Meta Platforms se prépare à lancer ses premiers modèles d’IA développés sous la direction d’Alexandr Wang. D’après un rapport d’Axios, la société prévoit de proposer certaines versions de ces modèles sous une licence open source.

Résumé

• Meta Platforms se prépare à lancer de nouveaux modèles d’IA sous Alexandr Wang, avec certaines versions prévues pour une sortie en open source.
• Le déploiement se fera par étapes, avec des éléments clés conservés propriétaires au début afin de gérer les risques de sécurité et de protéger des capacités avancées.
• Meta s’oriente vers une stratégie hybride, en équilibrant l’accès des développeurs avec un contrôle plus strict sur ses modèles les plus puissants.

Le déploiement devrait suivre une approche progressive. Même si certaines versions peuvent être rendues accessibles au public, certains composants resteront propriétaires dans la phase initiale, pendant que la société évalue les risques de sécurité et met en place des garde-fous pour des capacités plus avancées.

Meta Platforms a été l’une des rares grandes entreprises technologiques américaines à permettre aux développeurs de modifier ses modèles de pointe, mais la concurrence croissante dans le domaine de l’intelligence artificielle a entraîné une hausse des attentes quant au fait qu’elle pourrait réduire ce niveau d’ouverture.

Meta fait valoir que sa force réside dans sa portée auprès des consommateurs. En intégrant des outils d’IA dans des plateformes telles que WhatsApp, Facebook et Instagram, la société peut déployer sa technologie auprès de milliards d’utilisateurs dans le monde, souvent sans coût direct, une échelle que les concurrents ont du mal à reproduire.

Les modèles à venir s’inscrivent aussi dans une démarche visant à combler l’écart avec les concurrents. La famille Llama 4 précédente de Meta accusait un retard sur plusieurs indicateurs, ce qui a fait naître des attentes pour la génération suivante. D’après Axios, la société ne s’attend pas à surpasser ses rivaux sur l’ensemble des critères, mais estime pouvoir se différencier sur des domaines qui trouvent un écho auprès des utilisateurs du quotidien.

L’influence de Wang se fait de plus en plus visible dans cette direction. Il a soutenu que Meta peut aider à « démocratiser l’accès » à l’IA avancée en proposant des outils largement disponibles pour les développeurs et les consommateurs. En revanche, des concurrents tels qu’OpenAI et Anthropic sont perçus comme se concentrant davantage sur des déploiements auprès des entreprises et des administrations, avec un accès ouvert limité.

Équilibrer ouverture et contrôle

La stratégie de Meta commence à se clarifier avec une approche hybride. La société cherche à rester suffisamment ouverte pour attirer les développeurs, tout en gardant ses systèmes les plus avancés fermés afin de protéger sa position concurrentielle.

L’approche s’inscrit dans un mouvement plus large au sein de l’industrie. Même les entreprises qui, à une époque, ont promu l’accès ouvert deviennent plus sélectives quant à la publication de leurs modèles les plus avancés.

Dans le même temps, les tensions autour de l’ouverture se sont intensifiées. Elon Musk a critiqué Sam Altman et OpenAI, affirmant que l’entreprise s’est éloignée des modèles librement accessibles.

Parallèlement, Alibaba a choisi de conserver ses derniers modèles Qwen comme étant propriétaires après avoir fait marche arrière sur sa position précédente en faveur de l’open source.

Ces évolutions interviennent alors que le débat s’intensifie au sein de la communauté IA au sujet des capacités des systèmes actuels. Certains chercheurs soutiennent que les modèles construits sur la reconnaissance de motifs à grande échelle restent en deçà d’un véritable raisonnement ou d’une compréhension de type humain.

Meta explore aussi des approches alternatives en plus du développement de son modèle central. L’un de ces efforts est son projet « Brain Decoding », présenté pour la première fois en avant-première en 2023. L’initiative vise à comprendre et à simuler l’activité neuronale. Elle illustre des tentatives de s’affranchir des systèmes qui produisent principalement des sorties à partir de motifs de données appris.