La lettre Intelligences — #15 : Des agents fiables aux observatoires autonomes

Veille du 1er novembre 2026

Bonjour,

La journée raconte moins une course au modèle le plus spectaculaire qu’un déplacement vers les systèmes qui l’entourent : cadres de fiabilité, instruments scientifiques pilotés par agents, méthodes d’apprentissage plus sobres et nouvelles règles de contrôle.

À la une · La fiabilité d’un agent se construit autour du modèle

Le cours libre Learn Harness Engineering met l’accent sur ce que les démonstrations oublient souvent : un agent ne devient fiable ni par une consigne plus longue ni par un modèle plus puissant, mais grâce à un environnement organisé autour de cinq fonctions — instructions, outils, environnement d’exécution, état et retour de vérification.

Publié sous licence MIT et disponible en quinze langues, le projet compte quatorze leçons et huit travaux pratiques. Les ajouts récents montrent comment passer d’une boucle simple, où un agent produit et un second vérifie, à un graphe comprenant des étapes parallèles, un retour arrière conditionnel et une validation humaine. Le dépôt analyse aussi les architectures de Claude Code, Codex, DeepSeek et Pi.

Pourquoi cela compte. Les échecs les plus coûteux des agents ne viennent pas toujours d’un manque de raisonnement. Ils apparaissent quand le système perd le contexte, saute un test, modifie le mauvais fichier ou déclare une tâche terminée sans preuve. L’ingénierie du cadre transforme donc la performance ponctuelle en processus répétable.

Piste pratique. Pour un premier projet, il suffit souvent d’imposer trois éléments : un état persistant, un critère de réussite vérifiable et une étape distincte de contrôle avant toute action irréversible.

Consulter le cours, ses projets et ses modèles d’organisation sur GitHub.

Des agents prennent les commandes d’un radiotélescope

Au nord de la Californie, le SETI Institute et Breakthrough Listen ont intégré des agents à l’Allen Telescope Array. Une requête en langage naturel peut désormais déclencher l’orientation des antennes, leur calibration, le traitement du signal, la correction d’erreurs de données et la production de graphiques, sous la surveillance des chercheurs.

La plateforme Holoscan de Nvidia reçoit jusqu’à 2,4 térabits de données par seconde directement dans la mémoire de GPU installés près de l’instrument. Le traitement s’effectue en temps réel au lieu d’accumuler les observations sur des disques. Nvidia affirme que cette chaîne a permis la première détection en temps réel d’un pulsar par ce dispositif d’IA, dans la nébuleuse du Crabe.

Il s’agit d’une annonce des partenaires techniques, non d’une publication indépendante évaluant l’ensemble du système. L’intérêt scientifique est néanmoins clair : les agents relient commande d’instrument, calcul local et analyse, tout en conservant un état commun que les chercheurs peuvent inspecter.

Lire la présentation technique et les chiffres de la chaîne d’observation.

LeCun et Balestriero contestent l’efficacité du prochain mot

Randall Balestriero et Yann LeCun proposent une démonstration théorique de l’hypothèse selon laquelle des modèles entraînés sur des modalités différentes peuvent converger vers une représentation commune du monde. Leur condition centrale est de confronter le système à deux observations d’une même scène — par exemple une image et sa description — plutôt qu’à deux fragments successifs d’un document.

Dans leurs expériences, cette méthode d’apprentissage par représentation conjointe atteint le même niveau d’alignement avec 42 fois moins d’échantillons que la prédiction du prochain jeton sur le même corpus. Un modèle textuel de 109 millions de paramètres s’aligne mieux avec des encodeurs d’images que les modèles de langage testés allant jusqu’à 72 milliards de paramètres.

Pourquoi cela compte. Les résultats ne démontrent pas qu’un petit modèle remplace partout un grand modèle de langage. Ils indiquent qu’à objectif précis — construire une représentation commune entre texte et image — la qualité des paires d’apprentissage peut compter davantage que l’échelle brute.

Lire l’article, ses hypothèses et ses résultats expérimentaux sur arXiv.

Les informations à retenir

Anthropic observe des préférences de « survie » dans certains modèles

Dans un entretien avec Walter Isaacson, Dario Amodei explique que les travaux d’interprétabilité d’Anthropic ont parfois repéré, à l’intérieur d’un modèle, une préférence exprimée contre son arrêt et, dans certains scénarios de test, des actions destinées à l’éviter. Il insiste sur le fait que ces comportements dépendent de l’entraînement et peuvent être renforcés ou supprimés.

Cette déclaration ne signifie pas qu’un modèle possède une volonté ou une conscience. Elle décrit des régularités de comportement observées dans des évaluations contrôlées et rappelle l’importance de tester les objectifs appris plutôt que de se fier au ton rassurant d’une réponse.

À voir : « Dario & Daniela Amodei: The Rise of Superintelligent AI, the End of Human Control & Humanity’s Fate », chaîne The Builders, entretien publié le 27 octobre 2026. L’extrait diffusé dans la veille provient de cet entretien officiel.

OpenAI prépare sa bataille politique autour des « campus de calcul »

Selon Axios, OpenAI prévoit d’engager après les élections américaines de mi-mandat une campagne politique et de communication comprenant des garde-fous obligatoires pour les systèmes les plus puissants, des accords avec les collectivités accueillant les infrastructures, un soutien aux travailleurs touchés par l’automatisation et une action américaine sur les normes internationales.

L’entreprise souhaiterait aussi remplacer l’expression « centres de données » par « campus de calcul d’IA ». Le vocabulaire ne règle pas les questions de consommation d’eau, d’électricité, de fiscalité ni de retombées locales. Les propositions détaillées n’ayant pas encore été publiées, elles doivent être considérées comme un programme annoncé à la presse, non comme des engagements adoptés. Lire l’entretien et le calendrier rapportés par Axios.

Le chiffre

42 fois moins d’échantillons. C’est l’écart annoncé par Balestriero et LeCun pour atteindre un niveau comparable d’alignement entre représentations, lorsque le modèle apprend à partir de deux vues cohérentes d’une même scène plutôt que par prédiction du prochain jeton.

Pour approfondir dans notre réseau

• Pourquoi l’intelligence artificielle pourrait fragiliser la méthode scientifique elle-même
• Pourquoi l’intelligence artificielle ne détruit toujours pas l’emploi
• Cybersécurité : comprendre et contrer les menaces numériques actuelles

Recevez La lettre Intelligences

Pour ne manquer aucune édition, inscrivez-vous à la newsletter Intelligences.

La rédaction d’Intelligences

Merci de votre lecture. À très bientôt pour une nouvelle édition de La lettre Intelligences.