Salut à tous,

C’est le résumé du vendredi, où on fait le point sur les explorations et les découvertes de la semaine.

Annonce — La Source : Nouvel entretien

Des entreprises dans l'Alliance rebelle de l'open source

Cette semaine, j'ai eu l'occasion de participer au RAISE Summit, qui s'impose depuis deux ans comme une référence des événements IA à Paris.

Une bonne occasion de rencontrer des entreprises et de recueillir les visions de certains dirigeants qui m'ont particulièrement marqué. Parmi elles, celles de Mark Surman, créateur de Mozilla, et d'Arthur Mensch, fondateur de Mistral, autour de l'open source et de la volonté de créer une alliance rebelle contre les modèles concentrés et centralisés.

C'est une vision attrayante : se tourner vers l'open source plutôt que vers la concentration. Pour Mark Surman, la majorité des solutions du futur seront construites sur de l'open source. Arthur Mensch, de chez Mistral, partage cette perspective : pour lui, l'alternative à l'open source est un monde concentré entre les mains de quelques entreprises, dont la puissance dépasserait celle des États, avec une influence considérable, discutable et potentiellement dangereuse.

Cela soulève deux questions essentielles :

• Comment finance-t-on les projets open source ?

• Comment convainc-t-on les entreprises d'abandonner le choix de la facilité et d'une apparente sécurité, à savoir se tourner vers Microsoft ou Google ?

Ce point fera écho avec un paragraphe plus bas, justement consacré aux modèles open source et à leur fermeture potentielle.

Par ailleurs, pour mieux comprendre ce que l'on doit construire, comment le construire et où se situent les capacités, je vous partage la chaîne de valeur entre le computing, le training, le retraining, le cross-training et l'inférence. Vous trouverez ci-dessous un schéma explicatif pour en savoir davantage.

Chaîne de valeur mise à jour : Compute → Training → Reinforcement Learning (RL) → Fine-tuning → Cross-training → Inférence

┌────────────────────────────────────────────────────────────┐
│                      COMPUTE                               │
│         (GPU/TPU — la ressource physique brute)            │
└───────┬─────────┬──────────────┬─────────────┬─────────────┘
        │         │              │             │
        ▼         ▼              ▼             ▼
┌───────────┐ ┌──────────┐ ┌──────────────┐ ┌────────────────┐
│ TRAINING  │ │    RL    │ │ FINE-TUNING  │ │ CROSS-TRAINING │
│ (créer le │ │(aligner  │ │(spécialiser  │ │(transférer un  │
│  modèle   │ │ le compor│ │ un modèle    │ │ savoir entre   │
│  de base) │ │-tement)  │ │ existant)    │ │ modèles/tâches)│
└───────────┘ └──────────┘ └──────────────┘ └────────────────┘
                                    │
                                    ▼
                          ┌───────────────────┐
                          │    INFÉRENCE      │
                          │ (faire tourner le │
                          │  modèle final)    │
                          └───────────────────┘

Le Reinforcement Learning (RL / RLHF / RLAIF) Se place entre le training brut et le fine-tuning. Après le pré-entraînement (le modèle sait "prédire le mot suivant"), le RL sert à aligner son comportement : le rendre utile, sûr, capable de suivre des instructions. C'est l'étape qui transforme un modèle brut en assistant utilisable (c'est ce qui différencie un LLM de base d’un assistant, ou d’un agent).

• Coût : élevé, mais moins que le pré-entraînement complet

• Qui le fait : principalement les labos qui entraînent le modèle de base (Meta, Mistral, DeepSeek) — rarement toi en tant qu'utilisateur final

• Pertinence pour toi : tu bénéficies du RL déjà fait sur les modèles open source (Llama-Instruct, Mistral-Instruct) — tu n'as pas à le refaire

Cross-training (entraînement croisé) Se place en parallèle ou après le fine-tuning, avant l'inférence. Deux usages courants :

1. Distillation : un gros modèle "professeur" (ex: DeepSeek V4) génère des données d'entraînement pour entraîner un petit modèle "élève" moins cher à faire tourner en inférence — utile si tu veux un modèle rapide/pas cher avec la qualité d'un plus gros modèle.

2. Multi-tâches : entraîner un modèle sur plusieurs domaines à la fois (ex: à la fois sur de la doc technique réseau ET sur du langage juridique de marché public) pour qu'il généralise mieux.

Les géants de l’IA ferment les accès

Après Washington, Pékin : les deux puissances de l'IA étudient la fermeture de leurs vannes en miroir. Le deal META <> Manus bloqué.

Le pari européen du repli sur l'open source chinois perd sa garantie implicite.

D’après Le Grand Continent (8 juillet 2026), et sur la base d'une exclusivité Reuters : le ministère chinois du Commerce a réuni en juin Alibaba, ByteDance et Zhipu AI pour examiner les conditions dans lesquelles l'accès étranger aux modèles chinois de pointe pourrait être limité — y compris pour les modèles open weights.

1. La Chine réplique le contrôle américain : le duopole ferme des deux côtés.

   Après les restrictions américaines sur les modèles Fable et Mythos d'Anthropic, Pékin examine des limitations d'accès pour les acteurs étrangers — le mouvement est présenté comme une réponse en miroir.

2. L'open weights (LLM open source) est requalifié en problème de contrôle des exportations.

   Une table ronde de la chambre de propriété intellectuelle de la Cour populaire suprême (mai) a proposé une régulation par niveaux : dépôt souple pour le faible risque, évaluation préalable pour le stratégique, périmètre contrôlé voire interdiction pour les modèles frontières.

3. Le précédent Manus : le contrôle dépasse les modèles, il couvre les actifs et les capitaux

   Selon l'article, la NDRC (Commission nationale du développement et de la réforme) a ordonné en avril le démantèlement de l'acquisition de Manus par Meta (~2 Md$) au nom de la sécurité nationale et de la protection des actifs technologiques chinois.
   Source complémentaire : https://www.lemonde.fr/international/article/2026/04/27/la-chine-bloque-l-acquisition-par-meta-de-l-ia-dernier-cri-manus-sur-fond-de-rivalite-technologique_6683633_3210.html

Open source

Linagora et LinTO

si vous recherchez une solution open source de transcription de réunions, je vous présente LinTO, développé par l'entreprise Linagora. C’est un outil permettant d'enregistrer vos réunions et de gérer l'ensemble de vos transcripts, en s'appuyant sur des technologies open source.

Vous ne connaissez peut-être pas encore Linagora. Il s'agit d'une entreprise française, entreprise à mission, spécialisée dans la création et le développement de logiciels open source. Elle est notamment dirigée par Alexandre Zapolsky.

🌊 Citation

N’hésite pas à me partager tes retours ici, par mail. Qu’est-ce que tu préfères ? Qu’est-ce que tu voudrais voir plus ou ne plus voir du tout ?

Passez un excellent weekend !​

A bientôt et bonne exploration !

Franck ⟁