de bêtise.

• Speaker #0

  Je crois que c'est avril 2025.

• Speaker #1

  Par des chercheurs, notamment un ancien d'OpenAI, si je ne me trompe pas, qui s'appelle Daniel Cocotagelou, si je prononce bien son nom. Je ne pense pas, donc désolé par avance. Mais en fait, ils expliquent qu'il y a à peu près... Deux manières d'envisager l'arrivée de l'AGI et ensuite de la superintelligence, c'est-à-dire soit on laisse les modèles se développer aussi rapidement que possible et à terme, et ils placent ça vers la fin 2027, on va vers un risque de perte de contrôle total avec un vrai risque en fait pour l'humanité. Soit on accepte, et c'est un débat qui est en ce moment, de ralentir la vitesse de développement des IA, de mettre en place une vraie coopération et gouvernance internationale autour du développement de l'IA pour... préparer l'arrivée de la super-intelligence. Et à ce moment-là, on arrive à, je dirais, maîtriser cette révolution de l'intelligence à l'échelle globale et en faire bénéficier le plus grand nombre. Donc, ces deux scénarios, on va dire, pour vraiment caricaturer un positif, enfin, plutôt positif, un autre qui peut vraiment mal tourner. Mais c'est vrai qu'en fait, comme vous le dites, c'est quelque chose qui paraissait être de la science-fiction totale. Et aujourd'hui, avec les technologies qu'on a déjà, en 2026, on est quasiment sur cette temporalité-là. Est-ce que c'est un débat que vous avez au sein de la communauté scientifique dont vous faites partie ? C'est des choses qui vous inquiètent, j'imagine que oui, mais est-ce que c'est quelque chose dont vous parlez, le rapport que vous avez aux outils, et comment les implémenter au sein de votre quotidien, et puis peut-être qu'elle garde fou mettre en place ?

• Speaker #0

  Non, à ce stade, il y a peu de discussions parce que c'est peu utilisé. Je ne veux pas dire que c'est marginal. Je pense que ce n'est pas marginal, l'utilisation des IA frontières pour la recherche. Mais en tout cas, ce n'est probablement pas dominant ou majoritaire. Ensuite, il y a deux risques totalement différents. Il y a ce risque de perte de contrôle. Et il y a ce risque dont on a discuté au début, que le chercheur perde sa place, de perdent la capacité de faire des découvertes, juste parce que maintenant les IA sont bien meilleurs. Ce premier risque, il est grave que pour les chercheurs. Il n'y a aucun risque, ce n'est pas grave pour l'humanité. C'est un peu triste pour les chercheurs, si ce n'est plus eux qui découvrent la connaissance et s'il n'y a plus que des machines. Le deuxième risque, perdre le contrôle d'un agent dramatique comme il y a 2027, c'est un risque pour l'humanité. Donc les chercheurs se posent, et c'est normal, d'abord la question de ce premier risque. Qu'est-ce qui va se passer si les IA deviennent... Et c'est pas garanti d'ailleurs. Mais si les IA deviennent dominantes dans tous les domaines intellectuels, qu'est-ce qui va rester d'intéressant pour nous les humains ? On va peut-être avoir une explosion technologique incroyable, mais quelle est ma place à moi ? Et donc ça, il y a plein de chercheurs en mathématiques qui se posent la question. Voilà. Mais dans ce contexte, demander un ralentissement des IA, d'une certaine manière pour préserver aux humains la capacité de faire des découvertes, me semble... peu convaincant comme argument. Alors,

• Speaker #1

  ce que j'évoquais, c'était plus... Non, bien sûr, mais j'ai bien compris.

• Speaker #0

  Dans le contexte...

• Speaker #1

  C'est plus pour la sécurité de l'humanité, on va dire.

• Speaker #0

  Dans un contexte de sécurité, là, ça me semble beaucoup plus défendable que s'il y a un risque pour l'humanité. Le problème, c'est que ça, c'est un risque que j'ai aussi beaucoup plus de mal à estimer et que... Et il y a, en tout cas dans mon domaine de la physique, il y a très peu de discussions sur ce sujet, aussi parce que c'est tout nouveau. Et aussi parce que ce n'est pas principalement notre job en physique de réfléchir au fait qu'une IA prenne contrôle du monde.

• Speaker #1

  Mais sur la place du chercheur, parce que vous dites peut-être qu'à terme, en fait, toutes nos tâches, les IA seront meilleures que nous, et peut-être qu'on n'aura plus besoin du chercheur. Mais néanmoins... là où je mettrais peut-être un bémol sur cet argument-là c'est est-ce qu'on n'aura pas besoin des chercheurs pour orienter la recherche ou est-ce qu'on va en fait laisser l'IA décider s'il faut explorer, je ne sais pas, la physique quantique la matière noire, la théorie des cordes et c'est des domaines que je ne connais absolument pas mais le chercheur travaille au progrès de l'humanité donc c'est quand même à lui d'être à la tête de l'outil et d'orienter l'outil, donc l'IA, en fait, vers les domaines qui semblent les plus pertinents. Et ce qui garantirait votre, comment dire, votre rôle, finalement, même si on arrive à un niveau où l'IA est capable de faire beaucoup plus et beaucoup plus vite.

• Speaker #0

  J'entends cet argument. Bon, d'abord, précision, c'est pas sûr que ça arrive. Donc là, on réfléchit sous l'hypothèse. Et je trouve ça raisonnable de réfléchir sous cette hypothèse que ça continue à progresser et qu'elle nous domine dans tous les domaines intellectuels. Sous cette hypothèse qu'elle nous domine dans tous les domaines intellectuels, l'IA sera beaucoup plus forte que nous à savoir ce qu'il est pertinent d'étudier pour avoir des progrès. À la limite, les chercheurs pourraient dire de quoi on a envie. Peut-être l'IA, même en étant intellectuellement meilleure, n'a pas une introspection humaine, donc ce n'est pas exactement ce qui nous ferait le plus plaisir en un certain sens. Mais elle fera des meilleurs choix de... de direction, à supposer qu'elle soit meilleure dans tous les domaines. D'une certaine manière, à une échelle beaucoup plus petite d'implémentation de code, les IA frontières, de plus en plus, on n'a pas forcément trop intérêt à les micromanager, c'est-à-dire qu'on lui laisse des choix d'implémentation parce que elle choisit bien, globalement. Et je ne serais pas étonné qu'elle puisse développer un goût, un sentiment de ce qui est la meilleure direction. Et je pense qu'à des petites échelles, on voit déjà ça émerger. C'est-à-dire que quand je fais des calculs, ça m'arrive un peu aussi pour tester, pour voir de quoi elle est capable. Là, je lui dis, choisis la meilleure approche. Je ne sais pas exactement quelle est la meilleure approche pour faire ce calcul et je lui demande de choisir la meilleure. Et de plus en plus, ça se passe bien quand on dit ça.

• Speaker #1

  Là, vous voyez des évolutions finalement, parce qu'on parlait depuis le début de l'année. Vous avez vraiment embrassé ces outils, on va dire. Et là, en septembre, neuf mois plus tard à peu près, vous avez vraiment vu des évolutions tout au long de l'année sur les résultats que l'IA produit.

• Speaker #0

  Oui. Donc, je n'ai pas accès encore à Astra. Il est sorti hier. Apparemment, c'est un meilleur modèle encore que ce qui existe. Mais ne serait-ce que l'introduction de Fable a été... Fable, c'est déjà un modèle qui fait plus de choses correctement que les modèles précédents. Donc, oui, on voit une réelle amélioration. une augmentation de puissance assez large. Et je pense que, évidemment, c'est progressif, mais on voit une transition assez sèche depuis fin juillet-août parce qu'elles sont arrivées au seuil où elles peuvent résoudre du début à la fin des problèmes très compliqués. Donc là, il y a des conjectures qui ont commencé à tomber avec un prompting minimal, en fait, qui n'étaient pas des conjectures résolues par interaction homme-machine. mais par du 100% machine. Et ça, ça commence, c'est tout nouveau, mais c'est depuis quelques mois. Et puis évidemment, on peut dire qu'il y a un peu un biais de sélection. C'est-à-dire qu'on a probablement testé un million de problèmes et ça a marché sur 100 problèmes. Donc ça ne veut pas dire que ça plie toute la recherche. Donc depuis quelques mois, il y a la capacité à résoudre des tâches à horizon très long, des problèmes qui étaient ouverts en un seul coup. Et ça, je pense que c'est ça qui fait aussi que, depuis quelques mois, c'est très marquant pour les chargeurs, parce qu'on ne peut plus ignorer la capacité de ces modèles.

• Speaker #1

  Alors, c'est une question de puissance de calcul, finalement. Est-ce qu'on peut le vulgariser de cette façon-là, en disant que, pour beaucoup de problèmes, il s'agit de tester des hypothèses, d'étudier les résultats, et puis, finalement, d'avancer dans cette direction, d'en choisir une autre ? Je caricature volontairement.

• Speaker #0

  Non, je pense que oui. Évidemment, une partie de la puissance des IA vient de leur capacité à faire une sorte de brute force, donc de tester plein de possibilités. Mais ça ne se limite pas à ça. Les gros modèles frontières ont la capacité à voir un peu comme les humains, à avoir l'intuition de qu'est-ce qui est une trajectoire, une tentative plausible. qui a des chances de marcher, avec aussi, et ça c'est ce qu'on voit un peu, une capacité à mettre bout à bout tout un tas de raisonnements pas hyper compliqués pour arriver au résultat, mais en 50 étapes. Là où les humains ont beaucoup de mal, même des très bons mathématiens, à enchaîner autant d'étapes, d'autant d'étapes du problème à la solution, quand même ces étapes seraient faciles, on a quand même un peu besoin de voir la fin, d'avoir la vision d'ensemble. La capacité du cerveau humain est suffisamment limitée pour qu'on ait du mal à voir 50 coups en avance toutes les bonnes étapes. Ou aussi, parfois, on n'a juste pas le courage. On voit que ça va être une preuve infernale ou un calcul infernal. Et ça, les IA sont assez fortes, elles n'ont pas peur en fait. Au début, je pense qu'on avait peur que les IA soient assez mauvaises à avoir des horizons longs. C'est-à-dire qu'on peut leur poser juste une question, puis après ça s'effondre quand il faut mettre deux étapes logiques à la suite. Et ce qu'on voit avec les nouveaux modèles, c'est l'inverse en fait. Ils arrivent à de plus en plus avoir des horizons assez longs, et avec des étapes dans des preuves ou des calculs compliquées. pas forcément très compliqué justement, mais avec très très complexe, au sens que beaucoup beaucoup de petits trucs sont connectés ensemble pour faire une preuve impressionnante à la fin. Donc ça, je pense que c'est quelque chose qui est marquant avec ce nouveau modèle.

• Speaker #1

  En parallèle de l'IA, il y a le développement du quantique aussi, de l'ordinateur quantique. Je sais que c'est quelque chose sur lequel vous travaillez, je crois que vous accompagnez une start-up sur le sujet, si je ne dis pas de bêtises. Alors le quantique, c'est très abstrait pour... beaucoup de gens, dont moi. Mais je vais quand même risquer à vous poser une ou deux questions sur le sujet. Ce que je comprends du quantique, c'est que c'est une capacité de calcul qui est assez phénoménale par rapport à ce qu'on connaît aujourd'hui, par rapport à ce dont on dispose. Il y a de plus en plus de signaux faibles sur l'arrivée du quantique qui font que peut-être on aura un ordinateur quantique fonctionnel et disponible pour des clients dans les mois ou les années qui viennent. Et vous allez me dire que c'est peut-être déjà le cas. Mais ma question, c'est est-ce que si on réunit les deux, le développement de modèles d'IA aussi performants que ceux qu'on a aujourd'hui et qui vont arriver dans les mois et les années qui viennent, plus les capacités de l'ordinateur quantique, là, on explose tous les compteurs et la recherche scientifique va faire des bons en avant, peut-être même pas chaque année, mais tous les mois ou tous les six mois.

• Speaker #0

  Oui, alors je ne sais pas si ça... On part sur la prospective assez lointaine,

• Speaker #1

  mais je voulais avoir du sentiment là-dessus, en fait.

• Speaker #0

  D'abord, quel horizon ? Les ordinateurs quantiques, je doute qu'on en ait des efficaces dans quelques mois. Combien même les gens chez Alice et Bob sont très forts et très compétents dans quelques mois, ça me paraît un peu tôt.

• Speaker #1

  Alice et Bob, qui est une startup française, qui est leader sur le quantique.

• Speaker #0

  Ça me paraît un peu tôt, mais disons que dans quelques années, il pourrait y avoir un ordinateur quantique général qui corrige ses erreurs et donc qui est capable de faire tourner de vrais algorithmes quantiques. À quoi ça sert, du coup, ce type d'ordinateur ? Ça permet, pour un petit nombre de problèmes, qui sont soit des problèmes, enfin aujourd'hui surtout des problèmes de théorie des nombres, donc factoriser des gros nombres, ce qui est utile pour RSA, pour la cryptographie RSA, qui sécurise une partie d'Internet. Donc ça, c'est des codes qui pourraient être cassés avec l'ordinateur quantique. Et une autre partie très utile de l'ordinateur quantique, et en fait qui à mon sens est l'utilisation principale, c'est de simuler la physique quantique elle-même, et donc qui est aujourd'hui notre limite dans la compréhension de la matière. On connaît toutes les lois essentiellement de la physique fondamentale, de la physique quantique à toutes les échelles, depuis qu'on a découvert le boson de Higgs, donc on a essentiellement toutes les lois maintenant. Et pourtant, il y a plein de choses qu'on ne sait pas prédire dans la nature. La propriété des matériaux, on ne comprend pas hyper bien la supraconductivité basse température, il y a plein de questions en chimie qui sont compliquées. Tout ça, a priori, on ne devrait jamais avoir à faire d'expérience. On a déjà la théorie. Et pourtant, on est bloqué sur ces décalculs totalement infaisables. Et donc on est toujours obligé de faire des expériences dans ce domaine, alors même qu'en principe on connaît les lois fondamentales, mais on a fait d'expérience parce qu'on ne sait pas résoudre. c'est les équations correspondantes donc il y a un énorme succès théorique du réductionnisme on a réussi à ramener toutes les lois tout ce qu'on peut en principe faire dans la nature à des lois fondamentales simples au niveau microscopique, donc ça c'est vraiment le succès du réductionnisme mais on a un échec pratique du réductionnisme qu'on peut faire aucun calcul sur des systèmes compliqués dès qu'il y a plus que quelques atomes dès qu'il y a plus que quelques électrons dans une molécule a priori L'ordinateur quantique enlève ce blocage et permet essentiellement d'utiliser le Wacom qu'on a trouvé et de simuler directement la propriété de ces matériaux. Donc c'est une énorme accélération de la physique, et la physique étant à la base des matériaux, enfin de tout un tas de choses dans la vie de tous les jours, dans le smartphone, dans les lasers, enfin, la physique est partout. Accélérer la compréhension... quantitatif des matériaux sans avoir à tout refabriquer à chaque fois, ça serait un avantage énorme. C'est ça l'objectif de l'ordinateur quantique. Il y avait une hypothèse à une époque que l'ordinateur quantique puisse aussi accélérer des algorithmes d'intelligence artificielle. Donc, cette puissance qu'a l'ordinateur quantique pour casser RSA et pour casser des problèmes de physique quantique servent aussi à faire apprendre des algorithmes plus vite, à faire apprendre des LLM plus vite. Ça semble pas être le cas. Je pense que c'est honnête de dire que le consensus aujourd'hui, c'est qu'il n'y aura pas de gain en IA. Pas de gain évident avec l'ordinateur quantique. Le gain se fait dans l'autre sens. C'est-à-dire qu'en ayant des IA performantes, toute la science et l'ingénierie hyper difficiles qu'il y a pour faire un ordinateur quantique peut être accélérée. Oui,

• Speaker #1

  parce qu'on nous annonce souvent des évolutions. IBM ou Google annoncent souvent qu'ils ont un ordinateur quantique fonctionnel qui a tant de qubits, par exemple. Donc à chaque fois, on a l'impression que ça y est, l'ordinateur quantique, c'est presque pour demain. Enfin, c'est ce que la presse... généraliste nous laisse penser, en tout cas, c'est ce que ça me laisse penser. Mais ce que vous me dites, c'est que ce n'est pas forcément réaliste et qu'il y a encore du chemin à parcourir, en fait, avant que ces ordinateurs-là, avec cette puissance de calcul, soient disponibles pour les chercheurs, pour les entreprises.

• Speaker #0

  Il y a encore du temps. Évidemment, à la fois Google et IBM ont fait des machines remarquables, mais ces machines sont loin du seuil auquel elles sont utiles.

• Speaker #1

  On est vraiment dans la recherche pure et pas dans les applications concrètes, c'est ce que vous dites.

• Speaker #0

  La machine existe, c'est une sorte de proto-ordinateur quantique, ça a toutes les pièces qu'il faudrait pour un ordinateur quantique, mais ça n'a pas suffisamment de qubits. C'est comme pour un processeur, ça n'a pas assez de transistors pour être... Il n'y a pas assez de RAM en fait. Oui, c'est un peu ça, il n'y a pas assez de RAM. En gros, on sait à peu près... C'est une bonne image. On sait à peu près combien il faudrait d'équivalents RAM euh pour faire tourner ces algorithmes qui nous permettent de calculer les propriétés des matériaux, ce qu'il faudrait pour casser RSA, par exemple. Et on voit que les capacités des ordinateurs quantiques actuels sont beaucoup trop faibles pour ça. Ils ont déjà un nombre de transistors, une rame trop petite, et aussi ils font trop d'erreurs par opération. Et donc pour ça, pour enlever ces erreurs, il faut la correction d'erreurs quantiques. qui est compliqué et qui n'est pas encore... qui est implémenté symboliquement par Google, mais c'est de la proof of concept. À la fin des fins, ils arrivent à produire l'équivalent d'un transistor potable. Donc c'est un domaine... C'est un domaine super, c'est aussi pour ça que je passe une partie de mon temps à travailler dedans et qu'on a raison d'avoir, à mon avis, beaucoup d'enthousiasme sur ce qui est faisable. Néanmoins, il faut être clair sur le fait que ce n'est pas dans quelques mois. Et on a une, en tout cas jusqu'à maintenant, côté quantique, on a une sorte d'amélioration continue des machines, progressive, un peu comme dans les autres technologies. Je dirais qu'il n'y a pas cette espèce d'explosion, cette espèce d'exponentielle qu'il y a eu pour l'IA très rapide. Voilà, ça peut changer. Il est possible, je pense pas impossible, que notamment les progrès des agents, des agents IA, amènent des progrès du côté de la réalisation de l'ordinateur quantique. Je pense qu'il y a plein de sous-questions qui pourront être accélérées par ces agents.

• Speaker #1

  Alors, pour terminer... J'aimerais qu'on revienne sur la recherche, et la recherche française en particulier, parce qu'on a des chercheurs de grande qualité. Sur la recherche fondamentale, on est très bien positionnés à l'échelle mondiale. Par contre, sur la tech en elle-même, on a un peu du mal à transformer toute notre recherche en produits concrets. C'est pour ça qu'on n'a pas eu de Google ou de Facebook français, que sur les grands modèles de LLM, aujourd'hui c'est essentiellement américain et chinois. comment est-ce que vous voyez l'évolution la place déjà de la France dans la recherche à l'échelle mondiale et ensuite son évolution, est-ce que vous pensez qu'on va rester un acteur puissant pertinent et qu'est-ce qui finalement peut-être nous distingue par rapport à d'autres pays ?

• Speaker #0

  C'est une vaste question C'est vrai qu'on a une bonne recherche et on doit en être fier je pense euh Probablement. Ensuite, pour la transition vers les entreprises, peut-être qu'on n'a pas une quantité de capital suffisante pour faire ce que font les Américains. Il y a plein d'inquiétudes à avoir sur la recherche française, la recherche publique. Est-ce qu'elle est suffisamment financée ? J'ai pas envie de rentrer dans ces débats maintenant. Mais un des points qui, moi, m'inquiète un peu à terme, c'est justement dans une trajectoire où les IA frontières deviennent plus importantes et prennent une place plus importante dans la fabrication de la connaissance, dans la recherche, dans la R&D. Je suis un peu inquiet qu'on ait... on n'a pas beaucoup d'assurance en Europe si ça devait mal se passer. Donc aujourd'hui, par exemple maintenant...

• Speaker #1

  Mal se passer, ça veut dire quoi ?

• Speaker #0

  Si on perdait accès aux IA frontières, par exemple, ce qui s'est passé pendant un moment avec Fable, et bien d'un seul coup, si ces IA vont de plus en plus contribuer aux découvertes scientifiques... même sans imaginer qu'elles explosent au point de dominer totalement les chercheurs même si on reste sur une trajectoire où on a une collaboration entre les chercheurs et puis ces intelligences artificielles qui se contentent de leur simplifier la tâche de les aider à brainstormer on aura besoin d'avoir des capacités équivalentes en Europe et on peut perdre l'accès aujourd'hui par exemple Moi, j'ai accès à ces intelligences artificielles, que ce soit OpenAI et anthropique, initialement avec des abonnements perso. Et puis, depuis peu, ils ont des programmes pour les scientifiques. Et je suis content que ça soit quand même ouvert à des Français et qu'on puisse brainstormer dessus, avec le risque d'ailleurs qu'une partie de brainstorming soit utilisée par ces entreprises. Mais le problème, c'est si jamais on perd ça et que... derrière les Chinois arrêtent de faire de l'open source, on n'aura rien du tout. Donc là, par exemple, aujourd'hui, si on voulait utiliser un modèle entraîné en France comme le meilleur modèle de chez Mistral, c'est un modèle qui aujourd'hui ne serait pas suffisant pour faire la recherche que je fais. Ça peut changer. Ça ne se joue pas à grand-chose. Il a le niveau peut-être des modèles d'il y a un an. Comme le progrès est très récent, il apparaît un peu moyen en comparaison.

• Speaker #1

  Mais un an, finalement, c'est beaucoup quand on parle d'IA et de modèles IA. Et ce que vous décrivez, finalement, c'est un enjeu de souveraineté sur le fait que si on coupe le robinet d'accès aux derniers modèles OpenAI, Anthropique, si l'open source n'est pas aussi performante que les modèles frontières, on a un problème sur notre recherche, finalement. C'est un peu ça, l'idée.

• Speaker #0

  Oui, c'est mon inquiétude. Je ne sais pas trop quel est le... plan B si on devait perdre accès aux IA américaines et aux IA chinoises. Donc déjà les IA chinoises aujourd'hui en tout cas seraient quand même moins bien pour la recherche. J'utilise aussi beaucoup et ça devient impressionnant dans les benchmarks. Mais pour des questions vraiment subtiles on voit quand même que c'est moins bien que ce que font OpenAIR et Anthropic. Déjà, si on devait se rabattre juste sur les IAS chinois, ça ne serait pas idéal. Mais voilà, je ne sais pas. C'est évidemment très compliqué de reproduire aujourd'hui des grandes infrastructures d'entraînement. Malgré tout, je pense que... Moi, j'ai une position assez pro-data center en France. Du coup, de ce point de vue-là, je pense qu'on a une électricité décarbonée. Du coup, qu'on aurait beaucoup... Qu'un data center, c'est mieux qu'il soit en France qu'aux États-Unis. Toutes choses égales par ailleurs. pour le climat. Et c'est aussi mieux pour nous en termes de levier. Si on avait beaucoup de data centers, quand même ça serait des data centers d'hyperscalers américains, si on les allait sur notre territoire, on a un peu de levier aussi. C'est l'inférence, c'est fait chez nous. Ça paraît plus difficile de couper l'accès.

• Speaker #1

  Et on contrôle une partie de la chaîne, de l'écosystème.

• Speaker #0

  J'avoue que ça, c'est peut-être pour la recherche française. la recherche au sens large, recherche et R&D, je pense que ça va devenir une question cruciale d'avoir accès à cette intelligence artificielle.

• Speaker #1

  Donc développer notre infrastructure, peut-être continuer à développer nos modèles. Il y a eu un pivot chez Mistral récemment, un pivot stratégique on va dire, mais peut-être ne pas renoncer à développer ce type de technologie parce que c'est une question de souveraineté, de standing à l'international et puis de soutien à la recherche française.

• Speaker #0

  Oui, enfin, soit la développer, soit être suffisamment bon diplomate pour garantir qu'on conserve un accès. Et c'est vrai, je pense qu'aussi, on peut négocier, on négocie mieux si derrière, on est crédible. qu'il y a au moins suffisamment de puissance de calcul, qu'il y a peut-être un projet européen. Je ne sais pas s'il faut faire... Ça a beaucoup discuté des projets Prometheus, Temis, des projets de gros développement d'infrastructures. J'ai l'impression que globalement, développer des grosses infrastructures de data centers, même si ce n'est pas populaire, c'est un peu que du bénéfice dans la plupart des scénarios de développement. quand bien même il y a la capacité stagne, commodification, on fait de l'inférence sur ces data centers, c'est bien, on a une autonomie, sinon on fait de l'entraînement, si jamais on ne coupe pas accès pour entraîner nos modèles, on a l'impression qu'on gagne en liberté et qu'en plus encore une fois c'est mieux que cette puissance de calcul soit ici que par exemple dans le super calculateur Colossus de Musk qui est habité qui est alimenté par des turbines à gaz. C'est mieux dans ce cas-là que ce soit raccordé à la grille française qui est infiniment plus propre que ces turbines à gaz américaines.

• Speaker #1

  En effet. Antoine, merci. C'était passionnant. Si on veut vous suivre, où est-ce qu'on peut vous retrouver ? Sur X ?

• Speaker #0

  Parce qu'on parlait de Musk. Sur X, oui. Très bien.

• Speaker #1

  Il y aura les liens dans la description.

• Speaker #0

  C'est mon prénom et mon nom.

• Speaker #1

  Très bien, donc il y aura le lien. Autre chose, LinkedIn ou un blog, quelque chose que vous aimeriez partager ?

• Speaker #0

  Non, non, ça suffit.

• Speaker #1

  Très bien, donc c'est sur X qu'on vous retrouve. Merci encore vraiment pour vos explications et je vous dis à une prochaine fois.

• Speaker #0

  Merci, à une prochaine.