L’IA bouleverse les mathématiques & Contrôle public des modèles frontier - Actualités IA (27 juin 2026)

[0:40] L’IA bouleverse les mathématiques

On commence donc par ce qui secoue le plus de monde en ce moment: les mathématiques. Plusieurs signaux convergent — des systèmes qui atteignent un niveau type olympiades, des annonces de recherche “niveau doctorat” et même, selon OpenAI, la réfutation d’une conjecture très médiatisée. En parallèle, la combinaison IA plus assistants de preuve accélère la vérification formelle de démonstrations longues et délicates. Pourquoi c’est important? Parce qu’on touche à la chaîne complète de production du savoir: trouver, prouver, puis faire confiance au résultat.

Pendant qu’on parle de taille, un billet de Lilian Weng revient sur les “scaling laws”, ces lois empiriques qui permettent de prévoir comment la performance évolue avec la quantité de calcul, de données et de paramètres. Ce qui change dans la lecture récente, c’est la reconnaissance d’un monde plus contraint par les données uniques: on ne peut pas toujours alimenter indéfiniment des modèles avec des tokens “nouveaux”. La répétition peut provoquer des effets contre-intuitifs, et les conclusions dépendent fortement de détails méthodologiques. En clair: les scaling laws restent utiles pour planifier, mais elles ne sont pas une boussole infaillible — surtout quand on mise des centaines de millions sur une seule run.

Dans la même veine “données”, un papier arXiv propose Autodata: l’idée est de former des agents qui se comportent comme des data scientists, capables de générer de meilleurs jeux de données synthétiques — et d’optimiser ces agents eux-mêmes pour qu’ils s’améliorent dans ce rôle. C’est intéressant parce que ça déplace le levier: au lieu de mettre tout le compute en test-time pour “réfléchir plus longtemps”, on peut transformer du compute en données d’entraînement de meilleure qualité. Pour les organisations qui manquent de labels humains fiables, c’est potentiellement un accélérateur majeur.

On finit par l’IA comme phénomène économique et politique, parce que ça devient impossible à séparer du reste. Exponential View publie un “State of the AI Economy” qui estime les ventes de l’économie genAI à environ 110 milliards de dollars sur douze mois, avec un rythme annualisé au-delà de 175 milliards — en essayant de dédupliquer ce qui serait sinon compté plusieurs fois entre fournisseurs de modèles, cloud et intermédiaires. Le rapport avance aussi une idée qui va parler aux équipes produit: la demande serait très sensible aux prix — donc baisser le coût par token peut faire grimper l’usage encore plus vite, et au final augmenter les dépenses totales.

Mais cette expansion rencontre de plus en plus de résistance. The Economist souligne une montée de l’opposition publique, avec des protestations contre les data centers qui auraient déjà perturbé des projets massifs. En parallèle, on voit l’argent de la tech chercher à peser sur la politique: un nouveau programme lié à la newsletter “Blood in the Machine” met en avant un projet de suivi des flux financiers, Tech Influence Watch, pour documenter où vont ces centaines de millions. L’intérêt n’est pas le show en lui-même, c’est le symptôme: l’IA devient un enjeu de pouvoir, donc un enjeu de transparence — et forcément, de conflit.

Dernier point, côté investissement: General Intuition annonce une levée de 320 millions de dollars, valorisation à 2,3 milliards, pour des modèles “orientés action” entraînés sur des masses de séquences de gameplay et des environnements simulés. C’est un pari clair: la prochaine vague ne sera pas seulement des modèles qui parlent, mais des modèles qui agissent, planifient et s’adaptent dans des mondes — réels ou simulés. Et quand on voit les montants, on comprend que beaucoup d’acteurs pensent que c’est là que se jouera la prochaine bataille des agents et de la robotique.