Déploiement de GPT-6 Astra
OpenAI a lancé GPT-6 Astra, présenté comme le premier modèle franchissant le seuil de l’intelligence générale artificielle. Le modèle est d’abord distribué aux clients d’entreprise via le programme d’accès restreint Daybreak, puis progressivement aux abonnés ChatGPT Plus, Pro, Business et Enterprise. Il est également exposé par l’API OpenAI et intégré aux plateformes cloud d’AWS Bedrock et de Microsoft Azure, ce qui indique une stratégie multicloud dès le départ.
Architecture et contraintes techniques
Bien que les spécifications détaillées ne soient pas publiées, le positionnement « frontier » implique un nombre de paramètres supérieur aux 175 milliards de GPT‑4. Le modèle doit donc s’appuyer sur des clusters GPU à haute bande passante, probablement des H100 ou leurs successeurs, pour gérer les calculs de matrice‑vecteur et les opérations d’attention à grande échelle. La disponibilité via les services cloud suggère que le modèle est découpé en micro‑services capables de scaler horizontalement, tout en maintenant la latence requise pour les interactions en temps réel.
Implications pour l’AGI et limites actuelles
OpenAI avance que GPT‑6 Astra « marque le début de l’AGI », mais aucune métrique publique (taux d’erreur, capacité de raisonnement multi‑modal, robustesse aux adversaires) n’est fournie. Cette absence rend difficile l’évaluation scientifique du saut de performance. De plus, le déploiement limité à des clients triés sur le volet indique que le modèle reste sous contrôle strict, probablement pour limiter les risques de génération de contenus non‑alignés ou de fuites de données sensibles.
Écosystème concurrentiel : Cybercab, Meta et LLMs dans le navigateur
Le même jour, OpenAI a annoncé le service de robotaxis Cybercab. Tesla a reçu l’autorisation d’opérer 314 véhicules au Texas, dont 45 Cybercabs sans volant, basés sur des Model Y modifiés. L’absence de contrôle humain direct soulève des questions de redondance logicielle, de validation des capteurs et de conformité aux normes de sécurité fonctionnelle (ISO 26262).
Parallèlement, Meta a procédé à une réduction de 10 % de son personnel et a réaffecté 20‑30 % de ses ingénieurs à la formation IA, entraînant une baisse de moral et plusieurs pannes de service. Cette réorganisation montre la pression croissante pour internaliser les capacités LLM, mais révèle aussi les limites organisationnelles lorsqu’une transition rapide n’est pas accompagnée d’une gouvernance adéquate.
Enfin, le projet Three‑LLM démontre que des modèles comme GPT‑2, SmolLM2, Qwen ou Phi peuvent être exécutés dans le navigateur grâce à WebGPU. Le pipeline convertit les graphes d’inférence en shaders compute Three.js, exploitant les buffers de stockage, les dispatches de calcul, la mémoire de groupe de travail, les atomics et le read‑back GPU. Cette approche met en évidence la capacité des GPU modernes à supporter des opérations de multiplication matricielle et de réduction en temps réel, mais reste limitée aux modèles de petite taille en raison de la bande passante mémoire du navigateur.
