Six révolutions de l'IA en 2025 : Le guide d'Andrej Karpathy sur les plus grands changements de l'industrie

Le paysage de l’intelligence artificielle a connu des changements sismiques tout au long de 2025, avec des transformations si fondamentales qu’elles ont remodelé notre façon de penser l’apprentissage automatique, le développement logiciel et l’interaction homme-machine. Andrej Karpathy, un chercheur et technologue en IA de renom, a identifié six grands changements évolutifs qui ont fondamentalement modifié le domaine. Il ne s’agit pas d’améliorations incrémentielles — ce sont des moments de rupture qui ont remis en question les hypothèses existantes et ouvert des possibilités entièrement nouvelles.

L’émergence de l’apprentissage par récompense vérifiable : Au-delà du retour d’information humain

Pendant des années, la pile de formation de production pour les grands modèles de langage suivait un processus en trois étapes prévisible : pré-entraînement (comme GPT-2 et GPT-3 à partir de 2020), ajustement supervisé (InstructGPT en 2022), et apprentissage par renforcement à partir du retour d’information humain (RLHF, également 2022). Cette approche s’est avérée stable et mature, dominant la méthode de l’industrie pour construire des LLM de qualité production.

En 2025, un changement fondamental s’est produit. L’apprentissage par renforcement basé sur des récompenses vérifiables (RLVR) est devenu la technologie centrale adoptée par les principaux laboratoires d’IA. La distinction est cruciale : au lieu de s’appuyer sur le jugement humain pour évaluer les sorties du modèle, le RLVR exploite des environnements automatiquement vérifiables — résolution de problèmes mathématiques, défis de programmation, et domaines similaires où la correction peut être déterminée objectivement.

Les modèles entraînés de cette manière développent spontanément ce que les humains reconnaîtraient comme des « stratégies de raisonnement ». Ils apprennent à décomposer des problèmes complexes en étapes intermédiaires de calcul et découvrent plusieurs voies de solution par raffinements itératifs. Le modèle o1 d’OpenAI (sorti fin 2024) a offert le premier aperçu de cette capacité, tandis que le lancement ultérieur de o3 (début 2025) a démontré le potentiel spectaculaire de cette approche. Le document DeepSeek-R1 a fourni des preuves supplémentaires de la façon dont ces environnements vérifiables permettent aux modèles de construire des chaînes de raisonnement explicites.

Ce qui distingue le RLVR des approches précédentes, c’est l’intensité computationnelle requise. Contrairement au fine-tuning supervisé et au RLHF — qui impliquent des phases relativement courtes et peu coûteuses en calcul — la formation par récompense vérifiable exige des cycles d’optimisation prolongés contre des fonctions de récompense objectives et déterministes. Cela signifie que les ressources computationnelles initialement allouées au pré-entraînement sont redirigées vers ce nouveau paradigme de formation. La principale innovation : la capacité du modèle peut désormais être ajustée en fonction du coût computationnel en phase de test, en générant des chaînes d’inférence plus longues et en offrant plus de « temps de réflexion ». Cela représente une toute nouvelle dimension de la scalabilité.

Comprendre l’intelligence artificielle : Entités fantomatiques plutôt que créatures numériques

En 2025, l’industrie a acquis une nouvelle perspective sur le fonctionnement réel de l’intelligence artificielle. Andrej Karpathy a formulé une idée qui a résonné dans tout le domaine : nous ne « cultivons pas d’animaux numériques » mais plutôt « invoquons des fantômes » — des entités fondamentalement différentes dont l’intelligence émerge d’objectifs d’optimisation complètement différents de ceux des systèmes biologiques.

La distinction est profondément importante. Les réseaux neuronaux humains ont évolué par sélection naturelle dans des scénarios de survie tribale. Les grands modèles de langage sont optimisés pour reproduire du texte humain, obtenir de bons scores sur des problèmes mathématiques, et obtenir l’approbation lors d’évaluations humaines. Étant donné ces pressions évolutives totalement différentes, il n’est pas surprenant que l’intelligence qui en résulte se manifeste de manières radicalement différentes.

Cela conduit à une observation frappante : l’intelligence artificielle affiche un motif en dents de scie plutôt que des courbes de capacité lisses. Les modèles peuvent démontrer une expertise encyclopédique à un moment donné tout en peinant avec un raisonnement élémentaire le suivant. Ils peuvent faire preuve à la fois de brillance et de confusion profonde, capables de générer des solutions remarquables ou de divulguer des données sensibles sous pression adversariale.

Cette idée a des implications profondes pour la façon dont nous évaluons le progrès de l’IA. Les benchmarks, qui représentent des environnements vérifiables, sont devenus susceptibles d’être optimisés via le RLVR. Les équipes d’IA construisent de plus en plus des environnements d’entraînement étroitement alignés avec les embeddings de benchmark, couvrant efficacement ces zones de capacité spécifiques. « Entraîner sur l’ensemble de test » est devenu une pratique standard de l’industrie. Le résultat : les modèles peuvent balayer tous les benchmarks disponibles tout en restant loin d’atteindre une intelligence artificielle générale.

Le phénomène du Curseur : Une nouvelle couche d’application émerge

L’ascension rapide de Cursor tout au long de 2025 a révélé quelque chose d’inattendu sur l’architecture des applications IA. Ce qui a commencé comme un éditeur de code spécialisé a évolué en un paradigme plus large, suscitant des discussions sur « Cursor pour le domaine X » dans plusieurs industries.

La véritable avancée de Cursor réside dans la démonstration de comment construire une nouvelle couche d’applications LLM. Le principe fondamental : des applications spécialisées orchestrent plusieurs appels LLM dans des graphes acycliques dirigés de plus en plus sophistiqués, équilibrant performance et coût computationnel. Ces systèmes gèrent le « génie du contexte » — identification, récupération et hiérarchisation des informations les plus pertinentes pour chaque requête. Ils offrent des interfaces graphiques spécifiques au domaine qui maintiennent l’humain dans la boucle de décision et proposent des mécanismes d’ajustement permettant aux utilisateurs de moduler l’autonomie du modèle en fonction des exigences de la tâche.

La perspective d’Andrej Karpathy sur cette stratification suggère un avenir où les plateformes de grands modèles de langage évolueront vers des « capacités de niveau master généraliste », tandis que les applications spécialisées transformeront ces généralistes en « équipes d’experts » en fournissant des données privées, des capteurs environnementaux, des actionneurs, et des boucles de rétroaction continues pour des marchés verticaux spécifiques.

Claude Code : Agents intelligents fonctionnant sur votre ordinateur

Claude Code d’Anthropic a marqué un tournant dans la façon dont les agents IA opèrent dans les environnements humains. Il a démontré de manière convaincante comment l’utilisation d’outils et l’inférence peuvent s’enchaîner de manière itérative, permettant une résolution de problèmes complexe et persistante sur des interactions prolongées.

Ce qui distinguait Claude Code des approches concurrentes, c’était sa stratégie de localisation radicale. Plutôt que de déployer des agents dans des environnements conteneurisés dans le cloud (approche d’OpenAI), Claude Code fonctionne directement sur l’ordinateur personnel de l’utilisateur. Ce modèle d’exécution locale intègre profondément l’IA aux fichiers privés, applications, environnement de développement, et connaissances contextuelles de l’utilisateur — des informations qu’il serait extraordinairement difficile de transmettre à des serveurs distants.

Dans une période de transition caractérisée par un développement inégal des capacités, ce choix de conception révèle une réflexion stratégique authentique. Déployer des agents directement aux côtés des développeurs dans leurs environnements de travail représente une voie de développement plus logique que la construction de clusters cloud distribués. Claude Code a synthétisé cette idée dans une interface élégante et puissante — transformant l’IA d’un simple site web nécessitant des visites délibérées en une présence intelligente, miniature, intégrée dans l’espace de travail numérique de l’utilisateur.

Vibe Coding : Programmer sans coder

D’ici mi-2025, l’IA avait franchi un seuil critique de capacité : la capacité à construire des applications sophistiquées en utilisant des descriptions en langage naturel, sans que les programmeurs aient besoin de comprendre l’implémentation sous-jacente. Le concept a rapidement captivé l’imagination lorsque le terme « Vibe Coding » a été lancé de manière informelle par Andrej Karpathy dans un post sur les réseaux sociaux, évoluant en un mouvement à l’échelle de l’industrie.

Vibe Coding démocratise fondamentalement la programmation. Les barrières professionnelles se dissolvent lorsque n’importe qui peut décrire ce qu’il veut en langage naturel et recevoir un code fonctionnel. Andrej Karpathy a documenté sa propre expérience en utilisant Vibe Coding pour développer rapidement un tokenizer BPE personnalisé en Rust, en évitant une expertise approfondie en langage — un code qui « n’aurait jamais été écrit autrement » si les exigences traditionnelles de programmation avaient été maintenues.

Les implications vont au-delà de l’accessibilité. Les développeurs professionnels gagnent une liberté nouvelle pour créer des prototypes exploratoires, tester des idées architecturales à coût minimal, et écrire des applications à usage unique pour des investigations spécifiques. Le code devient éphémère et jetable. Les frontières entre utilisateurs et créateurs s’estompent. Le développement logiciel se transforme en un domaine où les gens ordinaires comme les développeurs professionnels peuvent contribuer de manière significative, redéfinissant les carrières et les compétences techniques attendues.

Nano Banana et au-delà : Pourquoi l’IA a besoin d’interfaces visuelles

Les développements de Google avec Gemini Nano et d’autres similaires représentent, selon Andrej Karpathy, l’un des changements les plus transformatifs de 2025. La vision plus large : les grands modèles de langage représentent le prochain paradigme informatique après les ères du micro-ordinateur et du PC des années 1970 et 1980.

Si ce parallèle se vérifie, on peut s’attendre à ce que des innovations similaires émergent à partir de bases technologiques analogues. La révolution de l’interface graphique de l’informatique personnelle n’est pas arrivée parce que les commandes textuelles étaient impossibles — elles fonctionnaient très bien pour les experts — mais parce que les représentations visuelles correspondaient plus étroitement aux préférences cognitives humaines.

Le texte, bien que primitif en termes de calcul, s’accorde mal avec les préférences d’entrée et les modes de consommation d’information humains. Les humains traitent visuellement les informations spatiales et graphiques bien plus efficacement que le texte analysé. Ils préfèrent naturellement recevoir des informations via des images, diagrammes, diapositives, tableaux blancs, et multimédia plutôt que de parser des phrases.

Les interfaces actuelles des LLM fonctionnent via dialogue — essentiellement des interactions en ligne de commande avec du texte, similaires à l’informatique des années 1980. La question de savoir qui construira la couche graphique pour l’intelligence artificielle reste partiellement ouverte, mais des produits comme Nano Banana indiquent la voie. Ce qui distingue Nano Banana, ce n’est pas seulement la capacité de génération d’images, mais plutôt la synthèse intégrée de la génération de texte, de la création visuelle, et de la connaissance du monde tissée dans la structure des poids du modèle.

Ces six changements — de l’optimisation par récompense vérifiable à l’interface visuelle, du retour d’information humain à des agents IA locaux, de l’expertise spécialisée à la programmation accessible — révèlent une industrie en transformation radicale. Les cadres qui guidaient le développement de l’IA au début des années 2020 ont cédé la place à des approches fondamentalement nouvelles, chacune ouvrant des possibilités qui semblaient impossibles il y a seulement quelques mois. Comme le soulignent les observations d’Andrej Karpathy, 2025 sera mémorable non pas pour des progrès incrémentiels, mais pour le moment où l’intelligence artificielle s’est réinventée elle-même de façon fondamentale.