0:00 Bonjour à tous. Une toute nouvelle technologie vient à peine de sortir et honnêtement ça va marquer un tournoi monumental dans l'histoire de l'intelligence artificielle. Oui, l'industrie de LIA est en ébullition. Nous sommes tout proche de l'explosion de l'intelligence. Le futur fou arrive plus vite que prévu. On parle ici d'un tout nouveau cadre, une sorte de boîte à outils qui permettrait à une IA de concevoir d'autres IA, des modèles d'IA totalement nouveaux, plus performants, plus intelligents et plus efficaces. Et ce qui est d'autant plus fascinant avec ce nouvel outil, c'est que plus vous allez injecter de la puissance de calcul dans ce système, plus il va devenir inventif. C'est comme si on nourrissait un cerveau géant qui serait capable d'inventer d'autres cerveaux encore plus brillants. Ça me rappelle la pierre philosophale, celle qui transforme le
0:46 plomb en or, vous savez. Sauf qu'ici, c'est de la puissance brute qui se transforme en innovation. Et donc la vraie question, c'est qu'est-ce qu'il se passe si on laisse cette boucle là tourner sans l'arrêter ? Alors, juste avant que l'on rentre dans le cœur technique, je veux vous poser le décor parce que on ne peut pas comprendre l'importance de cette avancée qui vient d'avoir lieu sans saisir le problème fondamental que l'on vient de résoudre aujourd'hui. Si vous suivez l'ACTU IA, vous le savez hein, ça ne s'arrête pas. C'est un feu d'artifice de nouveaux modèles, toujours plus puissant, toujours plus performant. En quelques jours, nous avons eu Grock 4, Kimik 2, Coin 3. Bientôt, nous allons avoir Chat GPT 5. Chaque semaine, nous avons droit à une nouvelle itération. Et dans les coulisses, on a des générateurs d'images, des nouveaux générateurs de voix de vidéo paria qui qui atteignent des niveaux que même le niveau Hollywood
1:32 n'aurait pas imaginé il y a à peine 5 ans, même à peine 2 ans. C'est vraiment vertigineux. Et pourtant, malgré toute cette frénésie, il y a une limite, une seule et elle était humaine. Oui, la limite c'est nous. On va analyser tout ça aujourd'hui. Alors, il s'agit d'un article scientifique paru il y a très peu qui fait beaucoup de bruit dans le monde de Lia. Il est assez technique mais comme d'habitude pas de souci. Dans cette vidéo, je vais vous l'expliquer en terme simple. On va pas se perdre dans les terme barbant ou des choses qu'on ne comprend pas. Nous allons voir comment cela fonctionne et ses résultats incroyables ainsi que ses limites. Alors on y va. Très rapidement avant de commencer, rappel habituel. Si vous appréciez la vidéo tout au long de son visionnage, n'hésitez pas à vous abonner, ça soutiendra beaucoup la chaîne. Je vous rappelle également que j'ai mis en place une newsletter. Il y a
2:17 beaucoup trop de news dans le monde de Lia. Je ne peux pas tout couvrir sur YouTube, donc venez vous y inscrire, je vous envoie une email de lundi à vendredi avec les meilleurs résumés de toute lactech. Et pour finir, je vous rappelle que vous pouvez venir nous rejoindre sur X Twitter. Ici, on va encore plus loin et on couvre vraiment tout ce qu'il s'y passe heure par heure. Donc venez si cela vous intéresse. Ceci étant dit, on commence. Alors, le vrai problème, c'est qu'aujourd'hui les chercheurs humains sont littéralement dépassés. Ils n'arrivent plus à suivre la cadence tout simplement. Et ce ne sont pas mes mots, c'est ce que eux-mêmes, ces chercheurs-là déclarent dans leur article. en phrase d'introduction. En gros, ils nous disent que la vitesse de la recherche en nia est directement limitée par notre capacité cognitive. Euh donc euh, sous-entendu les humains. À notre terme, ce n'est pas la machine qui ralentit, c'est nous hein, notre temps, notre
3:02 attention, notre bande passante mentale, tout ça, ça devient un vrai facteur limitant dans ce domaine-là. Et au combien c'est vrai, c'est un goulot d'étranglement et ça ralentit tout le reste en fait. Donc oui, en réalité le frein à l'innovation ce n'est pas la puissance brute. Ce ne sont ni les GPU ni les terraoctés de données d'entraînement. On en a déjà à l'appel même si pas assez bien sûr, on pourrait aller plus vite si on en avait plus. Mais ce qui coince vraiment, c'est le fait que tous les modèles que vous utilisez aujourd'hui, que ce soit Chat JPT, Grog, Gémini, et bien tous ont été conçus par des cerveaux humains, des cerveaux brillants certes, mais humains. Euh et donc à ce rythme- làà on plafonne forcément ou du moins nous accélérons pas très vite. Alors oui, on peut continuer à empiler des data centers, des centres de données toujours plus grands et c'est exactement ce que font XI par exemple ou Meta. Ils construisent des monstres de puissance de calcul, des
3:48 centaines de milliers de GPU. Vous l'avez peut-être vu récemment passé, mais Mark Zuckerberg avec Meta a annoncé construire un nouveau data center de la taille de Manattan. C'est complètement fou. Mais c'est là où nous en sommes aujourd'hui. Alors, c'est à ce moment-là qu'une question apparaît. Jusqu'à quand allons-nous dépendre des cerveaux humains pour faire avancer quelque chose qui les dépasse déjà ? Bon, vous l'aurez compris, c'est là que ce papier en question change tout. C'est pour ça que ça a fait beaucoup de bruit dans le monde de l'IA. Littéralement, l'industrie est en ébullition complète en ce moment. Alors ces chercheurs, ils ont introduit un système qui s'appelle l'Asie Arc et qui est, tenez-vous bien, capable de faire sa propre recherche scientifique. Une IA qui invente les meilleurs I du futur. Et avec ce système, nous n'attendons plus qu'un humain ait une idée. On inverse la logique en fait ici en quelque sorte. Ce
4:35 n'est plus l'humain crée la machine, mais la machine qui se dépasse elle-même. Alors, je vous le dis tout de suite, ce qu'on tient là, c'est clairement une sortie de route du cadre classique de l'innovation. OK ? qu'une IA qui s'améliore elle-même. Vous vous demandez peut-être est-ce qu'on a pas déjà essayé d'utiliser une IA pour créer d'autres IA ? Est-ce que ça serait la première fois qu'on invente un truc dans ce genre-là ? Forcément, vous vous en doutez. Non, on l'a déjà testé, on a déjà essayé. Il y a une méthode bien connue aujourd'hui qui s'appelle le NAS, Neural Architecture Search. Et ça a été pendant un bon moment le gros cheval de bataille dans ce domaine là. En fait, sur le papier, ça a l'air intelligent, mais en réalité ça tourne un peu en rond parce que parce que même si c'est Lia qui cherche, elle ne cherche qu'à l'intérieur d'un cadre défini par des humains. C'est comme demander à un enfant de vous surprendre avec une
5:22 nouvelle recette, mais que derrière vous lui donniez des ingrédients précuits qui sont déjà pesés, déjà ordonnés et cetera. Ici, dans ce cas-là, on ne pourrait pas inventer un plat venu d'une autre planète et en plus cette méthode du NAS, elle est très gourmande en ressources. Alors oui, on avait déjà tenté quelque chose mais clairement ça a échoué. Aujourd'hui, cela change. Regardez ici en bas, ils nous ont mis un schéma qui représente ce système. Et concrètement, ce que ça fait, c'est que ça permet à une intelligence artificielle d'inventer de nouvelles architectures neuronales, donc en gros des nouveaux algorithmes pour les IA. C'est littéralement une IA qui crée la prochaine génération d'IA. Donc un système autonome sans avoir besoin d'humain qui tourne tout seul, vous allez entrer un peu de puissance de calcul et ça tourne encore et encore et encore. Ils appellent ça la boucle itérative fermée. C'est ce qu'on va voir maintenant. Mais en gros, rien que le
6:07 nom, c'est un concept euh une sorte de darwinisme algorithmique. Alors maintenant, dans cette technologie, en fait, il y a une boucle. Euh et cette boucle, elle est composée de de quatre composants essentiels que vous voyez ici. Mais commençons par le premier qui est le plus important et qui donne le temps, c'est celui-ci ici qui s'appelle le researcher, donc traduit en français par le chercheur. Là, il vous faut tout simplement imaginer un cerveau numérique mais obsédé par une seule chose, inventé. Ils ont d'ailleurs illustré cela en mettant un cerveau ici. En gros, ce qui essaie de faire cette partie-là, le chercheur, c'est qu'il essaie de concevoir des façons totalement inédites de bâtir un modèle di. Regardez ce qu'il fait, c'est qu'il va lire toutes les publications scientifiques disponibles aujourd'hui. Donc regardez surface, sur archives, sur plein de de sites de papier scientifique. Il va extraire et l'intégrer dans sa base de données, ce qu'ils ont appelé la base de cognition.
6:53 Et c'est dans ça que va piocher le chercheur. Alors, petite remarque, si vous êtes l'un de mes élèves, euh ça vous devez savoir ce que c'est maintenant puisque je vous l'ai appris récemment euh dans la dernière mise à jour que j'ai faite. Oui, c'est une base de données de la même façon que je vous ai appris à la faire. Bon, et ça c'était un petit aparté. Et donc le chercheur une fois qu'il propose son idée euh novatrice à partir de ce qui n'existe pas encore dans les papiers scientifiques, il va implémenter le code euh que vous voyez ici et se valider lui-même puis recommencer la boucle encore et encore. Et c'est là que commence vraiment la boucle importante en fait car à chaque fois qu'il va recommencer ce processus là, il va piocher au hasard dans les 10 meilleures architectures qu'il a déjà trouvé. il prend ce qu'on appelle l'architecture par an puis il va chercher d'autres idées comme ça. Nous le verrons de façon visualisée un peu plus tard mais dans tous les cas c'est comme un processus
7:39 génétique mais appliqué au numérique. Si vous suivez la chaîne, je pense que vous avez déjà vu passer ce concept car ça remonte à quelques papiers en arrière que cette technique a été inventée. On l'a couvert ici même. Et bien il se base sur la même chose. Euh ils appliquent les principes de Darwin et de l'évolution ici au aux algorithmes. C'est ce qu'on donc fait ces chercheurs et c'est ce que fait ceci. Bon, il fait ça jusqu'à qu'il trouve une idée qui tient la route, hein. Et une fois qu'il trouve cette fameuse idée-là, il va passer le relais à ce qu'ils appellent ici l'ingénieur. Donc ça, c'est une autre partie de l'algorithme. Il faut voir ça comme un autre agent. En fait, il va prendre les commandes et il va tester le code tout simplement. Et là, il va aller vraiment loin pour le tester, hein. Vous avez donc ce duo là, chercheur, ingénieur qui vont itérer en permanence. Et en parallèle de tout cela, vous avez ici à droite un mécanisme qui qui sert pour
8:25 l'autorévision. Et ça, je vous l'assure, on est sur quelque chose que même les chercheurs les plus expérimentés aujourd'hui ont du mal à maintenir au quotidien. Euh, une boucle de correction autonome en fait qui tourne en permanence et qui va en quelque sorte garder en mémoire les erreurs et les corriger. Lia, elle va débugger son propre code. Donc, c'est très intéressant et une innovation également par rapport à cette boucle d'autoanalyse, c'est que ce système, il embarque une un contrôle qualité automatisé. Autrement dit, de manière simple, en fait, il va analyser si le code prévu va prendre deux ou trois fois de temps, plus de temps que prévu ou alors si les performances attendues ne seront pas si énormes que prévu et s'il trouve quelque chose de bizarre ou qui potentiellement va ralentir le système, il coupe tout, il arrête tout. C'est en fait la première IA qui apprend à ne pas insister quand ça sert à rien. Donc
9:11 c'est plutôt pas mal. Et voilà, c'est ce système entier qui forme ici l'AZI ARC, donc cette sublime nouvelle technologie. Alors ça c'était les grandes lignes de son fonctionnement. Maintenant, accrochez-vous parce que les résultats sont franchement bluffants également. Vous allez voir que ce système, il a pas pondu quelques idées bancales à la volée. En fait, les chercheurs nous indiquent dès le début, hein même qu'en fait, il a découvert 106 nouvelles architectures d'attention linéaire, donc les algorithmes d'Ar qui sont à la pointe de l'état de l'art. Vous le voyez ici, State of Earth, le SATA. Et quand on parle d'état de l'art, on parle vraiment des de d'architecture en fait, de d'algorithmes qui dépassent ce qu'on avait jusqu'ici ou du moins ce qui sont à leur à leur niveau. Oui, c'est un vrai saut qualitatif. Alors, regardez cette figure ici euh qui a été partagée et qui
9:57 représente un un immense arbre généalogique de 1700 architecture. Donc, vous voyez ça comme 1700 algorithmes DIIA différents et tous conçus par ce même système. C'est bien parce que c'est une carte visuelle qui montre comment les comment ces ces architectures sont reliées entre elles. Et quand je dis architecture, imaginez IA. En fait, ici chaque point, vous imaginez que c'est une nouvelle IA tout simplement. Bon et en haut ici, vous le voyez ici on a un point vert. Lui, c'est le modèle par an. donc euh qu'ils ont appelé Deltanet, c'est le premier modèle à partir duquel tout va découler. Donc c'est vraiment le premier dans l'arbre. C'est une architecture donc une a déjà connue conçue à la base par un humain. D'accord ? Donc jusqu'à là rien de nouveau. Et ensuite à partir de cette racine là elle va commencer à produire sa première génération d'enfants. C'est cette première ligne ici que vous voyez. Puis
10:43 une troisième ligne et cetera. Vous savez les grandes découvertes viennent rarement d'un éclair tombé du ciel. euh elle naissent en itérant, en modifiant un système qui qui marche déjà encore et encore et encore. C'est d'ailleurs vrai pour beaucoup de domaines dans la vie et c'est exactement ce que fait CTIA. Alors forcément, toutes les premières versions et bien pas brillantes, hein. Euh certaines idées sont mauvaises, elles sont colorées ici en rouge comme vous le voyez et d'autres sont juste moyennes et c'est çaattend vers le jaune. Donc tout ce qui est jaune c'est des idées moyennes. Mais il y a quelques idées qui sont colorées vers le bleu et qui là et bien pour le coup dépassent le premier modèle, le modèle par an. Donc qu'est-ce que l'on fait ? On prend ces modèlesl qui sont mieux et on va recommencer. C'est-à-dire que ce modèle va devenir le modèle par an et on va refaire la boucle. Et vous remarquez ce qui se
11:30 passe. Plus on descend dans l'arbre et plus le bleu devient foncé et c'est là où le changement il est massif. C'est pour ça que l'industrie de lié elle est en ébullition. Ce genre de méthode h je vous le disais tout à l'heure de trois papiers en arrière nous l'avions déjà eu hein. Des gens avaient déjà testé cette méthode là sauf que plus on descendait l'arbre et il n'y avait pas de d'amélioration notable. C'est-à-dire que par exemple les modèles qui se trouvaient ici étaient coloré de cette façon là pareil. Mais là, on voit une vraie vraie amélioration au fil des générations, ce qui est tout simplement inédit pour ce genre de technique. Je vous le rappelle, chaque point bleu, c'est un nouveau modèle qui dépasse le modèle initial conçu par l'humain. Donc là, elle a déjà conçu tous ces modèles-là complètement fous de modèles qui sont meilleurs que ce qu'on a trouvé jusqu'ici. Oui, je le répète que tous les modèles que tous les scientifiques
12:15 humains ont trouvé jusqu'ici et c'est pas comme si on parlait d'un terrain vague à explorer, hein. est un champ, un domaine déjà labouré par des années et des années de recherche scientifique humaine. C'est probablement pour ça que les auteurs ont osé en fait, si vous regardez, mettre comme titre de papier scientifique Alpha Go Moment pour la découverte des modèles d'architecture IA. C'est très très prétentieux et laissez-moi vous expliquer pourquoi. Petite parenthèse de 30 secondes, cette expression, elle mérite vraiment qu'on aattard. Si vous êtes pas du domaine, vous allez comprendre pourquoi. L'alphago moments, c'est le moment dans l'histoire où tout a basculé pour les IA. Donc retour en 2016, à l'époque, Google Demind, le laboratoire IA de Google et bien balance une IA conçue pour jouer au Go. Il faut comprendre un truc, c'est que le GO c'est pas les échecs, c'est un jeu bien plus complexe
13:01 avec un nombre de combinaisons possibles qui dépasse même le nombre d'atomes dans l'univers observable. Donc forcément face à un tel jeu, impossible de le résoudre par force brute. En fait, ce jeu c'est un système de stratégie à long terme de de pattern recognition, en quelque sorte un jeu d'intuition en fait qui est même presque spirituel dans certaines cultures asiatiques. Et pourtant donc à cette époque-là, Google de Mind organise un match entre Alphago et le champion du monde de l'époque, Lee Séol. C'est à ce moment-là qu'à la 2e partie, au 37e coup pour être plus exact qui est devenu culte, Alphago fait un mouvement improbable, tellement bizarre que tous les commentateurs se disent "C'est un bug, c'est un glitch, euh c'est une erreur grossière." Sauf que non, en fait c'était un coup génial, un coup qui sortait complètement des codes
13:47 que personne n'aurait jamais joué à ce moment-là de la partie. Et quelques dizaines de minutes plus tard et bien Lissé Doll, le champion est complètement détruit. Le gars, il a littéralement dû sortir, prendre l'air après tellement il était sous le choc. Euh et les commentateurs ont dit bien plus tard que ce n'était plus un match mais plutôt une humiliation qu'il avait subi. Ce coup-là, le 37e coup, on l'a surnommé le God Move, donc traduit en français le coup de Dieu. Et à partir de là, en fait, c'est là où tout a basculé. On a compris un truc, c'est que Lia, elle n'allait pas seulement nous rattraper, mais elle allait nous surprendre énormément. C'est donc à tout cela que renvoie le terme alphago moment. C'est ce que je viens de vous raconter et c'est exactement ce que ce papier prétend avoir recréé. Une IA qui non seulement améliore les architectures existantes, donc les IA existante, mais
14:32 qui en invente carrément des nouvelles et des façons inédites de penser l'attention. Bien sûr, c'est un peu culotté que ce soi les auteurs eux-mêmes qui osent nommer leur papier Alpha Moment. Normalement, c'est le genre de chose que le monde vous attribue et pas que vous vous donnez tout seul, vous voyez. Mais bon, on leur pardonne parce que ce qu'il nous montre mérite clairement qu'attard et c'est possiblement vraiment un alphago moment ici. Alors, je vous l'ai dit, ce système, ils l'ont appliquer euh pour la découverte de nouveaux systèmes, de nouveaux algorithmes pour les IA, hein, mais en fait, il est maintenant possible de l'appliquer dans plein d'autres domaines de la science, que ce soit la physique, la chimie, les mathématiques. C'est ça la puissance de ce système là, c'est que la boucle, elle n'est pas limitée à un seul domaine de recherche. Alors dans le papier, il nous montre d'autres découvertes qu'à réaliser ce cet IAL, que ce soit dans l'optimisation des algorithmes qu'on a déjà ou plein
15:18 d'autres choses. Mais moi, j'ai vraiment hâte qu'ils appliquent donc ce système là pour d'autres domaines et également qu'il commence à entraîner les systèmes d'acc à découvertia. car oui, on les a découvert mais maintenant il faut les entraîner. Sauf que si on fait ça, on est censé avoir à la fin une plus intelligente que ce qu'on a aujourd'hui. C'est un changement majeur hein, puisque désormais le le seul goulot d'étranglement ce ne sont plus les humains. C'est ce que je vous ai dit au au début de la vidéo. Aujourd'hui, nous avions plusieurs goulau d'étranglement, donc la puissance de calcul, les humains et cetera. Aujourd'hui, les humains a priori une anné plus un. Donc il en resterait peu. Don la puissance de calcul. On revient toujours à ça. En fait, désormais, la seule limite, c'est la puissance de calcul. Par exemple, vous voulez plus d'innovation, c'est facile. Vous balancez plus de GPI, plus de calcul, plus d'électricité et cette en fait, elle va vous découvrir plus de
16:04 choses. Puisque regardez sur ce graphique, c'est super intéressant ça aussi. En fait, ils ils ont montré que plus vous injectez de la puissance de calcul, donc des heures de calcul avec les GPU hours, il n'y a pas de ce que l'on appelle en anglais le diminishing return. Donc vous voyez ici dans la plupart des modèles aujourd'hui euh ce que ça fait c'est que ça croit ça croit ça croit et puis ça atteint une certaine limite et ça s'arrête comme ça. Ici ça ne s'est pas reproduit et c'est vraiment incroyable. Ça veut dire que là euh sur le papier du moins plus vous mettez de la puissance et plus les découvertes seront massives. Donc ils sont allés assez loin. Ils ont pas encore trouvé de limite à ce système là. C'est fou. Et encore une fois, je l'ai dit trois ou quatre fois mais c'est pour ça que le l'industrie de Lia, elle est en ébullition en ce moment. On vient peut-être de vivre un point clé, un point d'inflexion et si on arrive à mettre la main dessus, c'est une accélération brutale du rythme de l'innovation en intelligence
16:51 artificielle et pas que qui arrive hein. Si vous êtes un habitué, c'est le fameux moment de l'explosion de l'intelligence dont on parle souvent sur la chaîne hein. Vous savez le moment où c'est le point dans le temps où Unia commence à faire ses propres découvertes et à partir de là ça va accélérer x 100 fois x fois 1000. Bref, je suis curieux de savoir ce que vous en pensez. Est-ce que pour vous c'est plutôt enthousiasmant ou plutôt terrifiant ? Peut-être les deux, n'hésitez pas à me le dire dans les commentaires, je lis tout. Ce qui est sûr, c'est que préparez-vous parce que ça ne fait que commencer. Et justement, si vous avez trouvé cette vidéo utile, voire nécessaire, alors laissez-moi vous dire que j'ai quelque chose pour vous. J'ai brièvement parlé de mes élèves tout à l'heure au cours de la vidéo. Alors, laissez-moi vous dire que depuis quelques mois déjà, je construis un programme d'apprentissage unique. Je vous apprends tous les aspects de Lia. Oui, c'est une formation pensée pour
17:36 vous transmettre tout ce que je sais. Alors, non seulement sur les modèles comme JPT, Cloud, Grock, mais vraiment sur tous les outils. Comment créer des vidéos par IA, comment créer des images, de la voix par EA, comment créer des agents IA qui vont travailler à votre place, comment faire de la programmation informatique sans savoir coder grâce aux IA et cetera. En fait, j'en passe, je vous apprends énormément de choses. C'est une formation vivante constamment mise à jour, c'est important et qui a déjà permis à plus de 3000 personnes de devenir non seulement compétent mais vraiment stratégique avec Li développeur, pas besoin d'avoir un profil technique. Je vous prends par la main et avec des leçons vidéos claires, je vous montre tout ça. Cette semaine, je viens de publier la plus grosse mise à jour de la formation à ce jour où je vous apprends concrètement à créer des agents qui travaillent pour vous. Et oui, si vous nous rejoignez maintenant,
18:22 vous aurez accès à toutes les évolutions du futur, sans surcoup, accès illimité à vie, à tout ce que je veux vous apprendre. C'est maintenant ou jamais qu'il faut passer à l'action. Vous avez le lien en dessous de la vidéo, donc en commentaire épinglé ou en description de celle-ci. En tout cas, moi, je serais très heureux de vous accueillir dans le programme. Merci pour avoir regardé cette vidéo. Euh comme d'habitude, n'hésitez pas à vous abonner si c'est pas fait. Vous ne louperz plus ce genre de vidéo. N'hésitez pas également à la liker ou à la partager. En tout cas, merci à nouveau et je vous retrouve très vite dans une prochaine vidéo. >> Albert, tu savais que Visionnier révolutionne l'intelligence artificielle ? >> Oui, bien sûr. Je les suis sur XCOM. >> Exactement. Follow Vision sur X pour devenir un génie de Lia.
