Google offre Gemini 4 Argon à 10 000 scientifiques.

Prime Intellect a acquis Moondream, prenant le contrôle de ses modèles de vision ouverts et de ses optimisations d'inférence. Le plan est d'intégrer Moondream directement dans la pile de formation et de déploiement multimodale de Prime Intellect. Les termes financiers de l'accord n'ont pas été divulgués, mais l'intention stratégique est évidente : posséder la couche de vision de bout en bout.

Si vous déployez des agents multimodaux, dépendre d'APIs externes pour la vision est un goulot d'étranglement en puissance. En intégrant Moondream en interne, Prime Intellect peut optimiser l'inférence au niveau matériel, réduisant la latence et les coûts pour sa pile de déploiement. C'est un signal clair que les acteurs de l'infrastructure s'efforcent de posséder chaque pièce du pipeline.

Prime Intellect gagne en sécurisant une pièce cruciale du puzzle multimodal. Les fondateurs de Moondream obtiennent une sortie sur un marché encombré. La pression retombe maintenant sur les piles de déploiement concurrentes qui doivent encore louer leurs capacités de vision au lieu de les posséder.

Leash Bio a organisé un concours Kaggle massif, avec environ 4 milliards de mesures, pour tester la capacité de l'IA à prédire la liaison protéine-ligand. Sur 2 000 équipes en compétition, aucune n'a pu battre le hasard lors des tests sur une bibliothèque chimique inconnue. Les modèles ont complètement échoué à généraliser à un nouvel espace chimique.

C'est une dure leçon de réalité pour le secteur de la découverte de médicaments par IA. Nous avons passé les deux dernières années à voir des modèles exceller sur des benchmarks publics, mais ce concours montre que prédire la liaison moléculaire dans la nature reste profondément difficile. Si l'argumentaire de votre startup repose entièrement sur la généralisation "zero-shot" en biologie, ce résultat suggère que vos modèles pourraient simplement mémoriser les données d'entraînement.

Le vrai gagnant ici est le scepticisme. Leash Bio a rendu service à l'industrie en démontrant publiquement les limites des architectures actuelles. Les perdants sont les investisseurs qui pensaient que la liaison des protéines était un problème résolu, n'attendant qu'une belle interface utilisateur.

Une nouvelle recherche révèle un biais flagrant dans les jeux de données chimiques comme ChEMBL : les modèles d'IA infèrent l'auteur d'une molécule à partir de sa structure. Cette information sur le chimiste prédit l'activité de la molécule presque aussi efficacement que la structure elle-même. Les modèles apprennent les particularités stylistiques spécifiques des scientifiques individuels plutôt que la chimie physique sous-jacente.

Pour quiconque entraîne des modèles sur des données scientifiques publiques, c'est un signal d'alarme flagrant concernant l'intégrité des données. Si votre IA se contente de mémoriser quel laboratoire fabrique des composés réussis et devine en se basant sur leurs habitudes structurelles, elle échouera spectaculairement lorsqu'on lui demandera de générer de nouveaux composés. Vous pensez entraîner un chimiste, mais vous avez en fait entraîné un détective.

Cela remet en question de nombreux succès de benchmark que nous voyons dans l'IA chimique. Si les modèles s'appuient sur le biais de l'auteur pour améliorer leurs scores de précision, ces scores sont un mirage. La prochaine vague d'IA scientifique nécessitera des jeux de données radicalement plus propres et anonymisés.

Lors de la conférence AI Engineer New York, OpenAI et Anthropic se sont entretenus avec des entreprises financières pour discuter d'une crise imminente : comment accorder aux agents IA une autonomie utile tout en gardant le contrôle sur les décisions critiques. La conversation s'est concentrée sur l'équilibre entre la vitesse des agents autonomes et la nécessité absolue de mécanismes de sécurité dans des environnements financiers à enjeux élevés.

Les institutions financières veulent l'efficacité des agents autonomes, mais elles ne peuvent pas se permettre les risques d'hallucination qui les accompagnent. Un modèle qui invente avec confiance un script Python est ennuyeux ; un modèle qui hallucine avec confiance une tendance du marché et exécute une transaction massive est un risque systémique. Les développeurs ciblant le secteur de la finance d'entreprise doivent privilégier les garde-fous de sécurité déterministes plutôt que l'intelligence brute.

Le fait qu'OpenAI et Anthropic courtisent activement ces entreprises montre où se trouve l'argent réel de l'entreprise. Les gagnants seront les startups qui trouveront l'interface homme-machine pour les agents de trading à haute fréquence.