Les avions à ailes battantes et l'IA : « Nous voulons explorer des approches radicalement différentes »

Ces derniers mois, une vague de laboratoires d’IA ambitieux axés sur la recherche a vu le jour, et Flapping Airplanes se distingue comme l’un des plus fascinants. Porté par ses jeunes fondateurs pleins de curiosité, ce laboratoire s’attache à trouver des méthodes d’entraînement de l’IA moins gourmandes en données. Cette approche pourrait bouleverser en profondeur tant l’économie que les capacités des modèles d’IA — et avec un financement initial de 180 millions de dollars, ils disposent d’une marge de manœuvre considérable pour explorer cette voie.

La semaine dernière, j’ai rencontré les trois cofondateurs du laboratoire — les frères Ben et Asher Spector, ainsi qu’Aidan Smith — pour discuter des raisons pour lesquelles le moment est particulièrement propice au lancement d’un nouveau laboratoire d’IA et pourquoi ils reviennent sans cesse à des idées inspirées du cerveau humain.

Permettez-moi de commencer par la question qui s’impose : pourquoi maintenant ? Des laboratoires comme OpenAI et DeepMind ont investi des ressources colossales pour faire évoluer leurs modèles. J’imagine que la concurrence peut paraître intimidante. Qu’est-ce qui vous a donné le sentiment que c’était le bon moment pour lancer une entreprise spécialisée dans les modèles de base ?

Ben : Il reste encore tellement à faire. Les progrès réalisés au cours des cinq à dix dernières années ont été remarquables. Nous adorons ces outils — nous les utilisons tous les jours. Mais la question est de savoir si cela couvre l’ensemble de ce qui doit être accompli. Nous y avons mûrement réfléchi, et notre réponse est non : il reste encore beaucoup à faire. Pour nous, le problème de l’efficacité des données semblait être le défi crucial à relever. Les modèles de pointe d’aujourd’hui sont entraînés sur la quasi-totalité du savoir humain, alors que les humains s’en sortent avec bien moins. Cet écart est énorme, et il mérite d’être compris.

Ce que nous faisons revient essentiellement à miser de manière ciblée sur trois éléments. Premièrement, que l’efficacité des données est le bon problème à résoudre — une orientation véritablement nouvelle où des progrès sont possibles. Deuxièmement, que sa résolution aura une valeur commerciale et contribuera à rendre le monde meilleur. Et troisièmement, que l’équipe idéale pour s’attaquer à ce défi est créative et, d’une certaine manière, inexpérimentée — un groupe prêt à réexaminer ces problèmes en partant de zéro.

Aidan : Tout à fait. Nous ne nous considérons pas vraiment en concurrence avec d’autres laboratoires, car nous nous concentrons sur un ensemble de problèmes très différent. Prenez l’esprit humain : il apprend d’une manière fondamentalement différente de celle des transformateurs. Pas nécessairement meilleure, juste très différente. Nous voyons donc des compromis différents. Les grands modèles de langage (LLM) sont incroyables pour la mémorisation et l’exploitation de vastes connaissances, mais ils peinent à acquérir rapidement de nouvelles compétences — il leur faut d’énormes quantités de données pour s’adapter. Quand on observe le fonctionnement du cerveau, les algorithmes qu’il utilise sont fondamentalement différents de la descente de gradient et des autres techniques d’apprentissage actuelles. C’est pourquoi nous formons une nouvelle génération de chercheurs pour aborder ces problèmes et repenser le paysage de l’IA.

Asher: Cette question présente un intérêt scientifique profond : pourquoi les systèmes intelligents que nous avons construits sont-ils si différents de ce que font les humains ? D’où vient cette différence, et comment pouvons-nous l’utiliser pour construire de meilleurs systèmes ? Parallèlement, je pense que cela est commercialement viable et bénéfique pour le monde. De nombreux domaines importants sont limités par les données : la robotique, la recherche scientifique, voire les applications d’entreprise. Un modèle un million de fois plus efficace en termes de données serait un million de fois plus facile à intégrer dans l’économie. Pour nous, adopter une nouvelle perspective était donc passionnant : si nous pouvions construire un modèle nettement plus efficace en termes de données, que pourrions-nous en faire ?

TechCrunch Founder Summit 2026 : billets en vente

Le 23 juin à Boston, plus de 1 100 fondateurs se réuniront au TechCrunch Founder Summit 2026 pour une journée entière consacrée à la croissance, à la mise en œuvre et au développement à grande échelle dans le monde réel. Apprenez aux côtés de fondateurs et d’investisseurs qui ont façonné le secteur. Rencontrez des pairs qui traversent des phases de croissance similaires. Repartez avec des stratégies que vous pourrez appliquer immédiatement

Économisez jusqu’à 300 $ sur votre pass ou jusqu’à 30 % grâce aux billets de groupe pour les équipes de quatre personnes ou plus.

TechCrunch Founder Summit : billets en vente

Le 23 juin à Boston, plus de 1 100 fondateurs se réuniront au TechCrunch Founder Summit 2026 pour une journée entière consacrée à la croissance, à la mise en œuvre et à la montée en puissance dans le monde réel. Apprenez aux côtés de fondateurs et d’investisseurs qui ont façonné le secteur. Rencontrez des pairs qui traversent des phases de croissance similaires. Repartez avec des stratégies que vous pourrez mettre en œuvre immédiatement

Économisez jusqu’à 300 $ sur votre pass ou jusqu’à 30 % grâce aux billets de groupe pour les équipes de quatre personnes ou plus.

Cela m’amène à ma question suivante, qui est également liée au nom « Flapping Airplanes ». Il existe un débat philosophique dans le domaine de l’IA sur la mesure dans laquelle nous devrions essayer de reproduire les processus du cerveau humain, par opposition à la création d’une intelligence plus abstraite qui suit une voie complètement différente. Aidan vient de Neuralink, une entreprise entièrement consacrée au cerveau humain. Vous voyez-vous adopter une approche plus neuromorphique de l’IA ?

Aidan : Je considère le cerveau comme une preuve d’existence — la preuve qu’il existe d’autres algorithmes, et pas seulement une seule orthodoxie. Le cerveau fonctionne sous des contraintes incroyables. Déclencher un potentiel d’action prend une milliseconde ; pendant ce même laps de temps, votre ordinateur peut effectuer d’innombrables opérations. Il existe donc probablement une approche bien plus performante que celle du cerveau, et très différente de celle du Transformer. Nous nous inspirons de certains mécanismes cérébraux, mais nous ne nous sentons pas liés à eux.

Ben : Pour compléter cela, c’est inscrit dans notre nom même : Flapping Airplanes. Imaginez les systèmes actuels comme de gros Boeing 787. Nous n’essayons pas de construire des oiseaux — ce serait aller trop loin. Nous essayons de construire quelque chose qui s’apparente à un avion à battement d’ailes. Du point de vue des systèmes informatiques, les contraintes du cerveau et du silicium sont suffisamment différentes pour que l’on ne s’attende pas à ce que ces systèmes finissent par se ressembler. Avec des substrats aussi différents et des compromis très variés en matière de coût de calcul, de localité et de transfert de données, ces systèmes auront naturellement un aspect un peu différent. Mais cela ne signifie pas que nous ne devrions pas puiser notre inspiration dans le cerveau et utiliser les éléments qui nous semblent intéressants pour améliorer nos propres systèmes.

Il semble que les laboratoires disposent désormais d’une plus grande liberté pour se concentrer sur la recherche plutôt que de se limiter au développement de produits. Cela ressemble à un changement majeur pour cette génération de laboratoires. Certains sont très axés sur la recherche ; d’autres le sont « pour l’instant ». Comment ce débat se déroule-t-il au sein de Flapping Airplanes ?

Asher : J’aimerais pouvoir vous donner un calendrier. J’aimerais pouvoir dire : « Dans trois ans, nous aurons résolu le problème de recherche et voici comment nous allons commercialiser le produit. » Mais je ne peux pas. Nous ne connaissons pas les réponses. Nous recherchons la vérité. Cela dit, nous avons tous deux une expérience du monde de l’entreprise. J’ai passé du temps à développer des technologies pour des entreprises qui généraient un chiffre d’affaires raisonnable. Ben a incubé des start-ups ayant des racines commerciales, et nous sommes sincèrement impatients de commercialiser nos produits — nous pensons qu’il est bénéfique pour le monde de mettre la valeur créée entre les mains de ceux qui peuvent en tirer parti. Nous n’y sommes donc pas opposés. Nous devons simplement commencer par la recherche, car si nous commençons par signer de gros contrats avec des entreprises, nous nous laisserons distraire et ne mènerons pas les recherches qui ont de la valeur.

Aidan : Exactement — nous voulons essayer des choses radicalement différentes, et parfois les idées radicales sont tout simplement pires que le paradigme actuel. Nous explorons toute une série de compromis différents, en espérant qu’ils porteront leurs fruits à long terme.

Ben : Les entreprises donnent le meilleur d’elles-mêmes lorsqu’elles se concentrent vraiment sur une seule chose et la font bien, n’est-ce pas ? Les grandes entreprises peuvent se permettre de mener plusieurs projets de front. En tant que start-up, il faut choisir ce qui a le plus de valeur et s’y consacrer pleinement. C’est en nous engageant pleinement à résoudre des problèmes fondamentaux pour l’instant que nous créons le plus de valeur.

Je suis d’ailleurs optimiste : d’ici peu, nous aurons peut-être suffisamment progressé pour commencer à mettre la main à la pâte dans le monde réel. On apprend énormément des retours d’expérience concrets. Ce qui est incroyable avec le monde, c’est qu’il nous enseigne sans cesse — c’est un immense réservoir de vérité dans lequel on peut puiser à tout moment. Je pense que l’évolution récente de l’économie et du financement de ces structures a permis aux entreprises de se concentrer plus longtemps sur ce qu’elles savent faire de mieux. Cette concentration — ce qui m’enthousiasme le plus — nous permettra de réaliser un travail véritablement différencié.

Pour préciser ce à quoi vous faites référence, je pense : l’engouement autour de l’IA est tel que les investisseurs sont prêts à accorder 180 millions de dollars de financement d’amorçage à une toute nouvelle entreprise composée de jeunes gens très brillants qui ne se sont pas contentés de monnayer leurs parts chez PayPal. Comment s’est déroulée votre implication dans ce processus ? Saviez-vous dès le départ qu’il existait un tel engouement, ou avez-vous découvert que vous pouviez en faire un projet plus ambitieux que prévu ?

Ben : C’était un peu des deux. Le marché est en effervescence depuis des mois, ce n’était donc un secret pour personne que d’importants tours de table se préparaient. Mais on ne sait jamais comment le marché de la levée de fonds va réagir à vos idées spécifiques. Encore une fois, il faut laisser le monde vous donner son avis. Même pendant notre levée de fonds, nous avons beaucoup appris et modifié nos idées — nous avons affiné nos priorités et nos délais de commercialisation.

Nous avons été quelque peu surpris par l’écho positif que notre message a suscité. Pour nous, c’était évident, mais on ne sait jamais si les autres partageront notre point de vue ou s’ils vous prendront pour un fou. Nous avons eu une chance incroyable de trouver un groupe d’investisseurs exceptionnels qui se sont vraiment identifiés à notre message et qui nous ont dit : « Oui, c’est exactement ce que nous recherchions. » C’était incroyable — à la fois surprenant et merveilleux.

Aidan : Oui, on sent depuis un certain temps déjà que l’envie d’une ère de la recherche est dans l’air. De plus en plus, nous nous retrouvons positionnés comme l’acteur chargé de mener cette ère et de tester ces idées radicales.

Du moins pour les entreprises axées sur l’échelle, le coût d’entrée pour les modèles de base est énorme : construire un modèle à cette échelle nécessite une puissance de calcul incroyable. La recherche se situe quelque part entre les deux : on construit sans doute des modèles de base, mais si on le fait avec moins de données et sans se focaliser autant sur l’échelle, on peut peut-être s’en sortir. Dans quelle mesure pensez-vous que les coûts de calcul limiteront votre marge de manœuvre ?

Ben : L’un des avantages de la recherche fondamentale approfondie est que, paradoxalement, il est bien moins coûteux d’expérimenter des idées vraiment farfelues et radicales que de mener des travaux incrémentaux. Avec les travaux incrémentaux, pour vérifier si cela fonctionne, il faut monter très haut dans l’échelle de mise à l’échelle — de nombreuses interventions à petite échelle ne tiennent pas la route à grande échelle. C’est coûteux. Mais si vous avez une nouvelle idée farfelue concernant un optimiseur d’architecture, elle échouera probablement dès le premier essai de toute façon, vous n’avez donc pas besoin de la mettre à l’échelle. Elle ne fonctionne déjà pas — c’est parfait.

Cela ne signifie pas pour autant que l’échelle n’ait aucune importance pour nous. L’échelle est un outil important dans notre boîte à outils. Être capable de transposer nos idées à plus grande échelle est bien sûr pertinent. Je ne nous présenterais donc pas comme l’antithèse de l’échelle. Mais c’est un aspect formidable de notre travail que de pouvoir tester de nombreuses idées à très petite échelle avant même d’envisager une mise en œuvre à grande échelle.

Asher : Oui , on devrait pouvoir utiliser tout Internet — mais on ne devrait pas en avoir besoin. Nous trouvons vraiment déconcertant qu’il faille utiliser l’intégralité d’Internet pour atteindre un niveau d’intelligence comparable à celui de l’humain.

Alors, qu’est-ce qui devient possible si l’on peut entraîner un modèle plus efficacement à partir de données ? On peut supposer que le modèle sera plus puissant et plus intelligent. Avez-vous des idées précises sur ce que cela pourrait apporter ? S’agit-il d’une meilleure généralisation hors distribution, ou de modèles qui s’améliorent dans une tâche particulière avec moins d’expérience ?

Asher : Tout d’abord , nous faisons de la science, je ne connais donc pas la réponse — mais je peux proposer trois hypothèses. Ma première hypothèse est qu’il existe un large spectre entre la simple recherche de modèles statistiques et une compréhension profonde. Les modèles actuels se situent quelque part sur ce spectre — pas tout à fait au niveau d’une compréhension profonde, mais clairement au-delà de la simple reconnaissance de modèles. Il est possible que l’entraînement sur moins de données oblige le modèle à développer une compréhension incroyablement profonde de tout ce qu’il a vu. Cela pourrait rendre le modèle plus intelligent de manière intéressante : il connaîtrait peut-être moins de faits, mais raisonnerait mieux. C’est une hypothèse.

Une autre hypothèse rejoint ce que vous avez dit : actuellement, il est coûteux — tant sur le plan opérationnel que financier — d’enseigner de nouvelles capacités aux modèles, car cela nécessite d’énormes quantités de données. L’un des résultats de nos travaux pourrait être un post-entraînement nettement plus efficace, de sorte qu’avec seulement quelques exemples, on pourrait déployer un modèle dans un nouveau domaine.

Il est également possible que cela ouvre la voie à de nouveaux secteurs d’application pour l’IA. Par exemple, en robotique, pour une raison ou une autre, nous ne parvenons pas à rendre cette technologie commercialement viable. Je pense qu’il s’agit d’un problème lié au manque de données, et non d’un problème matériel — le fait que l’on puisse télécommander des robots prouve que le matériel est suffisamment performant. Il existe de nombreux domaines de ce type, comme la recherche scientifique.

Ben : Je voudrais m’attarder surun point : lorsque l’on réfléchit à l’impact de l’IA, certains considèrent qu’il s’agit d’une technologie déflationniste — qui automatise les emplois, réduit le coût du travail et supprime des emplois de l’économie. Cela va se produire. Mais à mon sens, ce n’est pas la vision la plus passionnante. La vision la plus passionnante est celle où l’IA nous aide à construire de nouvelles sciences et technologies que les humains ne sont pas assez intelligents pour imaginer — mais que d’autres systèmes peuvent concevoir.

À cet égard, l’axe évoqué par Asher — entre la véritable généralisation d’une part, et la mémorisation ou l’interpolation d’autre part — est extrêmement important pour obtenir des connaissances approfondies qui mènent à des avancées en médecine et en science. Il est essentiel que les modèles se situent du côté de la créativité dans ce spectre. Si je suis si enthousiaste à propos de nos travaux, c’est en partie parce qu’au-delà des impacts économiques individuels, je suis véritablement animé par la question de savoir si nous pouvons amener l’IA à accomplir des tâches que les humains étaient fondamentalement incapables de réaliser auparavant. Cela va bien au-delà d’un simple « licenciement massif ».

Tout à fait. Cela vous place-t-il dans un camp particulier dans le débat sur l’IA générale (AGI) — concernant la généralisation hors distribution ?

Asher : Je ne sais vraiment pas exactement ce que signifie l’IA générale. Les capacités progressent rapidement, et une valeur économique considérable est créée. Mais je ne pense pas que nous soyons proches d’un « Dieu dans une boîte ». Je ne m’attends pas à une singularité dans deux mois, ni même dans deux ans, où les humains deviendraient obsolètes. Je suis globalement d’accord avec ce qu’a dit Ben : le monde est immense, il y a beaucoup de travail à faire, et nous sommes ravis d’y contribuer.

Eh bien, l’idée concernant le cerveau et l’aspect neuromorphique me semble pertinente. Vous dites que c’est au cerveau humain qu’il faut comparer les grands modèles de langage (LLM), plutôt qu’à Mechanical Turk ou aux ordinateurs déterministes qui l’ont précédé.

Aidan : Je tiens à le souligner : le cerveau n’est pas le plafond — à bien des égards, c’est le plancher. Je ne vois aucune preuve que le cerveau ne soit pas un système connaissable qui obéit à des lois physiques. Il est soumis à de nombreuses contraintes. Nous devrions donc nous attendre à créer des capacités bien plus intéressantes, différentes et potentiellement supérieures à celles du cerveau à long terme. Nous sommes ravis de contribuer à cet avenir, qu’il s’agisse de l’IA générale (AGI) ou d’autre chose.

Asher : Et je pense effectivement que le cerveau est la référence pertinente, car il nous aide à comprendre l’ampleur du champ d’exploration. Il est facile de voir tous les progrès réalisés et de se dire : « Waouh, on a la réponse, on y est presque. » Mais si l’on prend du recul et qu’on adopte une vue d’ensemble, il y a encore beaucoup de choses que nous ignorons.

Ben : Nous n’essayons pas d’être meilleurs, en soi. Nous essayons d’être différents — c’est le point essentiel sur lequel je tiens à insister. Tous ces systèmes présenteront presque certainement des compromis différents. On gagnera un avantage à un certain niveau et on en perdra à un autre. Le monde est vaste, avec de nombreux domaines présentant des compromis très variés. Disposer d’un plus grand nombre de systèmes et de technologies fondamentales couvrant ces différents domaines permettra sans doute à l’IA de se diffuser plus efficacement et plus rapidement à travers le monde.

L’une des façons dont vous vous êtes distingués réside dans votre approche du recrutement : vous engagez des personnes très jeunes, parfois encore à l’université ou au lycée. Qu’est-ce qui vous interpelle lorsque vous discutez avec quelqu’un et vous fait penser : « Je veux que cette personne travaille sur ces problèmes de recherche » ?

Aidan : C’est lorsque vous discutez avec quelqu’un et qu’il vous éblouit : il a tant d’idées nouvelles et pense d’une manière dont beaucoup de chercheurs confirmés sont incapables, car il n’a pas encore été « pollué » par des milliers d’articles. La créativité est la qualité numéro un que nous recherchons. Notre équipe est exceptionnellement créative, et chaque jour, j’ai la chance de venir discuter de solutions radicales à de grands problèmes d’IA avec des personnes qui imaginent un avenir très différent.

Ben : Le critère numéro un que je recherche est sans doute le suivant : cette personne m’apprend-elle quelque chose de nouveau lorsque je passe du temps avec elle ? Si c’est le cas, il y a de fortes chances qu’elle nous apporte un éclairage nouveau sur notre travail. En recherche, la priorité va aux idées nouvelles et créatives.

Une partie de mon parcours — pendant mes études de licence et de doctorat — a consisté à contribuer au lancement d’un incubateur appelé Prod, qui travaillait avec des entreprises qui ont bien réussi. Nous avons notamment constaté que les jeunes sont tout à fait capables de rivaliser au plus haut niveau de l’industrie. Une grande partie de la clé réside simplement dans la prise de conscience : « Oui, je suis capable de faire ça. » Vous pouvez tout à fait apporter votre contribution au plus haut niveau.

Bien sûr, nous reconnaissons la valeur de l’expérience. Les personnes ayant travaillé sur des systèmes à grande échelle sont formidables — nous en avons recruté certaines, et nous sommes ravis de collaborer avec des profils très variés. Je pense que notre mission a également trouvé un écho auprès des personnes expérimentées. L’essentiel, c’est que nous recherchons des personnes qui n’ont pas peur de changer de paradigme et qui sont capables d’imaginer un nouveau système de fonctionnement.

Il y a une chose qui me laisse perplexe : à quel point pensez-vous que les systèmes d’IA qui en résulteront seront différents ? Il est facile d’imaginer quelque chose comme Claude Opus qui fonctionne simplement 20 % mieux et qui peut en faire 20 % de plus. Mais s’il s’agit de quelque chose de complètement nouveau, il est difficile d’imaginer où cela va mener ni à quoi ressemblera le résultat final.

Asher : Je ne sais pas si tu as déjà eu le privilège de discuter avec le modèle de base GPT-4, mais il présentait de nombreuses capacités émergentes étranges. Par exemple, on pouvait lui soumettre un extrait d’un article de blog non publié et lui demander qui l’avait écrit, et il était capable de l’identifier.

Il existe de nombreuses capacités de ce type où les modèles font preuve d’une intelligence qui nous dépasse. Les futurs modèles seront encore plus intelligents, et ce, de manière encore plus étrange. Je pense qu’il faut s’attendre à ce que l’avenir soit vraiment étrange, et les architectures encore plus étranges. Nous visons des gains de 1 000 fois en termes d’efficacité des données — pas un changement progressif. Nous devons donc nous attendre à des changements et des capacités tout aussi insondables et étranges à la limite.

Ben : Je suis globalement d’accord. Je suis sans doute un peu plus modéré quant à la manière dont ces choses seront finalement perçues par le monde — tout comme le modèle de base GPT-4 a été modéré par OpenAI. Il faut présenter les choses de manière à ce que les consommateurs ne se retrouvent pas face à l’abîme. C’est important. Mais je suis globalement d’accord pour dire que notre programme de recherche vise à développer des capacités fondamentalement différentes de ce qui est possible aujourd’hui.

Fantastique ! Y a-t-il des moyens pour le public de s’impliquer dans le projet « Flapping Airplanes » ? Est-il trop tôt pour cela, ou faut-il simplement attendre la publication des résultats de recherche et des modèles ?

Asher : Nous avons [email protected] si vous souhaitez simplement nous dire bonjour. Nous avons également [email protected] si vous souhaitez nous contredire. Nous avons eu des échanges vraiment passionnants où des gens nous ont envoyé de longs essais expliquant pourquoi ils pensent que ce que nous faisons est impossible — et nous sommes ravis d’en discuter.

Ben : Mais ils ne nous ont pas encore convaincus. Personne ne nous a encore convaincus.

Asher : Deuxièmement, nous recherchons des personnes exceptionnelles qui veulent faire évoluer le secteur et changer le monde. Si cela vous intéresse, n’hésitez pas à nous contacter.

Ben : Et si votre parcours sort des sentiers battus, ce n’est pas grave. Vous n’avez pas besoin de deux doctorats. Nous recherchons vraiment des personnes qui pensent différemment.