il a listé les 6 changements les plus importants de l'événement de recherche en IA le plus important de cette année, NeurIPS 2025. cela nous en dit beaucoup sur la direction que prend l'IA en 2026 : 1. le mécanisme d'attention reçoit une mise à jour assez importante. il devient plus sélectif en utilisant des techniques comme le gating, la sparsité et une meilleure gestion des longs contextes. dans peut-être 6 mois, vous verrez des modèles qui sont moins chers, plus intelligents et plus efficaces. 2. les modèles de pointe convergent. nous le savions déjà un peu, mais encore une fois, les meilleurs modèles se ressemblent de plus en plus. votre choix de modèle de pointe compte moins qu'auparavant, mais tout biais ou angle mort est amplifié partout en même temps. 3. l'apprentissage par renforcement (RL) commence enfin à se développer pour la robotique. cela stagnait depuis des années. l'approche "il suffit de continuer à évoluer" qui a fonctionné pour les LLM fonctionne maintenant pour les agents. 2026 sera l'année des progrès majeurs dans les systèmes agentiques. 4. les modèles de diffusion ne se contentent pas de mémoriser les données d'entraînement. un article théorique majeur a montré que l'entraînement par diffusion a en fait deux phases : une phase précoce où les modèles apprennent à générer des échantillons de haute qualité, et une phase ultérieure où ils commencent à mémoriser des choses spécifiques. plus de données d'entraînement poussent la phase de mémorisation et vous donnent une plus grande fenêtre avant le surapprentissage. 5. le système des articles académiques est CUIT (sérieusement). avec 20000 soumissions, NeurIPS est submergé par les articles. ils expérimentent même avec l'IA pour examiner les articles générés par l'IA. cela signifie que vous ne pouvez plus vraiment faire confiance au prestige des conférences et des publications. vous devez vous fier à qui a écrit l'article et à son parcours. 6. les grands laboratoires s'engagent pleinement dans le raisonnement, l'efficacité et l'intégration. la course à la pointe n'est plus seulement une question de taille de modèle. les grands laboratoires travaillent maintenant sur : (1) le raisonnement comme une métrique mesurable, la pensée étape par étape, les appels d'outils, l'utilisation de la recherche (2) l'efficacité, faire fonctionner des modèles puissants sur des téléphones et des appareils en périphérie avec une faible latence (3) l'intégration des flux de travail, brancher des modèles dans des outils et des protocoles comme MCP. je vous suggère vraiment de regarder cette analyse de 10 minutes si la recherche en IA vous préoccupe.