Google’s New AI Just Broke Math… (Invented Its Own Algorithms)

Item: Google’s New AI Just Broke Math… (Invented Its Own Algorithms)
Rating: 4
Author: PostSingularity Institute

La nouvelle IA de Google vient de briser les maths… (Elle a inventé ses propres algorithmes)

par AI Revolution

Sciences appliquées & ingénierie IA — Modèles & Recherche UYQIntelligence artificielle (IA)UYQMApprentissage par la machine

🎙 AI Revolution 👥 566K 📅 16 mars 2026 ⏱ 10 min 👁 63K 📄 revue d'actualité 🧭 2026-09-07

Disponible en : Français (actuel) English

Mots-clés

AlphaEvolveRamsey theoryAttention ResidualsGLM-OCROpenViking

Résumé

La vidéo passe en revue cinq avancées récentes en intelligence artificielle. La première concerne AlphaEvolve, un système de Google DeepMind qui a amélioré les bornes inférieures de cinq nombres de Ramsey, un exploit mathématique dont certains records dataient de vingt ans. Le système évolue des algorithmes de recherche plutôt que de chercher directement les solutions, et a redécouvert des techniques mathématiques connues. Ensuite, Moonshot AI propose une architecture ‘Attention Residuals’ qui permet aux couches d’un transformer de pondérer l’importance des couches précédentes, améliorant les performances et réduisant les coûts de calcul. Puis, GLM-OCR, un modèle de 0,9 milliard de paramètres, lit des documents complexes avec tableaux et formules, en segmentant la page et en générant plusieurs tokens à la fois. OpenViking, un système open-source, organise la mémoire des agents IA comme un système de fichiers, avec des résumés hiérarchiques, améliorant l’efficacité des tâches. Enfin, IBM présente Granite 4.0 1B Speech, un modèle de reconnaissance vocale multilingue compact et efficace, avec un taux d’erreur moyen de 5,52 % sur le leaderboard OpenASR. La vidéo conclut sur la rapidité des progrès en IA.

181 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La valeur des informations est élevée : chaque développement est présenté avec des sources primaires (arXiv, GitHub, Hugging Face) et des résultats chiffrés (améliorations de bornes, pourcentages de réduction de coûts, taux d’erreur). L’argumentation est structurée : pour chaque sujet, le contexte, la méthode et les résultats sont expliqués de manière pédagogique. Les explications sur AlphaEvolve et Attention Residuals sont particulièrement claires, avec des analogies pertinentes. Cependant, la vidéo ne discute pas des limites ou des critiques possibles de ces travaux, ce qui affaiblit la rigueur critique.

Rigueur scientifique, qualité des sources, adéquation du titre

La rigueur scientifique est bonne : les sources sont citées pour chaque avancée, et les liens sont fournis dans la description. Les explications techniques sont fidèles aux résumés des articles. L’adéquation titre/contenu est partielle : le titre met l’accent sur AlphaEvolve, mais la vidéo couvre aussi d’autres sujets, ce qui peut surprendre le spectateur. Les commentaires ne sont pas fournis, donc aucune analyse des tendances du public n’est possible.

171 mots

Adéquation titre / contenu

Le titre est accrocheur et reflète le contenu principal (AlphaEvolve), mais il ne mentionne pas les autres sujets traités, ce qui peut induire en erreur sur l'étendue de la vidéo.

Qualité & fiabilité

7/10

La vidéo présente des avancées récentes en IA avec des sources primaires (arXiv, GitHub, Hugging Face) pour chaque développement. Les explications sont claires et s'appuient sur des résultats publiés, mais le format de revue d'actualité limite la profondeur de l'analyse critique.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

AlphaEvolve: A German-style approach to Ramsey theory — Source de l'article sur AlphaEvolve et les records de Ramsey.
Attention Residuals — Dépôt GitHub de Moonshot AI pour l'architecture Attention Residuals.
GLM-OCR: The Lightweight AI Model Transforming Document Understanding — Article de blog sur GLM-OCR.
OpenViking — Dépôt GitHub du système OpenViking.
Granite 4.0 1B Speech — Page Hugging Face du modèle IBM Granite 4.0 1B Speech.

Sources concordantes

AlphaEvolve: A German-style approach to Ramsey theory — Article arXiv confirmant les résultats annoncés.
Attention Residuals — Dépôt GitHub confirmant l'existence de l'architecture.
GLM-OCR — Article de blog détaillant le modèle.
OpenViking — Dépôt GitHub du système.
Granite 4.0 1B Speech — Page Hugging Face du modèle.

Apport & nouveautés

La vidéo synthétise plusieurs avancées récentes en IA, offrant une vue d’ensemble utile pour les non-spécialistes. L’apport principal est la vulgarisation de concepts techniques complexes (évolution d’algorithmes, attention résiduelle, OCR structuré) avec des exemples concrets. Elle met en lumière la diversité des progrès : mathématiques, architecture de modèles, traitement de documents, mémoire d’agents et reconnaissance vocale.

Pour aller plus loin :

Théorie de Ramsey — Concepts mathématiques sous-jacents aux records battus par AlphaEvolve.
AlphaEvolve — Article de blog de DeepMind sur AlphaEvolve (si disponible).
Attention Residuals — Article de recherche sur l’architecture Attention Residuals (si disponible).
GLM-OCR — Dépôt GitHub du modèle GLM-OCR (si disponible).
OpenViking — Dépôt GitHub du système OpenViking.
Granite Speech — Page Hugging Face du modèle Granite Speech.

122 mots

Profil radar

Le profil radar montre une vidéo équilibrée, avec une quantité d'information élevée et une fiabilité correcte, mais un niveau technique modéré, ce qui la rend accessible à un large public. La qualité de l'information est bonne, mais la profondeur d'analyse critique est limitée.

Fiabilité 7/10