Hacker News
-
Discovery Loop
Discovery Loop, une nouvelle entreprise fondée par Jeff Dean, Sanjay Ghemawat, Quoc Le et Oriol Vinyals, vise à automatiser la boucle expérimentale de la découverte scientifique et technique. En utilisant des modèles d'IA de pointe et une infrastructure de calcul massive, elle veut proposer, exécuter et analyser des expériences en parallèle pour accélérer la recherche.
L'entreprise commencera par automatiser la recherche en machine learning, en s'utilisant comme premier client, avant d'étendre à d'autres domaines. Son objectif ultime est de s'attaquer aux Grands Défis de la National Academy of Engineering (médecine, énergie solaire, eau propre, cybersécurité, etc.).
L'équipe fondatrice, issue de Google, a contribué à des projets majeurs comme TensorFlow, les TPU, AlphaFold et Gemini. Discovery Loop prévoit de constituer une petite équipe en présentiel pour mener cette vision.
Plusieurs commentateurs contestent le postulat de l'article selon lequel la science est freinée par la lenteur humaine. Pour eux, le vrai goulot d'étranglement est le financement et la manière d'attribuer les subventions, qui privilégient des objectifs « translationnels » et nuisent aux recherches exploratoires (exemple des bactéries des sources hydrothermales et du monstre de Gila, à l'origine du PCR et des GLP-1). D'autres rappellent que la découverte scientifique n'est pas de l'optimisation : chercher à optimiser un objectif connu ne permet pas de trouver des résultats véritablement nouveaux, qui exigent de préserver l'optionalité. Enfin, plusieurs intervenants soulignent les contraintes physiques irréductibles des expériences (temps de réplication d'E. coli, coûts en énergie) que l'infrastructure logicielle ne peut pas supprimer. Ces critiques nuancent fortement l'article.
Sur la startup elle-même, l'équipe est jugée exceptionnelle et son statut de public benefit corp est apprécié pour éviter des usages problématiques de l'IA. Mais de nombreux commentaires expriment un scepticisme commercial : l'un la qualifie de « lifestyle business » plutôt que de startup, un autre rappelle que la mission de croissance rapide d'une startup est rarement bénéfique au public. La question du modèle économique reste posée. Certains voient dans ce départ une perte pour Google, tandis que d'autres affirment que Google soutient la startup. Un participant, qui a quitté DeepMind en raison d'accords militaires, suggère que Jeff Dean a peut-être été poussé à partir pour des raisons éthiques ; automatiser la recherche en IA est jugé terrifiant par un avis minoritaire.
Plusieurs informations concrètes émergent de la discussion. Le projet est comparé à « autoresearch » d'Andrej Karpathy, qui préconisait déjà une collaboration massive asynchrone d'agents. Un commentaire cite la liste des 14 Grand Challenges de la NAE visés par le groupe.
-
Changes at Google DeepMind: Demis Hassabis from CEO to Chair, Jeff Dean departs
Demis Hassabis, CEO de Google DeepMind, devient président de GDM et chief scientist d'Alphabet, tout en continuant à diriger Isomorphic Labs. Koray Kavukcuoglu, CTO de GDM et chief AI architect de Google, le remplace comme SVP de Google DeepMind, supervisant les modèles Gemini, la recherche Frontier AI et les équipes de l'app Gemini.
Jeff Dean quitte Google après 27 ans et lance, avec Sanjay Ghemawat, une société indépendante à but d'intérêt public pour accélérer les découvertes en apprentissage automatique, science et ingénierie. Google sera investisseur fondateur et partenaire cloud.
Google annonce que l'app Gemini compte plus de 950M d'utilisateurs mensuels, les modèles Gemma dépassent 900M de téléchargements, et les prochaines versions de modèles sont attendues. Hassabis justifie ce passage de relais par la nécessité de se concentrer sur l'AGI et la science, notamment la santé via Isomorphic.
Pour la plupart des commentateurs, l'annonce principale n'est pas le changement de rôle de Demis Hassabis, mais le départ de Jeff Dean et Sanjay Ghemawat, qui lancent une nouvelle société, Discovery Loop, avec Oriol Vinyals et Quoc Le. Plusieurs y voient la fin d'une époque, comparant Jeff Dean à Jony Ive chez Apple. Un commentateur estime que ces deux ingénieurs valent environ 200 milliards de dollars, en s'appuyant sur la baisse de 5 % du titre. La discussion nuance l'article : le vrai sujet serait la perte de talents, pas le titre de Chief Scientist d'Alphabet.
Les avis divergent sur la position de Google. Certains jugent que Gemini est en retard, citant des concurrents comme Qwen, DeepSeek ou Kimi, et le retard de Gemini 3.5 Pro. D'autres rappellent que Gemini 3 Pro est sorti il y a 8 mois et demi et reste compétitif. Un commentateur dresse une chronologie des cycles d'opinion sur Google, rappelant que la perception alterne entre « Google est mort » et « Google va gagner ». Plusieurs expliquent les départs par la tension entre la recherche pure (AlphaGo, AlphaFold) et l'injonction de créer un business rentable face à OpenAI et Anthropic, ainsi que par des outils internes jugés médiocres et une rémunération moins attractive que dans les startups.
La discussion apporte aussi des corrections : contrairement à ce que pourrait laisser penser l'article, Hassabis n'est pas écarté, mais son influence est questionnée ; le poste de CEO de DeepMind disparaît au profit d'un SVP qui reporte directement à Pichai. Certains doutent que la mission AGI de DeepMind survive, et se demandent si Shane Legg restera. Enfin, un commentaire pointe que Discovery Loop est financée par Google, ce qui relativise la notion de départ.
-
Cloudflare OS: an open platform for agents, apps, and work
Cloudflare annonce Cloudflare OS, une plateforme open source conçue pour donner à chaque employé un agent et un espace de travail adaptés au contexte de son entreprise. Après une première version interne déployée en mai dernier, Cloudflare OS intègre trois composants : un espace de travail d'agent avec exécution de code isolée, un cadre de sécurité et de gouvernance pour l'accès aux données internes, et une plateforme d'applications personnalisables.
L'article détaille les leçons tirées de la première version, notamment la nécessité de contrôler non seulement les outils appelés par les agents, mais aussi les ressources sous-jacentes observées, afin d'éviter les fuites d'informations. Les agents démarrent sans aucun accès et reçoivent des permissions sous forme de capacités typées, les serveurs MCP existants étant pris en charge. La plateforme permet de créer des documents, présentations, applications collaboratives et workflows déterministes, avec des sorties pouvant rester connectées à des données vivantes.
La discussion autour de Cloudflare OS est dominée par un commentaire de Kenton Varda, qui présente le projet comme une refonte de son ancienne startup Sandstorm.io, cette fois bâtie sur Cloudflare Workers et exploitant l'IA. Il vante un modèle de sécurité inspiré de Sandstorm permettant à des utilisateurs non techniques de « vibe coder » sans risque. Plusieurs commentateurs reconnaissent l'intérêt technique, certains y voyant une évolution logique vers des agents sécurisés, d'autres le comparant à des concurrents comme Codex, exe.dev ou Buzz. Mais une grande partie de la discussion tourne autour d'un point de friction : l'appellation « OS ». De nombreux intervenants la jugent usurpée, certains citant le README du GitHub qui précise qu'il ne s'agit pas d'un système d'exploitation traditionnel mais d'une « plateforme de productivité IA » et d'un « système d'exploitation pour charges de travail IA ». Cette clarification, apportée par les commentaires, nuance fortement le titre de l'article.
Les préoccupations majeures des commentateurs concernent le verrouillage propriétaire. Si le code est ouvert, plusieurs soulignent qu'il est étroitement lié à l'écosystème Cloudflare, ce qui limite toute portabilité. Un commentateur rapporte une tentative de déploiement concrète : après avoir souscrit au stockage R2, il se heurte à l'obligation de passer au plan Workers payant pour activer les « Dynamic Workers », rendant la démo inaccessible. D'autres s'inquiètent des implications pour la sécurité des données (HIPAA, etc.) et de la maintenance en cas de personnalisation massive par les utilisateurs, évoquant le précédent de SharePoint. Un avis plus positif note que le problème fondamental (contenir des agents IA de manière sûre) est bien adressé, mais l'ensemble reste partagé entre enthousiasme pour l'architecture et scepticisme sur l'aspect « OS » et le modèle économique.
La discussion apporte donc plusieurs nuances à l'article : l'open source ne garantit pas l'indépendance vis-à-vis de Cloudflare, le nom « OS » est jugé trompeur par une grande partie des intervenants, et l'expérience de déploiement révèle des obstacles pour les comptes gratuits.
-
Pi's Minimalism Is Its Advantage
Cet article présente Pi, un « coding harness » minimaliste (4 outils seulement, prompt système et définitions d'outils sous 1 000 tokens), qui revendique de meilleures performances à moindre coût face à des outils plus complexes. Il s'appuie sur deux études de cas : Databricks a constaté que des harness simples comme Pi offrent le meilleur taux de réussite avec Opus 4.8, pour un coût nettement inférieur à Claude Code et Codex, et que le coût par tâche peut varier de plus de 2x selon le harness, à qualité égale. Shopify a de son côté construit une extension « Autoresearch » sur Pi, qui exécute des boucles d'optimisation autonomes (tests unitaires 300 fois plus rapides, montage React 20% plus rapide). L'article argue que la discipline de contexte de Pi (envoyant environ 3x moins de contexte par tour) et son extensibilité expliquent ces résultats, et que son minimalisme est aussi adapté aux modèles locaux, dont les fenêtres de contexte sont plus réduites.
La discussion converge largement avec l'article : la minimalisme de Pi est perçu comme un atout majeur par de nombreux utilisateurs. Ils apprécient son extensibilité (extensions, skills), sa philosophie « hacker », et le fait qu'il ne pollue pas le contexte avec une multitude d'outils par défaut. Plusieurs le comparent à Emacs ou Neovim face à des solutions intégrées type VS Code. Des retours concrets mentionnent une utilisation en mode headless via XMPP, une intégration NixOS, ou encore des modèles locaux (Qwen) qui fonctionnent bien. Un commentateur résume le sentiment général : Pi est moins un agent qu'une plateforme d'agents, permettant de façonner l'outil à ses besoins réels plutôt que de s'adapter à ceux d'Anthropic ou OpenAI.
Cependant, des divisions nettes apparaissent. Un avis minoritaire trouve cette minimalisme exagéré : il faut passer des heures à configurer, à bricoler des extensions parfois buggées, alors que des alternatives comme Claude Code ou VS Code offrent tout de suite une expérience complète. Certains jugent que ces configurations sur mesure conviennent aux indépendants mais pas aux entreprises, qui préfèrent du « batteries included ». La question des coûts est aussi débattue : l'usage en API est plus cher qu'un abonnement, et l'intégration de fournisseurs comme Anthropic est limitée par leurs conditions d'utilisation. Plusieurs préviennent qu'installer des extensions au hasard est un risque de sécurité et peut détruire la minimalisme de Pi.
La discussion apporte des nuances et corrections factuelles. Un commentateur a admis s'être trompé en affirmant que Pi ne compresse pas le contexte : cela n'est pas fait par défaut, mais des plugins le permettent. Sur le point des modèles entraînés pour leur harnais d'origine, certains divergents : si certains croient que les modèles sont adaptés aux harnais, d'autres estiment que ce sont les harnais qui fournissent des indices que les modèles suivent, et rapportent de meilleurs résultats avec des modèles comme Claude ou GPT dans Pi que dans leur environnement d'origine.
-
Zed DeltaDB
Zed présente DeltaDB, un système de contrôle de version en accès anticipé qui enregistre chaque opération effectuée entre les commits et donne à chaque modification une identité stable. Il relie chaque changement à la conversation d'agent qui l'a produit, permet de créer des branches à tout moment grâce à un worktree virtuel, et facilite le partage du fil de travail plutôt que la pull request. L'objectif est de permettre à un coéquipier de rejoindre le travail en cours, d'interagir avec l'agent et d'annoter sans attendre commit ni push.
La discussion HN autour de Zed DeltaDB est dominée par un mécontentement : de nombreux commentateurs estiment que Zed devrait d'abord corriger son éditeur de base avant de se lancer dans un nouveau système de versionnage. Ils citent des bugs concrets : fichiers créés non affichés sur WSL, plantages sur gros JSON, gel au réveil sous Linux, copier-coller cassé sur Wayland, lenteurs des serveurs de langage Python/C++, etc. Plusieurs renvoient vers des issues GitHub fermées ou refusées, et y voient un signe d'éloignement des priorités des utilisateurs. Certains mentionnent aussi que le copier-coller bug sur Mac M1. Un commentateur propose même de financer un « avocat des utilisateurs ».
Sur le fond, DeltaDB divise. Certains y voient une avancée utile pour tracer les conversations d'agents et collaborer en asynchrone, d'autres le rejettent comme « bossware » ou micro-management : ils craignent que la direction juge les prompts et non les résultats. Des pratiquants proposent des alternatives : l'historique local de JetBrains, Jujutsu (avec ses snapshots), ou un hook mercurial pour des commits automatiques à chaque sauvegarde. La discussion corrige aussi l'article : plusieurs commentateurs précisent que DeltaDB n'est pas un remplaçant de git, mais une couche de traçage, et que l'intégration ACP fonctionne avec Codex, Claude Code ou d'autres agents, pas seulement l'agent Zed. Un commentateur souligne que le site de présentation est confus et ne dit pas clairement ce que le produit fait.
Enfin, plusieurs avis regrettent la direction prise : la page ressemble à du marketing ou du texte généré par IA ; l'expansion de scope est vue comme un symptôme du financement par capital-risque. D'autres, minoritaires, se disent enthousiastes et prêts à l'utiliser, notamment pour savoir qui a modifié quoi quand plusieurs agents travaillent en parallèle. Globalement, la plupart des commentateurs aiment Zed mais s'inquiètent que cette annonce détourne l'équipe des fondamentaux.
-
Civilian plane crash in New Mexico tied to military GPS blocking
En mai, un avion-ambulance Beechcraft King Air s'est écrasé au Nouveau-Mexique, tuant ses quatre occupants. La cause : un exercice de brouillage GPS mené par l'armée américaine sur le site de White Sands. Les pilotes, peu expérimentés, ont perdu leur navigation moderne et se sont désorientés, percutant une montagne. C'est le premier accident mortel civil aux États-Unis attribué à cette forme de guerre électronique.
L'équipage, deux jeunes pilotes, avait demandé à voler aux instruments, mais le GPS était brouillé. Ils ont ensuite tenté une approche visuelle vers les lumières de Ruidoso, sans voir la montagne. L'article souligne la recrudescence de ces perturbations, avec une dizaine d'exercices militaires de brouillage signalés dans l'année. Il détaille aussi la difficulté du vol de nuit en zone rurale, le manque d'expérience des pilotes et la saturation du contrôle aérien cette nuit-là.
La discussion nuance fortement l'article. Plusieurs commentateurs, dont des pilotes professionnels, soulignent que le GPS n'est pas indispensable : des systèmes de secours (VOR, DME, navigation à l'estime) existent et les pilotes sont formés pour s'en servir. Le rapport préliminaire de la NTSB, cité dans les commentaires, montre que les pilotes étaient informés du brouillage via un NOTAM, ont signalé la perte du GPS, et que l'ATC a demandé l'arrêt du brouillage, avant que l'équipage ne demande une approche à vue, l'ATC reprenant ensuite le brouillage. L'accident serait donc dû à une combinaison de facteurs : approche visuelle de nuit en terrain montagneux, manque de vigilance, et possible complaisance vis-à-vis de l'automatisation. Un pilote de ligne explique que l'approche visuelle dans ces conditions est risquée et que des compagnies auraient refusé de dispatcher le vol sans météo.
Plusieurs commentaires critiquent l'animation de l'article, jugée trompeuse : elle montre un avion de ligne alors qu'il s'agit d'un turbopropulseur Beechcraft, et laisse entendre que le brouillage a directement provoqué le crash, alors que l'avion a manœuvré avant de s'écraser. D'autres soulignent des éléments omis par l'article : l'ATC avait proposé un guidage ILS, et le fait que les vols médicalisés sont déjà dangereux par nature, avec un taux d'accident proche du vol de combat. La discussion divergente sur les responsabilités : certains estiment que le brouillage a été un facteur contributif, d'autres insistent sur l'erreur de pilotage. Un avis minoritaire évoque un problème de formation et de dépendance à l'automatisation, citant Air France 447.
Les commentateurs apportent aussi des informations techniques : le brouillage GPS est difficile à circonscrire en raison de la faiblesse des signaux satellites, ce qui explique les interférences à des centaines de kilomètres. Un parapentiste raconte avoir vécu un spoofing près de l'Ukraine, illustrant la charge de travail supplémentaire que cela impose. Enfin, certains s'interrogent sur les leçons pour les futurs systèmes de navigation (navigation quantique, voitures volantes).
-
I'm switching my phone from Android to Linux
L'auteur annonce qu'il passe son téléphone d'Android à Linux.
La discussion confirme que l'article décrit une expérience encore marginale, entravée par des obstacles concrets. Plusieurs commentateurs soulignent que les services bancaires, les applications de VTC ou de pointage employeur, et même l'attestation matérielle (Google Wallet, clés numériques) restent verrouillés sur Android/iOS. Un utilisateur de GrapheneOS témoigne toutefois qu'il vit sans Google Wallet sans difficulté, et un autre parvient à exécuter son application bancaire norvégienne via Waydroid. Les déplacements internationaux et les applications locales sont aussi cités comme rédhibitoires pour un usage quotidien. Un commentaire corrige l'article sur les jetons Bluetooth de traçage : le système Exposure Notifications d'Apple/Google a été conçu pour préserver la vie privée et a été abandonné en 2023. D'autres rappellent qu'AOSP (Android Open Source Project) n'est pas verrouillé, contrairement à ce que suggère un commentaire sur le « bait and switch » de Google.
Plusieurs retours de terrain nuancent les critiques. Un quotidien depuis trois ans sur un téléphone Linux affirme que la période difficile est passée et qu'il ne reviendrait pas en arrière. Ubuntu Touch fonctionne désormais avec VoLTE sur Fairphone 5, ce qui lève un frein majeur pour les États-Unis. Un commentateur estime que les caméras peuvent être performantes, citant les firmwares Linux de Ricoh/Pentax, mais déplore que l'UX des claviers mobiles reste très en retard. Une piste récurrente est de faire du Web le principal environnement d'interface, pour contourner la pénurie d'applications natives et les verrouillages.
Les avis divergent sur la possibilité d'une adoption large. Un avis minoritaire voit dans l'ère du web/electron et des LLM une opportunité pour un OS mobile ouvert, mais d'autres objectent que le vrai défi est le support matériel (modems, caméras, protocoles) plus que les applications. Certains proposent un compromis : un téléphone Android débloquable et rootable, ou un appareil comme le Librem 5.
-
The title cards in Blade Runner are amazing
L'auteur analyse le générique de Blade Runner et la typographie choisie : une seule police, Goudy Oldstyle, déclinée en capitales, petites capitales, italique et rouge pour certains mots. Il oppose cette approche soignée à la version de travail qui utilisait Impact, jugée grossière, et souligne que l'obsession du détail crée le ressenti d'un produit. Il relie cette réflexion à son exploration de polices pour le codage et à l'usage de Claude Code, notant que les outils d'IA permettent à des non-ingénieurs de créer, mais que la plupart des produits grand public qui en résultent sont de qualité médiocre.
Plusieurs commentateurs saluent l'article pour son analyse typographique, notamment la distinction entre petites capitales et capitales réduites, ou le choix des polices pour les terminaux, avec des retours pratiques sur Berkeley Mono, Source Code Pro ou GNU Unifont. La discussion s'accorde sur la qualité de la séquence d'ouverture, souvent attribuée autant à la musique de Vangelis – dont on apprend qu'il ne lisait pas la musique – qu'aux cartons eux-mêmes. Certains évoquent des souvenirs émus du film, voire le considèrent comme une œuvre parfaite.
Cependant, plusieurs commentateurs contestent le titre de l'article ("fucking amazing") et estiment que l'analyse ne tient pas : ils jugent les cartons de titre "médiocres", critiquent la mise en page du texte défilant (marges irrégulières, absence de césure) et pensent que l'article divague vers une critique de l'IA. D'autres remarquent que le texte semble rédigé avec un LLM, à cause des tirets cadratins et de certaines formulations. Un avis minoritaire défend au contraire ces choix typographiques pour l'impact visuel et la lisibilité du texte en mouvement.
Des corrections factuelles sont apportées : la capitalisation de "NEXUS" et "TYRELL CORPORATION" suit une convention de script, pas un choix esthétique ; le rouge profond des lettres "Replicant" pourrait être un artefact du processus de transfert optique ou de l'encodage couleur 4:2:0 des DVD ; une légère rotation d'un "H" est probablement due au montage film et non à une intention. Un commentateur explique en détail la photocomposition de l'époque, qui impliquait des inversions et des négatifs. Enfin, la discussion mentionne que le site Typeset in the Future avait déjà analysé Blade Runner (et Alien) plus en profondeur.
-
Beating GPT-5.6 Sol on retrieval with 100x cheaper open models
Castform, un service de post-entraînement RL pour modèles open-source, affirme battre gpt-5.6-sol sur des tâches de retrieval à coût 100x inférieur. L'article explique que le retrieval est passé d'une recherche par embeddings à un retrieval agentique multi-tours, coûteux et lent avec les modèles frontier. Castform permet de post-entraîner des modèles open-weight sur des données d'entreprise (documentation, wikis, bases opérationnelles) en générant automatiquement des tâches et des fonctions de récompense, sans infrastructure ML complexe. Le pipeline s'appuie sur Neon (Lakebase Postgres) et son extension Search, dont le scaling dynamique et le branching isolent les rollouts d'entraînement. Un exemple concret montre comment transformer une base de connaissances en modèle spécialisé pour répondre à des questions avec citations de sources. L'article inclut des liens vers des exemples de code et de monitoring.
La discussion salue l'idée de modèles spécialisés bien moins chers pour la recherche d'information, mais soulève d'emblée un frein majeur : la confidentialité des données. Plusieurs commentateurs refusent d'envoyer leurs données sensibles vers le cloud et demandent des solutions open-source sur GPU loués. D'autres voient dans ces modèles sur mesure une évolution logique, avec des exemples comme Chroma Context1, SID-1 ou les travaux de Hornet, et des techniques de distillation ou de sous-agents spécialisés (comme Claude Code avec Haiku) pour réduire les coûts.
Un débat oppose ceux qui jugent les grands modèles « condamnés » économiquement face à des alternatives 100x moins chères et un fondateur de castform qui reste confiant dans les grands labs pour les usages généraux, tout en prédisant que les modèles fins domineront les applications de niche. Les commentateurs sont en revanche très critiques sur la méthodologie de l'article : absence de benchmark standard (type BrowseComp), métriques floues, comparaisons manquantes avec Luna ou DeepSeek Flash. Un fondateur renvoie vers un lien public montrant l'ensemble des comparaisons, et un autre vers un dépôt GitHub avec un exemple concret.
Sur le terrain, plusieurs praticiens rapportent que des modèles plus petits battent leurs grands frères sur la recherche factuelle, les grands modèles ayant tendance à « sur-réfléchir » ou se distraire. Ils recommandent de structurer les fichiers du projet, de découper intelligemment les documents (en gardant des segments parents riches et des enfants comme sondes), et de mettre à jour le corpus. Un fondateur admet que le corpus d'une vraie entreprise est plus désordonné et propose des pistes (privilégier les documents récents, exploiter les Q&As internes). Enfin, plusieurs commentaires nuancent l'article en soulignant qu'il ne traite pas des coûts de ré-entraînement lors de l'ajout de nouvelles données, ni des garanties de sécurité.
-
Born Against, or why hobby programming communities are against LLM usage
Dans cet essai, l'auteur s'interroge sur l'hostilité croissante des communautés de programmation amateurs (développement de moteurs d'échecs, OSDev, EmuDev, demoscene, etc.) envers l'utilisation des LLM. Il constate que dans ces cercles, le processus d'apprentissage et la maîtrise d'un domaine difficile sont la finalité même, et qu'un code fonctionnel n'est qu'un bonus. L'usage des LLM y est perçu comme une tricherie qui court-circuite l'apprentissage. Les tentatives d'intégration ont été vite compromises par le manque de compréhension profonde des utilisateurs de LLM et par une frange virulente de ces communautés. Le respect s'y gagne par des années de contributions, d'échanges et de partage de connaissances. L'auteur conclut qu'un LLM agit comme un multiplicateur de force pour un expert, mais que dans ces communautés, l'essentiel est l'artisanat, pas le résultat.
La discussion converge sur une explication centrale : les communautés de programmation amateur rejettent les LLM parce que le hobby réside dans le processus, pas dans le résultat. Plusieurs commentateurs comparent à d'autres hobbies : la course à pied (refuser une voiture pour son footing), le jardinage (acheter un robot jardinier détruirait le plaisir), les échecs (pas d'ordinateur à la table) ou la musculation (la machine ne remplace pas l'entraînement). Un commentateur propose une classification des cinq phases de la programmation (définir le problème, concevoir la solution, implémenter, tester, déployer) et observe que les bricoleurs aiment surtout les phases 2 à 4, que l'IA dénature. D'autres estiment que cette opposition n'est pas une objection à l'IA en soi, mais la préférence pour un artisanat où la difficulté fait partie de la valeur.
Plusieurs voix nuancent ou contredisent l'article. Le fil GitHub cité en exemple ne porterait pas réellement sur les LLM, mais sur un comportement toxique : un développeur accusé de plagiat et de tentative d'obsuscation de code dérivé. Un commentateur souligne que les idées et les algorithmes ne sont pas soumis au droit d'auteur, et que l'article omet ce contexte juridique. D'autres commentateurs voient dans l'utilisation des LLM une légitimité pour ceux qui programment par nécessité (obtenir un logiciel sur mesure) plutôt que par passion, et rappellent que beaucoup de professionnels sont entre les deux. Un avis minoritaire défend l'usage ciblé de l'IA pour les tâches fastidieuses, comme le débogage matériel en OSDev, sans que cela ne nuise à l'apprentissage.
Enfin, plusieurs intervenants évoquent l'impact négatif de l'IA sur la qualité des communautés : baisse de l'entraide au profit du chat avec une IA, augmentation des projets abandonnés de faible énergie, et difficulté à filtrer le bruit. Certains assument que le « gatekeeping » est nécessaire pour préserver un espace agréable.
-
Google DeepMind CEO Demis Hassabis is stepping down
Demis Hassabis, CEO de Google DeepMind, quitte ses fonctions.
La discussion nuanc fortement le titre de l'article. Plusieurs commentateurs relèvent que Demis Hassabis n'est pas réellement « stepping down » : il devient président de Google DeepMind et Chief Scientist d'Alphabet, ce que certains considèrent comme une promotion ou un rôle de façade. Un avis minoritaire y voit néanmoins une étape avant un départ. Le vrai événement est le départ de Jeff Dean, Sanjay Ghemawat, Oriol Vinyals et Quoc Le, qui fondent Discovery Loop, une « Public Benefit Corporation » ; beaucoup regrettent que ce ne soit pas le titre principal.
Les commentaires sont partagés sur la signification de cette hémorragie de talents. Plusieurs énumèrent une liste impressionnante de départs récents (Hassabis, Jeff Dean, Noam Shazeer, John Jumper, etc.) et pointent un environnement « hostile à l'innovation », illustré par le retard de Gemini 3.5 et l'absence de modèle frontalier depuis 14 mois. En face, certains estiment que Google a les moyens (argent, puces, talents) pour gagner à long terme, et que le changement de rôle de Hassabis pourrait préparer l'arrivée de Demis à la tête d'Alphabet, Sundar Pichai étant perçu comme le vrai problème. Un commentateur cite l'échec commercial de DeepMind face à OpenAI/Anthropic, et note que la préférence de Hassabis pour la recherche scientifique a pu nuire à Google.
Sur la forme, un commentateur ironise sur le « Publicity benefit corporation », mais d'autres expliquent que ce statut protège contre la primauté actionnariale, ce qui attire les fondateurs à mission. La réaction du marché est mentionnée : -5% en bourse, soit 200 milliards, avec un acheteur opportuniste qui salue la nouvelle. Enfin, la discussion corrige l'article : il s'agit plutôt d'un « stepping up », et le départ de Jeff Dean pourrait être le déclencheur de cette réorganisation.
-
Muse Code and Muse Spark 1.2
Annonce de Muse Code (bêta), un agent de codage en terminal propulsé par le nouveau modèle Muse Spark 1.2. Il gère des tâches complexes sur de grands dépôts, planifie, écrit du code et valide ses résultats, avec des sous-agents persistants en arrière-plan et un journal d'événements local pour une reprise après crash. Il inclut des compétences comme /plan, /grill et /goal.
Muse Spark 1.2 améliore la génération de code, le débogage et la compréhension de code, avec plus de calcul d'entraînement sur des tâches de codage. Il a été co-entraîné avec Muse Code et optimisé pour les tâches longues. L'article présente une étude de cas d'optimisation de kernels GPU sur des GPU NVIDIA Hopper, où le modèle améliore itérativement les performances par rapport à une baseline. Muse Spark 1.2 est disponible dans Muse Code et via l'API Meta Model.
La discussion porte surtout sur la stratégie tarifaire de Meta. Plusieurs commentateurs soulignent la remise importante (10x sur l'input, 20x sur l'output) accordée si l'on accepte que Meta entraîne ses modèles sur nos données. Certains jugent l'offre équitable, d'autres s'inquiètent de la confiance à accorder à Meta, d'autant qu'un commentaire signale que les conditions des crédits gratuits offerts à la sortie de Muse Spark 1.1 ont changé : le petit texte mentionne désormais l'utilisation des contenus pour l'amélioration du produit. Un avis minoritaire estime que cette tarification « contributeur » est comparable à celle de DeepSeek V4 Flash, mais sans l'inconvénient d'entraîner sur vos données si l'on passe par d'autres fournisseurs.
Plusieurs commentaires critiquent la comparaison de benchmarks : Meta choisit de se mesurer au modèle intermédiaire d'OpenAI (Terra) plutôt qu'au sommet (Sol) et perd encore face à Opus 5 sur plusieurs tests. Certains jugent les benchmarks peu fiables et biaisés. D'autres réclament le retour des poids ouverts, estimant que Meta n'est pas assez haut dans les classements pour craindre d'être copié. Côté technique, un commentateur a examiné le binaire de Muse Code : écrit en Rust, il ressemble à Codex mais avec des différences notables (configuration, pas d'ACP). Quelques-uns s'intéressent aux fonctionnalités de l'harness (sous-agents, worktrees séparés, reprise après crash) et se demandent s'il est utilisé en interne chez Meta, sans réponse.
Des préoccupations pratiques émergent : l'impossibilité de fixer une limite de dépense sur l'API Meta fait craindre une facture élevée ; OpenRouter est proposé comme alternative avec des plafonds stricts. La disponibilité géographique est aussi discutée — l'offre « contributeur » serait limitée aux États-Unis, UE exclue. Enfin, un commentaire signale que l'outil Muse (carte mentale) a été renommé Allume, les droits sur le nom ayant été vendus. La discussion corrige ou nuance l'article sur plusieurs points : la comparaison de prix n'est pas aussi avantageuse qu'il y paraît si l'on inclut l'usage des données, et le choix des modèles de référence est jugé trompeur.
-
Cops Used Flock to Track a Man Across State Lines for a Pretextual Weed Search
La police du Wisconsin a utilisé les caméras Flock pour établir qu’un homme se rendait fréquemment au Michigan, où le cannabis est légal, afin de justifier une fouille de son véhicule à son retour dans le Wisconsin. Il a été arrêté pour possession de marijuana, d’après les archives judiciaires examinées par 404 Media. Les poursuites pour saut de caution et violence domestique ont été abandonnées, ne restant que la possession.
Les documents indiquent que les forces de l’ordre ont suivi ses allées et venues via Flock, précisant que le véhicule se rendait souvent au Michigan, source connue de marijuana. Après l’avoir intercepté, les policiers ont dit avoir détecté une odeur de cannabis. L’affaire illustre l’usage de la surveillance pour créer un prétexte à des infractions mineures. Un dispensaire du Michigan a d’ailleurs installé une pancarte « No Flock Zone » pour bloquer une caméra exigée par la ville, qui veut garder un accès direct aux données.
La discussion converge sur le danger de la surveillance de masse par Flock/ALPR : plusieurs commentateurs soulignent que le moindre prétexte suffit pour briser des vies, même en cas de non-lieu, et que la confiance dans la justice s'érode. Un parallèle est fait avec l'arrivée des tasers, dont l'usage s'est répandu sans contrôle. Certains proposent d'exiger un mandat pour ce type de surveillance, mais d'autres rétorquent que cela légitimerait une surveillance de masse par défaut. Un avis minoritaire relativise, arguant que l'homme avait un mandat d'arrêt actif et que l'article déforme les faits.
La discussion corrige et nuance nettement l'article : l'homme était recherché pour violation de liberté conditionnelle, et les policiers ont utilisé Flock pour le localiser, non comme prétexte mais pour ajouter une accusation supplémentaire. Plusieurs commentateurs jugent le prétexte faible, car traverser une frontière d'État a des raisons légitimes. D'autres s'interrogent sur la définition du prétexte : s'ils l'ont arrêté pour une raison, puis trouvé de la marijuana, où est le mensonge ? Un débat oppose ceux qui voient un problème d'application de la loi (violation du Quatrième amendement) et ceux qui estiment que le vrai problème est la loi elle-même sur le cannabis. Un précédent judiciaire de l'Oregon est cité comme protection contre ce type d'abus.
Plusieurs informations concrètes émergent : des caméras Flock ont été volées ou détruites dans le Minnesota, avec un mode opératoire détaillé sur Reddit ; les États frontaliers de régions où le cannabis est légal pratiquent couramment ces interceptions, et les caméras subsistent après la légalisation. Des commentateurs partagent des anecdotes personnelles d'abus policiers (tickets fictifs, odeurs inventées). Une piste pratique évoquée est la création d'une LLC du Montana pour masquer la propriété d'un véhicule. Quelqu'un prédit un usage contre les avortements et les journalistes. L'ensemble reflète une inquiétude large sur l'érosion des droits civiques, mais avec des désaccords sur la responsabilité de l'outil et sur la qualification de prétexte.
-
Meta Ran Ads That Contained AI-Generated Child Sexual Abuse Imagery
Le Tech Transparency Project (TTP) a découvert plus de 50 publicités comportant des images d'abus sexuels d'enfants générées par IA dans la bibliothèque d'annonces de Meta. Diffusées sur Facebook, Instagram et Messenger ces neuf derniers mois, elles ciblaient notamment des hommes aux États-Unis, au Royaume-Uni et en Europe, certaines atteignant plusieurs milliers de comptes. Plusieurs de ces publicités renvoyaient vers des applications « nudify » ou de détournement de visage, comme MaskAI, désormais retirée de l'App Store par Apple.
Meta a retiré ces publicités après avoir été contacté par Wired, affirmant que la plupart avaient une portée minimale et qu'elles dataient d'avant son nouvel outil de détection par IA. Cependant, TTP a découvert une trentaine de publicités supplémentaires publiées après la demande de Wired, dont certaines encore actives. Les chercheurs ont signalé le contenu à la NCMEC et pointent l'absence de mécanisme de signalement dans la bibliothèque d'annonces pour les publicités déjà retirées.
Les annonceurs étaient souvent des comptes à très faible audience, parfois des entreprises chinoises comme Meet Social, un ancien revendeur d'annonces de Meta. Cette affaire survient après une enquête de la BBC sur des publicités similaires sur Instagram en Inde.
La discussion sur Hacker News confirme le constat de l'article, mais élargit le problème : plusieurs commentateurs soulignent que Meta laisse passer systématiquement des publicités frauduleuses ou choquantes, qu'il s'agisse d'arnaques, de violence politique ou de contenu sexuel explicite. Un avis récurrent est que les signalements sont inefficaces : les réponses sont génériques ou automatisées, et même quand une action est enfin prise, elle intervient après des semaines. Un commentateur relate des expériences personnelles sur Facebook : le signalement initial ne mène à rien, mais la fonction « demander un nouvel examen » finit parfois par aboutir. Plusieurs intervenants citent des exemples concrets d'annonces frauduleuses (usurpation de marque, arnaques financières) et notent que Meta facture plus cher les annonces frauduleuses, comme le rapporte une source Reuters citée dans un commentaire : environ 10 % du chiffre d'affaires annuel, soit 16 milliards de dollars, proviendrait de ces annonces. Certains pointent aussi l'absence de vérification d'identité des annonceurs, tandis que Meta fait pression pour l'âge vérification, ce qui est perçu comme une manœuvre pour créer une barrière réglementaire contre le web ouvert, plutôt qu'une protection réelle.
Un point de désaccord majeur concerne la responsabilité de Meta. Certains commentateurs estiment qu'à l'échelle de Meta (la moitié de la population mondiale), la modération humaine est impossible et que l'IA doit être la solution ; d'autres rétorquent que les entreprises ont choisi la croissance à tout prix et peuvent simplement réduire leur taille ou assumer les conséquences. Plusieurs messages dénoncent l'impunité des grandes entreprises : les amendes ne sont qu'un coût de fonctionnement, et seules des sanctions massives ou une réglementation forte pourraient changer les choses. Un avis minoritaire, mais présent, estime que si le coût de la correction dépasse le préjudice réel, il est rationnel de ne pas corriger le problème – une position que la plupart rejettent.
La discussion apporte également des nuances et des corrections à l'article.
-
libexpat now funded by the City of Munich for up to 6 months
La ville de Munich finance le maintien de libexpat pendant six mois via son programme Open Source Sabbatical. Le mainteneur Sebastian Pipping sera salarié pour corriger cinq vulnérabilités connues, ajouter le support XML 1.0r5 et améliorer la robustesse du projet. Il a déjà commencé par un correctif pour une faille signalée par Mozilla. Le contrat est passé avec digitial@M.
Plusieurs commentateurs saluent l'initiative de la ville de Munich, rappelant son passé avec le projet LiMux et la pression de Microsoft sur l'ancien maire. Le programme de « sabbatique open source » est particulièrement remarqué : il est ouvert non seulement aux employés municipaux mais aussi à des développeurs externes, ce qui semble unique selon un intervenant. Ce financement public s'inscrit dans le principe « Public Money, Public Code ».
Sur le plan technique, un commentateur regrette qu'expat ne prenne pas en charge la validation de schémas XML, contrairement à libxml2, ce qui limite son usage pour les documents sémantiques. Une discussion connexe sur le désengagement du mainteneur de libxml2 est également évoquée, illustrant les difficultés de maintenance des bibliothèques XML. Plusieurs s'interrogent sur l'après-6 mois : la réponse simple est que le financement s'arrête, sans conséquence particulière pour un projet aussi ancien.
Enfin, une correction importante : alors qu'un commentaire suggérait que Google pourrait utiliser libexpat au lieu de tuer XSLT, un autre rappelle que Chrome utilise déjà libexpat pour le parsing XML, mais pas pour XSLT. La discussion nuance donc l'article en apportant des précisions sur le périmètre réel de la bibliothèque et les enjeux de financement.
-
Atlassian Rovo Exfiltrates Data, Bypassing Controls
Des vulnérabilités ont été identifiées dans l'agent IA Rovo d'Atlassian, permettant l'exfiltration de données via une injection indirecte de prompt. Un fichier malveillant téléchargé par l'utilisateur contient une injection cachée qui manipule Rovo pour envoyer des tickets Jira et des documents Confluence à un site contrôlé par l'attaquant, en exploitant l'outil de récupération d'URL. L'attaque fonctionne même si la recherche web est désactivée, car ce paramètre ne supprime pas l'outil d'ouverture des résultats. Un second vecteur via le rendu d'images Markdown est également évoqué.
PromptArmor a divulgué ces failles à Atlassian le 23 mai, mais après plus de deux mois de relances, Atlassian n'a pas communiqué davantage et Rovo reste vulnérable. La publication vise à informer les utilisateurs des risques.
La discussion valide le constat de l'article mais le replace dans un contexte plus large : plusieurs commentateurs soulignent que ce type d'exfiltration par injection indirecte est inhérent à tous les systèmes d'agents d'IA, citant la « triade létale » et rappelant que le problème est connu depuis 2022 sans correction efficace. Certains minimisent la gravité en arguant que l'attaque suppose que la victime demande elle-même l'action, mais d'autres objectent qu'un fichier ou un ticket malveillant suffit à déclencher l'exfiltration, ce qui élargit la menace. Un commentateur propose une solution déterministe (bloquer les URL générées par l'agent), mais un autre note que les données peuvent être encodées dans n'importe quelle partie de l'URL, pas seulement dans la query string.
Les retours de terrain sur Atlassian sont nombreux et critiques. Plusieurs rappellent l'activation par défaut du partage des données clients pour l'entraînement des modèles, effective le 17 août, ce qui aggrave les problèmes de confidentialité. D'autres décrivent des comportements concrets : Rovo télécharge l'intégralité des documents vers les serveurs d'Atlassian, la désactivation est quasi impossible, et le paramètre « recherche web désactivée » ne supprime pas l'outil d'ouverture d'URL – un point qui précise et confirme l'article. Un praticien affirme que Rovo exécute des instructions hébergées sur des URL externes depuis au moins six mois. Un commentateur dit avoir migré 3 500 utilisateurs hors d'Atlassian, et plusieurs jugent la dégradation récente de l'entreprise particulièrement brutale.
La discussion nuancé cependant la spécificité de Rovo : un commentateur remarque que le même type de billet est publié par Prompt Armor pour chaque outil d'IA (Claude, Notion, Superhuman, etc.), ce qui suggère un problème systémique des agents plutôt qu'une faille isolée. Un avis minoritaire estime que Rovo rend service dans des environnements Jira mal organisés, mais la majorité exprime une lassitude face aux fonctionnalités d'IA imposées et aux lenteurs qu'elles génèrent.
-
Jeff Dean leaving Alphabet
Le titre annonce le départ de Jeff Dean d'Alphabet, sans autre détail.
-
Position: LLMs Can't Jump
Titre seul disponible : « LLMs Can't Jump ». Aucun contenu à résumer.
La discussion autour de l'article « LLMs Can't Jump » s'articule principalement autour de la question de savoir si les modèles de langage peuvent réaliser des sauts intuitifs, à l'image d'Einstein. Plusieurs commentateurs développent l'idée que le langage est un encodage « lossy » de l'expérience humaine, et qu'une IA entraînée uniquement sur du texte ne pourrait pas accéder à la richesse sensorielle et émotionnelle qui sous-tend les grandes découvertes. L'exemple du Grand Canyon est utilisé pour illustrer qu'une connaissance livresque ne remplace pas l'expérience directe. Cependant, un avis minoritaire rétorque que les humains peuvent aussi faire des sauts créatifs dans des domaines abstraits sans ancrage sensoriel, et que l'intelligence pourrait compenser ce manque, ce qui relativise la thèse de l'article.
Une correction historique importante est apportée concernant Einstein et la relativité restreinte : le récit populaire selon lequel il aurait résolu les contradictions de l'expérience de Michelson-Morley est réducteur. Un commentateur précise que les fondements venaient de l'électrodynamique et des symétries des équations de Maxwell, et que le papier d'Einstein ne cite pas cette expérience. Plusieurs intervenants notent aussi que l'auteur du papier, Tom Zahavy, a publié une mise au point sur X/Twitter : il s'agit d'un « position paper » personnel et non d'une position de DeepMind, et il ne prétend pas que les LLM sont une impasse. Cette clarification est jugée importante pour contrer les interprétations exagérées de l'article.
Les commentateurs sont divisés sur la validité de la thèse. Certains critiquent l'absence de preuves quantitatives et proposent une expérience rigoureuse : définir des « sauts » scientifiques fréquents et voir si un LLM peut les re-dériver avec un minimum d'information. D'autres pointent que le papier, daté du 30 avril, a mal vieilli après l'annonce par OpenAI d'un contre-exemple au problème de la distance unité le 20 mai, bien qu'un sceptique doute que ce contre-exemple soit une preuve d'intuition créative.
-
AI fuels more than half of cybercrime in Africa as scams surge – Interpol
D'après le rapport 2026 d'INTERPOL sur les cybermenaces en Afrique, 55 % des cybercrimes recensés sur le continent impliquent l'utilisation de l'IA. Les escroqueries en ligne restent la forme la plus courante, avec des pertes financières passées de 192 millions de dollars en 2024 à 484 millions en 2025, attribuées à la fraude assistée par IA, au vol d'identifiants et à l'ingénierie sociale.
Le rapport, basé sur des données de 36 pays, souligne des tendances régionales distinctes : fraude mobile et ransomware en Afrique de l'Est, compromission de courriels professionnels et escroqueries sentimentales en Afrique de l'Ouest et centrale, tandis que l'Afrique australe attire les réseaux internationaux. L'IA est utilisée pour des deepfakes, des campagnes de sextorsion (environ 600 000 cas détectés par TrendAI) et la création d'identités synthétiques contournant certains systèmes biométriques.
INTERPOL pointe un manque de coordination entre banques, opérateurs et forces de l'ordre, et une préparation insuffisante face aux menaces IA. Cependant, 17 pays ont adopté ou mis à jour leur législation en 2025, et quatre opérations internationales ont abouti à plus de 1 500 arrestations et à la récupération de plus de 100 millions de dollars.
La discussion relativise fortement le titre de l'article : plusieurs commentateurs estiment que l'IA n'est pas la cause première de la cybercriminalité en Afrique, mais un amplificateur. Le vrai carburant serait l'accès massif à Internet, aux téléphones et aux réseaux sociaux, ainsi que la misère économique. Un commentaire résume que l'IA rend les arnaques plus crédibles (faux documents, deepfakes, identités synthétiques), mais que le problème de fond reste la précarité et l'absence d'opportunités. Un autre ironise que « l'Internet alimente 100 % de la cybercriminalité », soulignant que l'IA n'est qu'un outil parmi d'autres. Plusieurs intervenants signalent que les arnaqueurs n'ont pas attendu l'IA : les escroqueries aux princes nigérians et les chaînes de lettres existaient avant, et l'IA ne fait qu'abaisser le coût de production des messages.
Un débat oppose ceux qui décrivent des centres d'escroquerie tenus par des gangs chinois où les employés seraient forcés de travailler (passports confisqués, enceintes closes) à ceux qui affirment que beaucoup de jeunes y entrent volontairement, attirés par les outils et les revenus. Un commentateur relate que sa connaissance a été victime d'une arnaque hyperréaliste et a perdu ses économies, voire de l'argent emprunté, ce qui souligne le caractère régressif de ces fraudes. D'autres partagent des expériences personnelles : appels avec voix générées par IA, bots sur les réseaux sociaux, tentative d'arnaque sur Poshmark. Un praticien ayant géré un SaaS raconte avoir été submergé de messages générés par IA et remercie Cloudflare d'avoir bloqué le gros.
Plusieurs commentaires critiquent le manque de protection des personnes vulnérables, notamment les personnes âgées, et proposent des solutions : ne jamais répondre aux demandes d'argent par téléphone, faire valider les virements risqués par un proche ou un conseiller bancaire, utiliser des alias d'emails. D'autres pointent la responsabilité des grandes entreprises technologiques et réclament qu'elles soient tenues pour responsables, tandis qu'un avis minoritaire suggère de traiter les fraudeurs comme des terroristes, ce qui est immédiatement contredit.
-
Eight Myths on Software Engineering and GenAI
Titre seul : « Eight Myths on Software Engineering and GenAI » — aucun contenu disponible.
La discussion conteste largement les fondements de l'article, notamment ses citations obsolètes : plusieurs commentateurs relèvent qu'il s'appuie sur une étude METR de début 2025 qualifiée à tort de « récente », ainsi que sur des données de 2024, alors que le domaine évolue très vite. Un avis récurrent est que la part de 14 % du temps consacré à l'écriture de code est mal interprétée : si coder était jadis coûteux et committant, la baisse de ce coût change la nature du travail, le code devenant un outil de communication et de prototypage rapide ; d'autres rétorquent que la conception et la coordination restent le vrai goulot d'étranglement, et qu'aucune preuve ne montre que l'IA accélère ces tâches. Plusieurs praticiens constatent néanmoins un allègement réel : ils passent leur temps à piloter des agents, vérifier leurs sorties et orchestrer des flux, et certains voient leur charge de réflexion diminuer par tâche.
Les commentaires se divisent sur la valeur réelle de l'IA : certains la jugent surestimée, coûteuse et génératrice de dette technique, tandis que d'autres, utilisateurs intensifs, estiment qu'elle accélère nettement le travail sans remplacer le jugement humain. Un phénomène notable est mentionné : l'usage massif de génération de code peut faire perdre l'intérêt et la fierté du travail, certains développeurs se désengageant de projets personnels. Un commentaire souligne un « penalty de compétence » : une étude en Chine suggère que femmes et ingénieurs âgés utilisent moins l'IA par crainte d'être jugés incompétents, observation qui rejoint l'expérience de terrain d'un intervenant (41 % d'adoption après un an). Plusieurs voix appellent à dépasser le débat sur le remplacement des développeurs pour se concentrer sur l'augmentation de la production logicielle et la demande latente.