Inscrivez-vous à nos newsletters hebdomadaires.

L’IA connaît un engouement mondial, avec près d’un milliard d’utilisateurs d’OpenAI en deux ans.

Sa promesse d’optimiser les tâches humaines peut entraîner une dépendance qui risque de nuire à nos compétences et à nos opportunités.

Au fil du temps, il devient facile de laisser l’IA gérer des tâches, créant une paresse cognitive.

L’enjeu majeur est la fracture entre ceux qui utilisent l’IA de manière critique et ceux qui en délèguent complètement la pensée.

Il a noté que de nombreuses personnes, notamment des jeunes, utilisent le chatbot pour discuter de sujets personnels, semblables à une thérapie.

Cependant, contrairement aux conversations avec des professionnels tels que des médecins ou des avocats, ces interactions avec l’IA ne bénéficient pas d’une protection juridique en matière de confidentialité.

En cas de poursuites judiciaires, OpenAI pourrait être contraint de divulguer des informations sensibles.

Altman estime qu’il est crucial d’instaurer une protection similaire pour les échanges avec les intelligences artificielles.

Il considère que la question de la confidentialité doit être traitée d’urgence par les législateurs, même si les lois actuelles n’ont pas encore évolué pour couvrir cette problématique.

De son côté, Theo Von exprime ses réserves quant à l’utilisation de l’IA, craignant pour la sécurité de ses informations personnelles.

Développé par des chercheurs de l’UC Berkeley, ce système d’intelligence artificielle (IA) génère des nœuds et des bords graphiques pour définir la structure des matériaux, tout en intégrant des contraintes de fabrication et des défauts potentiels.

Cela répond à un besoin croissant de métamatériaux optimisés pour des applications industrielles variées, depuis les pare-chocs de voiture aux implants médicaux.

L’originalité de Graphmetamat réside dans sa capacité à produire des conceptions viables qui non seulement respectent les exigences techniques, mais résistent également aux défauts induits par la fabrication.

Les chercheurs ont combiné plusieurs techniques d’apprentissage en profondeur pour surmonter les limitations des méthodes de conception existantes, qui peinent souvent à modéliser des comportements complexes.