Merdification chez HP: Plus d'IA, moins d'employés.
Ils vont donc virer entre 4000 et 6000 personnes, et fourrer de l'IA partout "pour stimuler la satisfaction client, l'innovation produit et la productivité grâce à l'adoption et à la facilitation de l'intelligence artificielle.".
Je vous laisse imaginer la merde que ça va être.
Vous savez pourquoi HP veut faire des économies ? Parce que le prix de la RAM augmente (et que ça rogne fortement leurs marges).
Vous savez pourquoi le prix de la RAM augmente ? Parce que tout le monde veut foutre de l'IA partout.
🤷♂️
Tout cela confirme bien mon choix de boycotter HP. (Permalink)
Souvenez-vous : fin 2022, ChatGPT débarque et sème la panique chez Google. Bard, leur réponse précipitée, fait rire toute la Silicon Valley. 3 ans plus tard, le géant de Mountain View vient de reprendre la tête de la course à l’IA d’une manière qui force le respect de tous les observateurs. Son arme fatale : Gemini 3.
Le 18 novembre 2025, pendant que le monde débattait des « murs de scaling » — cette idée que l’IA atteindrait bientôt un plafond et que plus de données et de calcul ne suffiraient plus à la rendre plus intelligente —, Google a tranquillement lâché sa bombe. Gemini 3 arrive en escadrille : un modèle capable de comprendre du texte, du code et des images ; un nouvel environnement pour programmer avec une IA (Antigravity) ; un générateur d’images très avancé (Nano Banana Pro) ; une version assistée par IA de Google Scholar et une présence renforcée dans Google Search. L’ensemble ne ressemble plus à un simple modèle ajouté à la liste. C’est le début d’une infrastructure cognitive cohérente.
Gemini 3 Pro dépasse tous ses concurrents sur presque tous les tests habituels. Mais ce qui impressionne vraiment, c’est l’ampleur de son avance.
Les chiffres parlent d’eux-mêmes. Sur ARC-AGI 2, un test réputé pour mettre à genoux les modèles d’IA, Gemini 3 Pro atteint 31,1 % — soit deux fois le score de GPT-5.1. En mode « Deep Think », il grimpe même à 45,1 %, un bond de 3× par rapport à la concurrence.
Sur les examens qui testent le raisonnement de haut niveau, il atteint un niveau comparable à celui d’un doctorat, sans aide extérieure. En mathématiques avancées, là où GPT-5.1 frôle le zéro, Gemini 3 dépasse les 20 % de réussite.
Dans les classements globaux réalisés par plusieurs organismes indépendants (Artificial Analysis, Center for AI Safety, Epoch), il arrive en tête sur les capacités texte et vision, avec une avance marquée sur GPT-5.1 et Claude Sonnet 4.5. « C’est le plus grand saut que nous ayons vu depuis longtemps », confirme le Center for AI Safety. Sur MathArena Apex, Matt Shumer, observateur réputé du secteur, abonde dans le même sens : « GPT-5.1 a scoré 1 %. Gemini 3 a scoré 23 %. C’est un bond de 20× sur l’une des tâches de raisonnement les plus difficiles. »
Antigravity et le tournant du développement logiciel
Le plus intéressant n’est pas Gemini 3 en mode « chat ». C’est ce qui se passe dès qu’on le connecte à un ordinateur via Antigravity, la nouvelle plateforme de développement de Google. L’idée : tout ce qui se fait sur un ordinateur est, in fine, du code. Si un modèle sait coder, utiliser un terminal et un navigateur, il peut faire beaucoup plus qu’auto-compléter des fonctions.
Ethan Mollick, professeur à Wharton, a testé cette approche. Il a donné à Antigravity accès à un dossier contenant tous ses articles de newsletter, avec cette instruction : « Je voudrais une liste attractive de prédictions que j’ai faites sur l’IA dans un seul site, fais aussi une recherche web pour voir lesquelles étaient justes ou fausses. »
L’agent a d’abord lu tous les fichiers, puis proposé un plan de travail qu’Ethan a validé avec quelques ajustements mineurs. Ensuite, sans intervention humaine, il a fait des recherches web pour vérifier les prédictions, créé un site web complet, pris le contrôle du navigateur pour tester que le site fonctionnait et enfin emballé les résultats pour déploiement.
« Je ne communique pas avec ces agents en code, je communique en anglais et ils utilisent le code pour faire le travail », explique Mollick. « Ça ressemblait bien plus à gérer un coéquipier qu’à prompter une IA via une interface de chat. »
Site web créé par Antigravity avec un fact-check précis des prédictions passées de Ethan Mollick concernant l’IA
En fin de compte, on ne supprime pas le développeur, on change son rôle. Il devient chef d’orchestre, directeur de travaux autonomes.
Nano Banana Pro : les images qui comprennent enfin le texte et le contexte
Côté image, Google pousse une autre pièce sur l’échiquier : Nano Banana Pro, alias Gemini 3 Pro Image. Sous le nom potache, un modèle qui coche enfin toutes les cases que les créateurs réclament depuis 2 ans.
Techniquement, Nano Banana Pro est une couche visuelle bâtie sur Gemini 3 Pro : même fenêtre de contexte monstrueuse, même capacité de rester dans le monde réel grâce à Google Search, même logique de raisonnement. Il ingère jusqu’à 14 images de référence, garde la ressemblance de plusieurs personnages sur des scènes successives, rend du texte lisible dans l’image, y compris en langues variées, et permet de contrôler finement angle de prise de vue, profondeur de champ, colorimétrie, lumière.
Les benchmarks d’images le confirment : sur LMArena, Nano Banana Pro prend la tête avec une avance inhabituelle. En text‑to‑image, il inflige une avance de plus de 80 points d’Elo au meilleur modèle précédent; en image editing, il garde une marge confortable. Ce ne sont pas des petites optimisations : c’est le genre de saut qui oblige tout le monde à recalibrer ses attentes.
Les premiers retours terrain attestent de la puissance de ce modèle. Laurent Picard, par exemple, a testé la capacité du modèle à raconter un petit voyage initiatique d’un robot en feutrine, scène après scène, en 4K. Le robot garde son sac à dos, ses proportions, son style, même quand l’histoire lui fait traverser vallée, forêt, pont suspendu et hamac. Là où les modèles précédents perdaient rapidement le fil, Nano Banana Pro digère des prompts d’une grande longueur et en ressort des compositions complexes, cohérentes, avec parfois des détails ajoutés de manière pertinente (empreintes dans la neige, légères variations de lumière).
Pour les métiers de la créa, la portée est évidente. Un blueprint 2D d’architecte devient une visualisation 3D photoréaliste en une requête. Un storyboard approximatif se transforme en BD multilingue avec bulles lisibles et cohérentes. Un plan média se décline en variantes visuelles adaptées à chaque canal, en respectant les contraintes de texte et de marque.
Peut-être y a-t-il ici également un fantastique moyen de créer des illustrations pédagogiques pour les articles de média ? Voici par exemple un tableau de professeur à propos de l’article de Frédéric Halbran. La vraisemblance est frappante !
Quand Google Scholar découvre l’IA (mais refuse encore d’écrire à votre place)
Pendant ce temps-là, Google Scholar a discrètement lâché sa propre bombe : Scholar Labs, une couche IA au‑dessus du célèbre moteur académique.
L’idée n’est pas de vous fournir un rapport pseudo‑scientifique de 20 pages avec des références inventées. Scholar Labs choisit une voie beaucoup plus sobre : pas de “deep research” qui synthétise tout, mais du “deep search” qui cherche longtemps et trie finement.
Posez lui une vraie question de recherche en langage naturel. L’outil la découpe en sous‑questions, génère une série de requêtes Scholar, et commence à évaluer méthodiquement les papiers qui remontent. À chaque fois qu’il en juge un pertinent, il l’affiche avec les classiques de Scholar (titre, auteurs, liens, citations), plus un petit paragraphe expliquant en quoi ce papier répond à la question. Les gains de temps pour un chercheur peuvent être énormes.
A titre d’exemple, j’ai récemment compilé les études explorant le rôle de la crise du logement pour expliquer la chute de la natalité dans le monde. Scholar Labs m’a fourni une liste d’études qui explorent ce sujet, avec un résumé des résultats pertinents de chaque étude. J’ai tout synthétisé à l’aide d’un LLM pour produire ce post sur X, en un rien de temps.
Quand l’IA se frotte au réel
Dans le monde médical, le laboratoire CRASH de l’Ashoka University a construit un benchmark radiologique exigeant, RadLE v1, composé de cinquante cas complexes. Jusqu’ici, tous les grands modèles généralistes – GPT‑5, Gemini 2.5 Pro, o3, Claude Opus – faisaient pire que les internes en radiologie. Avec Gemini 3 Pro, la courbe se renverse : 51 % de bonnes réponses via l’interface web, 57 % en moyenne via API en mode “high thinking”, contre 45 % pour les internes et 83 % pour les radiologues seniors.
Les auteurs notent des progrès très nets : meilleure localisation anatomique, descriptions plus structurées des signes, élimination plus argumentée des diagnostics alternatifs. Mais ils insistent sur le fait que l’écart avec les experts reste important, et que ces modèles ne sont pas encore prêts pour une autonomie clinique.
Dans un tout autre registre, Gemini 3 Pro serait le premier LLM à battre des joueurs humains de haut niveau à GeoGuessr, ce jeu qui consiste à deviner un lieu à partir d’images Street View. Là encore, on dépasse la simple reconnaissance d’objets : il faut combiner architecture, panneaux, végétation, qualité de la route, style des poteaux électriques.
Pour les designers, les histoires se multiplient. Meng To est un designer et développeur reconnu, surtout connu pour son travail dans le design d’interfaces utilisateur (UI) et d’expérience utilisateur (UX). D’abord sceptique, il instruit “crée une landing page” à Gemini 3 qui donne un résultat violet générique. Puis il commence à nourrir Gemini 3 avec des références visuelles, du code, des bibliothèques précises. Là, le verdict change : layouts complexes, micro‑interactions propres, animations, respect précis d’une direction artistique. À condition de le traiter comme un partenaire qu’on briefe sérieusement, Gemini 3 devient extrêmement efficace et créatif.
Webdesign avec Gemini 3, prompté par le designer Meng To
Message: cURL error Resolving timed out after 5000 milliseconds: 28 (https://curl.haxx.se/libcurl/c/libcurl-errors.html) for https://public.api.bsky.app/xrpc/app.bsky.feed.getAuthorFeed?actor=did%3Aplc%3Atoudj53egawswz2ypw3zyn2u&filter=posts_and_author_threads&limit=30
USA : « Les pays qui subventionnent le droit à l'avortement, suivent des politiques favorables aux personnes transgenre, adoptent des lois antiracistes ou prennent des mesures anti-discriminatoires seront désormais considérés comme attentatoires aux droits de l'Homme par le Département d'État. »
Woao... c'est absolument dingue. (Permalink)
En France, une femme sur quatre en couple n'a pas son propre compte bancaire, la laissant à la merci de son conjoint. Et ce n'est pas tout : "Elles sont aussi près d’un quart (21 %) à ne pas gérer leurs finances personnelles, limitant ainsi leur autonomie financière. 28 % des femmes n’ont pas d’économies personnelles pour faire face à une urgence financière, et 30 % ne disposent pas d’une source de revenus autre que celle de leur conjoint." (Permalink)
« Les populations de vertébrés sauvages ont décliné de 73 % en cinquante ans », titrait Le Monde en octobre 2024. Un chiffre alarmant, repris en boucle par de nombreux médias. Mais d’où vient-il ? Que signifie-t-il vraiment ? Et surtout : est-ce si simple de compter le vivant ?
Recenser les pandas géants n’est déjà pas une sinécure. Ces animaux emblématiques sont pourtant gros, lents et confinés à une zone géographique bien délimitée des montagnes du centre de la Chine. Lors du dernier recensement, les autorités ont estimé leur population à 1 864 individus à l’état sauvage. Un chiffre précis… en apparence. Depuis, certains pandas sont nés, d’autres sont morts, et quelques-uns échappent toujours aux radars. Alors imaginez compter toutes les formes de vie sur Terre, du virus microscopique au séquoia géant. L’exercice devient vertigineux.
On l’a vu, dans un seul gramme de sol, on peut trouver jusqu’à un milliard de bactéries, réparties en plusieurs millions d’espèces. Compter la biodiversité n’a donc rien d’une simple opération de dénombrement : c’est un défi scientifique, technologique et quasi philosophique. C’est vouloir réaliser un puzzle dont on n’a qu’une toute petite partie des pièces.
Les multiples façons de compter la vie
Les scientifiques disposent d’un arsenal impressionnant de méthodes pour tenter d’y voir clair dans le foisonnement du vivant. Certaines reposent sur le bon vieux travail de terrain : observer, capturer, noter. Les inventaires exhaustifs restent possibles pour quelques espèces emblématiques, comme le panda, d’autres grands mammifères ou encore certains arbres d’une parcelle forestière. Mais la plupart du temps, on doit se contenter d’échantillons représentatifs. On compte ce qu’il y a dans un carré de terrain (un quadrat) ou le long d’une ligne (un transect), puis on extrapole.
Pour les animaux particulièrement mobiles, on utilise la méthode « capture-marquage-recapture ». On attrape quelques individus, on les marque, puis on observe la proportion d’individus marqués lors d’une seconde capture. Une formule statistique permet alors d’estimer la population totale. Outre la mobilité, d’autres facteurs rendent ces approches de terrain compliquées : la taille (microbe ou baleine), le milieu (montagne, canopée, abysses, sol, air, désert, etc.), le mode de vie (diurne ou nocturne), la discrétion ou encore la taille de la population.
Heureusement, de nouvelles technologies viennent en renfort. Grâce à l’ADN environnemental, on peut aujourd’hui identifier les espèces présentes dans un lac en analysant simplement un échantillon d’eau. Des méthodes encore en développement sont même basées sur l’ADN retrouvé dans l’air ambiant. Chaque être vivant laisse en effet derrière lui une trace génétique, et le séquençage permet de dresser un inventaire invisible. Le barcoding génétique, lui, fonctionne comme un code-barres moléculaire : une courte séquence d’ADN suffit pour reconnaître une espèce. Quant aux drones et satellites, ils repèrent la déforestation ou les troupeaux d’éléphants. La bioacoustique, enfin, alliée à l’IA, analyse les sons de la nature pour identifier près de 15 000 espèces — oiseaux, amphibiens, mammifères, insectes — y compris sous l’eau comme sur les récifs coralliens.
Les angles morts du suivi de la biodiversité
Mais même armés des meilleurs outils, les scientifiques avancent à tâtons. Le suivi de la biodiversité souffre de biais profonds.
Le premier est un biais taxonomique. On mesure surtout ce qu’on connaît. Les mammifères, les oiseaux ou les poissons, visibles et charismatiques, sont abondamment suivis. Mais le reste du vivant — insectes, champignons, micro-organismes du sol — demeure largement dans l’ombre. Or, ces êtres invisibles constituent l’essentiel de la biodiversité et assurent le fonctionnement même des écosystèmes.
Ensuite s’ajoute un biais géographique. Les données se concentrent dans les régions où se trouvent les chercheurs, en Europe et en Amérique du Nord. À l’inverse, les véritables « hotspots » de biodiversité — forêts tropicales, récifs coralliens, zones humides d’Asie du Sud — sont souvent sous-échantillonnés, faute de moyens, d’accès ou de stabilité politique.
Le dernier biais est économique et médiatique. Surveiller un éléphant rapporte plus d’attention (et de financements) que d’étudier une colonie de fourmis. À l’arrivée, notre vision du vivant reste partielle, déséquilibrée, voire franchement déformée.
Prendre le pouls du vivant : un casse-tête ?
Mesurer la biodiversité, c’est vouloir résumer un monde infiniment complexe en quelques chiffres. Mais que mesure-t-on, au juste ? Le nombre d’espèces ? Leur abondance ? Leur répartition ? Tout cela à la fois ?
La difficulté tient aussi au fait qu’une large part du vivant nous échappe encore. On estime que seules 20 % des espèces ont été décrites, et personne ne sait combien il en reste à découvrir. À cela s’ajoute une évidence que l’on oublie souvent : les extinctions font partie de l’histoire naturelle. Environ 99 % des espèces ayant jamais vécu sur Terre ont disparu bien avant que l’humanité ne songe à compter quoi que ce soit.
Comparer les dynamiques entre groupes d’espèces relève donc du casse-tête. Une hausse des populations de loups en Europe compense-t-elle la disparition des orangs-outans en Indonésie ? Et si les mammifères se portent mieux, cela suffit-il à relativiser le déclin des amphibiens ?
Le Living Planet Index : une compréhension en voie d’extinction
Pour tenter de synthétiser un monde foisonnant, le Living Planet Index (LPI), piloté par le WWF et la Zoological Society of London, combine les données de près de 35 000 populations animales. C’est de là que provient notre fameux chiffre choc de –73 % depuis 1970. Le résultat est spectaculaire, mais il est souvent mal interprété. Il ne signifie pas que 73 % des vertébrés sauvages ont disparu, contrairement à ce que l’on lit régulièrement. Il signifie que, parmi les 35 000 populations suivies, la baisse moyenne — calculée sans tenir compte de leur taille respective — a été de 73 %. Une nuance essentielle.
Une étude a montré que la méthode de calcul du LPI est beaucoup plus sensible aux baisses qu’aux hausses. Cette asymétrie donne un poids disproportionné à un petit nombre de populations en déclin très prononcé, ce qui tire la tendance globale vers le bas. Quant au biais géographique déjà évoqué, il fait que l’indice reflète surtout les régions du monde où les données sont abondantes, pas nécessairement celles où la biodiversité est la plus riche. Dit autrement : on mesure ce que l’on sait compter, pas forcément ce qui compte le plus.
La communauté scientifique elle-même appelle désormais à manier le LPI avec prudence. Ce n’est pas le thermomètre de la biodiversité mondiale, mais un outil utile parmi d’autres, avec ses forces, ses angles morts et ses limites.
La Liste rouge de l’UICN
Créée en 1964, la Liste rouge de l’Union internationale pour la conservation de la nature (UICN) est aujourd’hui la référence mondiale pour évaluer le risque d’extinction des espèces. Elle recense plus de 170 000 espèces évaluées et les classe dans neuf catégories, de « Préoccupation mineure » à « Éteinte », selon un protocole standardisé reposant sur cinq critères officiels (A à E) : ampleur du déclin, taille de la population, aire de répartition, fragmentation de l’habitat et probabilité d’extinction modélisée. Ce cadre homogène, validé par des experts internationaux, est utilisé par les chercheurs, les ONG et les gouvernements pour dresser un aperçu global de l’état du vivant et orienter les priorités de conservation.
La Liste rouge reflète les connaissances disponibles, qui restent très inégales selon les groupes taxonomiques, et souffre des mêmes biais que les autres indicateurs. Sa catégorisation est aussi volontairement prudente. Une species peut entrer rapidement dans une catégorie menacée dès qu’un seuil de déclin est franchi, mais en sortir exige des preuves robustes d’amélioration durable, mesurées sur dix ans ou trois générations. À cela s’ajoute un effet d’attention : les espèces en progression sont souvent moins suivies que celles en difficulté, ce qui peut retarder la validation de leur amélioration.
La mesure de la vie, entre science et humilité
Compter la biodiversité, ce n’est pas seulement accumuler des données : c’est tenter de comprendre les équilibres du vivant et d’en suivre les transformations. Les biais sont réels, les incertitudes nombreuses, mais ces travaux restent indispensables pour éclairer les décisions publiques, orienter la conservation et éviter que l’action écologique ne s’engage sur de fausses pistes.
En matière de biodiversité, les chiffres sont des balises, pas des certitudes. Ils exigent de la méthode, de la prudence et une véritable humilité devant la complexité du vivant.
C'est drôle, non ? Les *deux tiers* des comptes Pro-Trump et Pro-MAGA se sont révélés être des gens à l'étranger (Russie, Asie, etc.). Donc des gens qui essaient de faire progresser l'extrême-droite dans le pays pour le miner, ou alors des fermes à troll payées par l'extrême-droite. Et de nos jours probablement des bots générés par IA. https://www.newsweek.com/maga-accounts-based-outside-us-exposed-11097693 (Permalink)
Quoted post from Tristan K.@tristankamin.bsky.social: Comme Twitch, mais version pro ?
Lundi 13h, je serai en live pour un MOOC du CNAM pour répondre à toutes les questions possibles et imaginables (😅) sur le cycle du combustible nucléaire.
Je connaissais déjà l'aérogel de silice (on trouve plein de vidéos sur internet), mais c'est un matériaux fragile et friable.
L'aérogel de graphène semble beaucoup plus solide. (Permalink)
Chaque lundi, Les Électrons Libres vous propose un tour d’horizon des nouvelles électrisantes qui secouent le monde de la tech et œuvrent en faveur d’un progrès à même de changer votre quotidien.
Nabla Bio (JAM-2) et Chai Discovery (Chai-2) : L’IA au service de la conception de traitements médicaux
Et si l’IA générative permettait de concevoir les médicaments de demain ? Nous sommes peut-être à l’aube de la fin de la « loterie médicale ». Jusqu’à présent, trouver un nouveau médicament ressemblait à une partie de fléchettes jouée dans le noir. On testait des milliers de molécules en espérant toucher une cible, un processus lent, ruineux et souvent voué à l’échec. L’arrivée simultanée des modèles IA JAM-2 et Chai-2 promet de changer radicalement la donne.
JAM-2 de la startup Nabla Bio fonctionne comme une usine qui livre directement des anticorps efficaces et stables à vitesse fulgurante. Le modèle excelle sur les protéines GPCR, des interrupteurs cellulaires qui régulent tension, humeur, douleur et inflammation et s’avéraient jusque-là presque impossible à cibler. L’espoir : générer des anticorps contre les cancers (en visant des cellules tumorales spécifiques), les maladies auto-immunes (spondylarthrite, polyarthrite, psoriasis, sclérose en plaques), les infections, et à terme l’obésité, le diabète ou les douleurs chroniques.
De son côté, Chai-2, le dernier modèle d’IA développé par Chai Discovery, représente une avancée majeure dans la conception de novo (c’est-à-dire entièrement à partir de zéro) d’anticorps et de protéines thérapeutiques. Il excelle sur les cancers ultra-ciblés, capable de distinguer des mutations tumorales au niveau d’un seul acide aminé pour créer des thérapies personnalisées. Sa précision lui permet aussi d’activer des mécanismes de défense naturels du corps plutôt que simplement les bloquer.
L’un offre rapidité et faisabilité industrielle, l’autre une finesse fonctionnelle inédite. Ensemble, ils transforment la découverte de traitements en discipline d’ingénierie prévisible, ouvrant la voie à des maladies jugées jusqu’ici hors de portée.
Physical Intelligence π*0.6 : Le robot qui apprend de ses échecs
Demain, des robots s’occuperont du lave-vaisselle, du linge, du rangement. Mais un robot qui réussit une tâche en démo, c’est banal ! Un robot qui enchaîne pendant des heures sans commettre d’erreurs et qui apprend de ses propres erreurs comme un apprenti humain, c’est autre chose. C’est l’innovation du nouveau modèle π*0.6 de la startup Physical Intelligence : une IA robotique qui ne se contente pas d’imiter, mais qui se corrige.
Le secret ? Un algorithme de renforcement baptisé RECAP. Il regarde des heures d’enregistrements et distingue les actions réussies de celles qui ratent – la tasse posée à côté de la machine, la languette du carton manquée. π*0.6 garde ces erreurs en mémoire et annote chaque geste : « ça t’a rapproché du but » ou « ça t’a éloigné ».
Les résultats parlent d’eux-mêmes : 13 heures d’affilée à servir des cafés, des heures à plier du linge sans planter. Sur les tâches complexes, le taux de réussite double. Soutenue par Jeff Bezos et CapitalG (Google), Physical Intelligence vient de lever 600 millions de dollars, atteignant une valorisation de 5,6 milliards pour développer le cerveau universel des robots.
Zoox : Un robotaxi dans une voiture conçue pour ça dès le départ
Pour les habitants de San Francisco, l’arrivée, le 18 novembre, du nouveau robotaxi de Zoox promet de bouleverser le quotidien des habitants : vous montez dans une petite navette électrique sans volant ni pédales, et elle vous emmène gratuitement à travers la ville. L’impact immédiat pour l’usager est un transport plus sûr – la machine ne boit pas, n’envoie pas de SMS et voit à 360 degrés – et un temps de trajet transformé en temps libre, dans un salon roulant où on se fait face.
Le véhicule de cette filiale d’Amazon constitue une véritable rupture. Il ne s’agit pas d’un SUV modifié comme les voitures de leur célèbre concurrent Waymo, mais d’une capsule bidirectionnelle conçue dès le départ pour l’autonomie : portes latérales façon tram, capteurs partout, pas de contrôles manuels.
L’exercice reste contraint par des réglementations strictes qui requièrent la présence de contrôles manuels dans toutes les voitures. Zoox se trouve encore sous une exemption “recherche” qui leur interdit de facturer des trajets, d’où la gratuité actuelle. L’objectif est désormais pour l’entreprise d’obtenir une autorisation commerciale pour faire rouler jusqu’à 2 500 de leurs véhicules autonomes par an, dès 2026.
Valar Atomics : Le carburant propre grâce à l’atome
Et si c’était la clé pour décarboner l’aviation ? La startup Valar Atomics vient de franchir une étape historique avec NOVA, un test de réacteur nucléaire réalisé avec le laboratoire national de Los Alamos. Le but est de construire des milliers de petits réacteurs à haute température regroupés en « gigasites » pour produire chaleur, électricité, hydrogène et recycler du CO₂ en carburants synthétiques propres.
Le 17 novembre, NOVA a atteint la criticité : une réaction nucléaire en chaîne s’est déclenchée et maintenue d’elle-même. Le réacteur utilise du combustible TRISO (petites billes d’uranium enrobées de céramique) ultra-résistant aux températures extrêmes. En 2 ans, avec 19 millions de dollars, Valar prouve que l’atome peut être agile et sûr. C’est la première des 11 startups d’un programme fédéral américain à franchir ce cap, avec l’objectif de voir trois d’entre elles atteindre la criticité avant le 4 juillet 2026 (jour de la fête nationale US).
L’ambition de Valar Atomics dépasse largement l’électricité propre et vise les hydrocarbures synthétiques. La chaleur nucléaire capturera le CO₂ de centrales à charbon ou de l’air pour le transformer en essence ou kérosène neutres. Plutôt que d’abandonner les énergies fossiles du jour au lendemain, la stratégie transforme les émissions existantes en carburants propres.
Meta SAM 3 : l’IA qui découpe des vidéos à une vitesse surhumaine
A ce jour, masquer un visage sur une vidéo, compter les voitures dans un parking ou vérifier un composant industriel exige encore des heures de travail humain et des coûts importants. Le nouveau modèle SAM 3 de Meta change la donne. On lui dit « la voiture rouge » ou « les mains », et il découpe et suit l’objet au pixel près dans n’importe quelle image ou vidéo.
Plus besoin de cliquer laborieusement. SAM 3 comprend des descriptions textuelles simples. Il traite des centaines d’objets en quelques millisecondes sur un GPU standard, rendant possible l’analyse en temps réel sans exploser les coûts.
SAM 3 remplace les armées d’annotateurs, un métier ingrat où l’on passe ses journées à tracer des contours sur des milliers d’images identiques. L’IA propose les masques, les humains valident. Meta a ainsi produit des centaines de millions de masques sur 4 millions de concepts visuels, à une vitesse impossible pour des équipes humaines.
Bien que le cœur de SAM 3 soit axé sur la segmentation et le tracking en 2D pour les images et vidéos, Meta a sorti en même temps SAM 3D, un complément dédié qui transforme précisément des photos 2D en objets 3D réalistes. C’est une extension naturelle de la famille SAM, et les deux modèles sont souvent utilisés ensemble pour une expérience fluide.
Les applications émergent déjà. Des développeurs créent des correcteurs de technique de tir en temps réel pour basketteurs, des analyseurs de film de match qui repèrent les erreurs tactiques, des trackers qui détectent la dégradation des mouvements avant blessure.
De nos jours les logiciels agissent comme des enfants capricieux en manque d'attention.
- il faut vous créer un compte pour pouvoir utiliser le logiciel
- il faut vous connecter
- il faut vous re-connecter. Merci d'utiliser un 2FA. Oups connexion bizarre, voulez-vous bien remplir cette captcha et retaper le code reçu par email ?
- oh il y a une nouvelle mise à jour. On vous change les 340 pages de conditions d'utilisation, mais vous êtes informé, on vous les montrées !
- au fait, les conditions d'utilisation peuvent changer à n'importe quel moment. C'est à vous de vérifier régulièrement.
- activez les notifications pour être toujours au courant !
- vous avez décoché la case dans les réglages ? On la recoche sans vous demander votre avis.
- voulez-vous activer la fonctionnalité ? [Oui] [Oui mais plus tard] [Non, mais rappelez-moi plus tard quand même (Au bout d'un moment vous en aurez marre, vous cliquerez sur OUI)]
- [POPUP] Au fait, connaissez-vous la fonctionnalité A ? [POPUP] Savez-vous que vous pouvez profiter de la fonctionnalité B ? [POPUP] Découvrez la fonctionnalité C pour ne jamais manquer un évènement ! [POPUP] Faites découvrir l'application à vos amis !
- Notez cette interaction sur 5 : Combien d'étoiles donnez-vous ? "⭐⭐⭐⭐⭐"
Ouais, j'ai juste envie de dire TA GUEULE.
T'es une application, fais juste le boulot que t'es censé faire et ferme ta purin de gueule.
1 000 milliards de dollars promis à Elon Musk. Des entreprises qui valent plus de 1 500 milliards de dollars. Le capitalisme est-il devenu fou ? Il y a peut-être une autre explication : les lois de l’économie ont changé.
Nous sommes confrontés depuis quelques années à des annonces d’investissements et de rémunérations au sein de la tech qui ont de quoi donner le tournis. Le vote à plus de 75 % de l’Assemblée générale de Tesla d’une hypothétique rémunération d’Elon Musk à hauteur de 1 000 milliards de dollars a, à son tour, créé un émoi compréhensible, tant le montant est difficilement représentatif. Mais face à des faits inédits, plutôt que de faire part de son effarement, voire de son dégoût, comme l’ont fait certains médias et politiques, il est plus utile d’appliquer la sagesse de Spinoza : « ni rire, ni pleurer, ni haïr, mais comprendre ».
L'émergence du capitalisme cognitif
Les entreprises de la tech sont quasi omniprésentes dans les débats économiques. Responsables de la majorité de la croissance américaine au premier semestre, elles occupent 9 des 10 places du classement des plus grandes valorisations mondiales (où seule Saudi Arabian Oil est la représentante du vieux monde), dépassant toutes les 1 500 milliards de dollars de valorisation. Une emprise sur l’économie mondiale d’autant plus flagrante lorsque l’on compare les valorisations d’entreprises technologiques avec leurs concurrents sectoriels.
La rapidité de l’émergence du capitalisme cognitif nous force à modifier notre vision de ce monde. Pour celui qui aborde encore les lunettes du capitalisme industriel, il peut être difficilement concevable qu’un commerçant sans aucune présence physique puisse valoir trois fois plus que son concurrent ayant pignon sur rue ; qu’un constructeur automobile japonais vendant dix fois plus de véhicules que son jeune concurrent américain ait une valorisation six fois moindre ; ou encore qu’une marque américaine de smartphones vendant autant de modèles que son concurrent coréen soit valorisée neuf fois plus.
En 2025, la création de valeur ne dépend plus exclusivement du chiffre d’affaires ou du bénéfice.
Nest était une marque de thermostat connectés pour votre maison.
Puis Google l'a racheté en grande pompes.
Puis, lassé, il a abandonné le produit.
De nos jours, ces thermostats n'ont plus de fonctions connectées. Elles sont été tuées par Google.
Mais Google continue à collecter des données. (Permalink)
Alors attendez : Microsoft utilise des technologie WEB pour l'interface de Windows 11. Donc tout est beaucoup plus lourd et lent. Tellement lent que même l'explorateur de fichier met du temps à démarrer.
Du coup, la solution de Microsoft ?
Précharger en mémoire l'explorateur de fichiers pour qu'il s'affiche immédiatement quand vous cliquez dessus.
Donc il bouffera de la RAM et du CPU à l'allumage de la machine.
Connards de soit-disant "journalistes" du Parisien qui présentent GrapheneOS (une alternative Libre à Android) comme un système d'exploitation de terroriste.
Ne pas être chez un GAFAM = être un terroriste en puissance ?
C'est vraiment complètement débile et rageant.
Un chiffre choc, glaçant même. Empire of AI, best-seller de l’été sur l’IA, affirme qu’un data center consomme mille fois l’eau d’une ville entière. Le problème, c’est que l’autrice s’est trompée : l’estimation était 5 000 fois trop élevée.
Cerrillos, petite ville chilienne de 88 000 habitants, devait accueillir un nouveau data center de Google. Dans son livre à succès consacré à Sam Altman et au système OpenAI, Karen Hao décrit une installation dont les besoins en eau dépasseraient mille fois ceux de la commune. De quoi s’imaginer un véritable monstre technologique à la soif inextinguible. Le chiffre était frappant… trop, sans doute.
La menace fantôme
Car tout ceci s’est révélé être une énorme erreur factuelle, qui fait partir la démonstration à vau-l’eau et basculer Karen Hao — pourtant diplômée d’ingénierie du MIT — du côté obscur de l’information scientifique.
Dans un contexte saturé de chiffres alarmistes sur l’IA, ce ratio improbable a pu paraître crédible à beaucoup. Mais pas à Andy Masley, membre du courant de l’Effective Altruism, dont la démarche repose strictement sur les faits et les preuves.
Le Jedi des ordres de grandeur
Un calcul rapide montre en effet que ce ratio impliquerait que chaque habitant n’utilise que 0,2 litre d’eau par jour — une absurdité, près de 900 fois moins que la moyenne chilienne. En consultant les rapports de la SMAPA (service municipal de l’eau de Maipú/Cerrillos), Masley découvre que les chiffres présentés comme des « litres » dans la réponse officielle obtenue par Hao sont en réalité des mètres cubes. Une erreur d’unité qui change la comparaison d’un facteur 1 000.
Karen Hao a reconnu l’erreur et admis qu’un contrôle de plausibilité aurait suffi à la repérer. Elle a aussi annoncé qu’elle mettrait à jour son livre une fois la confirmation officielle reçue, tout en maintenant ses critiques sur l’implantation de data centers en zones de stress hydrique.
Mais ce n’est pas tout. Masley lui reproche aussi d’avoir fondé sa comparaison sur les valeurs maximales de prélèvement autorisées, alors que la consommation réelle se situe plutôt autour de 20 % de ce plafond. Une autre source majeure de surestimation.
Enfin, il pointe la confusion fréquente entre prélèvements et consommation nette : les volumes cités correspondent à de l’eau prélevée — restituée à plus de 90 % — et non à la part réellement consommée. Une nuance pourtant essentielle pour comprendre l’impact réel d’un data center.
Ces trois éléments — l’erreur d’unité, la comparaison à la capacité maximale autorisée et la confusion entre prélèvements et consommation nette — modifient radicalement l’interprétation du cas de Cerrillos.
Rien d’anecdotique. La circulation mondiale de chiffres spectaculaires mais faux finit par façonner une image déformée de l’IA, présentée comme une industrie prédatrice. Ce décalage entre perception et réalité alimente la défiance du public et complique tout débat rationnel autour de ces infrastructures.
La France refroidit le cloud sans assécher la planète
S’il est légitime de se poser des questions sur l’impact environnemental des data centers, encore faut-il poser correctement les enjeux. Le volume total d’eau consommée, pris isolément, n’a aucune signification. Ce qui compte, c’est où et quand l’eau est prélevée. Un captage dans un grand cours d’eau en période de crue n’a aucun impact, alors que puiser de l’eau potable dans une zone sous stress hydrique peut devenir problématique.
À Cerrillos, Google a mis en pause son projet de 200 millions de dollars après qu’un tribunal environnemental chilien a partiellement révoqué son autorisation et demandé une réévaluation intégrant la vulnérabilité de l’aquifère local et les effets du changement climatique.
L’entreprise a annoncé repartir « à zéro », en adoptant un refroidissement par air, sans aucun prélèvement dans les puits environnants. Une solution plus coûteuse, mais appelée à devenir la norme partout où l’usage de l’eau fait l’objet d’une forte compétition.
Tristan K.@tristankamin.bsky.socialposted: Comme Twitch, mais version pro ?
Lundi 13h, je serai en live pour un MOOC du CNAM pour répondre à toutes les questions possibles et imaginables (😅) sur le cycle du combustible nucléaire.
Connexion
