Meilleurs que les LLMs ?
Les LLMs ont tout changé. Mais ils restent des machines à prédire, pas à penser. Et si les EBMs (Energy Based Models) étaient la solution ?
Depuis la sortie de ChatGPT en Novembre 2022, les LLMs ont fondamentalement transformé la Tech mondiale, poussant certains à affirmer que nous vivons une nouvelle révolution industrielle et civilisationnelle. Mais si les LLMs, ces machines à prédire, n’étaient qu’une erreur de parcours ? C’est la promesse des EBMs (Energy Based Models), une nouvelle forme d’IA qui ne prédit pas, mais réfléchit bel et bien.
⬇️ Pour tout savoir sur les EBMs, découvrez le dossier de la semaine ⬇️
📻 Radar Express
Zanzibar déploie des drones IA contre le paludisme
L’archipel tanzanien a lancé un projet pilote de six mois utilisant des drones guidés par IA pour cartographier et traiter les zones de reproduction des moustiques, dans l’objectif d’éliminer le paludisme d’ici 2029. Les drones combinent cartographie aérienne et application ciblée de larvicide sur des sites souvent inaccessibles aux équipes au sol. Le programme est soutenu par l’OMS et pourrait servir de modèle à l’ensemble du continent africain. Signal sous-estimé : l’IA de terrain, déployée sur des contraintes de santé publique réelles, progresse discrètement pendant que la guerre des modèles fait les gros titres.
L’IA de Meta piratée par simple demande
Des hackers ont réussi à prendre le contrôle de comptes Instagram très suivis, dont celui de la Maison Blanche sous Obama, en demandant simplement au chatbot de support de Meta de changer l’adresse email associée au compte cible. Aucune faille technique sophistiquée : juste une conversation. Meta avait déployé en mars ce système d’IA capable de réinitialiser les mots de passe et gérer la sécurité des comptes, avec comme promesse “des solutions, pas juste des suggestions”. Le risque de confier des fonctions critiques à un agent IA sans supervision humaine vient d’être démontré grandeur nature. Les victimes signalent par ailleurs l’impossibilité d’escalader leur problème à un humain.
Microsoft annonce une puce quantique 1 000 fois plus stable
Microsoft a dévoilé Majorana 2, une nouvelle puce quantique affichant une durée de vie de parité de 20 secondes, soit plus de mille fois plus stable que son prédécesseur. Fait notable : la percée a été accélérée par sa plateforme d’IA Microsoft Discovery, qui a analysé près de vingt ans de données expérimentales. La puce a notamment permis d’identifier le plomb comme matériau supraconducteur plus efficace que l’aluminium pour protéger les qubits. Microsoft vise un ordinateur quantique opérationnel pour des usages commerciaux d’ici 2029. Des experts restent prudents, les résultats n’ont pas encore été soumis à la revue par les pairs. La convergence IA-quantique s’accélère pourtant, et c’est à surveiller.
L’IA consomme autant d’eau qu’1,8 million de piscines olympique
Selon un rapport de l’ONU publié cette semaine, les centres de données hébergeant des systèmes d’IA ont consommé 4,5 billions de litres d’eau en 2025, une quantité qui aurait suffi à couvrir les besoins domestiques de 600 millions de personnes en Afrique subsaharienne. En électricité, ces infrastructures ont absorbé 448 térawatt/heures, soit le neuvième rang mondial si elles formaient un pays. D’ici 2030, la part des charges de travail IA dans leur consommation électrique devrait doubler, passant de 20 à 40 %. L’IA n’est pas seulement du code : c’est du béton, du cuivre, de l’eau, du carbone. Le moment est venu d’intégrer cette réalité dans l’analyse du secteur.
🛠 Les outils de la Semaine
n8n est un outil d’automatisation open source qui permet de connecter des centaines d’applications et de services entre eux via des workflows visuels, sans écrire une ligne de code, ou presque. Là où des outils comme Zapier restent fermés et facturent à l’usage, n8n peut être hébergé sur vos propres serveurs, ce qui en fait un choix sérieux pour les équipes soucieuses de leurs données.
Depuis l’essor des agents IA, n8n est devenu un terrain de jeu privilégié : il permet de chaîner des appels à des LLMs, de déclencher des actions automatiques selon les sorties d’un modèle, et de construire des agents multi-étapes sans infrastructure complexe.
Après l’homme qui murmurait à l’oreille des chevaux, découvrez l’homme qui murmurait à l’oreille des ordinateurs. Wispr Flow est un outil de dictée IA qui fonctionne dans n'importe quelle application de votre ordinateur, email, Notion, Slack, Google Docs, terminal. Vous parlez, il transcrit et reformule directement dans le bon registre selon le contexte : formel pour un email client, décontracté pour un message Slack.
Contrairement aux outils de dictée classiques, il ne retranscrit pas mot pour mot, il corrige, restructure et adapte le ton à la volée. Cas d'usage concret : rédiger un email de 200 mots en 30 secondes de dictée plutôt qu'en 5 minutes de frappe. Pour les profils qui écrivent beaucoup, le gain de temps est immédiat. On a testé et aujourd’hui c’est dur de s’en passer !
🔍 Le Dossier de la Semaine
Les EBMs vont ils remplacer les LLMs?
Il y a une question que les ingénieurs d’OpenAI, Google ou Anthropic préfèrent esquiver.
Est-ce que leurs modèles raisonnent-ils vraiment, ou sont-ils devenus des machines à prédire extrêmement sophistiquées ?
Eve Bodnia, physicienne quantique, ancienne chercheuse en matière noire, pense que la réponse est la seconde.
Prédire n’est pas raisonner
Les LLMs fonctionnent en prédisant le prochain token le plus probable dans une séquence. Cette approche probabiliste est remarquablement puissante pour le langage naturel, la synthèse, la génération de code standard.
Mais elle a un plafond structurel. Le modèle ne sait pas si sa réponse est correcte. Il estime. Il hallucine avec la même fluidité qu’il factualise.
Cela n’est pas si grave pour un utilisateur lambda, mais peut représenter de vrai risques dans des situations critiques où les erreurs peuvent coûter très cher.
Néanmoins, l’IA s’implante en médecine, dans la gestion des infrastructures critiques, en cybersécurité, et dans bien d’autres domaines où les erreurs n’ont pas leur place.
La réponse des grands labos d’IA ? Les modèles s’amélioreront avec l’augmentation de la puissance de calcul, et deviendront plus fiables avec le temps. Au lieu d’adresser le problème fondamental, ils le contournent, avec des filtres, des systèmes conçus pour vérifier et filtrer le produit des modèles.
Le concept de “Path Dependence” ou “Dépendance au sentier”
Il y a un concept d’économie institutionnelle qui éclaire mieux que tout la situation actuelle, la path dependance, ou dépendance au sentier.
L’idée est simple plus vous investissez dans une direction, plus il devient coûteux d’en changer, même si une meilleure voie existe.
Le clavier QWERTY en est l’exemple classique. Conçu pour ralentir la frappe sur les machines à écrire mécaniques, il s’est imposé au monde entier par inertie, alors que des dispositions plus efficaces existaient.
OpenAI, Google, Microsoft et Meta ont englouti des centaines de milliards de dollars dans l’infrastructure LLM, datacenters, puces, données d’entraînement, équipes entières. Reconnaître publiquement que l’architecture a des limites structurelles reviendrait à dévaluer cet investissement colossal. La pression n’est donc pas seulement technique.
Elle est financière, organisationnelle, narrative. Ces entreprises ont besoin que les LLMs soient la réponse finale.
Mais la dépendance au sentier n’est pas une fatalité. Apple l’a prouvé en 2020 avec la transition vers ses puces M1.
Pendant deux décennies, l’industrie entière, y compris Apple, s’était verrouillée sur l’architecture x86 d’Intel. Changer signifiait réécrire des logiciels, casser la compatibilité, affronter la résistance des développeurs. Apple a quand même sauté le pas.
Résultat : des machines deux à trois fois plus performantes et avec une consommation électrique divisée par deux, et une avance concurrentielle que personne n’a encore comblée. Le coût du changement était conséquent. Le coût de l’immobilisme aurait été bien plus élevé.
Les energy-based models (EBMs)
Les energy-based models (EBMs) fonctionnent différemment des LLMs.
Plutôt que de prédire, ils évaluent. Pour un problème donné, ils calculent les différentes solutions et attribuent un “score d’énergie” à chaque solution possible en fonction de la véracité de la réponse, ce qui permet de cartographier l’espace de réponse possible, et, par gravité, de “rouler” vers la réponse avec le meilleur score.
La solution retenue est celle qui minimise cette énergie tout en respectant un ensemble de contraintes définies à l’avance. Le modèle ne cherche pas la réponse la plus probable, il cherche la réponse la plus correcte selon des règles explicites.
Concrètement, si vous soumettez une grille de Sudoku à un LLM, il va souvent tricher en reconnaissant des patterns vus à l’entraînement. Soumettez-la à Kona 1.0, le modèle de Logical Intelligence, il applique les règles du Sudoku comme contraintes, et résout le Sudoku.
Plus vite. Sans erreur. Sur un seul GPU H100.
Yann LeCun comme signal
Quand Yann LeCun, prix Turing, architecte du deep learning moderne, longtemps directeur de la recherche en IA chez Meta, décide de rejoindre le conseil de recherche d’une startup de six mois, c’est un signal qu’il vaut la peine de décoder.
LeCun plaide depuis des années que les LLMs ne mèneront pas à l’AGI. Sa critique centrale est qu’ils ne modélisent pas le monde mais modélisent seulement le langage qui décrit le monde. Pour lui, la vraie intelligence nécessite des world models, des représentations internes de la réalité physique, combinés à d’autres architectures. Les EBMs en font partie.
Sa propre startup, AMI Labs, travaille sur ces world models. Logical Intelligence travaille sur le raisonnement à contraintes. Les deux projets sont conçus pour se compléter, pas se concurrencer.
EBMs + LLMs : le combo ultime ?
La fondatrice Eve Bodnia ne prétend pas que les LLMs sont morts. Elle dit qu’ils ne suffisent pas. Et elle cible délibérément les secteurs où se tromper n’est pas une option, l’énergie (gestion des réseaux électriques en temps réel), la pharmacologie (vérification de molécules), la fabrication avancée et les robots industriels.
Dans ces contextes, un modèle qui estime avec 95 % de fiabilité reste inacceptable. Il faut de la preuve, de la traçabilité. Les EBMs permettent de certifier formellement qu’une solution respecte toutes les contraintes définies, une propriété que les LLMs ne peuvent pas offrir structurellement.
L’hypothèse mérite attention parce qu’elle n’est pas une thèse de remplacement, mais d’écosystème. Des LLMs pour le langage et l’interface naturelle, EBMs pour le raisonnement contraint, world models pour la navigation dans l’espace physique. Trois classes de systèmes, complémentaires.
C’est une vision radicalement différente de la course au modèle toujours plus gros que mènent OpenAI et ses concurrents. Et dans un contexte où les LLMs consomment des milliards de litres d’eau et des centaines de térawatt/heures d’électricité, l’efficacité de calcul des EBMs n’est pas un détail technique, c’est un argument économique et écologique colossal.
Logical Intelligence parviendra-t-elle à convaincre des industries hautement réglementées d’adopter une architecture que peu comprennent encore ?
🎬 La Vidéo de la Semaine
Merci et à bientôt sur FutureRadar !