Jürgen Schmidhuber rejoint Sakana AI en tant que conseiller scientifique principal
Le pionnier de l'apprentissage profond Jürgen Schmidhuber est nommé conseiller scientifique principal chez Sakana AI, une décision saluée pour son autorité académique mais aussi perçue comme un garde-fou contre la réécriture de l'histoire de l'IA.
Jürgen Schmidhuber, professeur à l'IDSIA et figure emblématique des débuts de l'apprentissage profond, a officiellement rejoint le laboratoire de recherche Sakana AI au poste de conseiller scientifique principal.
Schmidhuber est reconnu dans la communauté non seulement pour ses travaux fondamentaux des années 1980 et 1990, mais également pour sa critique acerbe des récits modernes concernant les « nouvelles » idées en intelligence artificielle. Il a régulièrement souligné que des architectures souvent attribuées à d'autres scientifiques — telles que les réseaux de neurones convolutifs (CNN), couramment associés à Yann LeCun et LeNet — possèdent des racines profondes dans ses propres recherches et celles de ses collègues de l'époque. Il a également mis en lumière des questions relatives à l'attribution de la paternité des réseaux de Hopfield.
L'embauche de Schmidhuber comme conseiller chez Sakana AI, un laboratoire spécialisé dans les agents IA bio-inspirés et autonomes, est accueillie par la communauté avec un mélange de respect et d'ironie. D'une part, cela constitue une reconnaissance de son autorité scientifique. D'autre part, cela sert de mécanisme de protection : il veillera désormais personnellement à l'exactitude des citations historiques dans leurs développements.
« Il conseillera sur la manière de citer correctement ses articles des années 80 », suggèrent les blagues qui circulent dans les communautés tech.
Cette nomination met en évidence l'importance croissante de l'intégrité académique et de l'attribution correcte des idées fondatrices à l'ère des agents IA autonomes en évolution rapide.
Pourquoi c'est important
AnalyseCette nomination souligne l'importance cruciale de l'intégrité académique et de l'attribution précise des idées fondatrices dans un paysage où les agents IA autonomes évoluent à une vitesse sans précédent.
Discuter dans la communauté
Partagez vos questions et vos idées avec les développeurs
Lié dans l'écosystème
Guides pratiques, terminologie clé et compétences d'agents
Profil Hermes : Assistant Kaizen et efficacité personnelle
Profil d'efficacité personnelle Hermes basé sur le Kaizen et l'Ikigai : cycles PDCA quotidiens, élimination des gaspillages Muda et maintien du focus sur l'essentiel.
Suivi des agents IA : métriques, traçabilité et causes principales des défaillances
Le monitoring standard des serveurs et des applications est inadapté aux agents : un agent peut renvoyer une réponse HTTP 200, consommer une grande quantité de tokens tout en fournissant une réponse incorrecte au client ou en entrant dans une boucle infinie.
Découpage de documents en chunks (Chunking pour débutants)
Technique consistant à diviser de grands documents (PDF, livres, articles longs) en petits blocs textuels logiques (chunks de 300 à 500 tokens) avec chevauchement (Overlap). Assure une haute précision de recherche et évite la perte de contexte aux interfaces.
Chaînage de prompts (Prompt Chaining pour débutants)
Méthodologie consistant à décomposer une tâche complexe en une séquence de petits prompts ciblés (Prompt Chaining). Le résultat de la première étape est transmis comme entrée à la suivante, garantissant ainsi une haute qualité pour chaque bloc.