Titre original : Open Source Wins, AGI Is Here，and Scorsese's AI Toolkit—Cerebras & Black Forest Labs CEOs
Source originale : All-In Podcast
Compilation originale : Profondeur TechFlow

Résumé des points clés

Cette émission accueille les deux PDG de deux entreprises d’infrastructures IA. Andrew Feldman est le fondateur de Cerebras : l’entreprise se spécialise dans les puces d’inférence, vient de finaliser son introduction en bourse, et détient 2,5 milliards de dollars de commandes en attente. Il martèle une idée : la demande de puissance de calcul pour l’IA est déjà totalement réservée, il n’y a pas de situation du type « c’est prêt, il n’y a plus qu’à attendre des clients ». Les appétits d’OpenAI, d’Anthropic, de SpaceX et de Google dépassent largement l’offre. Et l’arrivée du raisonnement (reasoning) fait à nouveau bondir l’intensité de calcul : c’est précisément le terrain de jeu des « machines rapides ». Robin Rombach est le fondateur de Black Forest Labs : il conçoit des modèles d’images et de vidéos génératives (série Flux). Il a auparavant inventé l’algorithme de latent diffusion, autrement dit la base de tous les modèles actuels de génération d’images et de vidéos. Il vient de collaborer avec Martin Scorsese : le réalisateur utilise l’IA pour visualiser les images dans son esprit ; mais ce qui l’excite davantage, c’est que la même série de modèles multimodaux peut tourner des films et aussi être déployée sur des robots en tant que « cerveau ». La destination de la vidéo générative n’est pas sur l’écran : elle se trouve dans le monde physique.

Résumé des idées marquantes

Le reasoning est le prochain gouffre à puissance de calcul

· « Ce qui est intéressant, c’est que cette vague est différente des précédentes : ils ne parient pas sur “construire et attendre que quelqu’un vienne”, la demande a déjà réservé la capacité. On a 2,5 milliards de dollars de commandes en attente. »

· « Le raisonnement, c’est reasoning : reasoning consomme d’énormes quantités de tokens, et c’est exactement le champ de bataille des machines rapides. »

· « Si Cerebras est 15 fois plus rapide, que tu tournes 24 heures, c’est comme si tu faisais quelques semaines, voire quelques mois de réflexion. »

Open source et souveraineté : ce que les entreprises veulent, c’est le contrôle

· « Personne n’aime être dépendant. La leçon apprise par les très gros acteurs depuis l’ère x86, c’est qu’on finit attaché à Intel. »

· « Tu n’as pas besoin d’avoir la puce la plus rapide : tu dois juste ne pas dépendre entièrement de la puce des autres. »

· « Si aujourd’hui tu veux exécuter des modèles open source, soit c’est l’OSS 12B d’OpenAI, soit ce sont des modèles chinois : les États-Unis ont besoin de plus d’options d’open source locales. »

L’AGI est déjà arrivée selon les définitions d’il y a vingt ans

· « Quelles que soient les définitions d’AGI que nous avons proposées il y a 20 ans, 30 ans, 40 ans, nous les avons largement dépassées. »

· « Le test de Turing ? C’est déjà balayé depuis longtemps. »

· « Le problème n’est plus de savoir comment poser les questions : l’IA peut te dire, à la place : “Hé, espèce d’humains bêtes, vous n’aviez pas envisagé ça.” »

La vidéo générative ne remplace pas la création humaine

· « Ces modèles d’IA sont un médium : nous ne voulons pas dicter comment les utiliser, surtout pour des personnes comme Martin Scorsese. »

· « Le langage est une forme de communication un peu réductrice ; les signaux d’information visuelle sont trop riches. Transformer les images dans le cerveau en images visibles : c’est là que la technologie est la plus puissante. »

· « Les résultats les plus intéressants apparaissent presque tous lorsque les humains, dans une boucle, itèrent en continu. »

Du cinéma aux robots : le même modèle

· « Tu peux utiliser le même modèle multimodal pour tourner un film, puis le déployer en tant que “cerveau” sur un robot. »

· « La vidéo pré-entraînée enseigne implicitement au modèle les règles d’interaction avec le physique, puis tu récupères de ce même modèle la prédiction d’actions : autrement dit, le contrôle du robot. »

· « L’objectif, c’est que tu puisses diriger le robot avec des instructions d’in-context prompt : “Va chercher ce verre de jus d’orange”. Pour l’instant, on n’y arrive pas encore, mais c’est la direction. »

AI infrastructure frenzy : les centres de données plus grands qu’une ville

Hôte : On n’a jamais vu un tel niveau de construction. Depuis la Grande Muraille, les pyramides, l’humanité n’a jamais investi autant de capitaux, de temps et de cerveaux pour construire quelque chose. En fait, tu fais ça : tes clients construisent des centres de données, et tu es un maillon clé. En 2026, sur quoi Cerebras travaille ? Et comment se présentent ces énormes projets du côté du Texas ?

Réponse : Les centres de données dont on parle, dans les prochaines années, vont consommer une quantité d’électricité supérieure à la totalité de ce qui a été consommée par la Terre au cours des 50 dernières années. À eux seuls, certains bâtiments font la taille d’un terrain de football, et l’électricité connectée dépasse celle d’une ville moyenne. Ils sont en construction partout aux États-Unis, au Canada, dans les pays nordiques, à Paris et sur tout le territoire français, au Moyen-Orient, et même de grands centres de données sont en construction au Kazakhstan, au Tadjikistan et en Géorgie. Chaque pays, chaque État veut participer.

Qui paie ? OpenAI, Anthropic, SpaceX AI, Google : leur appétit est gigantesque, c’est impressionnant. Ce qui est intéressant, c’est que cette vague est différente de beaucoup de précédentes envolées technologiques : ils ne parient pas sur « construire et attendre que quelqu’un vienne », la demande a déjà réservé la capacité. On a 2,5 milliards de dollars de commandes en attente. OpenAI veut plus de centres de données, Microsoft en veut plus, AWS en veut plus. Ce n’est pas une demande qui attend des clients : les clients font déjà la queue.

Hôte : Cela crée aussi un terme appelé « token maxing », le fait de faire exploser les tokens sans limite. On remet en question : une demande aussi énorme crée-t-elle vraiment une valeur réelle ?

Réponse : Bien sûr, il y a énormément de valeur qui se crée. Bien sûr aussi qu’il y a énormément de tests inutiles. Quand je suis arrivé chez AWS, c’était encore pire pour moi, et à contourner son propre service IT, c’était beaucoup trop facile : chaque ingénieur prenait une carte de crédit et s’inscrivait. Beaucoup de choses servent vraiment ; certaines, après coup, quand on y pense, c’est du genre « bon sang, on n’aurait pas dû faire ça ». Mais globalement, c’est rentable : certaines directions ratent juste la cible.

Je me souviens qu’en 1988, Costco a ouvert à Palo Alto : tout le monde faisait son shopping comme s’il s’agissait d’aller chez Safeway, en parcourant chaque allée. C’était une façon de faire assez mauvaise : tu achetais quatre articles dont tu n’avais pas besoin, à 22 dollars chacun. Ensuite, les gens ont appris une stratégie : aller chercher les poulets au fond, prendre 18 gâteaux cupcakes en papier pour une fête d’anniversaire d’enfants, et finir rapidement. La consommation de tokens IA, c’est pareil : au début, tout le monde les utilisait sans compter ; maintenant, les entreprises commencent à parler stratégie : quelles tâches nécessitent seulement des modèles open source, et lesquelles requièrent des modèles de pointe. On commence à gérer l’IA comme une entreprise.

Le reasoning remplace l’entraînement : pourquoi les machines rapides sont les vedettes de cette vague ?

Hôte : Sam Altman l’a dit sur AllIn : la suite, c’est le reasoning, la compréhension d’intention, la définition de stratégies, et la validation croisée avec d’autres threads d’agents. On est passé de « deviner le mot suivant », et maintenant Cerebras se retrouve au centre : le reasoning, c’est l’inférence, et les calculs sont gigantesques.

Réponse : Le raisonnement consomme d’énormes quantités de tokens : c’est ça qui donne un terrain de bataille aux machines rapides. À chaque étape du reasoning, tu avales des tokens en interne : au lieu de compter sur le fait de passer beaucoup de temps pour obtenir de meilleures réponses. Cerebras étant 15 fois plus rapide, faire 24 heures de raisonnement revient à plusieurs semaines, voire plusieurs mois de réflexion de la part de quelqu’un d’autre.

Ce matin, j’ai testé un modèle GLM-52 de ZAI sur BitTensor : je lui ai donné une puissance de calcul infinie, pour qu’il me dise chaque heure les tendances à l’échelle mondiale qui n’ont pas encore été identifiées. Il s’est mis à débattre tout seul : est-ce qu’il devrait chercher dans Hacker News et Reddit, ou est-ce que les tendances apparaissent plus tôt sur Instagram ? J’observais un modèle de raisonnement qui, en arrière-plan, se discutait à lui-même : il faisait du reasoning. Tokens infinis = reasoning infini ; avec Cerebras 15 fois plus rapide, 24 heures équivalent à plusieurs semaines.

Hôte : Est-ce que Cerebras a sa propre Moore’s Law ? Combien de temps en interne avant que ça double ?

Réponse : Tous les puces précédentes suivaient la Moore’s Law : toutes les 18 mois, ça doublait. Nous avons rompu cette trajectoire avec cette puce, et nous avons trouvé une voie entièrement nouvelle. Mon estimation : dans les 18 prochains mois, on ira bien au-delà de 2 fois. La nouvelle architecture peut encore être optimisée : les GPU sont une vieille architecture d’il y a 20 ans, et ne peuvent tenir que grâce à la réduction des nœuds de gravure, mais il y a encore beaucoup à apprendre et à régler avec une nouvelle architecture.

Hôte : Avec 2,5 milliards de dollars de commandes en attente, il faut aussi suivre le rythme d’OpenAI : ils pourraient être de futurs concurrents potentiels. Comment tu gères l’entreprise ?

Réponse : Aujourd’hui, les « silicon boards » ne restent pas en veille : la demande est trop forte. Mais tu as raison : OpenAI fabrique aussi ses propres puces, Amazon aussi. Personne n’aime être dépendant. La leçon apprise par les ultra-grosses entreprises depuis l’ère x86, c’est d’être lié à Intel ; celle apprise par les fabricants de GPU, c’est d’être liés à quelques très gros clients : c’est pour ça qu’ils ont financé le nouveau cloud. Faire ses propres puces ne vise pas à être le plus rapide : il s’agit de ne pas dépendre entièrement des autres, et au moins de maîtriser une partie importante de son destin.

Open source et souveraineté : ce que les entreprises veulent, c’est le contrôle

Hôte : L’open source arrive à un moment clé. Au début, j’utilisais OpenClaude ; puis j’ai utilisé Kimmy. J’ai vu des tokens de Claude exploser, mais je n’arrivais pas à distinguer les différences avec Kimmy. Les modèles open source commencent à faire du reasoning : l’écart s’est soudainement refermé cette année.

Réponse ! : Tu ne veux pas aller acheter une Ferrari pour faire des courses au supermarché. Parfois, tu prends une voiture de course ; parfois, un minivan. Les enfants laissent tomber des Cheerios : tu ne t’en soucies pas. Les entreprises aussi : les problèmes difficiles, tu les confies aux modèles de pointe (OpenAI, Anthropic, Gemini). Mais derrière, une grande partie des questions du quotidien ne nécessite qu’une capacité open source solide. Imagine combien de temps une entreprise passe à copier-coller dans Workday vers Excel, dans une autre cellule : pour ça, pas besoin de médailles de maths, un open source fiable suffit.

Récemment, j’ai tiré une autre carte : les secteurs régulés comme la finance et la santé (HIPAA, FINRA) craignent les fuites de données, craignent que la souveraineté du « smart » soit entre les mains de quelqu’un d’autre : ils veulent exécuter les modèles en local, en prenant plus la version open source pour récupérer un peu plus de contrôle. OpenAI, il y a quelques mois, a mis l’OSS 12B à disposition : c’était correct. Mais aujourd’hui, pour exécuter de l’open source aux États-Unis, soit c’est l’OSS 12B, soit ce sont des modèles chinois : les options d’open source locales sont trop limitées. NVIDIA a aussi repéré cette fenêtre : ils poussent leurs propres modèles open source, mais Jensen hésite : ses clients, ce sont Sam, Dario, Elon, Sergey. S’ils mettent de l’open source, est-ce qu’ils vont voler des affaires à leurs clients ?

La position de Cerebras est relativement neutre : nous faisons tourner GLM, nous faisons tourner Kimmy, nous faisons tourner la série Qwen, et nous faisons aussi tourner des modèles en closed source d’OpenAI. Nous faisons aussi tourner des modèles que GSK développe en interne, et des modèles propres de UAE G42 et de MBZUAI. La question de la souveraineté : c’est une tendance.

L’AGI est là, le paradigme ne meurt pas, et l’humain arrive

Hôte : Quand Fable 5 et o-56 ont été publiés, les gouvernements ont dit « pause, puis on verra ». Les relations entre Anthropic et le niveau administratif sont tendues, et maintenant ça commence à se calmer. Tu penses qu’une publication par étapes est raisonnable ? Les modèles sont-ils vraiment assez dangereux ?

Réponse : Je n’ai jamais vu une situation comme celle-ci auparavant. Mais en y repensant : quand un modèle est suffisamment fort en pensée créative, et que le gouvernement dit « publiez par étapes », je pense que ce n’est pas forcément déraisonnable. On gère aussi les médicaments puissants de cette manière : je ne fais pas la promotion du tas de documents de type FDA faits de formulaires de sept ans, mais on peut dire « laissez le gouvernement faire un peu de red teaming, pour vérifier que notre défense tient », et si on a besoin de deux ou trois semaines pour combler les failles évidentes, ce n’est pas une demande injustifiée.

Mais en ce moment, c’est l’époque la plus polarisée. Si ce n’est pas Trump qui a fait ça, avec n’importe quel autre président, la réaction aurait pu être totalement différente. La polarisation abîme la pensée claire. Les deux camps font des choses stupides et font aussi des choses intelligentes. Les agents de terrain dans l’État font vraiment leur travail sérieusement : c’est juste que tout va trop vite.

Nikesh de Palo Alto Networks me l’a dit : ils ont testé les modèles sur leurs propres logiciels et ont trouvé des dizaines de failles critiques en une heure. Ils ont dû tout arrêter et passer six semaines à faire des rustines. Tu réalises que c’est un outil puissant : peut-être qu’il faut d’abord le montrer à un petit groupe, ou peut-être d’abord faire des tests de red team.

Hôte : En suivant n’importe quelle définition d’il y a 20 ans, l’AGI est déjà arrivée. Tu penses pareil ?

Réponse : Oui. Le test de Turing ? Déjà dépassé, depuis longtemps. Pour n’importe quelle définition proposée il y a 10 ans, 15 ans, 20 ans, 30 ans, 40 ans, 50 ans : nous les avons largement dépassées. Les questions des auteurs de science-fiction, on les a déjà toutes traitées : ils diront « bon, j’ai plus de questions, désolé ». C’est justement pour ça que les paroles de gens qui ont l’air « en marge » méritent d’être écoutées : il y a 8 ans, Ilya a parlé de sécurité ; tu dis « quoi ? » et il avait raison. Elon a dit que le coût des fusées tomberait à presque zéro : tu dis « quoi ? » et il l’a fait.

Hôte : Apprentissage récursif : tu lui poses une question, il apprend le résultat, tu lui redemandes, la réponse est meilleure, elle couvre plus de contenus. Les réponses produites par ces cycles passent directement de “un peu mieux” à “beaucoup mieux”. La pente d’une courbe exponentielle est trop abrupte.

Réponse : Le gain récursif est exponentiel : tu deviens encore meilleur, puis tu recommences, et le gain continue, la pente est trop raide. On vient juste de l’observer. Est-ce que continuer à injecter de la puissance de calcul rend les réponses de plus en plus meilleures ? Après avoir consommé les tokens ou le budget, ça s’arrête. Mais à quel moment cette courbe exponentielle arrive-t-elle à une limite ? Ou bien va-t-elle continuer indéfiniment vers le haut et vers la droite ? Cette question est extrêmement intéressante en ce moment.

Le rythme d’apprentissage humain est bloqué par les générations : un éléphant et de grands mammifères ont besoin de 15 à 20 ans pour produire une nouvelle génération. Pour aller plus vite, il faut être comme la drosophile : deux générations par jour. L’IA est en train d’obtenir une vitesse d’apprentissage qui traverse des milliers de générations. Quand j’étudiais la psychologie, un professeur a dit une phrase : le paradigme ne meurt pas, et l’humain arrive. Les élèves de Freud, Skinner, Jung, occupaient des postes de leadership pendant 20 à 40 ans, puis seulement la prochaine génération osait remettre en question. L’IA comprime l’intervalle entre générations jusqu’à une vitesse de drosophile.

Mon pari, c’est ceci : nos enfants et toutes les personnes qu’ils connaîtront ne mourront pas de cancer. Il y aura des secousses économiques : quand les voitures arrivent, ce n’est pas une période facile pour ceux qui déferrent les chevaux. Mais listons ce qui est gagné et ce qui est perdu : énergie infinie, nourriture infinie, connaissance infinie, éducation infinie, logement infini. Pendant mille ans, nous avons su qu’un tuteur en face à face est mieux qu’une salle de classe : Aristotle tutorant Alexander, Socrates tutorant ses élèves. Mais nous avons choisi l’enseignement façon usine. Maintenant, avec l’IA, chaque enfant peut avoir un tuteur qui lui apprend selon sa propre manière.

La boîte à outils IA de Scorsese : transformer les images du cerveau en réalité

Hôte : Robin Rombach est cofondateur et CEO de Black Forest Labs, basé dans la région de Forêt-Noire, entre Freiburg et San Francisco. Tu faisais Stable Diffusion avant, et tu as inventé l’algorithme de latent diffusion. Quelle est l’activité de Black Forest Labs ? Quel est l’objectif ?

Réponse : Il y a deux ans, avec mes partenaires, nous avons fondé cette entreprise. Nous avons d’abord travaillé sur Stable Diffusion, et avant cela, nous avons inventé le latent diffusion : c’est l’algorithme de base qui se cache derrière toute la génération d’images, la génération vidéo, et même des modèles d’IA physiques. Le principe consiste à compresser les données naturelles (images, vidéos, audio) dans un espace de représentations efficace, puis à entraîner dessus un transformer, un peu comme le principe de JPEG et MP3, mais en utilisant des algorithmes de réseaux de neurones. Nous l’avions conçu pendant nos études doctorales à Munich.

Aujourd’hui, nous attaquons les modèles visuels multimodaux : pré-entraînement simultané sur les données d’images et d’audio, et nous entrons dans un nouveau paradigme : en combinant action prediction, le même modèle peut faire des images, faire des vidéos, faire de l’audio, et prédire des actions, jusqu’à pouvoir être déployé sur des robots dans le monde réel.

Hôte : De l’image à la vidéo, puis l’audio, puis les robots : si le modèle peut générer de la vidéo, cela signifie qu’il comprend le monde.

Réponse : Deux formes complémentaires d’intelligence sont la pensée intuitive et le raisonnement profond. Nous partons du côté intuitif : l’image est l’entrée la plus naturelle, et elle n’est pas aussi coûteuse en calcul que la vidéo. Mais maintenant, tout converge vers des modèles multimodaux. La vidéo pré-entraînée enseigne implicitement au modèle les règles d’interaction physique ; à partir de ce même modèle, on obtient la prédiction d’actions, c’est-à-dire le contrôle du robot.

Hôte : Tu as collaboré avec Martin Scorsese ? Tu es assis à côté de lui et tu lui fais utiliser tes outils ?

Réponse : Oui. Nous étions dans la même pièce : il explorait nos modèles. En tant que l’un des chercheurs principaux, il était assis à côté : c’était complètement fou. Et en même temps, je suis un énorme fan de lui.

Il voulait visualiser les scènes dans sa tête : un village en Europe de l’Est, il le décrit, nous voyons la sortie, il itère. À la fin, il a dit quelque chose du genre : transformer les images dans le cerveau en expression visuelle : cette efficacité de communication est bien supérieure à celle du langage. Le langage est une communication un peu réductrice : les signaux d’information visuelle sont tellement riches. L’information contenue dans une image ou dans une vidéo, c’est gigantesque : c’est un autre canal de communication.

Nous ne voulons pas dicter comment utiliser ces modèles, et encore moins dire à Martin Scorsese « tu devrais les utiliser comme ça ». Les modèles d’IA sont un médium. Les choses les plus intéressantes apparaissent presque toujours lorsque les humains, dans une boucle, itèrent en continu.

De la création au robot : la destination des modèles génératifs n’est pas sur le grand écran

Hôte : Les startups utilisent maintenant Flux et vos modèles pour faire des vidéos de lancement. Avant, il fallait 250 000 dollars pour faire une launch video ; maintenant, c’est fait en une ou deux semaines. Gal Gadot vient de faire un film Bitcoin : les acteurs jouent sur un sound stage sans green screen, et tous les arrière-plans sont réalisés avec de l’IA générative. Avec un budget de 30 M de dollars, ils ont produit un effet qui, à l’époque, aurait nécessité 150 M. Tu as vu une utilisation dans la production ?

Réponse : J’en ai vu quelques-unes. La production de films haut de gamme est l’un des cas d’usage les plus exigeants. Je suis heureux que certaines personnes explorent, mais je veux aussi clarifier : la technologie est encore en phase de trajectory ; elle itère rapidement. Il y a quelques années, pendant nos études PhD, on ne pouvait générer que des images 64×64 ; maintenant on fait des vidéos haute résolution avec entrées multiples, mais ça ne va pas s’arrêter là.

Ce qui me passionne le plus, c’est ceci : tu peux prendre le même modèle multimodal pour tourner un film, puis le déployer comme « cerveau » sur un robot. Reste à savoir si l’« utilisation de l’ordinateur » peut fonctionner comme prévu, mais la technologie s’oriente vers le monde physique : world models, action models, et en clair, c’est la même idée.

Hôte : D’où vient la donnée d’entraînement ? Faire enregistrer la première personne par des humains avec des lunettes et des gants ? Ou bien regarder sur YouTube des vidéos d’un millier de personnes qui versent des boissons et ça suffit ?

Réponse : L’objectif, c’est de commander le robot avec des instructions d’in-context prompt : « Va chercher ce verre de jus d’orange ». Pour l’instant, ce n’est pas encore possible. Actuellement, l’approche consiste à partir du fait que le modèle a déjà été doté d’une grande compréhension visuelle : il suffit de quelques heures de données de fine-tuning pour l’adapter à un matériel spécifique. La direction, c’est de faire le moins de fine-tuning possible et de s’appuyer au maximum sur des instructions d’in-context, mais c’est encore une question de recherche.

Hôte : L’open source est à un moment clé, et les entreprises veulent de la souveraineté. Pour Disney, avec ses immenses bibliothèques d’IP, comment faire : entraîner vous-mêmes avec vos modèles open source, ou coopérer pour entraîner des modèles dédiés ?

Réponse : L’utilisation la plus intéressante, c’est de générer ce qui n’existait pas auparavant : c’est là que la technologie est, fondamentalement, la plus passionnante. Sur nos outils publics, on ne peut pas générer une IP spécifique : c’est tout à fait logique. Nous collaborons aussi avec certaines parties qui détiennent des IP pour développer des modèles : certains sont basés sur nos modèles open source, d’autres sur nos modèles proprietary plus puissants.

L’angle le plus intéressant, c’est que la technologie devient plus rapide, plus interactive. Tu peux imaginer qu’il existe, sur Disney+, une multitude d’outils de création de contenus interactifs.

Hôte : Le phénomène le plus intéressant aujourd’hui, ce sont les fan films. Avant, les fan fictions permettaient d’écrire sa propre histoire Star Wars ; ensuite, des gens ont commencé à porter des costumes de Jedi pour tourner des fan films. George Lucas a dit que tant que ce n’est pas utilisé de manière commerciale, c’est permis. Aujourd’hui, les gens utilisent l’IA pour réinterpréter des histoires Star Wars que personne n’avait racontées : Star Wars Stories Untold, chaque vidéo avec des millions de vues. Voilà l’avenir : permettre aux consommateurs de payer pour l’autorisation, puis leur permettre de créer leurs propres histoires avec les personnages.

Réponse : Si on peut trouver un modèle économique viable pour les détenteurs d’IP, tout en ouvrant ce type de personnalisation ultra-créative, alors ce sera formidable. Je lis un livre ou je regarde un film et je pense toujours : « Et si ça évoluait comme ça ? » Maintenant, on peut enfin rendre ces idées visibles.

Nous venons de passer les 100 personnes, et nous recrutons en Allemagne et à San Francisco : des chercheurs pour l’entraînement à grande échelle des modèles, des personnes ayant de l’expérience dans l’entraînement diffusion et flow matching, des ingénieurs qui développent des plans de personnalisation avec des clients, des équipes pour l’exploitation des infrastructures de calcul à grande échelle, et aussi des gens intéressés par l’idée de transmettre la technologie à davantage de personnes.

Lien de l’article original

Cliquez pour découvrir les postes ouverts de Lydong BlockBeats

Bienvenue à rejoindre la communauté officielle de Lydong BlockBeats :

Groupe Telegram (abonnement) : https://t.me/theblockbeats

Groupe Telegram (discussion) : https://t.me/BlockBeats_App

Compte Twitter officiel : https://twitter.com/BlockBeatsAsia