Hack Xbox One dit inpatchable & Mesurer l’AGI selon DeepMind - Actualités Hacker News (18 mars 2026)

On commence par la sécurité, avec ce qui fait clairement lever un sourcil: un chercheur connu sous le nom de Markus « Doom » Gaasedelen a présenté “Bliss”, une méthode de compromission de la Xbox One. L’idée n’est pas de trouver un bug dans l’OS, mais de perturber l’électronique au bon moment, en provoquant une micro-chute de tension sur le CPU pendant le boot. Résultat annoncé: contourner des protections très en amont, jusqu’à charger du code non signé, y compris au niveau hyperviseur. Pourquoi c’est important? Parce que quand l’attaque vise du code gravé dans le silicium, on parle d’un scénario que les mises à jour ne savent pas vraiment “réparer”. Et au-delà du piratage, ça ouvre des discussions sur la préservation, l’analyse firmware, et la recherche en sécurité des systèmes embarqués.

Dans un registre voisin — le matériel qui surprend — un billet sur un CPU 8-bit “fait maison” raconte le passage douloureux de la simulation à la vraie vie. Dans Logisim, tout marche; sur une table, les signaux font du bruit, les fronts d’horloge deviennent capricieux, et des détails comme une broche flottante ou une soudure limite se transforment en heures de doute. L’auteur décrit des glitches de mémoire, des écritures déclenchées au mauvais moment, et des corrections très terre-à-terre: mieux conditionner l’horloge, synchroniser certains signaux, et vérifier les bases — continuité, découplage, câblage. Intérêt: c’est une leçon générale sur l’écart entre modèles “propres” et réalité physique, et un rappel que la fiabilité, ça se construit autant au multimètre qu’au tableau blanc.

On pivote vers l’IA, mais avec un angle moins “nouveau modèle” et plus “comment on mesure le progrès”. Google DeepMind publie un papier qui propose un cadre inspiré des sciences cognitives pour évaluer ce qu’on appelle, souvent trop vite, l’AGI. Leur constat: on sait faire des benchmarks, mais on manque d’outils empiriques solides pour dire si un système est vraiment “général” ou juste très bon à des examens entraînés. Ils découpent l’intelligence en familles de capacités — perception, mémoire, métacognition, fonctions exécutives, cognition sociale — puis proposent de comparer des modèles à des distributions de performances humaines, pas juste à un score isolé. Pourquoi ça compte? Parce que ça vise à réduire le “benchmark gaming”, les fuites de données, et les effets d’optique: on veut un thermomètre crédible, pas un concours d’astuces.

Côté pratiques de dev, on a un rappel bienvenu des cinq règles de Rob Pike sur la performance. Le message central est presque intemporel: les goulots d’étranglement sont souvent là où on ne les attend pas, donc on mesure d’abord, et on ne “bricole” la vitesse qu’après. Il insiste aussi sur un piège classique: un algorithme plus sophistiqué peut perdre sur des petits volumes, simplement parce que ses constantes sont lourdes, ou parce qu’il multiplie les cas particuliers. Et surtout, il martèle une idée qui traverse l’ingénierie depuis des décennies: les structures de données et l’organisation des données comptent plus que l’astuce algorithmique du moment. Pourquoi c’est intéressant aujourd’hui? Parce qu’avec l’obsession des micro-optimisations, des prompts magiques, ou des “quick fixes”, on a besoin de se rappeler que la simplicité, la mesure, et de bons choix de données restent la voie la plus robuste.

Dans la même veine “comprendre avant de complexifier”, un article revient sur JPEG, et pourquoi ce format compresse si efficacement. La thèse est simple: JPEG exploite nos limites de perception. Il sépare ce qui relève de la luminosité — à laquelle l’œil est très sensible — de la couleur fine, qu’on peut dégrader plus discrètement. Puis il transforme l’image pour concentrer l’essentiel dans des composantes “douces” et jette une partie des détails à haute fréquence, ceux qu’on remarque moins. Enfin, il encode intelligemment ce qui reste. Pourquoi ça importe encore en 2026? Parce que même à l’ère des nouveaux codecs, JPEG reste omniprésent, et comprendre sa logique aide à raisonner sur la qualité, les artefacts, et les compromis entre poids de fichier et fidélité — y compris dans des pipelines IA qui ingèrent des images déjà compressées.

Passons au graphisme temps réel: Eric Lengyel célèbre les dix ans de l’algorithme Slug, une méthode GPU pour rendre texte et graphismes vectoriels directement depuis des courbes de Bézier, sans dépendre d’atlas de textures préfabriqués. Le fait marquant n’est pas seulement l’anniversaire: il annonce avoir dédié le brevet de 2019 au domaine public à partir du 17 mars 2026. Autrement dit, plus de brouillard juridique pour implémenter l’approche. Pourquoi ça compte? Parce que le rendu de texte net, stable en perspective, sans scintillement ni contours baveux, reste un sujet sensible dans les moteurs et les outils UI. Quand une technique robuste devient plus libre à adopter, ça accélère la diffusion — et ça évite que chacun réinvente sa solution “presque correcte” dans son coin.

On termine avec une page d’histoire, mais une histoire très actuelle: Bertrand Meyer rend hommage à Tony Hoare, décédé la semaine dernière à 92 ans. On y recroise Quicksort, évidemment, mais aussi l’impact profond de la logique de Hoare sur la vérification des programmes: l’idée qu’on peut raisonner sur le code de façon structurée, et pas seulement “tester et espérer”. Et puis il y a la concurrence, avec CSP, qui a influencé notre manière de penser les systèmes qui communiquent. Ce qui ressort surtout, c’est la cohérence de l’héritage: des algorithmes élégants, des bases théoriques solides, et une obsession saine pour la correction. À l’heure où l’on confie de plus en plus d’actions à des systèmes automatisés et à des agents, ces fondations ne sont pas du musée: elles redeviennent un guide de prudence.