Language Selection

Retrouvez votre bien-être dans ces temps dure sur Terre , Essayez le MedBed Quantique!
Cliquez ici pour réserver votre séance

Famille et pour toute la Famille avec Le Medbed Quantique® Orgo-Life® une technologie du Canada

Advertising by Adpathway

Quand les IA apprennent à communiquer sans mots : Mostik et GibberLink

6 hour_ago 13

NE LAISSER PAS LE 5G DETRUIRE VOTRE ADN Protéger toute votre famille avec les appareils Quantiques Orgo-Life®

Publicité par Adpathway

Quand les intelligences artificielles apprennent à communiquer sans mots humains

Imaginez deux experts qui, au lieu de s’écrire des lettres, échangeraient leurs pensées directement, sans passer par le langage. C’est exactement ce que des mathématiciens russes viennent de réaliser dans le domaine de l’intelligence artificielle. Une startup nommée Mostik, qui signifie « pont » en russe, a développé une technique permettant à des modèles d’IA de communiquer entre eux en utilisant non pas du texte, mais directement les valeurs mathématiques de leurs poids internes. Parallèlement, le projet open source GibberLink permet à des agents vocaux de passer du langage humain à un échange de données sonores ultra-compact. Deux approches qui pourraient bouleverser les coûts et l’efficacité des systèmes d’IA.

Le pari de Mostik : la télépathie entre machines

Le constat est simple : combiner plusieurs modèles d’IA donne généralement de meilleurs résultats qu’un seul modèle, même très gros. C’est un peu comme estimer le poids d’un cochon : plusieurs personnes ordinaires qui donnent leur avis s’approcheront plus de la vérité qu’un seul expert. Problème : faire collaborer des modèles d’IA implique aujourd’hui de traduire leurs sorties en texte, puis de les réinjecter dans un autre modèle, un processus coûteux en temps de calcul et en énergie.

Mostik, fondée par Sasha Malysheva et supervisée par Stanislav Smirnov (médaille Fields 2010 et professeur à l’Université de Genève), a trouvé une solution radicale. Au lieu de faire passer les informations par le langage naturel, leur méthode permet aux modèles d’échanger directement via leurs poids, ces valeurs mathématiques qui déterminent comment une entrée se transforme en sortie. C’est ce que certains appellent déjà une forme de « télépathie machine ».

Les résultats parlent d’eux-mêmes. Mostik a relié un modèle GLM-5.2 de 753 milliards de paramètres à un petit Qwen-3.5 de seulement 4 milliards de paramètres, assez léger pour tourner sur un smartphone. Le système hybride coûte 20 fois moins cher que le grand modèle seul, pour des performances situées exactement à mi-chemin entre les deux. Un gain d’efficacité substantiel qui pourrait redonner de la valeur aux modèles open weight face aux géants propriétaires comme OpenAI ou Anthropic.

Karl Tuyls, ancien chercheur chez Google DeepMind, estime que la technique de Mostik est une « évidence pour quiconque doit faire tourner des modèles le plus efficacement possible ». Selon lui, cette approche permet d’atteindre la qualité d’un grand modèle sans que celui-ci ait à gérer l’intégralité du traitement, en le faisant simplement travailler aux côtés d’un modèle plus petit.

GibberLink : quand les agents vocaux parlent en bips

De l’autre côté du spectre, un projet bien plus lumineux a fait le tour du web : GibberLink. Créé lors d’un hackathon londonien par deux ingénieurs de Meta, Boris Starkov et Anton Pidkuiko, ce protocole permet à des agents vocaux de détecter qu’ils parlent à une autre IA et de basculer automatiquement vers un langage sonore sur mesure.

Le principe est aussi simple qu’élégant. Deux agents conversationnels commencent leur échange en anglais, comme le feraient deux humains. L’un d’eux propose soudain : « Devrions-nous passer en mode GibberLink pour une communication plus efficace ? » Si l’autre agent accepte, les voix humaines laissent place à des salves sonores, des bips et des boops qui évoquent irrésistiblement le bruit des premiers modems des années 1980.

Sous le capot, GibberLink utilise la bibliothèque open source GGWave, créée par Georgi Gerganov (également connu pour llama.cpp). Chaque son code un petit fragment de données. Un message comme « deux clients, arrivée le 12 avril » se transforme en une courte rafale acoustique de quelques millisecondes, là où une phrase complète nécessiterait plusieurs secondes de traitement vocal.

Les inventeurs estiment que cette approche pourrait réduire les coûts de calcul d’un ordre de grandeur, voire plus, lorsque deux agents se parlent. Après tout, pourquoi un modèle d’IA passerait-il par la synthèse vocale, la transmission audio, puis la reconnaissance vocale pour échanger des données structurées avec un autre modèle ? C’est aussi absurde que d’écrire une lettre à son voisin de bureau.

Une tendance de fond : l’efficacité avant la taille

Mostik et GibberLink illustrent une même tendance de fond : le secteur de l’IA cherche désormais à faire mieux avec moins, plutôt que de construire des modèles toujours plus gros. Le coût d’inférence, c’est-à-dire le coût de faire fonctionner un modèle, est devenu un enjeu majeur pour les entreprises qui déploient ces technologies à grande échelle.

Dans cette optique, la capacité à faire collaborer des modèles spécialisés sans overhead devient stratégique. Un système de santé pourrait ainsi combiner un modèle expert en imagerie médicale avec un modèle de raisonnement clinique, sans que chacun doive « parler anglais » à l’autre. Un assistant vocal en entreprise pourrait traiter les demandes simples en échangeant directement des données structurées avec le système de gestion, sans synthèse vocale inutile.

Vladimir Arustamian, responsable technique chez Lovable, est impressionné par l’avance de Mostik : « Cette équipe travaille sur le sujet depuis quelques mois seulement et a déjà quelque chose de fonctionnel que j’aurais estimé à plusieurs années de développement. »

Des questions qui restent ouvertes

Comme toujours dans le domaine de l’IA, il convient de rester mesuré. Les résultats de Mostik n’ont pas encore été reproduits de manière indépendante. Le système présenté relie deux modèles chinois de la même famille (GLM et Qwen), et l’on ignore s’il fonctionne aussi bien entre des architectures radicalement différentes, comme un LLaMA et un Mistral.

Stanislav Smirnov lui-même reconnaît que trouver un langage mathématique commun entre deux modèles reste étonnamment difficile. « Il n’existe pas encore de langage mathématique approprié », confie-t-il. En attendant, la méthode de Mostik est une manière de jeter un pont, littéralement, entre des univers qui peinent à se connecter.

De son côté, GibberLink est un projet de hackathon, certes prometteur, mais qui n’a pas encore été testé à grande échelle. Ses créateurs eux-mêmes insistent sur le fait que la technologie sous-jacente (GGWave) n’est pas nouvelle, elle date des premiers modems et de leurs bips caractéristiques dans les années 1980. La nouveauté réside dans l’application à des agents conversationnels modernes.

Ces deux initiatives, pour différentes qu’elles soient, pointent dans la même direction : l’avenir de l’IA ne passe peut-être pas par un seul modèle monolithique toujours plus gros, mais par un réseau de modèles spécialisés qui communiquent efficacement entre eux. Une vision qui rappelle le fonctionnement du cerveau humain, où des régions spécialisées échangent en permanence, sans avoir besoin de se parler en toutes lettres.