Le modèle ouvert à 975 Md de paramètres de Mira Murati, Ramin Hasani sur l’IA post-transformer et Demis sur une FINRA de l’IA

Cet épisode de Moonshots met en regard trois lignes de fracture de l’IA en 2026: la gouvernance des modèles frontier, l’économie des modèles ouverts et la recherche d’architectures plus efficaces que le transformer dominant. Le fil conducteur est clair: la prochaine avance ne viendra pas seulement de modèles plus gros, mais de systèmes plus personnalisables, plus auditables et plus faciles à déployer.

Inkling et le pari de la personnalisation

Le lancement d’Inkling par Thinking Machines est présenté comme un signal de marché: Mira Murati ne cherche pas seulement à gagner un benchmark, mais à répondre au besoin très concret des entreprises de transformer un modèle généraliste en outil adapté à leurs données, environnements et contraintes.

Les intervenants notent cependant que ce modèle économique reste une hypothèse. L’open weight peut créer une réputation et une base d’adoption, mais il faut ensuite trouver une voie de monétisation durable: fine-tuning comme service, plateforme d’adaptation, ou retour vers une API fermée lorsque la performance devient vraiment différenciante.

Gouverner sans figer

La proposition d’un organisme de standards inspiré de la FINRA est accueillie avec prudence. L’idée d’une autorégulation dotée de standards peut sembler adaptée, mais l’IA évolue plus vite que les mécanismes réglementaires classiques. Sans audits en temps réel, suites d’évaluation ouvertes et mise à jour continue, le cadre risque de devenir soit obsolète, soit capturé par les acteurs établis.

La discussion sur un plafond américain indexé sur les meilleurs modèles ouverts chinois illustre ce problème: une règle conçue pour limiter le risque pourrait donner à la Chine une influence indirecte sur le rythme des publications américaines.

Liquid AI et les modèles plus petits

Ramin Hasani explique la thèse de Liquid AI: construire une IA générale efficace à toutes les échelles, en explorant des graphes de calcul au-delà du transformer. L’objectif n’est pas seulement de réduire la taille, mais de rendre l’intelligence exploitable dans des environnements où un grand modèle est trop coûteux ou trop lent.

Cette vision met les petits modèles au centre de la personnalisation. Un modèle compact, efficace et retunable peut devenir plus utile qu’un géant généraliste dès qu’il doit fonctionner en production, sur CPU, en biotech, en commerce ou dans un système physique.

Auto-amélioration et nouveaux médias

L’épisode distingue plusieurs niveaux d’auto-amélioration: l’optimisation de prompts et de code, le fine-tuning de modèles plus petits, puis l’horizon plus ambitieux d’un pré-entraînement automatisé par des systèmes IA. Cette gradation rend le sujet plus concret: l’auto-amélioration n’est pas un interrupteur magique, mais une série de boucles expérimentales qui s’accélèrent.

Les avatars IA sont traités de la même manière: leur intérêt ne vient pas du clonage parfait d’un humain, mais de capacités nouvelles — visualiser, simuler, se déplacer dans l’espace d’une idée, afficher des données en temps réel. Le média compte autant que le message.

À retenir

Pour les entreprises, la question devient: quel modèle peut être adapté vite, à coût raisonnable, et contrôlé en production? Pour les régulateurs, l’enjeu est de créer des standards vivants plutôt que des règles figées. Pour les chercheurs, Liquid AI rappelle que la trajectoire post-transformer reste ouverte, surtout si l’efficacité devient aussi importante que la taille.

Source

• Chaîne: Peter H. Diamandis
• Vidéo source: https://www.youtube.com/watch?v=bAoXVyibE6Q