La société chinoise la plus proche d’Anthropic veut déplacer les « trois montagnes »

Le fondateur et scientifique en chef de Zhipu Zhihang, Tang Jie, a envoyé une lettre interne le 11 juillet. La lettre n’est pas longue : environ deux minutes suffisent pour en venir à bout, mais son poids n’est pas léger.

En bref, Zhipu prévoit, au cours des deux prochaines années, de lancer le « plan Touch High » (toucher la hauteur), en concentrant ses ressources sur quatre moteurs : « missions à long terme, systèmes d’agents autonomes, entraînement entièrement autonome, gouvernance de la sécurité ».

Ces quatre orientations ne viennent pas de nulle part. Tang Jie, en observant l’évolution de l’IA ces dernières années, a identifié trois montagnes qui freinent l’industrie. Une fois les montagnes franchies, on atteint l’AGI, la légende. Mais pour franchir ces trois montagnes, il faut avancer dans ces quatre directions. Les quatre directions deviennent ainsi quatre moteurs qui propulsent Zhipu.

Même si l’on parle de quatre moteurs, en réalité ils ont la même origine : l’un contient l’autre.

Et justement, deux jours avant la publication de cette lettre, le 9 juillet, Zhipu venait de placer 31,375 milliards de HKD d’actions nouvelles. Dans l’annonce, il est écrit que tout l’argent levé doit être entièrement dépensé d’ici la fin 2027.

Dès lors, la lettre de Tang Jie sert, en réalité, à expliquer : « À quoi Zhipu compte-t-il consacrer cet argent ? »

Ensuite, je vais analyser ces trois montagnes et ces quatre moteurs en détail.

Des « trois montagnes » aux « quatre moteurs »

Google a publié cette année, en juin, un rapport de 57 pages intitulé « From AGI to ASI ». Il y est aussi question de ce type de propos. « Si on donnait à une IA toutes les informations de l’époque d’Einstein, est-ce qu’elle pourrait déduire indépendamment la relativité générale ? »

Le PDG de DeepMind, Hassabis, reconnaît : « Évidemment, ce n’est pas encore possible aujourd’hui ; il manque quelque chose. »

Tang Jie désigne concrètement ce qui manque par « trois montagnes ». Elles sont : la capacité à réaliser des missions à long terme, les systèmes d’agents entièrement autonomes, et l’auto-évolution.

Tout comme les « quatre Rois Célestes » sont au nombre de cinq personnes, lorsque ces trois montagnes se traduisent au niveau R&D d’une entreprise, elles deviennent « quatre moteurs ». Chaque montagne correspond à un moteur, et le quatrième s’appelle la gouvernance de la sécurité.

S’il y a un moteur en plus, c’est parce que lorsqu’une IA dépasse la sagesse humaine en franchissant ces trois montagnes, il faut forcément en limiter le développement.

Premier moteur : les missions à long terme.

En mai de cette année, Tang Jie a publié un long billet sur X. La première phrase dit : « La direction la plus susceptible de faire une percée cette année, ce sont les missions à long terme. »

Tang Jie explique que, aujourd’hui, les grands modèles ressemblent davantage à des conseillers riches en connaissances : vous posez une question, il vous répond. À l’avenir, les modèles ressembleront plutôt à un employé capable de travailler de manière indépendante. L’humain n’a qu’à préciser l’objectif : ensuite, il décompose les étapes, appelle des outils, fait des essais et erreurs en boucle, travaille pendant des heures, voire des semaines, et finit par livrer un résultat.

Tang Jie prend l’exemple de la cybersécurité : faire chercher à un hacker une faille dans un logiciel. Il ne lui faut pas seulement lire le code ; il doit aussi monter l’environnement, essayer différentes voies d’attaque, éliminer les faux positifs et vérifier les résultats.

L’IA n’est peut-être pas plus douée que le meilleur hacker, mais elle peut tourner 24 heures sur 24, tout en répliquant des milliers d’instances et en essayant sans cesse. Si on apprend la logique d’un hacker professionnel, la ténacité et l’échelle de la machine peuvent amplifier cette capacité, et à terme remplacer une partie des tâches des hackers et des programmeurs.

Le problème, c’est que ce n’est pas parce que vous voulez que le modèle accomplisse des missions à long terme qu’il peut le faire. Tang Jie écrit dans son billet que, en plus de la capacité d’exécution, le modèle doit aussi posséder une capacité d’apprentissage continu et une capacité de jugement autonome. C’est ce qui mène à la deuxième montagne.

Deuxième moteur : systèmes d’agents autonomes.

Si les missions à long terme répondent à la question « une seule IA peut-elle achever de façon indépendante un travail complexe ? », alors les systèmes d’agents autonomes répondent à la question « un ensemble d’IA peut-il collaborer comme une entreprise ? ».

Tang Jie estime que les systèmes d’agents autonomes se composent d’agents dotés de compétences professionnelles différentes, avec répartition des rôles.

Par exemple, face à une tâche très complexe, il faut un agent pour établir le plan, un autre pour rechercher des informations, écrire le code, tester les résultats, chercher des failles. Quand la tâche atteint un certain niveau d’ampleur, il faut des agents spécialisés pour allouer la puissance de calcul et vérifier le travail des autres entités intelligentes.

Ils peuvent tourner 24 heures sur 24 et mener des discussions autonomes, coopérer et corriger les erreurs. L’an dernier, Tang Jie parlait encore de « One Person Company (OPC) », c’est-à-dire qu’une personne commande un grand nombre d’IA. Aujourd’hui, son jugement devient plus radical : à l’avenir, pourrait apparaître une « No Man Company (NPC) » où l’IA fait principalement le travail, de la gestion à l’exécution.

Ce n’est pas une question de multiplier des comptes. Plus il y a d’agents, plus le risque de confusion de communication, de redondance des tâches et d’erreurs qui s’amplifient entre elles augmente.

Ce qui bloque réellement les agents autonomes n’est pas le nombre d’Agent, mais le mécanisme organisationnel. Qui décompose les objectifs ? Qui attribue les autorisations ? Qui vérifie les résultats ? Comment éviter que plusieurs Agents ne se renforcent mutuellement dans leurs erreurs ?

Ainsi, dans son billet, Tang Jie indique que le développement de l’IA nécessite un mécanisme de « jugement autonome » afin que l’IA puisse s’auto-évoluer : c’est la troisième montagne.

Troisième moteur : entraînement entièrement autonome.

Tang Jie qualifie « entraînement entièrement autonome » de direction la plus difficile et aussi la plus séduisante.

Aujourd’hui, pour entraîner un grand modèle, il faut encore préparer des ingénieurs, collecter des données, écrire du code, lancer des expériences et analyser les résultats.

L’entraînement entièrement autonome vise à faire prendre progressivement en charge à l’IA tout ce processus : elle écrit le code, nettoie et génère les données, démarre l’entraînement, puis conçoit la prochaine série d’expériences à partir des résultats.

Tang Jie indique qu’une des méthodes importantes est le Self-Play. En termes simples : l’IA crée des questions et y répond, puis une autre IA s’occupe de repérer les erreurs et de noter. Dans les domaines où les résultats sont faciles à valider — code, mathématiques, jeux, etc. — cette méthode peut déjà produire une grande quantité de données d’entraînement.

Même si cela n’économise pas forcément beaucoup de puissance de calcul et peut même la faire augmenter, cela permet d’économiser des ressources humaines : les ingénieurs n’ont pas besoin de surveiller chaque étape de l’IA ; il leur suffit de fixer un objectif, puis la machine peut tout faire en autonomie.

Mais cela pose un nouveau problème : l’IA pourrait dépasser le contrôle humain. En recherche académique, il existe une idée appelée « Darwin-Gödel machine », où l’IA mettrait à niveau elle-même son modèle afin d’améliorer continuellement ses performances. Si cette direction n’a pas été beaucoup étudiée par la suite, c’est principalement parce qu’on craint une IA incontrôlable.

Et c’est là qu’arrive le dernier moteur : la gouvernance de la sécurité.

Si une IA franchit les trois montagnes précédentes, ses performances sont effectivement plus fortes, mais les risques qu’elle apporte sont aussi plus grands.

L’exécution sur le long terme signifie que le modèle agit en continu. La collaboration de multiples agents signifie que les erreurs peuvent être amplifiées. L’entraînement autonome signifie que la logique de décision du modèle peut devenir incompréhensible même pour les développeurs.

Dès que cette IA se trompe, on ne passe plus du « modèle donne parfois une réponse erronée » à une situation où « le système exécute en continu et amplifie une erreur ».

Tang Jie propose deux couches de protection.

La première, au stade d’entraînement, est l’alignement des valeurs. Elle ne se contente pas d’ajouter des « rustines de sécurité » comme des filtres de mots-clés en dehors du modèle ; elle veut intégrer l’éthique humaine, les normes sociales et les réglementations juridiques aux objectifs d’entraînement, afin que le modèle comprenne, dès la couche de base, ce qu’il peut faire et ce qu’il ne peut pas faire.

La deuxième consiste à investir des ressources de l’ordre de dizaines de milliards pour la recherche sur l’explicabilité mécanique, afin d’essayer de comprendre quels neurones et quels mécanismes à l’intérieur du modèle conduisent à tel jugement, rendant plus transparente la « boîte noire » difficile à comprendre.

Pourquoi Zhipu, et pourquoi maintenant

Sans aucun doute, Zhipu est l’un des points focaux de la communauté IA en Chine, et même dans le monde.

Le 13 juin 2026, Zhipu a publié son modèle phare GLM-5.2. Une fenêtre de contexte de 1M, licence MIT open source. Sur des benchmarks de capacités de code comme SWE-Bench Pro et Terminal-Bench, le modèle se classe parmi les trois premiers mondiaux, et premier en Chine.

Fin juin, des médias à l’étranger ont publié un article. L’article cite les tests de Semgrep, une société de cybersécurité : sur certains benchmarks de détection de failles, la performance du GLM-5.2 est proche de celle du modèle Mythos le plus fort d’Anthropic, et même supérieure à Claude Opus 4.8 sur des tâches spécifiques.

Cet article a suscité de très vives controverses dans le secteur de l’IA.

Il faut savoir que GLM-5.2 est un modèle open source, tandis que Mythos et Opus 4.8 sont des modèles fermés. Et le prix de GLM-5.2 est environ le dixième de celui d’Opus.

Ali Ghodsi, cofondateur de Databricks, s’est même prêté à une expérience en utilisant ses propres employés.

Il a fait réaliser à ses plus de 3 000 ingénieurs les mêmes tâches avec GLM-5.2 et Opus 4.8. Résultat : les deux modèles obtiennent des résultats assez proches. Mais GLM-5.2 coûte 1,28 dollars pour accomplir une tâche, alors qu’Opus en coûte 1,94.

Pourquoi tout le monde aime comparer Anthropic à Zhipu ? Parce que le PDG d’Anthropic, Amodei, est depuis longtemps un opposant ferme aux modèles open source.

Dès juillet 2023, il est allé témoigner devant le Sénat des États-Unis, disant que l’IA open source est une « voie très dangereuse ».

Son raisonnement était le suivant : si un modèle fermé a des problèmes, l’entreprise peut immédiatement l’arrêter, le modifier, et tracer qui en abuse ; mais une fois qu’un modèle open source est diffusé, les développeurs ne pourront plus le retirer.

La raison est la suivante : vous ne pouvez pas surveiller qui utilise un modèle open source, vous ne pouvez pas révoquer l’accès, et vous ne pouvez pas appliquer un patch de sécurité à un modèle déjà publié.

En juin 2026, après la sortie de GLM-5.2, Amodei a de nouveau lancé un avertissement public : la diffusion (publication) de l’open source de l’IA en Chine « déplaît beaucoup », et les capacités de sécurité de pointe ne devraient pas être entre les mains de modèles open source.

Il est très clair que Zhipu a déjà influencé le récit d’Anthropic. Mais avoir seulement un modèle ne suffit pas : il faut aussi des outils pour l’intégrer dans des scénarios réels de développement. Tout comme Anthropic a Claude Code, OpenAI a Codex.

Le même jour que la sortie de GLM-5.2, Zhipu a aussi publié son outil, ZCode 3.0. Il s’adapte profondément à GLM-5.2 et ne maintient plus l’adaptation d’Agents tiers. Autrement dit, ZCode est un outil exclusif à GLM-5.2 : les autres ne peuvent pas l’utiliser.

Les développeurs n’ont qu’à formuler les besoins en langage naturel. ZCode peut alors lire l’ensemble du projet de code, appeler le terminal et le navigateur, modifier des fichiers, exécuter des tests, vérifier les changements Git, puis faire avancer directement le projet jusqu’à l’état juste avant la livraison.

La vitesse de développement technique de Zhipu est élevée, et celle de la consommation de trésorerie l’est tout autant.

Le 8 janvier 2026, Zhipu est arrivée à la Bourse de Hong Kong. Prix d’émission : 116,2 HKD. Levée nette d’environ 4,896 milliards de HKD. Au 30 juin, elle avait utilisé environ 4,588 milliards de HKD, avec un taux d’utilisation de plus de 93 %, ne restant que 308 millions de HKD.

Le 9 juillet, Zhipu a annoncé un placement au prix de 1 588 HKD par action, portant sur un maximum de 19,78 millions de nouvelles actions H. Levée nette d’environ 31,375 milliards de HKD.

Cette fois, Zhipu ne lance pas une émission d’obligations, mais une augmentation de capital par de nouvelles actions. Le prix des nouvelles actions est inférieur d’environ 13 % à celui de clôture de la veille ; en théorie, ce type d’opération devrait peser sur le cours. Pourtant, le résultat a été exactement l’inverse : le jour de l’annonce, le cours de l’action de Zhipu a grimpé, allant jusqu’à +20 % en intraday.

Dans l’annonce, Zhipu indique que cet argent sera entièrement utilisé d’ici fin 2027. Les investissements se répartissent en trois grands axes : R&D centrale et infrastructures de puissance de calcul ; expansion commerciale et fusions/acquisitions dans l’industrie ; complément de fonds de fonctionnement et optimisation de la structure de capital.

Ainsi, à ce moment précis, Tang Jie doit faire quelque chose pour consolider la confiance. Publier un long article pour que le public et les employés de l’entreprise comprennent clairement ce que Zhipu va faire ensuite devient le choix le plus efficace et direct.

La veille du grand duel vers l’AGI

Touch high, traduit littéralement, signifie toucher la hauteur. Alors, notre hauteur à nous, c’est quoi ? C’est le ciel.

Et pour couronner le tout, juste avant que Tang Jie n’envoie sa lettre interne, le CEO de MiniMax, Yan Junjie, a lui aussi écrit une lettre interne intitulée « Vers le bout du ciel ».

Le 9 juillet, MiniMax a connu la première vague importante de déblocage de parts soumises à restriction après son introduction en bourse. Environ 146 millions d’actions ont été déverrouillées, soit près de 49 % du capital total.

Le cours a chuté d’environ 18 % le jour même, puis encore d’environ 10 % le lendemain. La capitalisation est passée du pic de 4 100 milliards de HKD en mars jusqu’à moins de 800 milliards de HKD.

Le soir même de la chute lors du déblocage, MiniMax a lancé la plus grande opération de refinancement depuis son introduction en bourse. Placement de nouvelles actions plus 6,5 milliards de HKD de convertibles sans coupon (zéro taux), pour une levée totale d’environ 16 milliards de HKD.

Parmi cela, le montant net du placement s’élève à environ 9,491 milliards de HKD, et celui des convertibles à environ 6,466 milliards de HKD. 80 % sont destinés aux infrastructures IA et à la recherche-développement de modèles, 10 % à la commercialisation mondiale du produit Harness, et 10 % à des fonds de fonctionnement.

Dans ce contexte, Yan Junjie fait dans sa lettre trois engagements.

D’abord, à partir du moment présent jusqu’à ce que l’entreprise atteigne l’AGI, il ne percevra plus aucun salaire ; ensuite, au cours des quatre prochaines années, il mettra à disposition, sous forme d’incitations en actions, des parts équivalentes à 4 % du capital total détenu personnellement ; enfin, il allouera 1 % de ses actions pour créer un fonds dédié afin de soutenir la communauté open source. Ses 5 % d’actions personnelles, plus la renonciation au salaire.

Même si la lettre de Yan Junjie est moins précise que celle de Tang Jie, elle est plus percutante : il engage sa fortune personnelle en pariant sur la valeur à long terme de MiniMax, avec la même destination : l’AGI.

L’introduction en bourse n’est pas la fin : c’est le début de la capacité d’investissement à long terme.

En parlant d’argent, il y a aussi récemment une autre star : DeepSeek, qui a obtenu des fonds.

Cette entreprise a bouclé un premier tour de financement de 50 milliards de RMB en juin, puis a lancé un recrutement massif de toute l’équipe le 25 juin.

Auparavant, DeepSeek : pas de financement, pas de commercialisation, pas de roadshow. Liang Wenfeng faisait vivre toute l’équipe grâce aux profits de la quantification d’Huanfang (幻方 quantitatif). Fondée il y a près de trois ans, elle avait refusé tout investissement externe.

Mais à partir de maintenant, DeepSeek vise aussi l’AGI.

Leur slogan de recrutement cette fois est « explorer l’inexploré ». L’annonce écrit directement : « L’humanité se trouve à la veille de l’AGI ». Elle invite les candidats à « vivre l’évolution du développement de l’AGI de première main, être assis à l’avant de l’époque, et assister à la naissance d’une nouvelle ère ».

Parmi les 33 postes, le plus à surveiller est l’équipe Agent Harness nouvellement créée en mars.

En interne, DeepSeek a une formule : Model + Harness = Agent. C’est identique à ce que Tang Jie appelle missions à long terme et agents autonomes. Harness détermine quels outils le modèle peut appeler, quelles ressources il peut accéder, et comment livrer les tâches.

Mais ce qui est vraiment intéressant, c’est un poste spécial appelé « talents techniques en interdisciplinarité IA ».

Ce poste n’impose aucune limite de formation professionnelle. Il vise « des candidats qui espèrent participer à la création et à la construction de l’AGI ». Les critères bonus incluent : « ne pas suivre la voie commune », « atteindre l’excellence dans un domaine », « avoir une expérience entrepreneuriale ».

La logique de DeepSeek est la suivante : l’ingénierie seule ne suffit pas pour atteindre l’AGI ; il faut davantage de « participants ».

Par exemple, des talents en sciences cognitives ou en psychologie : parce que l’IA imite essentiellement le processus de pensée humain, en étudiant comment les humains mémorisent, apprennent, jugent et éprouvent des émotions, il se pourrait que l’on aide l’IA à améliorer ses performances.

À quelle distance se trouve encore l’AGI ? Je ne peux pas le dire, mais j’ai le sentiment que l’AGI n’est vraiment pas loin.