Latest / Le centre de gravité / Yann Le Cun — Un milliard contre les perroquets

Transcript

Yann Le Cun — Un milliard contre les perroquets · Le centre de gravité

0:00
Épisode Yann lequin, un milliard contre les perroquets.
0:03
Il joue de la bombarde. C'est un instrument Breton, un
0:06
souffle puissant dans un roseau de bois, quelque chose entre le
0:09
hautbois et le cri d'un navire. Il en joue dans les fest noz
0:13
depuis 1974 avec son oncle en Bretagne, chaque été.
0:16
Son nom de famille, lequin, vient du Breton ancien cugne, ça
0:20
veut dire Débonnaire, le gentil, le bienveillant.
0:25
Et c'est aussi l'homme qui, depuis 3 ans, attaque
0:27
publiquement Sam Altman, Elon Musk, Geoffrey Hinton et une
0:31
bonne partie de la Silicon Valley.
0:33
Pas pour le plaisir de la bagarre.
0:35
Pour une idée, son idée est simple, un enfant de 2 ans
0:38
pousse un verre au bord d'une table.
0:40
Un modèle de langage peut très bien vous dire que le ver va
0:42
tomber. La question de Yann n'est pas de
0:44
savoir s'il peut le dire. La question est de savoir ce que
0:47
cette phrase contient vraiment, une corrélation linguistique
0:50
très puissante. Ou une représentation du monde
0:53
assez robuste pour agir dedans. En décembre 2025, il quitte
0:57
méta. En mars 2026, il lève un
0:59
milliard de dollars. Pas pour suivre la ruée, pour
1:02
essayer de la contourner, pour construire autre chose.
1:04
Pas seulement des machines qui parlent du monde, des machines
1:07
qui pourraient un jour y agir. Il a déjà fait ce pari une fois
1:12
seul contre presque tout le monde pendant 15 ans.
1:15
Il avait raison. Mais cette fois, la vraie
1:19
question n'est peut être pas seulement de savoir s'il a
1:21
raison, la vraie question est raison pour quoi, pour qui et
1:26
pour quel monde au juste ? Chapitre un, le mercredi après
1:30
12h01, étudiant découvre un champ déserté.
1:34
Chaque semaine, il revient au même endroit pour lire ce que
1:38
personne autour de lui ne lit, sans réseau, sans école, sans
1:42
camp. Yann lequin naît le 8 juillet
1:45
1960 à Soisy, sous Montmorency, dans le Val d'Oise.
1:48
Son père est ingénieur aéronautique, sa mère est
1:51
enseignante. 2 choses dans cette maison, la rigueur et la
1:54
curiosité. Le père invente, bricole,
1:57
construit, le fils aussi. Avec son frère, il fabrique des
2:01
engins volants de toutes sortes. Plus tard, Yann dira, j'ai
2:04
hérité ça de mon père. Très tôt, le garçon lit de la
2:08
science-fiction. Il s'intéresse aux robots, à
2:11
l'informatique, aux machines qui pourraient un jour penser en
2:15
1980. Il est étudiant à l'e SIE à
2:17
Noisy le grand. Et un jour, en feuilletant les
2:19
actes d'un colloque de cerisy consacré à l'inné et à l'acquis,
2:22
il tombe sur une idée, le perceptron, une machine inventée
2:25
dans les années 50 par Franck Rosenblatt.
2:28
Une idée brillante et une idée abandonnée, presque oubliée,
2:32
elle le frappe comme une évidence à partir de là, chaque
2:35
mercredi après 12h00. Quand le SIE ferme, il prend le
2:41
chemin de rocancourt. Il entre à la bibliothèque de
2:44
l'inria. Il faut mesurer ce que cela
2:46
signifie en 1980, il n'y a pas d'Internet, pas de moteur de
2:49
recherche, pas de PDF en un clic pour lire une thèse ou les actes
2:53
d'une conférence. Il faut se déplacer
2:55
physiquement, aller dans l'un des rares endroits en France où
2:59
ces textes existent. Rocancourt en est un.
3:00
C'est là que vont ceux qui cherchent ce que le système
3:04
académique classique ne montre pas.
3:05
Et Yann lit. Tout ce qui existe sur les
3:10
réseaux de neurones. Il découvre assez vite une chose
3:13
stupéfiante, dans le monde occidental, presque plus
3:17
personne ne travaille sur le sujet.
3:19
Le champ est vide, la porte est ouverte et personne n'y entre.
3:23
Il décide d'y entrer quand même. Il commence son doctorat à
3:26
l'université Pierre et Marie Curie.
3:28
Sa thèse porte sur la rétropropagation du GRADIENT en
3:32
langage simple, la manière dont un réseau de neurones apprend de
3:35
ses erreurs. Il est seul, pas de
3:37
collaborateurs. Pas de conférence qui accepte le
3:40
sujet, pas de directeur de recherche qui regarde dans cette
3:43
direction. Puis quelque chose bascule.
3:46
Février 1985, école d'été aux Ouches, au pied du Mont blanc,
3:49
Yann y rencontre Geoffrey Hinton, puis Larry Jacquel, qui
3:52
dirige un département dans un endroit mythique, Bell Labs, le
3:56
laboratoire du transistor, du laser, du langage C et du nix. 3
4:01
ans plus tard, jacquel le recrute.
4:06
En 1988, Yann part pour les États-Unis.
4:08
Il dit à sa femme et à ses 2 enfants que cela ne durera qu'un
4:11
an ou 2. Il y restera des décennies.
4:16
Chapitre 2, l'invention que personne n'a voulu, une idée
4:20
peut réussir trop tôt. Le laboratoire voit 1/2 échec.
4:24
Lui commence à voir un futur entier.
4:27
Yann arrive à Bell Labs à la fin des années 81.
4:29
Bâtiment gigantesque, 5000 personnes, des couloirs entiers
4:32
de chercheurs, l'un des plus grands laboratoires de recherche
4:35
du monde. Il est, selon ses propres mots,
4:37
incroyablement impressionné. Et il se met au travail.
4:41
Son idée tient en une phrase, apprendre à une machine à lire
4:44
l'écriture humaine. Ceux qu'on griffonne sur une
4:46
enveloppe, ceux qu'on écrit sur un chèque.
4:50
En 1989, le premier système fonctionne, il lit les codes
4:52
postaux pour le service postal américain.
4:54
C'est la première application concrète des réseaux de neurones
4:57
convolutifs les CNN qu'il est en train d'inventer.
5:00
Les CNN apprennent à détecter des formes simples, puis des
5:03
formes plus complexes, couche après couche.
5:04
En clair, la machine apprend à voir.
5:07
Le problème, c'est que le taux de réussite plafonne autour de
5:11
50%. Belle Labs regarde le résultat,
5:12
trop lent, trop gourmand en calcul, trop fragile.
5:19
Le laboratoire voit un prototype raté, lui commence à voir une
5:23
époque, il continue, il améliore, il persiste.
5:26
En 1998, il publie avec plusieurs collègues dont Léon
5:28
Boitou, gradient base learning a ply to document recognition.
5:31
Selon Google Scholar, ce papier a aujourd'hui été cité plus de
5:35
84000 fois en 1998. Presque personne ne le remarque,
5:37
non pas parce que le papier est faible, parce qu'il arrive au
5:41
pire moment. Les réseaux de neurones sont
5:42
alors passés de mode. Comment ?
5:49
Ce qu'on appellera plus tard les hivers de l'intelligence
5:52
artificielle. Les financements se déplacent,
5:54
les modes académiques changent, le consensus devient simple.
5:57
Ce n'est pas là que l'avenir se joue.
6:00
Yann, lui, ne change pas de cap. En 2002, il quitte Haïtiensy
6:03
Labs. En 2003, il rejoint l'université
6:06
de New York comme professeur. Et là, dans les marches du monde
6:09
académique, il continue avec quelques étudiants avec la même
6:13
idée. Il se décrira plus tard comme
6:15
l'un des fous furieux qui ont maintenu la flamme du Deep
6:18
learning quand la planète entière l'avait éteinte.
6:20
C'est ce trait là qui compte pour la suite.
6:22
Pas seulement le génie, pas seulement la technique.
6:25
À ce stade, le plus important n'est peut être déjà plus
6:28
l'invention, c'est le tempérament.
6:30
Chapitre 3, 12 ans. À l'intérieur, l'institution qui
6:34
l'a consacrée finit aussi par l'étouffer.
6:37
Ce n'est pas une rupture soudaine, c'est une divergence
6:40
qui prend des années à devenir visible. 2012 change tout, Alex
6:43
NED gagne image net avec une avance spectaculaire.
6:45
Et soudain, ceux qui avaient ignoré les réseaux de neurones
6:49
pendant 20 ans veulent tous les embaucher.
6:51
Mark Zuckerberg comprend le signal.
6:53
En décembre 2013, Yann fonde Fair Facebook AI Research,
6:56
d'abord à New York, puis à Menlow Park, puis à Paris en
7:00
2015. Il impose d'emblée une
7:01
condition, la recherche sera ouverte, les articles seront
7:04
publiés, les résultats partagés avec la communauté scientifique.
7:11
Pour un géant de cette taille, ce n'est pas banal et cela
7:14
marche. En quelques années, faire
7:16
devient l'un des laboratoires d'i a les plus respectés du
7:18
monde. Des centaines d'articles, les
7:20
meilleurs chercheurs recrutés, la vision par ordinateur, la
7:24
traduction, les systèmes de recommandation, tout progresse.
7:28
En 2018, Yan reçoit le prix turing avec Geoffrey Hinton et
7:30
Yoshua bengio, les 3 hommes qui ont tenu bon pendant les années
7:34
de désert. Ce n'est pas seulement une
7:36
récompense, c'est le moment où l'obstination devient
7:38
officielle. Mais à l'intérieur de méta, une
7:42
fissure brandit le monde entier, bascule vers les grands modèles
7:45
de langage chat. GPT explose fin 2022.
7:47
Google répond, Entropique répond, la course aux plus gros
7:51
modèles s'accélère. Méta suit le mouvement.
7:52
Yann ? Non.
7:54
En 2022, encore salarié de méta, il publie a past Awards
7:58
autonomous machine intelligence, un manifeste.
7:59
En réalité, il y décrit une autre direction.
8:06
Des machines qui ne se contentent pas de compléter du
8:08
texte, mais qui apprennent des représentations du monde,
8:11
anticipent, planifient, agissent.
8:14
C'est là peut être que la divergence devient irréversible.
8:17
Pas sur un organigramme, pas sur un titre, sur une idée de ce que
8:21
l'intelligence artificielle doit devenir.
8:23
Puis vient avril 2025, méta lance lama 4.
8:26
C'est un échec et ce qui se passe en coulisses est pire
8:29
encore. Selon plusieurs sources relayées
8:32
publiquement, l'équipe IA aurait manipulé certains benchmarks
8:36
sous pression interne. Quand Zuckerberg le découvre, il
8:39
perd confiance, il met au placard l'ensemble de
8:41
l'organisation dédiée à l'i a générative, en quelques mois,
8:45
Meta réorganise son IA4 fois, le taux de rétention des talents
8:49
tombe à 64%. Selon data nation, certains
8:53
employés parlent d'une culture de la peur.
8:55
Puis arrive l'épisode final. Meta crée un super intelligence
8:59
Lab et nomme à sa tête Alexandre Wang, cofondateur de Skale AI.
9:04
Pour la première fois depuis 12 ans, Yann comprend que son idée
9:07
n'est plus seulement minoritaire, elle est désormais
9:10
institutionnellement subordonnée.
9:12
En novembre 2025, Yann publie un poste sur LinkedIn 3 lignes.
9:16
Il s'en va Au Figaro. Il lâche cette phrase, je me
9:20
suis fait des ennemis dans divers coins de la Silicon
9:22
Valley. Le 19 décembre, il annonce a EMI
9:25
Labs, 12 ans, chez Méta, un prix turing et un départ qui
9:29
ressemble moins à une démission qu'à un acte de foi.
9:34
Chapitre 4, ce que l'enfant sait ici, il faut ralentir.
9:39
Une seule idée tient tout l'édifice.
9:41
Si on la comprend, le reste de l'histoire change de sens.
9:45
Pour comprendre la suite, il faut s'arrêter ici, une seule
9:49
idée tient tout le projet. Un grand modèle de langage
9:52
apprend en lisant du texte, des milliards de mots, des
9:55
bibliothèques entières. Il devient extraordinairement
9:58
bon pour prédire le mot d'après. Il peut résumer un document,
10:02
rédiger une réponse, écrire du code, proposer un plan, produire
10:06
parfois des solutions originales et utiles.
10:09
Il ne faut pas raconter n'importe quoi, ce n'est pas un
10:11
simple perroquet au sens banal, sa puissance est réelle.
10:15
Ce que Yann conteste, ce n'est pas son utilité, c'est le type
10:18
de compréhension qu'il mobilise. Un modèle de langage peut très
10:21
bien vous dire qu'un verre poussé au bord d'une table va
10:24
tomber. La question n'est pas de savoir
10:26
s'il peut l'énoncer. La question est de savoir ce que
10:28
cette réponse engage réellement, une corrélation linguistique
10:32
très puissante ou une représentation du monde assez
10:34
robuste pour agir dedans. Maintenant, prenez un enfant de
10:38
18 mois, il ne lit pas, il ne parle presque pas, mais il sait
10:42
déjà des choses immenses, qu'un objet caché derrière un coussin
10:45
existe encore, qu'une balle lancée va retomber.
10:49
Que le liquide va couler si on renverse un verre.
10:51
Il l'a appris en observant, en touchant, en échouant.
10:55
Son cerveau a construit un modèle interne du monde
10:57
physique, une simulation qui tourne en permanence, qui
11:00
anticipe, qui prédit pas des mots, des conséquences, voilà la
11:05
différence. Pas une machine qui parle du
11:07
monde, une machine qui essaie de le rejouer.
11:09
À l'intérieur d'elle même, le mot intelligence générale
11:13
impressionne facilement. On imagine une machine totale,
11:16
presque magique. En réalité, le sujet est souvent
11:18
plus simple. Une intelligence plus générale
11:21
devient utile quand on sort du script.
11:23
Pas pour faire mieux qu'un bon système spécialisé sur une tâche
11:26
répétitive, pas pour faire mieux qu'un modèle de langage sur un
11:29
mail, un compte rendu ou une petite application.
11:32
Elle devient utile quand il faut s'adapter, transférer,
11:36
improviser, raisonner avec peu d'informations.
11:39
Et agir dans un monde qui ne coopère pas, une chaîne d'usine
11:42
propre et stable n'en n'a pas forcément besoin.
11:44
Un robot domestique, une voiture autonome dans une ville inconnue
11:47
ou un assistant mobile dans un bureau encombré, c'est une autre
11:50
histoire. C'est pour cela que le pari de
11:52
Yann ne vise pas d'abord la boîte mail, le résumé de PDF ou
11:55
le copilote de Bureau. Pour tout cela, les modèles de
11:57
langage sont déjà les outils des pluies naturellement utiles.
11:59
Son pari vise les situations où une machine doit comprendre un
12:03
environnement, anticiper les conséquences d'une action,
12:05
naviguer dans un espace, manipuler des objets.
12:09
Ou simuler un système dynamique, la robotique, la logistique,
12:12
l'industrie, la conduite autonome, les mondes
12:15
interactifs, là où le langage seul ne suffit plus.
12:17
L'architecture qu'il a développé pour cela s'appelle Gepa.
12:20
En langage simple, au lieu de prédire le prochain mot ou le
12:23
prochain Pixel, gepa apprend à prédire des représentations
12:26
abstraites, pas la surface des choses, leur structure.
12:29
Dans son manifeste de 2022, Yann décrit une architecture
12:31
cognitive complète, un modèle du monde, une mémoire, un module
12:34
d'évaluation, un acteur. Ensemble, ces éléments formés.
12:39
Quelque chose qui ressemble moins à un chatbot qu'à un agent
12:42
au fond, Yann cherche une machine qui ne se contente pas
12:44
d'avoir l'air de comprendre, mais qui tienne un peu mieux
12:46
quand le réel devient flou, instable, imprévu.
12:49
Chapitre 5, Les guerres. On peut passer sa vie à défendre
12:53
une idée, puis finir par défendre cette idée contre
12:55
presque tout le monde. À ce stade, le désaccord n'est
12:58
plus académique, il devient personnel, stratégique, public.
13:02
En Breton, son nom veut dire le gentil.
13:04
C'est pourtant l'homme qui, dans le monde en avril 2023, compare
13:08
l'idée de ralentir. La recherche sur l'i AA, une
13:10
forme d'obscurantisme ? C'est aussi celui que Numerama a
13:13
présenté comme l'homme qui avait décidé de détruire
13:15
méthodiquement Elon Musk. Désormais, Yann ne défend plus
13:18
seulement une idée scientifique, il défend aussi une certaine
13:21
manière de distribuer le pouvoir dans l'intelligence
13:23
artificielle. Geoffrey Hinton, d'abord le même
13:26
hinton qu'il a rencontré au ush en 1985, le même avec qui il a
13:30
partagé le prix turing en 2023, hinton quitte Google, Alerte sur
13:32
les risques existentiels de l'i a et appelle à ralentir.
13:35
Yann lui répond. Publiquement, le désaccord n'est
13:40
plus seulement technique, il devient philosophique.
13:43
Puis viennent Sam Altman, Dario Amodéi, démis sassabis les
13:47
patrons d'open AI d'entropique de Deep mind, Yann refusé de
13:50
signer les appels à la pause, il accusé ses acteurs de semer la
13:53
peur pour orienter la régulation à leur avantage.
13:55
En clair, salon lui, ils ne protègent pas seulement le
13:59
monde, ils protègent aussi leur position.
14:00
Et puis il y a Musk là, le désaccord, changer de ton
14:03
Twitter, les passes d'armes, les accusations de mensonges, de
14:07
Conspirationnismes, D alarmisme. Opportuniste reste Ben gio le 3e
14:12
mousquetaire lui veut plus de prudence, plus de régulation,
14:15
Yann veut autre chose, une infrastructure ouverte, des
14:18
standards mais pas de pause, les 3 paires du Deep learning ne
14:21
sont plus alignés sur rien d'essentiel, il faut rester
14:23
lucide, minimiser les risques de l'i a n'est pas une position
14:26
neutre, elle pouvait servir méta hier, elle peut servir amie
14:30
demain. Yann n'est pas en dehors du jeu
14:31
mais il y a tout de même quelque chose de frappant dans sa
14:34
posture. La plupart des gens qui se font
14:35
des ennemis en Silicon Valley essaient de le cacher, lui le
14:38
dit presque. Avec fierté, comme si avoir des
14:40
ennemis était déjà une forme de preuve.
14:42
C'est la continuité de toute sa carrière.
14:44
Il avait des ennemis quand il défendait les réseaux de
14:46
neurones pendant les hivers, il avait raison.
14:48
La question désormais est plus inconfortable.
14:51
L'entêtement du visionnaire et l'entêtement de l'aveugle se
14:54
ressemblent ils au début ? Oui, souvent.
14:56
Chapitre 6, un milliard sans produits à partir d'ici, le pari
15:00
change d'échelle. Il ne s'agit plus seulement
15:02
d'avoir raison. En théorie, il faut maintenant
15:04
survivre autant au marché et aux attentes qu'un tel montant
15:07
fabrique. Mars 2026, selon TechCrunch,
15:11
Amylabs lève 1,03 milliards de dollars, valorisation prémonie
15:15
3,5 milliards. L'entreprise n'a pas de
15:18
produits, elle n'annonce pas de produits.
15:20
Elle mise sur la recherche fondamentale dans un marché qui
15:22
récompense les démos rapides. C'est un pari étrange ou un pari
15:26
rare ? La structure elle même raconte
15:28
quelque chose, Yann n'est pas CEO, il est exécutif chairman,
15:30
le scientifique en chef, pas le manager.
15:33
Le CEO s'appelle Alexandre Lebrun, il vient de nabla, une
15:36
start-up dia médical, il a été chercheur chez fair, le siège
15:39
est à Paris, il y a aussi des équipes à New York, Montréal,
15:42
Singapour. Le centre de gravité, lui, est
15:45
en France. Ami promet de publier ses
15:47
recherches et de libérer la majorité de son code open
15:50
source. Yann défend l'idée que
15:51
l'ouverture est le meilleur moyen de limiter les risques,
15:54
mais cette ouverture soulève. Aussi une question simple,
15:57
comment construit on une entreprise à 3,5 milliards sur
15:59
une matière première en grande partie publique ?
16:01
Il faut être honnête, ami n'a pas annoncé de feuille de route
16:04
publique très précise, pas de grande démo datée, pas de
16:07
produit promis dans 6 mois. À court terme, on attend autre
16:10
chose, des recrutements, du calcul, des partenariats
16:12
industriels et probablement des publications.
16:14
Alexandre Lebrun l'a dit explicitement, ami n'est pas une
16:18
start-up qui sort un produit en 3 mois et du revenu en 6.
16:21
Le pari est beaucoup plus inconfortable, il demande au
16:24
marché de financer du temps long avant la.
16:26
Preuve, c'est là qu'apparaît une autre tension.
16:28
Peut être que Yann a raison sur la science, mais pas sur
16:31
l'endroit où la valeur économique apparaîtra.
16:33
D'abord dans les bureaux, à la compta, au commerce, au
16:35
juridique. Dans la plupart des fonctions où
16:37
le travail reste d'abord textuel, les modèles de langage
16:40
paraissent aujourd'hui beaucoup plus directement utiles.
16:42
Le pari d'amis vise surtout le monde physique, les systèmes
16:45
autonomes, les environnements dynamiques, la robotique, la
16:49
conduite, les opérations industrielles.
16:50
Cela ne veut pas dire que Yann a tort.
16:52
Cela veut dire que la bonne science et le bon marché ne sont
16:55
pas toujours au même endroit. Ni au même moment.
16:57
Et Yann n'est pas seul dans cette course.
16:59
Faith Haily a fondé Word Labs salon TechCrunch l'entreprise a
17:02
levé un milliard en janvier 2026.
17:04
Elle a déjà un produit, marble, lancé en novembre 2025, qui
17:07
génère des mondes en 3 dimensions à partir d'une image
17:09
ou d'un texte. Même intuition de départ, même
17:11
terrain général, mais stratégie différente.
17:13
Là où Word Labs montre déjà quelque chose, ami demande
17:17
encore du temps, un milliard, pas de produit, pas de
17:20
calendrier ferme, juste une promesse, comprendre le monde
17:23
avant d'y lâcher des machines. Chapitre 7AT il raison, le plus
17:28
difficile n'est pas de reconnaître un visionnaire après
17:31
coup. Le plus difficile, c'est de le
17:32
reconnaître avant la preuve. C'est là que commence la
17:35
dernière question. Alors AT il raison ?
17:36
Les limites des modèles de langage, on les voit déjà, elles
17:39
ne disparaissent pas avec la taille.
17:41
Mais cela ne suffit pas à donner raison à Yann.
17:43
Sur tout le reste, il faut ajouter une autre question,
17:45
raison pourquoi et pour qui ? Toute la robotique n'a pas
17:48
besoin d'intelligence générale. Un bras robotisé sur une chaîne
17:52
de production dans un environnement propre et stable
17:54
peut être extraordinairement. Performant sans comprendre grand
17:57
chose du monde, un système spécialisé suffit souvent très
18:00
bien. Le vrai besoin apparaît quand on
18:03
sort du cadre, une rue, une maison, un entrepôt plus
18:05
chaotique que prévu, un assistant mobile face à des
18:08
objets mal rangés, des humains imprévisibles ou des consignes
18:11
incomplètes. Prenons un exemple simple, va
18:13
chercher le chargeur dans la Chambre, pour un humain, c'est
18:16
presque rien, pour une machine, c'est gigantesque.
18:18
Quel chargeur où chercher ? D'abord, Que faire si la Chambre
18:21
est en désordre, si le câble est caché sous un vêtement, si
18:24
l'objet a changé de place, si quelqu'un.
18:26
Entre au même moment, c'est dans ce genre de scène banale que le
18:29
mot général commence à prendre un sens concret.
18:31
Voilà peut être la meilleure définition pratique de cette
18:34
intelligence plus générale, pas une machine omnisciente, pas une
18:37
conscience tombée du ciel, quelque chose de plus modeste et
18:40
de plus difficile, une machine qui ne s'effondre pas dès qu'on
18:43
sort du scénario prévu. Si Yann a raison, alors l'enjeu
18:46
n'est pas seulement de construire une machine plus
18:48
brillante, c'est de construire une machine qui tient quand le
18:50
monde devient flou, instable, imprévu, ce qui joue en sa
18:53
faveur, il n'est plus seul faithfaily Lee Google.
18:56
Mind, nvidia avancent eux aussi vers des formes de modélisation
19:00
du monde. Il y a 5 ans, c'était un sujet
19:02
de niche. Aujourd'hui, plusieurs milliards
19:04
convergent vers cette intuition. Ce qui joue contre lui, ou du
19:07
moins dans le registre de l'incertitude, c'est que les
19:09
modèles de langage continuent de surprendre et que la valeur
19:12
économique immédiate de l'i a reste aujourd'hui du côté du
19:15
texte, du code, des Copilotes de Bureau, des Workflows
19:18
symboliques. Yan peut donc avoir raison sur
19:20
une limite scientifique réelle, sans que cela signifie que son
19:23
pari sera le prochain centre de gravité du marché.
19:26
Et puis. Pas le temps, il YA1 milliard de
19:27
dollars, c'est beaucoup. C'est aussi une horloge.
19:29
Les investisseurs n'ont pas la patience des chercheurs.
19:31
Si dans 3 ans, les World Model n'ont rien produit de tangible
19:34
pendant que les modèles de langage continuent d'avancer, le
19:37
récit changera vite. L'histoire des technologies est
19:40
pleine de gens qui avaient vu juste, mais trop tôt.
19:43
Avoir raison trop tôt en technologie, c'est souvent la
19:46
même chose qu'avoir tort. Diane a construit toute sa
19:49
carrière sur cette possibilité, il a tenu 15 ans dans les hivers
19:52
de l'i a avec la même conviction et c'est à la fois sa force et
19:55
son angle mort. Peut être qu'il voit un vrai
19:57
futur, peut être aussi qu'il voit un futur moins universel
20:00
qu'annoncé, plus robotique, plus industriel, plus lent et
20:03
beaucoup moins central pour la majorité du travail humain.
20:06
Ce qui se joue ici n'est peut être pas seulement la prochaine
20:09
architecture de l'i a c'est une question plus embarrassante,
20:12
quel type d'intelligence voulons nous vraiment construire si elle
20:15
n'est pas d'abord celle qui nous aide au Bureau mais celle.
20:18
Qui agit dans le monde physique ?
20:19
Sur le diagnostic, il a probablement raison.
20:21
Ce qu'on ne sait pas encore, c'est s'il A la clé ou s'il a
20:24
seulement vu le verrou. En 10091851, étudiant français
20:26
est arrivé au Ush avec une idée dont personne ne voulait. 41 ans
20:29
plus tard, il repart de Paris avec un milliard de dollars et
20:33
une question plus grande que lui, cette fois, le monde le
20:35
regarde. Vous écoutiez Yann lecun, un
20:40
milliard contre les perroquets. Merci de votre écoute.
20:43
Si cet épisode vous a plu, vous pouvez vous abonner, le partager
20:47
ou lui laisser quelques étoiles. Ça aide vraiment le podcast.