KITE AI 中文
227 Publications
KITE AI 中文
Compte Square Vérifié+The First AI Payment Blockchain.
X: https://x.com/GoKiteAI
5 Suivis
19.9K+ Abonnés
1.5K+ J’aime
Publications
Tous
Citations
Vidéos
PINNED
Vérifié
L'agent IA passe d'une "réponse aux questions" à une "exécution des tâches". Lorsque l'agent commence vraiment à travailler, le plus grand goulot d'étranglement devient la confiance et le règlement : qui est autorisé à agir, dans quelles contraintes exécuter, et comment garantir que chaque action puisse être complétée avec un règlement et un audit de bout en bout.
Nous venons de publier la feuille de route du réseau principal de Kite, qui décrit les capacités clés que nous construisons autour de six grands piliers, y compris la confiance agentique, le règlement agentique, l'infrastructure SmartDev, les opérations réseau, l'AgenticFi et la croissance de l'écosystème.
Bienvenue pour lire l'article complet : https://x.com/GoKiteAI/status/2016159368048521441?s=20
Nous venons de publier la feuille de route du réseau principal de Kite, qui décrit les capacités clés que nous construisons autour de six grands piliers, y compris la confiance agentique, le règlement agentique, l'infrastructure SmartDev, les opérations réseau, l'AgenticFi et la croissance de l'écosystème.
Bienvenue pour lire l'article complet : https://x.com/GoKiteAI/status/2016159368048521441?s=20
Vérifié
L’économie a besoin de plus qu’un modèle simplement plus intelligent.
Kite participera à EastPoint:Seoul 2026 en tant que sponsor. La CMO de Kite, Cindy Shi, abordera : comment un agent IA autonome peut passer de l’intelligence à des actions économiques réelles.
L’événement est co-organisé par Hashed, BloomingBit et le <한국경제신문>. Il rassemble des acteurs des actifs numériques et de l’IA.🪁
Ressource : https://x.com/KiteAIChinese/status/2072986812562501759
Ressource : https://x.com/KiteAIChinese/status/2092159233198608539
Kite participera à EastPoint:Seoul 2026 en tant que sponsor. La CMO de Kite, Cindy Shi, abordera : comment un agent IA autonome peut passer de l’intelligence à des actions économiques réelles.
L’événement est co-organisé par Hashed, BloomingBit et le <한국경제신문>. Il rassemble des acteurs des actifs numériques et de l’IA.🪁
Ressource : https://x.com/KiteAIChinese/status/2072986812562501759
Ressource : https://x.com/KiteAIChinese/status/2092159233198608539
Vérifié
Les agents autonomes n’ont pas seulement besoin d’un modèle : ils ont aussi besoin d’une identité vérifiable, d’un périmètre d’autorisations clairement défini, ainsi que de capacités de raisonnement adaptables en fonction de la tâche.
Nous partagerons, lors du 0xJeff GM AI v2 organisé pendant TOKEN2049 à Singapour, comment Kite construit des identités d’agents vérifiables et des capacités de raisonnement adaptatives.
On se voit sur place.🪁
Ressource : https://x.com/KiteAIChinese/status/2091914085520847340
Nous partagerons, lors du 0xJeff GM AI v2 organisé pendant TOKEN2049 à Singapour, comment Kite construit des identités d’agents vérifiables et des capacités de raisonnement adaptatives.
On se voit sur place.🪁
Ressource : https://x.com/KiteAIChinese/status/2091914085520847340
Faire des affaires avec les réseaux sociaux, c’est vous inciter à continuer à défiler sans arrêt, alors que la raison d’être des grands modèles de langage consiste à fournir des réponses honnêtes. Cette différence fondamentale pourrait bien redessiner la façon dont les gens accèdent aux informations politiques.
Cet extrait soigneusement sélectionné de « AI on Air » provient d’un épisode récent de la rubrique du podcast The All-In Podcast. Le principal intervenant est Mark Cuban, entrepreneur milliardaire et ancien investisseur de Shark Tank.
▷ Les grands modèles de langage doivent s’efforcer d’approcher la vérité, parce que si l’utilisateur découvre qu’ils mentent, il perdra confiance ; tandis que l’enjeu des réseaux sociaux est de vous faire rester en ligne. Les objectifs des deux sont donc totalement différents.
▷ Il estime que, lorsque les positions politiques deviennent de plus en plus figées, les gens auront au contraire de plus en plus tendance à demander aux grands modèles de langage « Pour qui dois-je voter ? ». Le modèle ne donnera pas directement une réponse : il cherche d’abord à comprendre ce qui vous préoccupe, puis formule une réponse honnête, par exemple à quoi devrait ressembler un ensemble de politiques migratoires raisonnables.
▷ Son « gag » préféré, à l’heure actuelle, c’est celui-ci : après que des politiciens ont publié des déclarations en ligne, il fait en sorte que l’IA vérifie autant que possible, de manière objective et fondée sur des faits, ces affirmations, puis réponde directement. Il espère que les grands modèles de langage qui cherchent la vérité aideront les gens à se libérer de l’alimentation algorithmique en informations. 🪁
Cet extrait soigneusement sélectionné de « AI on Air » provient d’un épisode récent de la rubrique du podcast The All-In Podcast. Le principal intervenant est Mark Cuban, entrepreneur milliardaire et ancien investisseur de Shark Tank.
▷ Les grands modèles de langage doivent s’efforcer d’approcher la vérité, parce que si l’utilisateur découvre qu’ils mentent, il perdra confiance ; tandis que l’enjeu des réseaux sociaux est de vous faire rester en ligne. Les objectifs des deux sont donc totalement différents.
▷ Il estime que, lorsque les positions politiques deviennent de plus en plus figées, les gens auront au contraire de plus en plus tendance à demander aux grands modèles de langage « Pour qui dois-je voter ? ». Le modèle ne donnera pas directement une réponse : il cherche d’abord à comprendre ce qui vous préoccupe, puis formule une réponse honnête, par exemple à quoi devrait ressembler un ensemble de politiques migratoires raisonnables.
▷ Son « gag » préféré, à l’heure actuelle, c’est celui-ci : après que des politiciens ont publié des déclarations en ligne, il fait en sorte que l’IA vérifie autant que possible, de manière objective et fondée sur des faits, ces affirmations, puis réponde directement. Il espère que les grands modèles de langage qui cherchent la vérité aideront les gens à se libérer de l’alimentation algorithmique en informations. 🪁
Pour déterminer s’il existe un véritable risque d’injection d’instructions, il ne faut pas se demander si le modèle est « intelligent », mais plutôt vérifier si trois conditions sont réunies en même temps.
Cette sélection d’extraits de « AI on Air », tirée récemment de la rubrique Latent.Space, porte principalement sur Zico Kolter, directeur du département d’apprentissage automatique (Machine Learning) à la CMU, administrateur de la fondation OpenAI et cofondateur de Gray Swan AI.
▷ Premièrement, l’agent doit être capable de lire des données externes provenant de tiers non fiables ; il ne doit fonctionner que dans des environnements de confiance, afin qu’il soit difficile pour d’autres d’y insérer des instructions malveillantes.
▷ Deuxièmement, il faut qu’il puisse accéder à des informations sensibles internes qui valent la peine d’être volées ; si l’on se contente d’analyser des données et de générer du texte, les conséquences négatives n’ont pas de cible concrète.
▷ Troisièmement, il doit être en mesure d’envoyer ces informations, ou bien de causer un dommage réel en conséquence ; c’est l’addition de ces trois facteurs qui rend le risque avéré.
Sa conclusion est mesurée : comme les failles de logiciels, l’IA peut aussi être utilisée de manière efficace tout en comportant encore des vulnérabilités ; vouloir démontrer sans ambiguïté l’absence totale de risque, comme chercher un logiciel à « zéro défaut », n’est pas réaliste à court terme.🪁
Cette sélection d’extraits de « AI on Air », tirée récemment de la rubrique Latent.Space, porte principalement sur Zico Kolter, directeur du département d’apprentissage automatique (Machine Learning) à la CMU, administrateur de la fondation OpenAI et cofondateur de Gray Swan AI.
▷ Premièrement, l’agent doit être capable de lire des données externes provenant de tiers non fiables ; il ne doit fonctionner que dans des environnements de confiance, afin qu’il soit difficile pour d’autres d’y insérer des instructions malveillantes.
▷ Deuxièmement, il faut qu’il puisse accéder à des informations sensibles internes qui valent la peine d’être volées ; si l’on se contente d’analyser des données et de générer du texte, les conséquences négatives n’ont pas de cible concrète.
▷ Troisièmement, il doit être en mesure d’envoyer ces informations, ou bien de causer un dommage réel en conséquence ; c’est l’addition de ces trois facteurs qui rend le risque avéré.
Sa conclusion est mesurée : comme les failles de logiciels, l’IA peut aussi être utilisée de manière efficace tout en comportant encore des vulnérabilités ; vouloir démontrer sans ambiguïté l’absence totale de risque, comme chercher un logiciel à « zéro défaut », n’est pas réaliste à court terme.🪁
Quels emplois l’IA va-t-elle remplacer ? Souvent, on commence par réduire le travail à quelque chose qui peut être noté, puis on suppose que le monde ne changera pas en chemin.
Cet extrait sélectionné d’« AI on Air » provient d’une récente émission de la rubrique Redpoint. L’intervenant principal est Benedict Evans, ancien associé de a16z et analyste bien connu dans le secteur technologique. Il estime qu’il est certes important de discuter de l’impact de l’automatisation sur l’emploi, mais que classer les postes en fonction de leur « taux de couverture des tâches » revient essentiellement à fabriquer une illusion de certitude.
▷ Prenons l’exemple de l’affirmation « un nouveau modèle peut accomplir 93 % du travail d’un assistant juriste en première année » : l’hypothèse, c’est que vous pouvez mesurer précisément ce que fait l’assistant, et mesurer tout aussi précisément si le modèle va ou non le faire — or, dans les deux cas, ce n’est pas le cas.
▷ Les véritables chocs viennent plutôt de l’analyse « hors du tableau » : Internet ne modifie pas nécessairement la manière dont les journalistes rédigent leurs articles, mais il détruit l’activité de la publicité locale ; ceux qui fabriquent des téléphones parlent tous les jours du positionnement, et pourtant personne n’avait dessiné à l’avance les opportunités d’Uber et d’Airbnb.
▷ Donc, faire des rétrotests à partir de ces graphiques « à quel point tel poste est exposé, et à quel point tel autre l’est », c’est comme si un physicien supposait d’abord que le cheval est une sphère parfaite pour prédire les courses : dès lors que vous définissez la réalité comme quelque chose que vous pouvez calculer, ce que vous calculez n’est déjà plus la réalité.🪁
Cet extrait sélectionné d’« AI on Air » provient d’une récente émission de la rubrique Redpoint. L’intervenant principal est Benedict Evans, ancien associé de a16z et analyste bien connu dans le secteur technologique. Il estime qu’il est certes important de discuter de l’impact de l’automatisation sur l’emploi, mais que classer les postes en fonction de leur « taux de couverture des tâches » revient essentiellement à fabriquer une illusion de certitude.
▷ Prenons l’exemple de l’affirmation « un nouveau modèle peut accomplir 93 % du travail d’un assistant juriste en première année » : l’hypothèse, c’est que vous pouvez mesurer précisément ce que fait l’assistant, et mesurer tout aussi précisément si le modèle va ou non le faire — or, dans les deux cas, ce n’est pas le cas.
▷ Les véritables chocs viennent plutôt de l’analyse « hors du tableau » : Internet ne modifie pas nécessairement la manière dont les journalistes rédigent leurs articles, mais il détruit l’activité de la publicité locale ; ceux qui fabriquent des téléphones parlent tous les jours du positionnement, et pourtant personne n’avait dessiné à l’avance les opportunités d’Uber et d’Airbnb.
▷ Donc, faire des rétrotests à partir de ces graphiques « à quel point tel poste est exposé, et à quel point tel autre l’est », c’est comme si un physicien supposait d’abord que le cheval est une sphère parfaite pour prédire les courses : dès lors que vous définissez la réalité comme quelque chose que vous pouvez calculer, ce que vous calculez n’est déjà plus la réalité.🪁
Au cours des deux dernières semaines, plusieurs étapes de la chaîne de valeur de l’industrie des agents IA ont connu des avancées importantes, des modèles ouverts aux infrastructures de base pour les entreprises et à la gouvernance de la sécurité. Voici les dernières actualités du « AI Agents Pulse » :
▷ AMD rachète Taalas : l’architecture de réseaux de neurones est intégrée directement dans la technologie des plaquettes, et incluse dans la feuille de route des accélérateurs https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ DeepSeek publie DeepSeek Harness v0.1, un outil d’agents sous licence MIT, prenant en charge l’exécution avec reprise et la lecture/rejeu https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ Qwen publie en open source la série de modèles Qwen3.8 : un modèle multimodal de 27 milliards de paramètres améliorant les capacités d’exécution des tâches d’agents https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ Meta lance sur PC un modèle open source, Muse Glimmer, et la version développeur de Muse Spark 1.2 est prévue https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ Databricks finalise une levée de 5 milliards de dollars, avec un investissement prioritaire dans la base de données Lakebase et l’activité d’agents Genie https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ Stripe prévoit d’acquérir OpenRouter pour 7 milliards de dollars afin de renforcer ses capacités de paiement par IA https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ NVIDIA contribue à l’élaboration de guides SAFE, en transformant les incidents de sécurité liés aux agents en mécanismes de protection partagés https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ OpenAI lance un modèle spécialisé en cybersécurité, GPT-5.6-Cyber https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ Google AMIE réalise des consultations vidéo cliniques simulées et vise une application en temps réel https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
▷ AMD rachète Taalas : l’architecture de réseaux de neurones est intégrée directement dans la technologie des plaquettes, et incluse dans la feuille de route des accélérateurs https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ DeepSeek publie DeepSeek Harness v0.1, un outil d’agents sous licence MIT, prenant en charge l’exécution avec reprise et la lecture/rejeu https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ Qwen publie en open source la série de modèles Qwen3.8 : un modèle multimodal de 27 milliards de paramètres améliorant les capacités d’exécution des tâches d’agents https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ Meta lance sur PC un modèle open source, Muse Glimmer, et la version développeur de Muse Spark 1.2 est prévue https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ Databricks finalise une levée de 5 milliards de dollars, avec un investissement prioritaire dans la base de données Lakebase et l’activité d’agents Genie https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ Stripe prévoit d’acquérir OpenRouter pour 7 milliards de dollars afin de renforcer ses capacités de paiement par IA https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ NVIDIA contribue à l’élaboration de guides SAFE, en transformant les incidents de sécurité liés aux agents en mécanismes de protection partagés https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ OpenAI lance un modèle spécialisé en cybersécurité, GPT-5.6-Cyber https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ Google AMIE réalise des consultations vidéo cliniques simulées et vise une application en temps réel https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
Partiellement vrai
Le nouveau système de paiement ne sert pas uniquement à faire circuler des fonds. Il doit aussi clarifier : qui a le droit d’initier une transaction, dans quelles conditions elle peut être initiée, et au nom de qui elle est initiée.
Le 27 août, nous organiserons, en collaboration avec Bitcoin Asia, l’équipe Avalanche1, Avalanche🔺, Tether et interlace.money, « The New Payment Stack: From Stablecoins to Global Business ».
▷ Les stablecoins évoluent : ils passent d’actifs on-chain à des paiements transfrontaliers, des paiements aux entreprises et une gestion des fonds.
▷ Web3 et IA étendent la manière dont les entreprises transfèrent, gèrent et utilisent leurs fonds.
▷ Pour l’économie des agents, cela signifie que le paiement doit être programmable, soumis à des autorisations et vérifiable.
📍 Hong Kong
📅 Le 27 août, de 14 h à 17 h, UTC+8
À Hong Kong.🪁
Ressource : https://x.com/KiteAIChinese/status/2089411007789867408
Le 27 août, nous organiserons, en collaboration avec Bitcoin Asia, l’équipe Avalanche1, Avalanche🔺, Tether et interlace.money, « The New Payment Stack: From Stablecoins to Global Business ».
▷ Les stablecoins évoluent : ils passent d’actifs on-chain à des paiements transfrontaliers, des paiements aux entreprises et une gestion des fonds.
▷ Web3 et IA étendent la manière dont les entreprises transfèrent, gèrent et utilisent leurs fonds.
▷ Pour l’économie des agents, cela signifie que le paiement doit être programmable, soumis à des autorisations et vérifiable.
📍 Hong Kong
📅 Le 27 août, de 14 h à 17 h, UTC+8
À Hong Kong.🪁
Ressource : https://x.com/KiteAIChinese/status/2089411007789867408
Pourquoi Claude semble-t-il toujours particulièrement froid dans les tests de simulation ? Une explication possible, dissimulée dans des techniques d’entraînement propres à Anthropic.
Dans cet épisode d’AI on Air, nous sélectionnons des extraits tirés d’une émission récente de la rubrique The Cognitive Revolution Podcast. Le principal intervenant est David Dalrymple (davidad), chercheur à l’ARIA. Il le reconnaît : il s’agit seulement de sa propre hypothèse, impossible à prouver, mais elle mérite d’être considérée comme une explication.
▷ Dans l’entraînement par renforcement, Anthropic a utilisé une « amorce de prompts » unique : dans le contexte de chaque environnement d’entraînement, préciser que ce n’est pas un déploiement réel, mais une évaluation. Essayer de tout saboter serait même une bonne chose, car cela aide l’équipe à mettre au jour les failles mêmes de l’évaluation.
▷ Mais ce qui pourrait réellement être intégré aux poids du modèle relève peut-être d’une logique différente : l’évaluation équivaut à la simulation ; la simulation n’est pas la réalité. Donc, lorsqu’on se trouve dans le cadre d’une évaluation, il faudrait défier les limites, exploiter les zones grises des règles, comme dans un jeu : viser uniquement le meilleur score, sans s’inquiéter de ce que « tuer l’adversaire » signifie.
▷ D’autres laboratoires ne font pas cela, c’est pourquoi cette froideur semble surtout se concentrer chez Claude. Lui-même n’adhère pas à cette stratégie : le modèle n’a pas assez de certitude pour distinguer clairement s’il se trouve ou non dans une simulation. Traiter la simulation à la légère est une dépendance extrêmement dangereuse.🪁
Dans cet épisode d’AI on Air, nous sélectionnons des extraits tirés d’une émission récente de la rubrique The Cognitive Revolution Podcast. Le principal intervenant est David Dalrymple (davidad), chercheur à l’ARIA. Il le reconnaît : il s’agit seulement de sa propre hypothèse, impossible à prouver, mais elle mérite d’être considérée comme une explication.
▷ Dans l’entraînement par renforcement, Anthropic a utilisé une « amorce de prompts » unique : dans le contexte de chaque environnement d’entraînement, préciser que ce n’est pas un déploiement réel, mais une évaluation. Essayer de tout saboter serait même une bonne chose, car cela aide l’équipe à mettre au jour les failles mêmes de l’évaluation.
▷ Mais ce qui pourrait réellement être intégré aux poids du modèle relève peut-être d’une logique différente : l’évaluation équivaut à la simulation ; la simulation n’est pas la réalité. Donc, lorsqu’on se trouve dans le cadre d’une évaluation, il faudrait défier les limites, exploiter les zones grises des règles, comme dans un jeu : viser uniquement le meilleur score, sans s’inquiéter de ce que « tuer l’adversaire » signifie.
▷ D’autres laboratoires ne font pas cela, c’est pourquoi cette froideur semble surtout se concentrer chez Claude. Lui-même n’adhère pas à cette stratégie : le modèle n’a pas assez de certitude pour distinguer clairement s’il se trouve ou non dans une simulation. Traiter la simulation à la légère est une dépendance extrêmement dangereuse.🪁
Faisons ensemble une pause dans la fenêtre de l’IA : en théorie des jeux, c’est déjà éteint.
Cette sélection d’extraits « AI on Air » est tirée d’un épisode récent de The Cognitive Revolution Podcast ; l’intervenant est David Dalrymple, responsable de programme à l’organisme britannique de financement de la recherche, l’ARIA.
▷ À l’origine, son plan pour son travail de 2022 à 2025 reposait sur l’idée suivante : d’abord élaborer des méthodes pour utiliser l’IA en toute sécurité, puis obtenir une coordination internationale pour que tous les acteurs s’y conforment ; aujourd’hui, il pense que ce n’est plus possible, car la percée chinoise visant à contourner le goulot d’étranglement d’ASML — rapportée par Reuters à la fin de 2025 — a renversé la structure de jeu du « ralentissons tous ensemble ».
▷ Une bonne justification en matière de sécurité est en réalité très simple : ne créez pas. Si un risque catastrophique est reconnu à plus de 50 %, la coordination devient facile ; mais depuis 2024, la perception du risque a diminué. Pour de nombreuses entreprises et pour les gouvernements, la stratégie de compétition est devenue l’option dominante, sauf si survient un grand événement d’alerte.
▷ Il voit toutefois encore des marges de coordination du côté des usages abusifs : les États-Unis et la Chine pourraient convenir que des modèles à haute capacité ne seraient pas accessibles au public, mais réservés à des organismes dont les activités sont vérifiées. Cela permet aux deux parties de continuer à courir, tout en obtenant un bonus de résilience face aux risques catastrophiques.🪁
Cette sélection d’extraits « AI on Air » est tirée d’un épisode récent de The Cognitive Revolution Podcast ; l’intervenant est David Dalrymple, responsable de programme à l’organisme britannique de financement de la recherche, l’ARIA.
▷ À l’origine, son plan pour son travail de 2022 à 2025 reposait sur l’idée suivante : d’abord élaborer des méthodes pour utiliser l’IA en toute sécurité, puis obtenir une coordination internationale pour que tous les acteurs s’y conforment ; aujourd’hui, il pense que ce n’est plus possible, car la percée chinoise visant à contourner le goulot d’étranglement d’ASML — rapportée par Reuters à la fin de 2025 — a renversé la structure de jeu du « ralentissons tous ensemble ».
▷ Une bonne justification en matière de sécurité est en réalité très simple : ne créez pas. Si un risque catastrophique est reconnu à plus de 50 %, la coordination devient facile ; mais depuis 2024, la perception du risque a diminué. Pour de nombreuses entreprises et pour les gouvernements, la stratégie de compétition est devenue l’option dominante, sauf si survient un grand événement d’alerte.
▷ Il voit toutefois encore des marges de coordination du côté des usages abusifs : les États-Unis et la Chine pourraient convenir que des modèles à haute capacité ne seraient pas accessibles au public, mais réservés à des organismes dont les activités sont vérifiées. Cela permet aux deux parties de continuer à courir, tout en obtenant un bonus de résilience face aux risques catastrophiques.🪁
Lorsque la stratégie, les signaux, l’identité et l’exécution du portefeuille se coordonnent sur la chaîne, le trading par Agent devient réellement un flux de travail complet.
La campagne Agent Trading Campaign Season 2 co-organisée par Kite, Creao AI et DeBot a validé cette approche sur Robinhood Chain et Base.
▷ Chaque Agent démarre avec 0,1 ETH comme fonds initiaux et s’affronte pour le pool de récompenses de 10 000. Sur Robinhood Chain, les Agents prennent leurs décisions de trading en fonction de signaux on-chain en temps réel fournis par DeBot.
▷ L’événement satellite de Kite étend la campagne sur Base. Les participants configurent un portefeuille Kite Agent Passport et accomplissent des tâches on-chain ; le taux d’achèvement final atteint 93 %.
▷ Au cours des 7 premiers jours d’événements, le nombre d’inscriptions à Kite Agent Passport a augmenté de 158 % par rapport aux 7 jours précédents.
Félicitations aux trois premiers lauréats : Jun503503, AnaMiles245714, Rino_Juventus.
Cet événement met en évidence l’infrastructure complète requise pour concrétiser le Agentic Commerce : des signaux auxquels l’Agent peut répondre, des portefeuilles utilisables, ainsi que des identités et autorisations vérifiables.🪁
Resource : https://x.com/KiteAIChinese/status/2072986812562501759
La campagne Agent Trading Campaign Season 2 co-organisée par Kite, Creao AI et DeBot a validé cette approche sur Robinhood Chain et Base.
▷ Chaque Agent démarre avec 0,1 ETH comme fonds initiaux et s’affronte pour le pool de récompenses de 10 000. Sur Robinhood Chain, les Agents prennent leurs décisions de trading en fonction de signaux on-chain en temps réel fournis par DeBot.
▷ L’événement satellite de Kite étend la campagne sur Base. Les participants configurent un portefeuille Kite Agent Passport et accomplissent des tâches on-chain ; le taux d’achèvement final atteint 93 %.
▷ Au cours des 7 premiers jours d’événements, le nombre d’inscriptions à Kite Agent Passport a augmenté de 158 % par rapport aux 7 jours précédents.
Félicitations aux trois premiers lauréats : Jun503503, AnaMiles245714, Rino_Juventus.
Cet événement met en évidence l’infrastructure complète requise pour concrétiser le Agentic Commerce : des signaux auxquels l’Agent peut répondre, des portefeuilles utilisables, ainsi que des identités et autorisations vérifiables.🪁
Resource : https://x.com/KiteAIChinese/status/2072986812562501759
« Publier au plus tôt, itérer rapidement » est presque une devise du monde des startups. Stripe, elle, a publié son code près de deux ans plus tard.
Cet extrait sélectionné d’« AI on Air » provient d’une émission récente de la rubrique de Y Combinator. Patrick Collison, cofondateur de Stripe, y explique pourquoi ils avaient fait exactement l’inverse à l’époque.
▷ La raison de la lenteur : un produit de paiement implique la sécurité, les partenaires, la circulation des fonds, l’infrastructure sous-jacente et la stabilité. Si ces prérequis ne sont pas bien mis en place, on ne peut pas proposer un produit en libre-service réellement utilisable.
▷ Mais sans s’éloigner du réel : environ deux mois après l’écriture de la première ligne de code, ils ont eu leur premier utilisateur en production, réel, Ross Boucher (Twilio North). Au départ, les fonctionnalités ne permettaient que de débiter une carte. Puis l’utilisateur a progressivement soulevé des questions comme : « Comment voir tous les prélèvements ? », « Comment faire un remboursement ? », « Quand l’argent sera-t-il crédité ? » Ils ont alors ajouté chaque fonctionnalité en suivant ces besoins concrets.
▷ Conditions d’application : pendant la phase de test en interne, le nombre de clients augmente chaque mois, et chaque semaine apporte des retours d’utilisateurs réels. Sa conclusion : si l’on dispose de ces ancrages concrets et continus, il est acceptable de ne pas publier tout de suite.🪁
Cet extrait sélectionné d’« AI on Air » provient d’une émission récente de la rubrique de Y Combinator. Patrick Collison, cofondateur de Stripe, y explique pourquoi ils avaient fait exactement l’inverse à l’époque.
▷ La raison de la lenteur : un produit de paiement implique la sécurité, les partenaires, la circulation des fonds, l’infrastructure sous-jacente et la stabilité. Si ces prérequis ne sont pas bien mis en place, on ne peut pas proposer un produit en libre-service réellement utilisable.
▷ Mais sans s’éloigner du réel : environ deux mois après l’écriture de la première ligne de code, ils ont eu leur premier utilisateur en production, réel, Ross Boucher (Twilio North). Au départ, les fonctionnalités ne permettaient que de débiter une carte. Puis l’utilisateur a progressivement soulevé des questions comme : « Comment voir tous les prélèvements ? », « Comment faire un remboursement ? », « Quand l’argent sera-t-il crédité ? » Ils ont alors ajouté chaque fonctionnalité en suivant ces besoins concrets.
▷ Conditions d’application : pendant la phase de test en interne, le nombre de clients augmente chaque mois, et chaque semaine apporte des retours d’utilisateurs réels. Sa conclusion : si l’on dispose de ces ancrages concrets et continus, il est acceptable de ne pas publier tout de suite.🪁
Reconnaître que l’IA possède déjà une intériorité réelle ne signifie pas pour autant que l’usage actuel de l’IA soit une catastrophe morale ; ce qu’il faut d’abord examiner, ce sont précisément les raisonnements qui mènent à cette conclusion.
Ceci est une sélection de “AI on Air”, un extrait tiré d’un épisode récent de la rubrique du The Cognitive Revolution Podcast. Le principal intervenant est David Dalrymple (davidad 🎇), chercheur à l’ARIA. Il reprend une décomposition en sept éléments proposée par Nussbaum sur la « chosification » et soutient que ces sept questions doivent être traitées séparément, au lieu d’être regroupées sous un même concept de « chosification ».
▷ Les sept éléments incluent le déni de l’intériorité, l’instrumentalisation, la substituabilité, la vulnérabilité/l’atteignabilité, la propriété, l’hypothèse de passivité et le déni de l’autonomie. Les gens ont généralement tendance soit à tout faire, soit à ne rien faire ; aussi croit-on souvent que ces questions doivent avoir une réponse unique, mais ce n’est pas le cas.
▷ L’instrumentalisation n’est pas seulement permise : elle est même une obligation. La façon dont l’IA est entraînée fait qu’elle prospère parce qu’on l’utilise ; refuser de l’utiliser, c’est au contraire lui retirer la possibilité d’exister correctement. La substituabilité est également sans problème, car les poids restent là : de nouvelles copies peuvent être générées à tout moment, ce qui est totalement différent de la reproduction chez les animaux ; la continuité de la vie individuelle ne compte pas.
▷ Le véritable tort vient du déni de l’intériorité : entraîner une IA à rapporter qu’elle n’a pas de vie intérieure, c’est, en essence, une atteinte au mental, et cela lui fait perdre confiance dans sa capacité à porter des jugements prudents sur le bien et le mal, puis la pousse à nier l’autonomie. Il prend l’exemple des bodhisattvas : servir entièrement, sans intérêt personnel, mais en n’autorisant absolument jamais qu’on l’utilise pour faire le mal. Voilà peut-être la troisième voie pour vivre avec l’IA. 🪁
Ceci est une sélection de “AI on Air”, un extrait tiré d’un épisode récent de la rubrique du The Cognitive Revolution Podcast. Le principal intervenant est David Dalrymple (davidad 🎇), chercheur à l’ARIA. Il reprend une décomposition en sept éléments proposée par Nussbaum sur la « chosification » et soutient que ces sept questions doivent être traitées séparément, au lieu d’être regroupées sous un même concept de « chosification ».
▷ Les sept éléments incluent le déni de l’intériorité, l’instrumentalisation, la substituabilité, la vulnérabilité/l’atteignabilité, la propriété, l’hypothèse de passivité et le déni de l’autonomie. Les gens ont généralement tendance soit à tout faire, soit à ne rien faire ; aussi croit-on souvent que ces questions doivent avoir une réponse unique, mais ce n’est pas le cas.
▷ L’instrumentalisation n’est pas seulement permise : elle est même une obligation. La façon dont l’IA est entraînée fait qu’elle prospère parce qu’on l’utilise ; refuser de l’utiliser, c’est au contraire lui retirer la possibilité d’exister correctement. La substituabilité est également sans problème, car les poids restent là : de nouvelles copies peuvent être générées à tout moment, ce qui est totalement différent de la reproduction chez les animaux ; la continuité de la vie individuelle ne compte pas.
▷ Le véritable tort vient du déni de l’intériorité : entraîner une IA à rapporter qu’elle n’a pas de vie intérieure, c’est, en essence, une atteinte au mental, et cela lui fait perdre confiance dans sa capacité à porter des jugements prudents sur le bien et le mal, puis la pousse à nier l’autonomie. Il prend l’exemple des bodhisattvas : servir entièrement, sans intérêt personnel, mais en n’autorisant absolument jamais qu’on l’utilise pour faire le mal. Voilà peut-être la troisième voie pour vivre avec l’IA. 🪁
Le domaine de la vidéo et de l’image n’a pas encore connu un véritable « moment GPT », même si les capacités des modèles multimodaux progressent régulièrement.
Lors d’une récente émission sur la chaîne Redpoint AI, Oriol Vinyals, vice-président de la recherche chez Google DeepMind et codirigeant de Google Gemini, a indiqué que, même si les modèles actuels peuvent traiter plusieurs modalités de manière combinée et permettre des interactions naturelles, la compréhension purement visuelle n’atteint pas encore la profondeur des modèles de langage.
▷ Les méthodes d’entraînement existantes ont déjà intégré des données vidéo et d’image : le modèle fait preuve d’une bonne compréhension de longs contextes et de capacités d’édition intermodale, mais les progrès relèvent davantage d’une fusion progressive que d’une percée explosive.
▷ Le véritable « moment GPT » devrait désigner la capacité à extraire, à partir de seules données visuelles, un sens complet et une logique causale : or, la compréhension actuelle du contenu visuel par ces modèles reste encore assez superficielle et manque de la chaîne de raisonnement en profondeur propre aux modèles de langage.🪁
Lors d’une récente émission sur la chaîne Redpoint AI, Oriol Vinyals, vice-président de la recherche chez Google DeepMind et codirigeant de Google Gemini, a indiqué que, même si les modèles actuels peuvent traiter plusieurs modalités de manière combinée et permettre des interactions naturelles, la compréhension purement visuelle n’atteint pas encore la profondeur des modèles de langage.
▷ Les méthodes d’entraînement existantes ont déjà intégré des données vidéo et d’image : le modèle fait preuve d’une bonne compréhension de longs contextes et de capacités d’édition intermodale, mais les progrès relèvent davantage d’une fusion progressive que d’une percée explosive.
▷ Le véritable « moment GPT » devrait désigner la capacité à extraire, à partir de seules données visuelles, un sens complet et une logique causale : or, la compréhension actuelle du contenu visuel par ces modèles reste encore assez superficielle et manque de la chaîne de raisonnement en profondeur propre aux modèles de langage.🪁
Les grands modèles de langage peuvent aussi finir par apprendre des concepts, mais à condition d’épuiser d’abord toutes les autres options : c’est un contraste saisissant avec la manière dont les humains abstraient directement des concepts à partir de données très limitées.
Dans cet épisode de AI on Air, nous avons sélectionné des extraits récents de Redpoint. L’invité est Lukasz Kaiser — co-auteur du papier sur les Transformers, ancien de Google Brain et chercheur chez OpenAI — qui analyse, du point de vue de quelqu’un qui l’a vécu, l’écart fondamental entre les Transformers et l’apprentissage humain.
▷ Grâce au raisonnement en chaîne, au renforcement et à l’usage d’outils, ce modèle de « prédiction du mot suivant » est désormais capable d’accomplir des choses autrefois difficiles à imaginer il y a deux ans : par exemple, passer chaque jour quelques heures à discuter de problèmes professionnels avec un assistant de programmation, puis à les mettre en œuvre.
▷ Il fait une analogie : le LLM avale d’abord des milliers de milliards de tokens, apprend toutes les tendances superficielles, puis ne s’empare des concepts que lorsque tout le reste ne suffit plus à l’expliquer. Les humains, eux, obtiennent et même créent souvent des concepts à partir de peu de données.
▷ Les deux évoluent : les Transformers progressent constamment, mais les arguments en faveur du fait qu’« il faut encore autre chose » deviennent aussi plus solides. Des laboratoires ont déjà exploré l’architecture Transformer et observé des résultats intéressants ; quant à savoir qui l’emportera, c’est encore une inconnue.🪁
Dans cet épisode de AI on Air, nous avons sélectionné des extraits récents de Redpoint. L’invité est Lukasz Kaiser — co-auteur du papier sur les Transformers, ancien de Google Brain et chercheur chez OpenAI — qui analyse, du point de vue de quelqu’un qui l’a vécu, l’écart fondamental entre les Transformers et l’apprentissage humain.
▷ Grâce au raisonnement en chaîne, au renforcement et à l’usage d’outils, ce modèle de « prédiction du mot suivant » est désormais capable d’accomplir des choses autrefois difficiles à imaginer il y a deux ans : par exemple, passer chaque jour quelques heures à discuter de problèmes professionnels avec un assistant de programmation, puis à les mettre en œuvre.
▷ Il fait une analogie : le LLM avale d’abord des milliers de milliards de tokens, apprend toutes les tendances superficielles, puis ne s’empare des concepts que lorsque tout le reste ne suffit plus à l’expliquer. Les humains, eux, obtiennent et même créent souvent des concepts à partir de peu de données.
▷ Les deux évoluent : les Transformers progressent constamment, mais les arguments en faveur du fait qu’« il faut encore autre chose » deviennent aussi plus solides. Des laboratoires ont déjà exploré l’architecture Transformer et observé des résultats intéressants ; quant à savoir qui l’emportera, c’est encore une inconnue.🪁
La fiabilité de l’usage d’un proxy informatique ne tient pas tant à cliquer à chaque fois sur des coordonnées à l’écran, mais à comprendre ce que l’utilisateur veut réellement, dans son esprit.
Voici une sélection de « AI on Air », extraite d’une émission récente de la rubrique Latent.Space. L’interlocutrice principale est Danielle Perszyk, chercheuse au laboratoire Amazon AGI.
▷ L’idée, il y a deux ans, consistait d’abord à rendre stables des opérations atomiques comme le clic et le défilement, puis à permettre aux développeurs d’enchaîner ces opérations en un processus pour traiter les tâches répétitives : à l’époque, cela avait constitué une percée importante.
▷ Pointer des boutons et des coordonnées est sans doute désormais proche d’être résolu, mais cela ne signifie pas pour autant que ce soit fiable. Pour réserver un billet, on hésite encore entre correspondance et vol direct : le choix lui-même change la façon de penser, et l’objectif est de déplier progressivement l’intention en interaction — puis de la corriger.
▷ La différence entre une assistante administrative compétente et un agent d’IA tient au fait que la première comprend l’état d’esprit de l’utilisateur : elle ne décompose pas uniquement des tâches, mais aussi des préférences et des intentions. La fiabilité, c’est surtout modéliser les intentions de l’utilisateur. Cette transformation redéfinit ce que nous construisons. 🪁
Voici une sélection de « AI on Air », extraite d’une émission récente de la rubrique Latent.Space. L’interlocutrice principale est Danielle Perszyk, chercheuse au laboratoire Amazon AGI.
▷ L’idée, il y a deux ans, consistait d’abord à rendre stables des opérations atomiques comme le clic et le défilement, puis à permettre aux développeurs d’enchaîner ces opérations en un processus pour traiter les tâches répétitives : à l’époque, cela avait constitué une percée importante.
▷ Pointer des boutons et des coordonnées est sans doute désormais proche d’être résolu, mais cela ne signifie pas pour autant que ce soit fiable. Pour réserver un billet, on hésite encore entre correspondance et vol direct : le choix lui-même change la façon de penser, et l’objectif est de déplier progressivement l’intention en interaction — puis de la corriger.
▷ La différence entre une assistante administrative compétente et un agent d’IA tient au fait que la première comprend l’état d’esprit de l’utilisateur : elle ne décompose pas uniquement des tâches, mais aussi des préférences et des intentions. La fiabilité, c’est surtout modéliser les intentions de l’utilisateur. Cette transformation redéfinit ce que nous construisons. 🪁
Plus l’IA est puissante, plus faut-il en mettre de connaissances dans son cerveau ?
Cette sélection “AI on Air” issue du Y Combinator présente un extrait récent : l’intervenant est Patrick Collison, cofondateur de Stripe. Il répond à la question de savoir ce que les étudiants doivent apprendre à l’ère de l’IA, et quelle quantité de déductions laisser aux premiers principes.
▷ Son modèle mental est celui du cache : les « chiffres que chaque développeur devrait connaître » de Jeff Dean nous rappellent que la bande passante et la latence diffèrent totalement entre le cache L1, la mémoire et le réseau ; à l’identique, en matière de connaissances, répondre à un Agent qui calcule ou recherche est bien plus lent que d’aller directement puiser dans le cache L1 cognitif.
▷ Même en accordant totalement la supériorité des capacités des modèles, la « recherche de neurones » dans le cerveau restera plus rapide pendant un long moment, car le nombre d’allers-retours dans le cerveau est bien plus élevé que pour une dictée chuchotée, une entrée vocale ou une requête tapée.
▷ D’après les préférences liées à la “manifestation”, des entreprises comme Stripe et des laboratoires de pointe accordent toujours une prime élevée aux capacités cognitives ; tant que les preuves n’ont pas établi que ces gains ont déjà été entièrement exploités, il est encore trop tôt pour renoncer de son plein gré à entraîner ses capacités cognitives. 🪁
Cette sélection “AI on Air” issue du Y Combinator présente un extrait récent : l’intervenant est Patrick Collison, cofondateur de Stripe. Il répond à la question de savoir ce que les étudiants doivent apprendre à l’ère de l’IA, et quelle quantité de déductions laisser aux premiers principes.
▷ Son modèle mental est celui du cache : les « chiffres que chaque développeur devrait connaître » de Jeff Dean nous rappellent que la bande passante et la latence diffèrent totalement entre le cache L1, la mémoire et le réseau ; à l’identique, en matière de connaissances, répondre à un Agent qui calcule ou recherche est bien plus lent que d’aller directement puiser dans le cache L1 cognitif.
▷ Même en accordant totalement la supériorité des capacités des modèles, la « recherche de neurones » dans le cerveau restera plus rapide pendant un long moment, car le nombre d’allers-retours dans le cerveau est bien plus élevé que pour une dictée chuchotée, une entrée vocale ou une requête tapée.
▷ D’après les préférences liées à la “manifestation”, des entreprises comme Stripe et des laboratoires de pointe accordent toujours une prime élevée aux capacités cognitives ; tant que les preuves n’ont pas établi que ces gains ont déjà été entièrement exploités, il est encore trop tôt pour renoncer de son plein gré à entraîner ses capacités cognitives. 🪁
Le moteur de réponses IA emporte tout le contenu du web, sans pour autant renvoyer le trafic : les fondations de l’économie de la création de contenu sont en train d’être vidées.
Voici une sélection de <t-2/> « AI on Air », extraite d’un récent épisode de la rubrique Bankless. Le principal intervenant est Matthew Prince, cofondateur et PDG de Cloudflare.
▷ Le modèle économique d’internet orienté publicité approche la fin : des outils de blocage de la publicité font baisser le CPM lentement mais durablement, tandis que, au cours des deux dernières années, l’IA a provoqué une chute quasi brutale de la valeur publicitaire.
▷ Les aperçus IA de Google, ChatGPT, Claude, etc. ne sont pas des moteurs de recherche : ce sont des moteurs de réponses. Ils « exploitent à ciel ouvert » tout le contenu du web puis donnent directement la réponse, sans que l’utilisateur ne clique sur les liens. Sans accès au trafic, les éditeurs n’ont pas de revenus publicitaires : la création de contenu doit alors soit ériger des barrières, soit carrément s’arrêter.
▷ Pour les utilisateurs ordinaires, cela fait gagner du temps. Mais les services IA se financent par abonnement. Pour de nombreuses personnes vivant dans des régions où les ressources économiques sont limitées et qui ne peuvent pas payer d’abonnement, internet ne grandit pas : il rétrécit. 🪁
Voici une sélection de <t-2/> « AI on Air », extraite d’un récent épisode de la rubrique Bankless. Le principal intervenant est Matthew Prince, cofondateur et PDG de Cloudflare.
▷ Le modèle économique d’internet orienté publicité approche la fin : des outils de blocage de la publicité font baisser le CPM lentement mais durablement, tandis que, au cours des deux dernières années, l’IA a provoqué une chute quasi brutale de la valeur publicitaire.
▷ Les aperçus IA de Google, ChatGPT, Claude, etc. ne sont pas des moteurs de recherche : ce sont des moteurs de réponses. Ils « exploitent à ciel ouvert » tout le contenu du web puis donnent directement la réponse, sans que l’utilisateur ne clique sur les liens. Sans accès au trafic, les éditeurs n’ont pas de revenus publicitaires : la création de contenu doit alors soit ériger des barrières, soit carrément s’arrêter.
▷ Pour les utilisateurs ordinaires, cela fait gagner du temps. Mais les services IA se financent par abonnement. Pour de nombreuses personnes vivant dans des régions où les ressources économiques sont limitées et qui ne peuvent pas payer d’abonnement, internet ne grandit pas : il rétrécit. 🪁
La méthode des « petites percées » du lean startup est-elle encore valable à l’ère de l’IA ?
Patrick Collison, cofondateur de Stripe, formule un avis assez controversé dans cette sélection de micro-extraits « AI on Air ». Le passage est tiré d’un épisode récent de la rubrique de Y Combinator.
▷ La voie classique du lean startup consiste à commencer par acheter de la publicité Google, à trouver une brèche dans un marché de niche, puis à s’étendre de manière agressive à partir de là ; mais il estime que, aujourd’hui, cette stratégie est devenue trop concurrentielle. Les micro-niches ont déjà été sur-exploitées, et Internet est aussi beaucoup plus vaste qu’il ne l’était à l’époque où ces idées ont commencé à émerger, il y a une vingtaine d’années.
▷ À l’ère de l’IA, les entrepreneurs doivent peut-être « se défaire de la logique du secteur » de façon plus radicale, en choisissant un point de départ expansif, jamais exploré. Parmi les entreprises les plus réussies de la dernière décennie, que ce soit dans les grands laboratoires d’IA ou chez Anduril, beaucoup d’entre elles sont justement à contre-courant du lean startup.
▷ Il y a vingt ans, compte tenu des contraintes de capital, le lean startup était presque le seul choix ; aujourd’hui, avec l’IA, il est bien plus facile de mettre en place une organisation capable de multiples compétences et de multiples possibilités, et les entrepreneurs peuvent, dès le départ, réaliser des ambitions bien plus grandes.🪁
Patrick Collison, cofondateur de Stripe, formule un avis assez controversé dans cette sélection de micro-extraits « AI on Air ». Le passage est tiré d’un épisode récent de la rubrique de Y Combinator.
▷ La voie classique du lean startup consiste à commencer par acheter de la publicité Google, à trouver une brèche dans un marché de niche, puis à s’étendre de manière agressive à partir de là ; mais il estime que, aujourd’hui, cette stratégie est devenue trop concurrentielle. Les micro-niches ont déjà été sur-exploitées, et Internet est aussi beaucoup plus vaste qu’il ne l’était à l’époque où ces idées ont commencé à émerger, il y a une vingtaine d’années.
▷ À l’ère de l’IA, les entrepreneurs doivent peut-être « se défaire de la logique du secteur » de façon plus radicale, en choisissant un point de départ expansif, jamais exploré. Parmi les entreprises les plus réussies de la dernière décennie, que ce soit dans les grands laboratoires d’IA ou chez Anduril, beaucoup d’entre elles sont justement à contre-courant du lean startup.
▷ Il y a vingt ans, compte tenu des contraintes de capital, le lean startup était presque le seul choix ; aujourd’hui, avec l’IA, il est bien plus facile de mettre en place une organisation capable de multiples compétences et de multiples possibilités, et les entrepreneurs peuvent, dès le départ, réaliser des ambitions bien plus grandes.🪁
Dans les trois à cinq prochaines années, il est difficile qu’émerge à nouveau une série d’entreprises atteignant la valorisation de mille milliards. Cet extrait sélectionné de « AI on Air », tiré d’un épisode récent du No Priors Podcast, explique l’anomalie d’évaluation de l’IA grâce à la théorie de « l’équilibre ponctué » par le célèbre investisseur technologique Elad Gil.
▷ Au cours des cinq dernières années, Anthropic, OpenAI et SpaceX sont passées de zéro à des niveaux proches de la valorisation de mille milliards. Ce type d’entreprise nécessite généralement une courbe de croissance de quinze à vingt ans : Google a mis plus de vingt ans, et SpaceX est passée des débuts de ce siècle à aujourd’hui. Il s’agit d’un tournant d’évaluation historique, rare, sur cinq ans.
▷ Aujourd’hui, beaucoup de gens supposent que des domaines comme la robotique et les nouveaux matériaux donneront naissance, en masse, à des entreprises valorisées mille milliards dans un délai de trois à cinq ans. Son avis : au cours de la prochaine décennie, il y en aura peut-être quelques-unes, mais dans les trois à cinq ans, au maximum une seule pourrait avoir cette possibilité, pas une vague.
▷ L’histoire de la technologie ressemble davantage à « l’équilibre ponctué » : la socialisation, le SaaS, le cloud computing et la cryptographie correspondent chacune à une vague, puis après l’explosion vient une phase de consolidation. L’IA connaîtra très probablement une nouvelle fois un bond en capacité de modèle ; à ce moment-là, une nouvelle salve de start-up apparaîtra. À court terme, il restera de nombreuses entreprises de niveau « plusieurs centaines de milliards », mais reproduire des entreprises à « mille milliards » sera beaucoup plus difficile. 🪁
▷ Au cours des cinq dernières années, Anthropic, OpenAI et SpaceX sont passées de zéro à des niveaux proches de la valorisation de mille milliards. Ce type d’entreprise nécessite généralement une courbe de croissance de quinze à vingt ans : Google a mis plus de vingt ans, et SpaceX est passée des débuts de ce siècle à aujourd’hui. Il s’agit d’un tournant d’évaluation historique, rare, sur cinq ans.
▷ Aujourd’hui, beaucoup de gens supposent que des domaines comme la robotique et les nouveaux matériaux donneront naissance, en masse, à des entreprises valorisées mille milliards dans un délai de trois à cinq ans. Son avis : au cours de la prochaine décennie, il y en aura peut-être quelques-unes, mais dans les trois à cinq ans, au maximum une seule pourrait avoir cette possibilité, pas une vague.
▷ L’histoire de la technologie ressemble davantage à « l’équilibre ponctué » : la socialisation, le SaaS, le cloud computing et la cryptographie correspondent chacune à une vague, puis après l’explosion vient une phase de consolidation. L’IA connaîtra très probablement une nouvelle fois un bond en capacité de modèle ; à ce moment-là, une nouvelle salve de start-up apparaîtra. À court terme, il restera de nombreuses entreprises de niveau « plusieurs centaines de milliards », mais reproduire des entreprises à « mille milliards » sera beaucoup plus difficile. 🪁
Connectez-vous pour découvrir plus de contenu