Ce qu’ils disent de la tech. Ce que cela nous invite à penser.
Explorer les idées exprimées dans les médias sur l’intelligence artificielle, la data, la cybersécurité, la robotique et le digital. Retrouver les personnes, comparer les sujets et remonter aux sources.
Classées par date de publication ou de diffusion de la source, de la plus récente à la plus ancienne, avec Daniel Kokotajlo présenté en tête de sélection éditoriale. Les archives ne sont pas présentées comme de nouvelles prises de parole. Les dates partielles sont conservées ; les sources sans date sont affichées en dernier.
Il présente Yiri comme un moyen de transmettre les langues et les savoirs entre générations. Il défend des systèmes qui tiennent compte des relations sociales et des contextes culturels, au-delà de la traduction de mots. Il insiste sur la production locale des données et des modèles, en Côte d’Ivoire, pour que les communautés participent à leur propre représentation numérique.
Dans cet entretien, Sara Hooker invite les entreprises à examiner la valeur des données qu’elles confient à leurs fournisseurs d’IA. Elle présente une approche fondée sur des modèles adaptables et sur la réduction de la dépendance envers quelques grands laboratoires. La discussion aborde aussi les coûts, les interfaces et les difficultés du passage de la recherche à l’entrepreneuriat. Ces arguments sont ceux d’une chercheuse et fondatrice qui développe sa propre offre.
Anima Anandkumar décrit le chemin qui l’a menée du traitement statistique du signal aux modèles d’IA pour la science. Elle explique pourquoi les phénomènes physiques, souvent décrits à plusieurs échelles, demandent des méthodes adaptées. L’entretien présente les opérateurs neuronaux et la météo comme un exemple de ce rapprochement entre théorie, calcul et problèmes scientifiques concrets.
Margaret Mitchell revient sur les choix de collecte et de conception des grands modèles de langage. Elle explique pourquoi la fluidité de leurs réponses peut encourager des interprétations excessives, et pourquoi les données disponibles ne représentent pas équitablement toutes les langues et populations. L’entretien invite à examiner les sources, le consentement et les effets sociaux des modèles, plutôt qu’à considérer leurs résultats comme neutres.
Dans son entretien à CNBC, Alex Karp met en garde contre une répartition trop inégale des gains de l’IA. Il estime que les entreprises doivent assumer leur responsabilité en matière de sécurité et évoque les inquiétudes de clients concernant leurs données et leur savoir-faire. Il situe ces questions dans la concurrence technologique entre les États-Unis et la Chine. Ces appréciations sont celles du dirigeant de Palantir ; elles ne constituent pas une validation indépendante de ses affirmations.
L’épisode présente un échange entre Adam Becker et Emily M. Bender sur les grands modèles de langage, son parcours et son travail critique sur l’IA. Cette entrée permet de découvrir une voix issue de la linguistique, attentive à ce que les systèmes de traitement du langage font réellement. La présentation de l’émission sert ici de repère documentaire ; elle ne remplace pas l’écoute de l’entretien ni une évaluation de chaque argument.
Il décrit comment les modèles du monde et les laboratoires autonomes pourraient accélérer la recherche. L’IA proposerait davantage d’hypothèses, tandis que l’expérimentation physique permettrait de les vérifier.
Pelonomi Moiloa explique comment de petits modèles économes en données peuvent relier les langues africaines aux services des entreprises. Elle distingue les performances des modèles de leur valeur concrète pour les utilisateurs.
Dans cet entretien, Melanie Mitchell invite à distinguer une réponse convaincante des mécanismes qui la produisent. Elle propose d’emprunter aux sciences cognitives des méthodes expérimentales pour tester les capacités et les limites des systèmes d’IA. Elle souligne que les évaluations doivent chercher les raccourcis possibles et résister à l’anthropomorphisme. Sa démarche ne consiste pas à nier les progrès des modèles, mais à mieux préciser ce que les tests permettent réellement de conclure.
Il explique comment la structure d’une entreprise détermine les innovations qui peuvent émerger. Il relie modèles, données d’entraînement, tests et produits, en donnant une place centrale à l’expérimentation et aux contextes longs.
Il distingue la génération de texte de la recherche et de la vérification des faits. Il invite les médias à établir des règles professionnelles et à examiner les biais culturels des données.
Le panel auquel elle participe avec Valérie Pisano examine le passage de l’excellence scientifique à des usages économiques de l’IA. La présentation de l’événement souligne les enjeux d’indépendance technologique, de partenariats internationaux et de productivité. Il pose la question des conditions nécessaires pour conserver des capacités locales tout en participant à une industrie mondiale très concurrentielle.
Un observatoire éditorial des paroles publiques, ouvert aux experts et intervenants de tous horizons. Ce répertoire se construit progressivement ; il n’est ni exhaustif ni un classement des personnes.
Retrouver la sourceIdentifier le média, le lien original, la date, le format et le contexte de l’intervention.
Rapporter sans déformerLes synthèses sont des paraphrases en français, pas des citations exactes ni des transcriptions intégrales. Les déclarations restent attribuées.
Distinguer l’analyseLes réflexions éditoriales sont identifiées séparément. Vérifier la source ne signifie pas valider toutes les affirmations.
Documenter et corrigerLes fonctions de la prise de parole sont distinguées des fonctions actuelles lorsque celles-ci ont été vérifiées et sourcées. Les archives sont datées et les sources peuvent évoluer. Signaler une erreur ou proposer une source.
Les personnes référencées ne sont pas présentées comme membres, partenaires ou soutiens de MIND AI THINK TANK. Leurs interventions sont étudiées comme sources publiques.
