Contexte de l'événement
TechCrunch Disrupt se tiendra du 13 au 15 octobre 2026 au Moscone West, San Francisco. Plus de 10 000 fondateurs, investisseurs et dirigeants y assisteront, aux côtés de 250 plusieurs intervenants et 300 startups exposantes. Le programme comprend plus de 200 sessions réparties sur six scènes thématiques, dont des tables rondes et des ateliers pratiques.
Choix entre modèles ouverts et propriétaires
La session « The Real Tokenmaxxing » réunit Mo Jomaa (CapitalG), Vipul Ved Prakash (Together AI) et Zuzanna Stamirowska (Pathway). Ils montrent que les startups utilisent désormais plusieurs modèles simultanément, chaque modèle étant dédié à une tâche précise (génération de texte, vision, raisonnement). Cette approche multi‑modèle permet d’ajuster le coût d’inférence, la latence et la précision en fonction du cas d’usage. Les intervenants soulignent que les modèles ouverts, lorsqu’ils sont bien adaptés, peuvent surpasser les offres propriétaires sur des charges de travail ciblées, notamment grâce à la possibilité de fine‑tuning sur des jeux de données spécifiques.
Stratégies de propriété du stack IA
Manos Koukoumidis (Oumi) propose un cadre décisionnel : louer une API frontier, personnaliser des poids ouverts ou développer un modèle propriétaire. La location minimise les dépenses initiales et accélère le time‑to‑market, mais elle crée une dépendance à un fournisseur externe. La personnalisation d’un modèle ouvert offre un compromis : le contrôle sur les données d’entraînement et la différenciation, tout en conservant la flexibilité d’un modèle partagé. La construction d’un modèle propriétaire exige des équipes spécialisées, des ressources de calcul importantes et un horizon de déploiement plus long, mais elle garantit une maîtrise totale du pipeline et des possibilités de brevet.
Co‑conception matériel et implications
Anna Goldie et Azalia Mirhoseini (Ricursive Intelligence) abordent la convergence entre architecture de modèle et conception de puces. Les algorithmes d’optimisation IA génèrent des topologies de réseaux qui influencent la forme des unités de calcul, réduisant la consommation énergétique et la latence. Cette rétroaction accélère le cycle d’innovation matériel, ce qui peut réduire le coût d’accès aux accélérateurs spécialisés pour les startups. Toutefois, la dépendance à du matériel optimisé pour un modèle donné peut limiter la portabilité si le modèle évolue vers une architecture différente.
