L'IA démontre-t-elle déjà des théorèmes ? Comment change-t-elle la recherche scientifique ?
Avec Laurent Daudet, directeur exécutif de l'IA à l'École normale supérieure, physicien et cofondateur de LightOn, on parle de ce que l'IA générative change pour les chercheurs, les mathématiciens et les étudiants.
GPT-3 avant ChatGPT, agents IA, molécules inventées en deux jours au lieu d'une thèse, explosion du nombre de publications : la recherche accélère. Et cet été, OpenAI a lancé 10 000 agents pendant 88 heures sur Navier-Stokes, un des problèmes du millénaire. Une prouesse… mais aussi des méthodes qui ont choqué la communauté mathématique. Force brute ou vraie intelligence ? Peut-on encore comprendre le raisonnement des modèles ? Faut-il ralentir l'IA ? Et comment apprendre quand une IA peut tout faire à ta place ?
Tous mes liens : https://taap.it/guillaumegay
Transcription complète
Transcription brute générée automatiquement par Whisper — peut contenir des imprécisions.
Bonjour à tous, avant de démarrer cet épisode, petit disclaimer pour vous dire qu'il a été enregistré le mardi 6 octobre et cela a son importance parce que l'actualité a beaucoup évolué depuis, vous savez que tout va très vite dans l'IA. Notamment, OpenAI a sorti un répertoire open source sur GitHub qui s'appelle Mat, que j'aurais bien voulu commenter avec Laurent. Mistral a également sorti un modèle, vous verrez, on en parle. et même pour Navier Stokes dont on va parler, il y a eu quelques rebondissements. Donc peut-être que je ferai un deuxième épisode sur le sujet. Je vous souhaite une excellente écoute. Bonjour à tous et bienvenue dans ce nouvel épisode de Génération IA.
Et aujourd'hui, c'est un épisode un peu spécial parce que j'ai l'honneur de recevoir Laurent Daudet pour parler notamment d'IA et de recherche scientifique. C'est un sujet qui me tient vraiment à cœur parce que je pense vraiment que la recherche, c'est quelque chose de fondamental pour un pays. Et donc, aujourd'hui, le monde de la recherche est un peu bousculé, on va dire, par l'arrivée de ces outils génératifs qui deviennent suffisamment puissants, on va dire, pour démontrer certains théorèmes ou en tout cas impacter la recherche. Ça me rappelle un petit peu à mon échelle de développeur, lorsque les modèles sont devenus suffisamment puissants pour qu'on puisse coder les choses qu'on faisait directement via l'IA générative.
Maintenant, c'est un peu plus approfondi, ça arrive du côté de la recherche. Et plus globalement, j'ai l'impression que ça bouscule un peu tous les domaines à une échelle différente et à un horizon de temps différent, selon aussi la complexité, etc. Et là, récemment, avec l'actualité de cet été, où les modèles d'OpenAI, donc déjà, il y a eu la partie cybersécurité, où il y a eu des hacks, j'en ai déjà parlé, et la partie démonstration de théorème, où il y a eu un peu une course aussi, parce que forcément, ça fait du buzz, lorsqu'une IA apporte une preuve scientifique, de façon quasiment 100% autonome. Et donc, pour en parler, je voulais vraiment m'entourer de quelqu'un qui s'y connaît vraiment, pour ne pas dire n'importe quoi, parce que c'est quand même assez pointu.
Laurent, merci d'avoir accepté l'invitation. Je te laisse peut-être te présenter d'abord à l'audience. Bonjour à tous. Donc, moi, en effet, je suis directeur scientifique, directeur exécutif, pardon, de l'IA à l'École Normale Supérieure à Paris. Et à ce titre, je coordonne tout ce qui se fait en IA à l'école, que ce soit autant pour la recherche, ce dont on va parler aujourd'hui, mais aussi comment ça change la formation des étudiants. Et puis aussi l'innovation, c'est avec des startups créées autour de l'IA dans l'école ou le lien avec les grosses entreprises. Voilà un peu mon activité. Et puis sinon, à la base, moi, je suis physicien. Et puis, j'ai été pendant une dizaine d'années aussi entrepreneur entre 2016 et 2025 dans une startup d'IA générative qui s'appelle LightOn.
Et voilà, maintenant, je suis revenu dans le monde universitaire. Ok, très bien, merci. Donc, à la fois cette vision entrepreneuriale et vis-à-vis de l'éducation. Donc, j'imagine que tu définis certaines orientations aussi pour l'école normale supérieure, peut-être la façon dont les doctorants travaillent, etc. Et dans ce cadre, dans quelles mesures ils peuvent utiliser l'IA Générative ? Pour commencer déjà, tu disais que tu avais un passé entrepreneurial dans l'IA Générative. Comment tu vois, c'est une question que je pose souvent, comment tu as vécu l'arrivée de ChatGBT au grand public ? Toi qui étais déjà un insider, qu'est-ce que ça t'a évoqué sur le moment ?
Parfois, il y a des gens qui trouvent que ça a été génial ou qui ont tout de suite vu ce qui allait se produire. Et il y a aussi beaucoup de gens qui ont trouvé ça un peu stupide au début. Quelle a été, toi, ta sensation vis-à-vis de ça ? Oui, oui. Alors, c'est intéressant parce que c'est vrai que ChatGPT, c'est fin novembre 2022, je crois. 22, oui, c'est ça, fin novembre 2022. Nous, on était à LightOn, on était déjà dans l'IA générative depuis plus de deux ans. En fait, nous, notre moment de révélation, c'était GPT-3. Et GPT-3, c'était mai 2020. Et en mai 2020, on a vu arriver ce truc-là. Alors, à l'époque, ce n'était pas chat, ce n'était pas comme ChatGPT.
Tu commençais, tu faisais un prompt et puis ça compléterait le texte, mais ce n'était pas en mode interactif. Ce n'était pas récursif pour créer des parventures. Oui, exactement. Mais ce truc-là nous a complètement scotché, en fait. Le fait que ce soit capable de générer du texte dans n'importe quel style, dans n'importe quelle langue, sur n'importe quel contexte, etc. On s'est dit, ce truc-là, ça va avoir un impact absolument majeur dans l'IA et dans la société d'une façon plus générale, dans l'économie. Et on a fait totalement pivoter notre boîte pour faire plus que ça. On a créé nos propres modèles, etc. Du coup, c'est vrai que quand ChatGPT est arrivé en novembre 2022, nous, on était déjà lancés, on avait fait des LLM, on avait fabriqué nous-mêmes des LLM, on en avait commercialisé, etc.
Et finalement, en soi, techniquement, ça ne nous a pas plus coaché que ça parce que c'était qu'une évolution naturelle de GPT-3, GPT-3.5, etc. En fait, ce qui nous a le plus surpris, c'est les réactions du monde entier là-dessus. C'est-à-dire, en fait, que... Et même, ça a surpris, les premiers à être surpris, c'était aussi OpenAI. OpenAI, ils ont sorti ce truc-là au début. Oh, by the way, on a fait un modèle, on en a mis en mode chat, mais ils ne s'attendaient pas à ce que c'est la réponse que ça a eue. Ils pensaient que c'était juste une évolution normale de leur modèle. Et en fait, c'est ce truc-là qui a tout déclenché. Après, c'est devenu ce qu'on sait.
Mais pour nous, c'était vraiment ça. Techniquement, c'était qu'une évolution des GPT 3, 3.5, etc. L'Instruct. Mais après, évidemment, il y a eu un avant et un après et c'est devenu quelque chose que toutes les entreprises ont voulu utiliser, ont voulu utiliser, ont essayé de comprendre le potentiel et c'était vraiment le début de l'ère de l'IA générative pour le grand public. C'est ça, c'est exactement ça. En fait, ChatGPT, c'était vraiment adressé au grand public, mais les modèles eux existaient déjà mais n'étaient pas aussi accessibles. Et je pense que c'était un tweet peut-être de Sam Altman qui a dit « Donnez-moi votre feedback sur ce truc-là, tu as GPT qu'on vient de sortir.
» Mais je pense que effectivement, ils ne pensaient pas du tout que ça ait cet impact. Les amis, petite interruption pour vous dire que si vous aimez le podcast, si vous avez appris des choses, N'hésitez pas à laisser une note de 5 étoiles sur votre plateforme de podcast préférée, voire un commentaire. Cela permet d'augmenter le référencement, de crédibiliser le podcast pour avoir d'autres invités du calibre de Laurent dans les prochains épisodes. Allez, je vous laisse. Je pense qu'il y a beaucoup d'entreprises qui ne voulaient pas sortir leur interface au grand public parce qu'ils avaient peur de se faire juger négativement ou que les gens le hackent ou fassent des choses négatives avec.
je crois qu'il y avait déjà eu des expériences par le passé qui avaient mal tourné et donc là c'était un peu le cap où le modèle devenait suffisamment utile pour pas mal de cas d'usage pour qu'au final ça serve le grand public là-dessus Oui tout à fait c'était effectivement il y avait le minimum de garde-fous pour éviter de faire des trucs aborder des sujets problématiques etc. qui n'étaient pas consensuels Là, pour le coup, ils avaient plutôt pas mal fait leur post-entraînement pour faire en sorte que ça tourne pas. Sur des sujets sensibles ou que ça fasse... Sur des sujets sensibles, non consensuels, etc. Donc ça, ça faisait pas ça. Et puis en même temps, c'était...
Et en fait, le truc le plus... En fait, qu'a fait que ça marchait, c'est que c'était super ludique. En fait, tout le monde s'est amusé. Et il y avait ce côté, le truc qui répond, on avait vraiment l'impression d'avoir un truc un peu humain en face. Alors, au bout de quelques temps, tu disais non, effectivement, ce n'est pas un humain, c'est bien un robot, mais tu t'en rendais compte assez vite. La première interaction que tout le monde a eue avec JetGPT, je suppose que tout le monde s'est dit, waouh, ce truc-là est fou. C'était un peu un fantasme de l'être humain, de parler à un robot un petit peu ou à une machine. Steve Jobs avait évoqué ça dans les années 80 et là, c'était la première fois où vraiment il y avait des réponses qui n'étaient pas hard-codées ou avec des...
où il y avait un peu d'intelligence, on va dire. Mais très vite, il y avait des comportements très bizarres, des hallucinations, etc. Oui, c'était pas parfait, on s'en rendait compte, mais quand même, il y avait un saut quantitatif par rapport à tout ce qui existait avant, surtout dans la généralité de domaine, généralité de langue, généralité de contexte, etc. Ça, c'était fort. En fait, c'était surtout ça, cette notion de contexte. C'est-à-dire que tu pouvais parler pendant un contexte assez long et puis ça restait sur le même sujet alors qu'autrefois les chatbots avaient une mémoire de poisson rouge. Ils ne se souvenaient pas de la question qu'ils avaient posée en ligne avant.
Oui, c'est vrai que ça, c'était une grande différence. Et donc ensuite, pour avancer assez vite, il y a eu les agents IA. Donc ça, ça a été une évolution du chatbot itératif dans ChatGPT ou autre, vers vraiment des IA qui commencent à prendre des décisions et qui ont des outils, qui font des actions. Ça, du coup, c'est apparu doucement, ça s'est structuré au début. Chacun faisait un petit peu dans son coin. Il y avait beaucoup de limitations. Comment toi, tu as vécu ça aussi, comme vous étiez précurseur un peu sur le sujet, puis que tu étais à l'intérieur ? Quand est-ce que vraiment tu t'es mis à utiliser des agents IA et quels étaient tes cas d'usage ?
Oui, les agents d'IA, effectivement, c'est ce qui permet de faire plein d'actions avec des harnais qui ont vraiment des actions sur l'environnement de la machine. Nous, vraiment, à l'intérieur de l'ITON, on a utilisé les agents pour organiser l'information pour les entreprises. En fait, on faisait toute une couche logicielle qui permet de faire du search avancé et de l'organisation, ce qu'on appelait le search and reason, c'est-à-dire organisation de l'information et puis du raisonnement qui permet d'effectuer des actions sur un ensemble de documents complexes hétérogènes. On avait sorti un OCR assez avancé qui permettait de même récupérer des documents, même manuscrits, etc.
Ce qui fait que ça prend plein d'informations, des images, des graphiques, etc. Et puis, tu essayais d'en extraire du sens et ça, c'était vraiment le tournant de l'IA agentique, effectivement. Effectivement, oui. J'avais travaillé un peu sur du NLP aussi à l'époque. Et effectivement, il y avait plein de cas d'usage où l'intelligence était nécessaire et qu'un ensemble de règles classiques, logicielles ne pouvaient pas forcément tout faire à ce moment-là. Oui, c'est ça. Et notamment aussi cette capacité à coder. Donc, le LLM, quand il y a une action à faire, par exemple, créer un tableau, etc., il crée lui-même des lignes de code en Python, il l'exécute dans un environnement fermé et il te fait le tableau, il te fait toutes les actions possibles.
Ça, l'IA pour coder, pour moi, c'était vraiment un petit peu la deuxième étape de cette révolution, on va dire, de l'IA générative après Chattipity, pour le grand public. Là où, justement, les IA ont commencé à devenir suffisamment fortes en code pour que les gens l'utilisent. Au début, c'était des bribes de code dans Chattipity, mais ça pouvait déjà être énorme, en fait. Et après, quand ça s'est mis, justement, en mode argentique, où là, ils pouvaient modifier plusieurs fichiers dans Cursor, etc. et en fait, faire gagner plusieurs heures par jour aux développeurs, pour moi, c'était vraiment un deuxième tournant. Et puis après, tous les laboratoires se sont un peu orientés vers ce domaine parce qu'il y a énormément d'enjeux financiers, on va dire, jusqu'à aujourd'hui, où maintenant, c'est devenu rare des développeurs qui codent à la main.
C'est devenu presque une espèce en voie de disparition. Et donc, cette révolution, je l'ai vécue de l'intérieur. C'est pour ça que j'ai fait le podcast de base, parce que je regardais autour de moi et les gens, en fait, ce n'était pas encore remonté jusqu'à eux parce qu'ils n'étaient pas forcément dans ce domaine-là. Et là, on arrive à une période où tout le monde maintenant ne parle que de ça. Notamment dans la recherche, quels ont été, si on reprend aussi cette chronologie, les premiers impacts de l'IA générative ou les premières utilisations dans la recherche, potentiellement, j'imagine, pour aussi faire de la documentation ou extraire des informations, comme tu nous disais au début.
Oui, effectivement, dans la recherche, c'est venu assez vite avec exactement ce que tu dis. Il y avait deux utilisations. C'était le premier, c'était sur le texte, tu vois, fais-moi un résumé d'article, fais-moi une sorte de veille biblio, parce que c'est vrai, quand on est chercheur, tous les jours, il y a d'autres chercheurs de par le monde qui publient des articles. Et puis, voilà, c'est dur de suivre. Et là, ça va être vraiment utile d'utiliser l'IA générative pour avoir une sorte de veille. Et puis, même pour écrire les articles aussi, c'est super utile. Surtout quand tous les articles sont en anglais et quand t'es pas totalement bilingue en anglais aussi bien...
Enfin, c'est un handicap. Du coup, pouvoir utiliser l'IA générative pour corriger ton style, etc., ça c'est super utile. Donc, voilà, l'interaction sur la littérature, sur la bibliographie. Ça, c'était la première utilisation. Et puis, la deuxième, c'est ce que tu dis aussi, c'est le code. Parce que quand tu es chercheur, tu fais tout le temps du code informatique. Quand tu as une... Je ne sais pas, mes copains physiciens qui ont des manips, elles sont toutes pilotées par ordinateur. Il y a toujours des drivers super compliqués pour du matériel super pointu. Et tout ça, le code pour l'acquisition des images, etc., Tout ça, c'est très utile liée à générative.
Et du coup, ça a été utilisé depuis le chat de GPT, il y a eu pas mal d'utilisation. Mais maintenant, on va y venir, mais il y a eu une grosse accélération ces derniers mois. C'est ça. On y vient doucement. Avant ça, c'est vrai que faire du code, ça peut être... Enfin, c'est pas forcément le métier de base, j'imagine, d'un physicien. Et du coup, ça peut leur permettre potentiellement de tester plus vite des hypothèses, d'itérer plus vite et de se concentrer vraiment sur leurs recherches, leurs idées et leur créativité et tester des nouvelles expériences rapidement en fait. Est-ce que dans quelle mesure ça compresse le temps pour eux et ça leur permet d'aller plus vite dans leurs recherches ?
Oui, c'est exactement ça. Ça permet de boucler beaucoup plus vite ton hypothèse, test etc. Ce cercle-là. Il faut voir Alors que l'IA aussi, les chercheurs n'ont pas attendu l'IA générative pour mettre de l'IA dans la recherche. Il y a beaucoup d'IA qui n'est pas strictement parlé de l'IA générative. Par exemple, j'ai des collègues en chimie qui utilisent de l'IA, qui n'est pas de l'IA générative, mais qui est de l'IA pour inventer des nouvelles molécules avec des propriétés physiques particulières. et c'est des énormes codes qui inventent des molécules en 3D, qui déterminent la fonction, etc. Et ça, ça révolutionne totalement leur domaine. Et là aussi, pareil, ça a vraiment accéléré.
C'est-à-dire, ils disaient qu'il y avait certains travaux. Autrefois, tu mettais toute la durée d'une thèse pendant trois ans où tu travaillais sur une seule molécule, etc. Tu étais hyper pointu. Puis maintenant, en deux jours, tu as le même résultat grâce à l'IA. Et donc, ça compresse le temps et c'est assez vertigineux. Effectivement, parce que j'imagine qu'en compressant ce temps, en général, l'humain a besoin quand même de se poser un peu sur le sujet et d'y réfléchir, même de temps en temps, de façon passive, la nuit, même le week-end, quand on fait d'autres activités. C'est là, parfois, où émergent certaines idées. Et avec cette accélération dont on va parler, j'imagine que ça génère des problématiques vis-à-vis des chercheurs parce que nous, on a une fenêtre de contexte mental limité entre guillemets et on peut très vite avoir une surcharge mentale.
En tout cas, moi, j'ai l'impression que j'ai vécu ça dans le logiciel parce que j'en parle avec des gens qui sont dans le milieu. On passe notre temps à relire des spécifications, à les valider ou pas. Et en fait, toute la journée, on arrive très vite à saturation. Par exemple, le matin, on est beaucoup plus productif que l'après-midi. Alors qu'avant, on pouvait tenir une journée tranquillement. Oui, c'est totalement vrai ce que tu dis. Ça change totalement la façon de travailler. C'est vrai que la promesse de l'IA au début, c'était que ça allait vous décharger des tâches, etc. et ça allait te rendre plus cool et tu vas être beaucoup plus zen.
Et tu n'es pas forcément beaucoup plus zen, comme tu dis. Non, pas du tout. En fait, c'est illimité, le champ des possibles. Oui, c'est ça. Et c'est vrai que dans la recherche, il y a le temps de l'échec, il y a le temps de la discussion. Enfin, tu vois, le chercheur, il n'est jamais tout seul non plus. Il est aussi à discuter avec ses collègues, avec les doctorants, les post-docs, toutes les équipes, etc. Tout ce temps-là, il ne faut pas l'oublier. Il ne faut pas être juste tout seul face à son ordinateur. Il faut aussi continuer à échanger avec ses collègues parce que c'est là aussi où se créent les nouvelles idées. Pour l'instant, au moins dans pas mal de sciences expérimentales, les idées continuent de venir du chercheur et la machine peut aider, mais ce qu'il faut chercher là où il faut chercher, c'est quand même au chercheur qui revient encore la décision et puis l'intention.
L'intention qui est basée sur l'intuition que là, il y a quelque chose à crever, c'est dans cette direction-là qu'il faut aller chercher et c'est ça qu'il faut essayer de prouver ou de prouver son contraire. Mais voilà, pour l'instant, c'est là-dessus qu'il faut se concentrer, mais c'est vrai que ça change la façon de travailler et ça change les constantes de temps. C'est ça. Et en même temps, par exemple, dans le développement logiciel, beaucoup de gens disent qu'en fait, ne pas utiliser l'IA n'est plus suffisamment productif sur le marché. Et donc, ça ne laisse pas forcément cette liberté de prendre notre temps. Donc, j'espère que pour les chercheurs, j'imagine que la partie doctorat sert aussi à ça, à pouvoir un peu expérimenter et prendre son temps.
mais en fait plus on avance et plus j'ai l'impression qu'on a plus le luxe de pouvoir rentrer dans les détails de certaines choses et du coup c'est vrai ce que tu dis et notamment même quand t'es doctorant c'est sûr que tu peux t'as 3 ans pour travailler sur un sujet on peut se dire c'est tranquille tu peux prendre le temps de te tromper, d'aller dans des chemins de traverse d'explorer etc mais t'es quand même soumis à pas mal de pression et notamment la pression de publier des choses, parce que c'est quand même sur les publics. Après, surtout si tu veux après avoir un poste de chercheur plus tard à l'université ou au CNRS, etc., il faut vraiment avoir beaucoup de publications.
Et ça, c'est le gros enjeu, la grosse pression, sur lequel l'IA est en train de faire exploser le nombre de publications. Et en fait, ça le fait tellement exploser que les gens n'ont même plus... Il n'y a même plus assez de relecteurs pour relire tous les articles. c'est un vrai enjeu en ce moment le système est en train d'être totalement parlons-en justement donc on en vient à cet été on va dire je cite ça à cet été mais potentiellement il y a eu des théorèmes découverts avant etc mais OpenAI qui nous dit qu'ils ont démontré je ne suis pas un spécialiste donc je te laisse ça en parler mais Navier Strokes qui étaient une grande preuve mathématique ou plutôt un contre-exemple qu'ils ont trouvé, on va dire.
Ça, c'est un peu le point de départ, on va dire, de l'IA qui devient suffisamment autonome pour prouver des grandes thèses, même s'il y avait déjà pas mal de lèmes et d'autres problèmes qui avaient été découverts avant. Et depuis, ça s'accélère. Est-ce que cette news, c'était important ou est-ce que ça s'inscrit juste dans la continuité des choses et de cette accélération ? Pour moi, il s'est vraiment passé quelque chose. Ça a vraiment, pour moi, ça a commencé, on voyait frémir au début 2026. Au printemps, il a commencé à y avoir des petits résultats, des trucs un peu significatifs. Mais c'est vrai que la plupart des mathématiciens ne l'ont pas vu arriver si vite que ça.
Ils ont été les premiers surpris que, tu vois, il y a deux ans, en maths, ce n'était pas super bon. Ça faisait quelques petits problèmes d'Olympiades de maths, etc. Mais ce n'était pas du tout du niveau chercheur. Et il y avait même pas mal de chercheurs qui disaient que ça mettrait 5 ans peut-être pour qu'il y ait des IA qui soient au niveau recherche. Et puis là, bing, arrive quelque chose où il y a des résultats majeurs qui tombent. Donc, il y a eu cette histoire de Navier Stokes. Pour préciser un petit peu ce que c'est que Navier-Stokes, Navier-Stokes est une équation mathématique qui intervient dans la dynamique des fluides. Comment tous les fluides, l'eau, l'air, etc.
se déplacent. C'est très compliqué. Les chercheurs d'OpenAI n'ont pas démontré Navier-Stokes. Ils ont résolu ce qu'on appelle un problème du millénaire au tournant du siècle. Il y a eu une fondation qui a déterminé une dizaine de problèmes ouverts en mathématiques, sur lesquels ils ont dit qu'ils allaient mettre un million de dollars sur dix problèmes ouverts. Et notamment, il y avait un de ces problèmes ouverts qui concernait cette équation de Navier-Stokes. Et le challenge était de savoir, est-ce que cette équation, quand on part d'un fluide au repos au départ, est-ce qu'elle aboutit toujours à des vitesses finies ou est-ce qu'elle peut arriver à une vitesse infinie en un temps fini ?
Et en fait, les mathématiciens d'OpenAI ont trouvé un cas particulier où le fluide arrivait à une vitesse infinie. Il y avait ce qu'on appelle une singularité qui se créait en un temps fini. Et du coup, c'est quelque chose qui a de l'importance, pas tellement pour son importance physique, parce que ce n'est pas ça qui va changer les simulations numériques de fluides, etc. On sait qu'il y a des solutions, etc. Mais ça a plutôt une importance mathématique sur ce type d'équation qui peut développer des singularités. Mais surtout, effectivement, c'était quelque chose d'assez symbolique, un problème qui était ouvert depuis très longtemps, des dizaines d'années, le fait que des chercheurs, ils ont lancé 10 000 agents en parallèle pour démontrer le truc.
qu'il y a des preuves formelles dans un langage qu'on appelle Lean qui montrent rigoureusement que leur preuve est exacte. Il n'y a pas d'erreur. Oui, donc cet outil Lean permet de valider officiellement que c'est exact de façon formelle sans qu'il y ait un débat là-dessus. Ce n'est pas une opinion, c'est démontré. Voilà, alors, à supposer qu'ils n'aient pas fait on peut faire des erreurs en programme Lean aussi. donc de temps en temps on peut avoir l'impression mais on peut supposer qu'ils ont fait les choses proprement et du coup effectivement Est-ce que c'est open source Lean ? Lean je crois que c'est open source donc on peut supposer que leur résultat a été donc validé par Lean, le problème c'est que c'est du code qui est à peu près illisible et donc ce qui est intéressant en mathématiques finalement Ce que disent souvent les chercheurs, c'est que le résultat est moins intéressant que le chemin pour y arriver.
Et là, il y a eu un résultat qui a été trouvé, mais par contre, le chemin pour y arriver, il est à peu près illisible pour la très grande majorité de la communauté. Et donc, on est encore très loin d'avoir digéré ce résultat. Et c'est sûr que c'est une nouvelle façon de travailler, une nouvelle façon. Ce n'est pas la façon traditionnelle qu'ont les mathématiciens de produire des résultats, ce qui est assez problématique. À ces problématiques aussi, c'est le fait que quand OpenAI a sorti son communiqué de presse annonçant qu'ils avaient résolu ce problème-là, ils ont sorti ce papier scientifique de 150 pages, qui est absolument illisible, et surtout qu'ils ne citent pas tous les autres chercheurs qui travaillaient là-dessus.
Donc, c'est aussi un peu à la limite de l'éthique. Ils se sont dépêchés parce qu'ils ont entendu dire qu'il y avait des chercheurs un peu concurrents qui allaient sortir un résultat majeur. Ils se sont dépêchés de mettre leur dernier modèle, qui n'est pas le modèle public, c'est un modèle interne OpenAI, lancer 10 000 agents, dépenser des millions de dollars en compute pour leur 10 000 agents. Et en 88 heures, ils ont réussi à avoir des résultats. Ils ont un peu grillé tout le monde. Et c'était aussi un petit peu des méthodes un petit peu borderline d'un point de vue de l'éthique, de mathématiques, qui est quand même normalement une communauté assez soudée et qui ne se fait pas trop des petits coups tordus.
Là, c'était un peu borderline quand même. Oui effectivement les enjeux financiers autour de ça peuvent faire que j'imagine l'éthique ne passe pas forcément au premier plan de leur côté et c'est un peu dommage là-dessus parce que pour eux leur but aussi c'est de lever le maximum de fonds pour financer justement leur recherche, leur compute, etc. pour devenir rentable à terme et du coup ce genre de nouvelles pour eux c'est du pain béni parce que du coup tout le monde en parle et donc on se projette sur ça. Exactement, et puis là les maths, comme tu dis, c'est aussi quelque chose qui est assez consensuel c'est-à-dire, c'est pas... Exactement Il y a eu de la mauvaise pub avec cet été, avec le serveur de GingFace qui avait été hacké, enfin là il y avait eu des...
Ils avaient eu une sorte de mauvais buzz pendant l'été et là par contre sur les maths, ça s'est un peu retourné contre eux effectivement sur cette histoire d'agissement qui était un peu pas super dans l'éthique de la communauté, mais en tout cas, c'est vrai que ça fait parler d'eux, ça montre la puissance de leur modèle. Il y a aussi une sorte de petite guerre, un guéguerre entre OpenAI et Anthropik, sur qui aura le modèle le plus puissant. OpenAI, là, semble avoir un peu une longueur d'avance sur les maths, mais Anthropik a sorti des trucs en physique théorique et en biologie, ouais, c'est ça. Donc là, il y a eu deux... Le CEO d'Entropique, oui.
Justement, Dario Amodey, il est de base. Il a fait pas mal de biologie, il me semble. Du coup, ça peut expliquer aussi certaines orientations de la recherche chez Anthropique. Oui, et Anthropique est en train de monter un très gros labo de biologie aussi. Et du coup, ça, c'est super intéressant de voir ce que ça va donner. Bon, ça pose des questions, nous, en tant qu'universitaires. Il va falloir trouver sa place effectivement, c'est vertigineux. Absolument colossaux. Et donc, pour revenir à Navier Stokes, moi, ma question, c'est dans quelle mesure, justement, l'IA, c'était de la force brute, parce que tu nous as parlé de ces 10 000 agents qu'on tournait pendant des heures et des heures.
Dans quelle mesure c'était de la force brute pour trouver un résultat précis en en calculant des millions d'autres résultats où il y avait une originalité, on va dire, de preuves ou de réflexions où on ne sait pas encore, peut-être, comme tu nous disais aussi que tout ça était encore une boîte noire. Dans quelle mesure l'IA a dépassé, on va dire, l'humain uniquement parce qu'elle avait toute cette capacité de calcul infini qu'un humain ne peut pas avoir seul ? C'est un peu un mélange des deux. c'est sûr que l'équipe d'OpenEA et qui a fait ça, c'est pas n'importe qui non plus c'est des bons mathématiciens et il faut quand même être très bon mathématicien pour arriver à ce résultat, quelle que soit la puissance des calculs et les modèles d'IA qu'on a Donc OpenEA a une équipe de mathématiciens qui a dirigé cette recherche en fait qui a prompté et dans quelle mesure on va dire, l'IA était autonome vers ce résultat ou diriger Est-ce que tu le sais ?
Le début a été dicté par les humains. C'est-à-dire qu'ils ont mis l'IA sur la piste et sur des pistes qui étaient publiées dans la littérature. Il y avait notamment des Espagnols qui avaient travaillé dessus. Il y a un an, ils avaient ouvert un peu le chemin vers la résolution du problème. Donc, je pense que les humains, les mathématiciens ont beaucoup guidé la machine au début et après, laissé la machine faire vers la fin. On peut imaginer aussi qu'on peut demander à l'IA de retrouver tous les travaux de recherche qui concernent ce théorème, par exemple, et d'explorer toutes les pistes indépendamment, de les pousser plus loin et de voir où ça mène, puis ensuite regrouper les résultats et rediriger comme ça.
Oui, c'est ça. Après, ce n'est pas forcément totalement explicite. Je ne sais pas si quand tu as tes 10 000 agents, tu laisses les agents interagir entre eux et ce n'est pas forcément évident de savoir exactement comment ils sont arrivés au résultat. Non, effectivement. En plus, on peut voir parfois leur chaîne de pensée, leur raisonnement. Il y a des outils qui permettent d'observer leur chaîne de pensée, qui permettent de voir entre guillemets ce qu'ils se disent eux en interne avant de s'exprimer aux autres agents ou aux humains. Et de plus en plus, corrige-moi si je me trompe, mais c'est de plus en plus difficile de comprendre cette chaîne de pensée des agents parce que parfois elle est carrément dans les poids et pas forcément exprimée dans la chaîne de pensée.
Il me semble que début septembre, il y a le directeur scientifique en chef d'OpenAI qui a sorti un papier un peu alarmiste, mais un peu à l'image des chercheurs d'anthropique qui ont été un petit peu alarmistes, donc celui qui a démissionné et le directeur de l'alignement, je crois, qui avait confirmé qu'il y avait 10% de chance que l'IA éteigne l'humanité, entre guillemets. et le directeur après c'est peut-être du marketing tu nous diras ton avis mais le directeur scientifique d'OpenAI disait que c'était de plus en plus difficile de comprendre les raisonnements internes des modèles parce qu'ils étaient de moins en moins exprimés dans les chaînes de pensée qui sont sous forme de texte mais de plus en plus dans les poids est-ce que c'est quelque chose de réel et oui effectivement j'ai vu passer et le papier que tu mentionnes.
Et ça, c'est vraiment intéressant. C'est vrai qu'on ne sait pas tellement comment les modèles résonnent, effectivement. Et déjà, un modèle simple, un LLM, tu ne sais pas trop comment il résonne. Effectivement, il faut les chercher dans sa chaîne de poids, comment les poids sont modifiés quand ils résonnent pour retomber sur sa chaîne de pensée. Mais quand c'est des systèmes multi-agents avec 10 000 agents qui interagissent entre eux, ça devient vraiment intractable de comprendre vraiment d'où sont prises les décisions. Donc effectivement, ça c'est un des enjeux, tu donnes un objectif, après le chemin pour y arriver, il peut être extrêmement complexe et tu ne sais pas forcément faire le rétro-engineering de comment tu es arrivé au but.
Et ça c'est vraiment des sujets de recherche assez actuels. Oui, effectivement. Et donc, pour revenir là-dessus, on avait cet exemple d'OpenAI cet été, mais j'imagine que c'est juste l'arbre qui cache la forêt, on va dire, qu'il y a des théorèmes qui tombent à tout va, ou en tout cas des gens qui disent qu'ils ont trouvé telle ou telle preuve et que la communauté scientifique devient submergée vis-à-vis de ça, d'un véritable tsunami d'informations. Déjà, comment ça se passe quand quelqu'un pense avoir trouvé quelque chose ? Il le soumet à qui ? Et quel est le rôle des vérificateurs ? Et puis, comment on s'organise pour organiser toute cette information dans la communauté ?
Oui, alors moi, je peux dire comment ça marche traditionnellement dans la recherche scientifique. Quand tu es chercheur dans la recherche scientifique et que tu as fait une découverte, tu écris un article scientifique qui décrit tes méthodes tes résultats, la bibliographie sur quoi tu t'es appuyé, etc. et tu t'expliques bien une publication il y a des serveurs ce qu'on appelle des serveurs de préprint il y en a un très connu qui s'appelle Archive AXIV sur lequel tu vas aller déposer ton papier et ça te fait un timestamp ça te dit, voilà, telle personne a déposé tel papier Du coup, tu peux montrer que tu as une sorte de primauté. Et à partir de là, tu peux le soumettre à une revue scientifique aussi pour que ce soit publié dans une revue.
Quand tu le soumets à une revue, la revue l'envoie à deux ou trois relecteurs qui sont des chercheurs du domaine qui relisent le papier de façon anonyme. Enfin, anonyme pour l'auteur, on ne sait pas qui sont les reviewers. Tu as juste le reviewer, un reviewer. selon leurs papiers qu'ils ont déjà... J'imagine que pour être reviewer, il faut déjà avoir aussi soumis plusieurs papiers qui ont été validés par d'autres, etc. Exactement. C'est des gens du domaine qui sont connus dans le domaine. Souvent, c'est des professeurs, des chercheurs du monde entier qui donnent leur avis sur le papier. Parfois, ça arrive à des améliorations du papier. Ils posent des questions, on réécrit le papier.
c'est un processus itératif qui peut prendre pas mal de temps et si on arrive, enfin le papier peut être rejeté parce qu'il considère que le papier n'est pas de qualité suffisante ou le papier si on arrive à un consensus que tout le monde dit finalement le papier il est très bien, il publie des résultats qui sont nouveaux originaux qui font avancer l'état de l'art le papier est accepté et publié dans la revue donc ça c'est la méthode traditionnelle c'est vrai que maintenant avec l'IA tu vois OpenAI ils ont balancé le résultat comme ça sans se référer du tout à la bibliographie ils disent on s'en fout du million de prize d'ailleurs on va pas réclamer le million de dollars c'est pas mon problème ils font ils balancent le résultat comme ça de façon assez illisible, il n'y a pas de peer review et enfin voilà c'est une nouvelle méthode scientifique ils ont vraiment balancé ça pour aller le plus vite possible en épiquant en fait toute itération Oui, c'est ça.
Et c'est vrai que ça heurte un peu, ça a choqué beaucoup la communauté aussi sur cette méthode. À la fois, les gens étaient admiratifs parce que c'était une rupture. À la fois, les gens ont dit quand même que la méthode n'est pas forcément la bonne. Du coup, il y a un groupe de travail qui s'est mis en place. Là, il y a, je crois, neuf mathématiciens dont, moi, je travaille à l'école de maths supérieure. Le directeur du département de maths de l'ENS fait partie de ce groupe de neuf mathématiciens dans le monde qui alors c'est princeton qui qui coordonne tout ça mais qui c'est un groupe de travail qui qui va interagir avec les les OpenAI, Anthropic et google etc pour pour mettre sur sur pied des règles d'éthique qui serait un peu plus accepté par la communauté quoi une sorte de réponse une réponse de la communauté, leur dire, faites pas n'importe quoi.
Il faut pas heurter avec des nouvelles méthodes. La communauté, c'est des outils qui peuvent être super intéressants, mais il y a aussi une méthode à respecter. OK. Et ce groupe a été mis en place par des gouvernements, par une... Non, non, c'est la communauté mathématique qui s'est auto-organisée dans le monde avec cette petite dizaine de personnes qui vont devenir, qui vont conseiller les OpenAI, Anthropic sur la manière d'interagir avec la communauté. Ok, super intéressant, et donc félicitations à ce professeur qui en fait partie, et c'est un honneur pour la France d'avoir quelqu'un qui fait partie de ce cercle, on va dire. Pour rebondir sur tout ça, donc déjà est-ce que pour toi, il faudrait ralentir ou en tout cas, ou mettre en pause carrément ces avancements le temps qu'on s'organise mieux.
Est-ce que tu as des solutions en tête pour reprendre un petit peu le contrôle sur cette accélération, voire cette dérive ? Oui, c'est une vraie question. C'est vrai qu'on a un peu l'impression que quand OpenAI, Samatman et Dario Amode et Elon Musk, etc., C'est top tous les trois, pour une fois qu'ils sont d'accord, d'ailleurs, et qu'ils disent qu'il faut ralentir. Ralentir, oui, effectivement. Ça sent un peu, on va se mettre d'accord entre nous pour déterminer comment faire, mais surtout, on a un peu l'impression qu'ils veulent fermer la porte derrière eux aussi, en disant qu'on est une sorte de petit monopole là. On est bien comme ça. Moi, je voudrais que ça ne ferme pas la porte.
ralentir, pourquoi pas, mais si ça ouvre la porte aussi, moi je pense qu'il faut qu'il y ait des modèles ouverts qui se développent, des modèles soit open-weight à la façon des modèles chinois, soit carrément open-source aussi, où tout est ouvert. En gros, ça serait bien qu'il y ait aussi des organisations qui ne soient pas à but lucratif, qui sortent des modèles frontières aussi, qui fassent... Parce que moi, voilà, si c'est juste, c'est trois ou quatre entreprises-là qui déterminent, qui se mettent d'accord entre eux en cercle fermé pour déterminer quelles sont les bonnes règles de sécurité de leur modèle. Enfin, moi, je ne leur fais pas spécialement confiance pour agir pour le bien de l'humanité.
En fait, eux, ce qu'ils veulent, c'est aussi s'enrichir. Avant tout. Il n'y a pas forcément de raison de leur faire confiance là-dessus et de prendre ça pour un genre de comptant. Mais OpenAI était un organisme non lucratif initialement. Oui, au départ, oui, mais plus le temps passe et moins ils sont open et plus ils sont un peu plus créatifs mais les modèles open source font quand même un beau retour notamment plutôt grâce aux modèles chinois et on voit qu'ils ont beaucoup de succès, il y a aussi des entreprises américaines même qui font de l'open source maintenant avec Thinking Machines le problème c'est que c'est souvent ceux qui sont un petit peu en retard qui font de l'open source parce que ça leur fait de la pub et pour se développer mais une fois qu'ils arrivent au niveau frontière en général ça devient un peu plus compliqué Oui, après, c'est vrai que le coût du développement d'un modèle frontière est absolument colossal en termes de nombre de machines qu'il faut, etc.
Donc, nombre de machines, nombre de même, et aussi les chercheurs qui sont payés au prix de footballeurs, maintenant. Vraiment, même, des fois. Voilà, c'est ça. Donc, des chercheurs qui sont parfois super bien payés en salaire, en stock option, etc. Donc, voilà, ça coûte vraiment une fortune de développer ça. Et du coup, c'est compliqué pour les boîtes qui font de l'open. Alors, les Chinois ne font pas de l'open source. Ils font ce qu'on appelle open weight, c'est-à-dire les poids sont téléchargeables. Tu peux télécharger le modèle et le mettre sur ta machine. Par contre, tu ne sais pas comment ils l'ont construit. La source du modèle n'est pas publique.
Il y a aussi des gens... le code source d'entraînement n'est pas disponible, mais par contre c'est open weight c'est-à-dire que tu peux prendre le modèle, le mettre sur ta machine faire du fine tuning, c'est-à-dire modifier le modèle à ta guise, et du coup c'est un peu le pari des Chinois en disant que pour la diffusion dans l'économie de leur pays parce qu'ils pensent avant tout à leur pays pour la diffusion dans l'économie ça va aller beaucoup plus vite si c'est des modèles à poids ouverts et ça semble être un pari gagnant même si c'est des modèles qui font qui ont un peu moins de paramètres souvent que les modèles américains, mais que du coup, il faut moins de GPU pour les faire tourner, donc ça coûte moins cher en termes d'infrastructures.
Oui, effectivement. Il y a pas mal de soft power autour de ces modèles open source. On voit que Mistral a déployé des GLM dans leurs infrastructures, qui sont des modèles très bons, donc c'est un peu aussi une influence, effectivement, en espérant que, du coup, il y ait des modèles open source français qui sortent du lot. Je crois que Mistral a l'intention de sortir un modèle bientôt, il semblerait. Donc, on va voir. C'est curieux de voir. J'ai fait un tweet d'Arthur Mensch sur le sujet, donc j'ai hâte de voir ça. Il nous tease un peu là-dessus, donc on va voir. On va voir, on espère qu'on sera à la hauteur. Dernier sujet que j'aimerais aborder, parce que le temps passe très vite et c'est super intéressant comme entretien, c'est vraiment l'impact plus tôt sur les étudiants.
Cendric Villani a lancé un peu l'alerte et ça rejoint un peu tout ce qu'on a dit, c'est-à-dire dans quelle mesure le chemin est plus important que le résultat, parce qu'OpenAI, ils ont balancé leurs résultats et eux, ils pensent clairement que c'est le résultat qui est le plus important. Nous, on a démontré ça. On n'a pas besoin de vous dire comment, on n'a pas besoin de vous dire pourquoi, mais comme ça, ça marche et on aura d'autres résultats. Or, En fait, c'est pareil dans tous les métiers, on voit ça au prix bon cours, et puis là, les étudiants en informatique qui sortent d'école, il y a de moins en moins, les juniors ont un peu plus de mal parce qu'il faut les accompagner au début, les former, mais du coup, l'IA peut faire mieux que dans certains aspects, mais le problème, c'est qu'on n'aura plus de seniors plus tard.
Bref, je suis un peu parti dans tous les sens, mais ce que je veux dire par là, c'est que dans quelle mesure il faut que les étudiants utilisent l'IA ou pas dans leur recherche, dans leurs résultats, parce que ça peut aussi être un raccourci dans certains processus d'apprentissage et de réflexion. Et en même temps, si on ne l'utilise pas, on peut tomber derrière et ne pas avoir les bonnes méthodes et les bonnes pratiques pour arriver le plus rapidement vers des résultats, vers des papiers il y a aussi cette course au niveau des papiers j'imagine que parfois il y a des papiers qui se ressemblent donc c'est pas cool si quelqu'un le publiait avant nous alors que nous ça fait un an qu'on travaille dessus et qu'on allait bientôt le publier bref, quelle est ta position là-dessus j'imagine que c'est en évolution, que c'est en réflexion et que c'est une balance qui est assez difficile à trouver pour l'aider le bien effectivement c'est un secteur qui évolue très très vite et c'est vrai que c'est pas évident les étudiants sont pris un peu dans des injonctions contradictoires, d'un côté c'est il faut utiliser toute la technologie puis il ne faut pas les utiliser etc, et je pense que c'est
comme tout, c'est un outil si c'est utilisé à bon escient ça peut être un super outil mais effectivement dans le processus d'apprentissage il ne faut pas faire faire un LLM des choses que tu ne sais pas faire toi-même En fait, c'est pas là pour te remplacer, c'est là pour t'aider à aller plus vite sur ce que t'aurais pu faire toi-même. Du coup, on voit qu'il y a des étudiants qui s'en sortent très bien. Il y a des étudiants qui ont le recul et qui l'utilisent vraiment comme ça, comme un assistant et qui continuent à avoir le savoir-faire pour ça. Et puis, il y a des étudiants qui se perdent, qui utilisent ça vraiment comme une béquille et qui oublient qu'il faut vraiment apprendre, mémoriser, savoir connaître les techniques en soi-même et qui savent, tu vois, à la fin, qu'ils vont sortir un résultat, mais qui ne sauront même pas expliquer d'où vient ce résultat et pourquoi.
Donc, ça, c'est très problématique. Oui, c'est un secteur qui est très, très mouvant et on essaye de donner des guidelines. Déjà, d'être clair, au minimum, c'est d'être clair quand est-ce qu'on a utilisé l'IA ou pas. Là aussi, c'était... Tu as mentionné ce roman qui était en liste pour le Goncourt. le problème c'est qu'il n'a pas dit qu'il avait utilisé l'IA et donc dans la mesure où c'est assumé il a utilisé l'IA d'après toi est-ce que c'est moi je ça semblerait assez clair d'après ce que j'ai vu c'est sûr à 99,9% je crois et après aussi le problème c'est qu'en grattant un peu on voit qu'il y a eu des cas de plagiats que cet auteur est aussi problématique sur d'autres niveaux mais utiliser l'IA pourquoi pas moi ça me choque pas en fait qu'un auteur utilise l'IA en soi même un auteur de littérature pourquoi pas mais dans la mesure où si c'est pour trouver des reformulations trouver des manières plus élégantes d'exceller les trucs voilà c'est un outil on se dit toujours ouais il a utilisé l'IA donc ça distanifie entre guillemets déjà je pense que si peut-être que lui se dit que s'il avait assumé il aurait jamais été C'est listé dans cette liste du prix Goncourt, peut-être ?
Peut-être, peut-être. Après, pourquoi pas faire deux catégories. Une catégorie garantie sans IA et une catégorie... C'est la première fois que j'entends ça. C'est comme aux échecs, quand la machine est devenue trop forte. Du coup, on joue entre humains et on laisse sous le fichier, etc. Oui, c'est ça. L'IA n'a pas tué les échecs. les échecs continuent à intéresser les gens peut-être même plus, peut-être que les IA sont devenus, les gens sont devenus meilleurs parce qu'ils ont des super machines pour s'entraîner, etc. aussi, donc juste pour finir là-dessus c'est vrai qu'on dit souvent il a utilisé l'IA, donc ça disqualifie mais si tu veux, moi il y a quelque chose qui m'énerve un peu, c'est qu'il y a maintes façons d'utiliser l'IA il y a la façon brute que tu disais où en gros tu ne comprends pas ce que l'IA fait et tu recraches un petit peu tout ça et puis il y a plusieurs degrés on peut utiliser l'IA pour faire la documentation sans forcément que l'IA écrive le roman on peut écrire des chapitres entiers avec l'IA et donc pour moi c'est vraiment une distinction à faire quand on parle d'un roman comme ça en fait dans quel degré il a utilisé l'IA et dans quel degré ça devient fautif entre guillemets d'utiliser l'IA et puis même s'il l'avait pas même s'il l'avait utilisé disons, si le résultat est tellement bon qu'il mérite sa place dans quelle mesure il faut le garder ou pas ouais ouais moi je trouve
qu'il n'y a pas de problème à lire du texte si ça a été on se rend bien compte quand même que si tu ne promptes pas bien un modèle, de toute façon ça ne va te sortir que de la merde c'est garbage in, garbage out comme on dit dans ces modèles là, donc de toute façon ce roman-là a visiblement des qualités littéraires claires puisqu'il n'aurait pas été présélectionné pour le Goncourt autrement c'est donc c'est évident que l'écrivain a quand même un certain talent après qu'il ait été aidé par la machine à titre personnel ça ne me choque pas je peux comprendre qu'il y ait des gens qui disent qu'il faudrait que pour un prix littéraire les gens n'aient pas du tout utilisé l'IA je respecte aussi ce point de vue-là Ouais, ouais, c'est...
Ta proposition de créer une catégorie pour ça, je trouve ça vraiment original et intéressant. Ouais, ouais, c'est ça. En fait, le problème, c'est de ne pas assumer. Il faut assumer. J'ai utilisé l'IA, il faudrait que, voilà, dans chaque préface de bouquin, il y ait... J'ai utilisé l'IA pour faire... pour me suggérer des idées dans le chapitre 3, pour relire le chapitre 5, etc., et que ce soit explicite de dire où est-ce qu'il l'a utilisé et où est-ce qu'il ne l'a pas utilisé. Ils pourraient même dire quels outils ou quels modèles ils ont utilisé. Je pense que ça pourrait être intéressant parce que selon les modèles, il y a des comportements différents.
Exactement. Moi, je ne sais pas si tu sais, j'ai écrit une BD sur l'IA Générative qui s'appelle Dream Machine et c'est une BD qui est sortie il y a 2-3 ans et on s'est amusé à prendre de l'IA générative pour écrire le dernier chapitre donc les dix premiers chapitres ont été écrits par mon co-auteur et moi et puis on lui a dit à l'IA générative imagine-moi cinq suites possibles pour le 11ème chapitre donc voilà, on a laissé l'IA générative faire ça, mais on l'a dit on a explicité dans la poste vous l'avez dit à la fin ? on l'a dit à la fin on l'a dit à la fin et même les dessins aussi on avait fine-tuné un modèle stable diffusion, le modèle de génération d'images, on avait fine-tuné sur le premier sur le premier chapitre et le modèle créé, dessiné à la façon de mon co-auteur à Poupen les images du dernier chapitre ouais c'était marrant, c'était bien amusé c'est un sacré travail pour cette BD c'est un sacré travail de recherche que vous aviez fait pour cette BD Oui, et puis c'est vrai que ChatGPT est arrivé au moment où on écrivait la BD.
En fait, on a écrit en 2022-2023 la BD, elle est sortie en septembre 2023. Et du coup, on a dû changer notre scénario pour prendre en compte le phénomène ChatGPT, parce que ce n'était pas prévu au départ. Et oui, et vous aviez... Est-ce qu'avec les évolutions, tu as prévu d'en faire une deuxième mise à jour ou non ? Oui, c'est une discussion. Enfin, tu vois, oui, il y a des points techniques sur lequel on ne parlait pas d'agents à l'époque, etc. C'est sûr que si... Et puis les usages business de l'IA générative, ils étaient assez rudimentaires à l'époque. Mais après, fondamentalement, le message de la BD, qui est un peu, qu'est-ce qui se passe si ces IA tombent dans les mauvaises mains, ça reste assez d'actualité.
Donc, je pense que la BD s'il y a encore et reste encore d'actualité, même au bout de trois ans. Écoute, Laurent, je mettrai un lien vers cette BD dans la description de cet épisode parce que, franchement, moi, ça m'intéresse. Est-ce qu'il y a quelque chose que tu aimerais ajouter dont on n'a pas parlé dans ce podcast ? Moi, j'ai évoqué tous les sujets que je voulais évoquer de mon côté avec toi. Donc, c'est le moment s'il y a quelque chose que tu veux évoquer puis sinon, on termine l'épisode là-dessus. Non, non, non, c'est juste dire que c'est à la fois assez vertigineux, la vitesse de développement, mais je pense qu'on a aussi la chance de vivre à un moment où on vit une révolution technologique assez forte dans ce domaine-là.
Donc voilà, c'est à la fois totalement excitant et un peu vertigineux, mais je pense que cette décennie-là, les décennies des années 2020, va rester dans l'histoire comme le moment où l'IA a basculé. C'est quelque chose d'assez incroyable. C'est totalement fou et c'est vrai qu'on parle souvent des aspects négatifs mais il faut aussi être optimiste sur certains aspects et c'est très très excitant aussi de voir, même si c'est difficile à suivre au quotidien, mais on a aussi une certaine chance d'avoir vécu l'avant et de vivre le pendant et l'après. donc embrassons pleinement cette révolution restons attentifs comme tu l'as dit aux choses négatives qui peuvent arriver mais on a quand même une certaine chance aussi et puis voilà c'est une belle façon de finir cet épisode je te remercie infiniment pour le temps que tu as consacré à la communauté c'est franchement un des épisodes les plus importants que j'ai fait donc j'espère en faire d'autres aussi importants et qui pour moi est d'utilité publique donc voilà, merci encore Laurent.
Merci à toi