Notes de lecture/L'entretien de 4 heures de Yao Shunyu : entraîner des modèles chez Anthropic et Gemini

L'entretien de 4 heures de Yao Shunyu : entraîner des modèles chez Anthropic et Gemini

Zhang Xiaojun × Yao Shunyu✅ LuTendances tech

Lecture approfondie de l'épisode 140 d'« Entretiens d'affaires », l'émission de Zhang Xiaojun : un entretien de 4 heures. Yao Shunyu a participé à l'entraînement de Claude 3.7/4.5 chez Anthropic, puis de Gemini 3 chez Google DeepMind ; il est l'un des rares chercheurs à avoir une expérience de première main de l'entraînement dans ces deux laboratoires de pointe. Note recoupée à partir de reportages publics et de son propre blog ; environ 40 minutes de lecture.

Note de la rédaction

Cet article est une note de lecture approfondie de l'épisode 140 de l'émission Entretiens d'affaires de Zhang Xiaojun, une interview de 4 heures avec Yao Shunyu (姚顺宇), chercheur chez Google DeepMind ; il ne s'agit pas d'une transcription mot à mot de l'émission originale.

La synthèse s'appuie sur la vérification croisée des sources publiques suivantes : les pages et horodatages des chapitres de l'émission sur Bilibili, Xiaoyuzhou et YouTube ; les reportages publics de médias tels que TMTPost, Huxiu, les colonnes de Zhihu, Sina Tech, Phoenix Tech, QbitAI, PingWest, Beijing Daily, DoNews, ainsi que les déclarations publiques de Yao Shunyu lui-même sur son blog. Les phrases entre guillemets sont, en priorité, tirées du texte original du blog personnel de Yao Shunyu ou de citations publiques vérifiables par plusieurs médias ; pour les points de vue exprimés dans l'émission, je privilégie la reformulation et la synthèse, en évitant d'attribuer de fausses « citations exactes ».

Les droits d'auteur de l'émission originale appartiennent à Zhang Xiaojun et à Entretiens d'affaires ; je recommande vivement aux lecteurs qui en ont le temps d'écouter la version intégrale (lien en fin d'article). Cet article ne propose que des commentaires et des synthèses, afin de permettre aux lecteurs qui n'ont pas 4 heures devant eux de se repérer rapidement.


Ouverture : d'abord, le portrait

Yao Shunyu n'est pas un « chercheur en IA » ordinaire. Pour comprendre cet entretien, il faut d'abord saisir pourquoi son profil est rare.

Son parcours académique est sans doute l'un des plus solides de sa génération de chercheurs. En 2015, il entre au département de physique de l'Université Tsinghua et obtient la bourse d'excellence spéciale — la plus haute distinction de premier cycle de Tsinghua, décernée chaque année à une poignée d'étudiants seulement. Dès sa deuxième année de licence, il commence à suivre des cours de théorie de niveau master ; ses recherches de premier cycle portent sur la théorie topologique des champs dans les systèmes soumis à un forçage périodique. En 2018 (toujours en licence), il publie un article dans Physical Review Letters, proposant pour la première fois une nouvelle méthode pour la théorie des bandes topologiques dans les systèmes non hermitiens, et définit deux nouveaux concepts physiques. Le jugement d'un maître de conférences d'une université chinoise du « Projet 211 » a été cité à plusieurs reprises par les médias — en substance, aucun professeur de cette université n'aurait pu surpasser son niveau en physique durant ses années de licence.

Il part ensuite faire son doctorat à Stanford, sous la direction notamment de Douglas Stanford (physicien théoricien de premier plan spécialisé dans le paradoxe de l'information des trous noirs et le modèle SYK, lauréat du prix New Horizons in Physics en 2017) et de Yang Zhenbin. Pendant son doctorat, il passe progressivement de la matière condensée à la physique des hautes énergies ; en 2023, il propose le mécanisme du « Scramblon Mode » — une contribution technique concrète à l'étude du chaos quantique et de la transmission d'informations à l'intérieur des trous noirs.

En 2024, il effectue quelques mois de postdoctorat à Berkeley, pour assurer sa transition de la physique vers l'IA. Le 1er octobre 2024, il rejoint officiellement l'équipe Claude d'Anthropic — il a alors environ 27 ans. Il y travaille exactement 354 jours : il quitte Anthropic le 19 septembre 2025, puis rejoint Google DeepMind 10 jours plus tard, le 29 septembre, pour participer à l'entraînement de Gemini 3. L'entretien est enregistré en mars 2026, environ six mois après son arrivée chez DeepMind.

Ce qui le rend rare, c'est la combinaison de trois raretés indépendantes :

  1. Il a une expérience de première main de l'entraînement de modèles dans deux laboratoires de pointe, Anthropic et DeepMind. C'est extrêmement rare parmi les chercheurs de la Silicon Valley. Les styles des deux entreprises sont presque opposés ; il a vécu de bout en bout l'entraînement de Claude 3.7 et 4.5 (chez Anthropic), puis a rejoint l'entraînement de Gemini 3 (chez DeepMind). Un tel regard d'initié sur les deux laboratoires est quasiment introuvable ailleurs dans les entretiens publics.
  2. Une reconversion radicale de la physique vers l'IA — et une reconversion après avoir réellement produit des résultats de premier plan en physique, non une fuite par « incapacité à poursuivre ». Ses jugements sur les deux domaines sont donc crédibles.
  3. La franchise de sa posture publique. Les chercheurs chinois qui entraînent des modèles dans la Silicon Valley s'expriment rarement en public sur le secteur ; il est l'une des rares exceptions. Lors de son départ d'Anthropic, il a écrit directement sur son blog personnel : « So Ant, it was good with you, but it is better without you 🙂 » — une posture publique rare parmi les chercheurs chinois.

Tout au long de l'entretien, il garde la même posture : direct, sans affectation, sans crainte de déplaire, et il assume ses propos. « Permettez-moi d'être un peu fou » est le sous-titre qu'il s'est lui-même choisi — il ne s'est pas vraiment montré fou dans l'entretien ; il a simplement énoncé des jugements que beaucoup dans le secteur n'osent pas exprimer publiquement.

L'entretien a été enregistré en mars 2026. Au début de l'émission, Zhang Xiaojun précise que le monde évolue si vite qu'entre l'enregistrement et la diffusion, plusieurs événements majeurs se sont produits (l'annulation du rachat de Manus par Meta, le rachat de Cursor par SpaceX, etc.) : certaines appréciations peuvent donc déjà être dépassées. Par ailleurs, en raison des accords de confidentialité (NDA), il ne peut pas évoquer certains détails techniques. L'entretien est ainsi déjà une version filtrée par les engagements de confidentialité envers Anthropic et Google.


I. Deux Yao Shunyu : dissiper d'abord la confusion

Le sujet est abordé dès la première minute : dans le milieu de l'IA de la Silicon Valley, deux chercheurs de la même promotion de Tsinghua portent des noms qui se transcrivent tous deux Yao Shunyu — Yao Shunyu (姚顺宇) et Yao Shunyu (姚顺雨). Ils sont régulièrement confondus.

Yao Shunyu (姚顺雨) (OpenAI → Tencent) : diplômé de la classe Yao de l'Université Tsinghua, docteur de Princeton, travaille sur les agents depuis 6 ans et compte parmi les principaux auteurs d'articles clés comme ReAct, Reflexion et SWE-bench. En 2025, il a quitté OpenAI pour Tencent. C'est lui que Zhang Xiaojun a interviewé dans le 115e épisode — 3 heures, pour discuter des agents, des humains et des systèmes, d'un monde unipolaire ou multipolaire.

Yao Shunyu (姚顺宇) (Anthropic → Google DeepMind) : diplômé du département de physique de l'Université Tsinghua, docteur en physique de Stanford, passé de la physique à l'IA. C'est l'invité de ce 140e épisode.

Tous deux sont entrés à Tsinghua la même année en licence et sont confondus depuis longtemps. En 2025, deux départs « symétriques » ont encore ajouté à la confusion : Yao Shunyu (姚顺雨) est passé d'OpenAI à Tencent, tandis que Yao Shunyu (姚顺宇) est passé d'Anthropic à DeepMind — la même année, tous deux quittant un laboratoire américain de premier plan.

Dans l'entretien, Yao Shunyu (姚顺宇) évoque cette confusion avec un sourire un peu amer. Il souligne qu'il n'est pas Yao Shunyu (姚顺雨) et qu'il ne travaille pas non plus sur les agents : son domaine est l'entraînement des modèles, à savoir le pré-entraînement et le post-entraînement par apprentissage par renforcement (RL).


II. Concurrence et échappée : la couche applicative de l'IA a-t-elle vraiment un avantage défendable ?

L'interview commence par un jugement tranchant — aujourd'hui, presque tous les avantages défendables se trouvent du côté des modèles.

Cette phrase n'est pas une abstraction du type « les entreprises de modèles sont fortes ». Développons :

Premièrement, le cercle vertueux des données n'a pas vraiment émergé. Le « cercle vertueux des données » a été le récit le plus populaire de la couche applicative de l'IA ces deux dernières années — plus il est utilisé, plus le modèle/produit s'améliore, et plus il attire d'utilisateurs. Le jugement de Yao Shunyu est direct : aucun scénario n'a formé un véritable cercle vertueux des données. La grande majorité des prétendus « cercles vertueux » sont en réalité des effets de marque ou des effets de réseau, et non une auto-amélioration du modèle pilotée par les données.

Deuxièmement, la seule exception est le codage agentique. C'est le seul scénario actuel où « l'IA est véritablement native et connaît un grand succès ». Les personnes qui programment avec des produits comme Cursor, Claude Code, Codex, Windsurf laissent réellement, à chaque action, des signaux d'entraînement de haute qualité au modèle — ces signaux ont des critères clairs de succès/échec (le code s'exécute-t-il, les tests passent-ils, l'utilisateur accepte-t-il ou rejette-t-il la complétion), et leur volume est énorme. C'est une propriété que les autres couches applicatives de l'IA n'ont pas. L'écriture, le service client, le chat, la recherche — dans ces scénarios, les signaux de succès sont bien plus flous, et le cercle vertueux ne peut tout simplement pas tourner.

Troisièmement, la couche applicative n'a que deux voies pour survivre :

  • Voie 1 : s'échapper assez vite. La vitesse de croissance du produit doit dépasser la vitesse de réaction des entreprises de modèles, occuper l'esprit des utilisateurs avant que les entreprises de modèles ne remarquent ce scénario — et pas seulement occuper l'esprit, il faut aussi faire évoluer son propre modèle. Cette place dans l'esprit des utilisateurs ne protège que pendant un ou deux cycles de modèles de base ; lorsque la génération suivante de modèles de base sort, si vous n'avez pas développé votre propre différenciation de modèle, vous serez dévoré. Cursor et Perplexity s'y essaient déjà, mais la grande majorité des entreprises de la couche applicative n'ont pas cette vitesse d'exécution.
  • Voie 2 : un marché suffisamment petit. Viser des niches verticales dont les entreprises de modèles ne veulent pas s'occuper. Cette voie permet de survivre, mais le plafond est là — vous ne deviendrez pas la prochaine grande entreprise.

Quatrièmement, son attitude implicite envers la couche applicative actuelle est froide. Il n'a pas dit explicitement que « 99% de la couche applicative de l'IA va mourir », mais la logique de son argumentation mène en fait à cette conclusion — la plupart des entreprises de la couche applicative ne peuvent ni suivre le rythme d'itération des entreprises de modèles, ni accepter de faire de petits marchés, alors elles ne font que « survivre pour l'instant ».

Ce passage fait mouche dans les milieux du capital-risque en IA — ces deux dernières années, beaucoup de fonds ont parié que « les modèles vont rapidement se banaliser, et que la couche applicative sera gagnée par un petit nombre d'acteurs » ; le jugement de Yao Shunyu est exactement l'inverse : les modèles ne vont pas rapidement se banaliser, et les gagnants de la couche applicative seront rares.


III. Le pré-entraînement n'est pas terminé : une contre-preuve de première main venant de deux laboratoires

L'un des plus grands récits de l'industrie ces 12 derniers mois est que « la loi d'échelle du pré-entraînement s'est heurtée à un mur ». Les investisseurs en ont conclu que le plafond de valorisation des entreprises de modèles était atteint et qu'il fallait déplacer l'argent vers la couche applicative.

Yao Shunyu donne directement un jugement contraire : son expérience de première main chez Anthropic et DeepMind est que ce n'est pas le cas.

Son sentiment est que ces derniers mois, le pré-entraînement s'est en fait renforcé, et qu'au cours des prochains mois, aucun signe de mur n'est visible. La crédibilité de cette « double perspective interne » est d'un ordre de grandeur supérieur à celle d'un observateur externe.

Il développe une méthodologie de recherche très importante — lorsqu'un chercheur « pense que la loi est arrivée à son terme », il y a en fait trois possibilités :

  1. Le domaine de validité de la loi est vraiment arrivé à son terme — le cas le plus rare.
  2. Une condition préalable n'est pas remplie — par exemple, la qualité des données baisse, l'infrastructure devient instable, un hyperparamètre n'est pas aligné, le tokenizer a changé et provoque un décalage des performances en aval. Probabilité moyenne.
  3. Il y a un bug non détecté dans son propre code ou ses expériences — la grande majorité des cas.

C'est le passage de toute l'interview qui contredit le plus l'intuition du « grand récit » — beaucoup de phénomènes qui semblent être la « fin de la loi d'échelle » ne sont peut-être, sur le terrain de l'ingénierie, qu'un bug quelque part, ou un problème dans le pipeline de nettoyage des données, ou une fuite dans l'ensemble d'évaluation lui-même.

Il en tire un point de vue central sur les qualités d'un chercheur : le progrès apporté par la correction d'un bug est souvent bien plus grand que celui apporté par des techniques qui semblent magiques. Cela peut sembler banal, mais dans un domaine plein de « récits magiques », c'est très à contre-courant — la plupart des grands noms de l'IA parlent d'« intuition algorithmique », de « compréhension du modèle », de « goût esthétique » ; lui, au contraire, met l'accent sur la « correction systématique des bugs ».

Sa prévision technique précise pour 2026 pointe une direction très concrète : « Train with finite context, use as infinite context. » — s'entraîner avec une longueur de contexte finie, mais pouvoir utiliser, à l'inférence, un contexte quasi infini. C'est le prochain saut de capacité qu'il identifie : aujourd'hui, le contexte long suppose d'alimenter de longues séquences dès l'entraînement, ce qui coûte cher et donne des résultats instables ; si l'on parvient à entraîner avec une fenêtre courte puis à extrapoler à l'inférence vers un contexte très long, voire infini, l'économie des modèles s'en trouve réécrite. L'avantage générationnel de Gemini sur le contexte long (2M tokens) suggère d'ailleurs qu'en interne, DeepMind avance dans cette direction.

Ce passage contient aussi un jugement implicite : la Scaling Law n'a pas heurté de mur, mais la forme du scaling change — il ne s'agit plus simplement de « plus de paramètres, plus de données, plus de calcul », mais d'un scaling conjoint sur plusieurs dimensions : pré-entraînement + post-entraînement par RL + synthèse de données + contexte long. La Scaling Law n'est pas morte, elle est devenue fractale.


IV. L'explosion du coding : 90% du code est déjà écrit par l'IA

Sur ce point, il parle avec une quasi-certitude — l'explosion de l'IA en programmation est un fait accompli, pas un futur.

Sur le plan des faits : dans son travail quotidien et celui de nombreux chercheurs autour de lui, plus de 90% du code est déjà généré par l'IA. Ce n'est pas une prédiction, c'est le flux de travail réel de ce groupe de personnes au début de 2026. Des outils comme Claude Code, Codex ou Cursor ne sont pas des auxiliaires : ce sont eux qui font l'essentiel du travail — le rôle du chercheur passe d'« écrire du code » à « réviser du code, concevoir des tâches, définir des objectifs ».

Mais il opère une distinction très lucide — le métier de programmeur n'est pas remplacé dans son ensemble ; c'est une catégorie particulière qui l'est :

La part qui ne sera pas remplacée :
- comment concevoir raisonnablement une solution d'implémentation
- faire en sorte que la solution s'aligne sur la direction de développement future de l'entreprise
- le jugement d'intégration entre systèmes
- la compréhension du métier
- l'arbitrage entre sécurité et performance

En résumé, c'est la couche « chef de produit + architecte système ». Il va jusqu'à dire qu'être un bon chef de produit est précisément ce pour quoi il ne voit pas encore comment entraîner une IA. Cette phrase est très importante — elle révèle une limite structurelle réelle de l'entraînement actuel des LLM : le modèle peut apprendre toute tâche clairement définissable, mais pas « définir la tâche dans un contexte flou » en soi. Le cœur du métier de chef de produit est précisément ce dernier point, ce qui lui a permis d'échapper à la première vague de remplacement par l'IA.

La part qui sera remplacée :
- les tâches d'exécution du type « implémente cette solution, rends-la-moi vendredi prochain »
- le développement de fonctionnalités décrites clairement en langage normalisé
- les refactorisations de code pour lesquelles il existe déjà de nombreux précédents similaires

Son jugement sur cette part est très froid : elle pourrait bien ne plus exister à l'avenir.

Il en tire un jugement sur le groupe des programmeurs : une polarisation en M. La moitié supérieure (conception de systèmes + jugement métier) devient au contraire plus précieuse (car elle peut piloter l'IA pour démultiplier sa production), la moitié inférieure (pure exécution) disparaît rapidement. La couche intermédiaire est la plus menacée — elle n'a ni le jugement, ni l'effet de levier que procure l'IA.

Conseil aux étudiants : la compétence clé est « comment collaborer efficacement avec l'IA ». Ce n'est pas une formule creuse, c'est très concret — autrement dit, ne pas faire de « savoir écrire du code » la compétence centrale, mais faire de « savoir écrire du code avec l'IA, savoir réviser le code écrit par l'IA, savoir concevoir la part que l'IA ne peut pas résoudre » la compétence centrale.

Le message implicite de ce passage pour les programmeurs chinois est : les critères du marché chinois du recrutement pour évaluer les compétences en coding des jeunes diplômés sont déjà obsolètes. Les questions par cœur, les exercices à répétition, LeetCode — l'IA fait tout cela mieux que l'humain. Ce qu'il faudrait réellement évaluer, c'est « face à un besoin flou, savoir décomposer raisonnablement le problème, savoir réviser les erreurs dans la sortie de l'IA, savoir prendre le relais là où l'IA n'est pas douée ».


V. Seedance, distillation dure et distillation douce : un sujet d'ingénierie sous-estimé

Ce passage est plus technique, mais il est essentiel pour comprendre les véritables barrières du secteur des modèles.

La distillation de modèles est une technique qui compresse les capacités d'un grand modèle dans un petit modèle. Yao Shunyu distingue deux approches :

La distillation dure (Hard Distillation) : utiliser un grand modèle pour générer des données (par exemple lui faire produire 1 million de réponses), puis faire faire à un petit modèle un apprentissage supervisé sur ces données. C'est l'approche la plus courante et la plus rudimentaire. Dans la communauté open source, presque tous les « petits modèles qui se mesurent aux modèles fermés de pointe » recourent à la distillation dure. Son problème : on n'apprend que le « résultat d'échantillonnage » du grand modèle, on perd l'information de distribution de probabilité du grand modèle sur chaque token — le grand modèle dit « c'est très probablement A, mais B a aussi 20% de chances », le petit modèle issu de la distillation dure n'apprend que « la réponse est A », la possibilité de B est entièrement perdue.

La distillation douce (Soft Distillation) : aligner directement sur la distribution de probabilité (logits) de la sortie du grand modèle. Le petit modèle n'apprend pas seulement la réponse, mais aussi la confiance du grand modèle en chaque réponse candidate. La densité d'information est supérieure d'un ordre de grandeur — en théorie, à taille égale, le petit modèle peut approcher davantage de capacités du grand modèle.

Pourquoi les équipes qui réussissent la distillation douce sont-elles minoritaires dans le secteur ? Parce qu'elle exige énormément de l'infra et des détails :
- il faut pouvoir conserver intégralement les logits du grand modèle sur les données d'entraînement (stockage et bande passante représentent des coûts considérables)
- il faut garantir que les tokenizers du grand et du petit modèle soient parfaitement identiques
- il faut gérer l'arbitrage entre l'objectif de distillation et l'objectif de pré-entraînement d'origine
- si une seule étape de la chaîne d'ingénierie échoue, l'effet de la distillation se dégrade au point de devenir inférieur à la distillation dure

Ce passage revient une fois de plus sur son thème transversal — seul un algorithme simple + une infra puissante permet d'obtenir des résultats ; les seules astuces algorithmiques ne servent à rien.

Seedance est la ligne de génération vidéo de la famille Doubao de ByteDance. Dans ce passage, Yao Shunyu place implicitement la capacité d'ingénierie de ByteDance relativement en tête — réussir dans la vidéo, un domaine extrêmement exigeant envers l'infra, montre que le socle d'ingénierie existe. Dans le secteur chinois de l'IA, ByteDance est l'une des rares entreprises qu'il mentionne plutôt positivement dans l'entretien.

Pourquoi ce passage est-il sous-estimé dans le débat public ? Parce que la barrière technique est élevée et qu'il ne retient pas l'attention. Mais c'est précisément là que se creuse réellement l'écart entre les vraies sociétés de modèles — non pas qui a l'idée la plus intelligente, mais qui a une infra plus solide, et dont le traitement des détails est plus propre.


VI. Robotique : parier sur le territoire des outsiders

Ce passage traite de la robotique et de l'intelligence incarnée (embodied AI) ; l'attitude de Yao Shunyu est bien plus froide que le courant dominant actuel de la Silicon Valley.

Le récit dominant actuel sur la robotique/l'intelligence incarnée : les modèles de base ont résolu le problème du « cerveau », il reste le problème du « corps » ; on prévoit qu'un moment ChatGPT surviendra en 2026-2028 — les robots humanoïdes vont exploser. Nvidia promeut le « physical AI » comme le prochain récit à mille milliards de dollars.

Le point de vue de Yao Shunyu : les opportunités existent, mais le rythme est généralement surestimé. Raisons :

  • La boucle de rétroaction du monde physique est naturellement lente — entraîner un modèle de chat permet d'exécuter d'innombrables inférences par seconde ; entraîner un robot à saisir un gobelet peut exiger, à chaque échec, de replacer le gobelet et de recalibrer la caméra, soit un à deux ordres de grandeur plus lent.
  • Les données ne peuvent pas être répliquées à l'infini — le texte peut être aspiré sur tout l'Internet, les données robotiques ne peuvent être collectées qu'en temps réel. Les simulateurs sont utiles mais présentent un écart entre simulation et réalité (sim-to-real gap).
  • Le cycle d'itération du matériel est long — une version logicielle peut sortir chaque jour, la conception matérielle d'un robot prend au moins plusieurs mois.
  • Le coût des accidents est élevé — un robot qui tombe, heurte quelqu'un ou endommage des objets représente chaque fois un coût réel.

Mais il n'est pas pessimiste. Il emploie une expression clé : « underdog territory », le territoire des outsiders.

Quand un secteur n'a pas encore de vainqueur clair, que les géants observent encore et que la trajectoire technique n'a pas de réponse standard — ce genre d'endroit offre au contraire plus d'opportunités aux jeunes et aux petites équipes. La raison est simple : dans un domaine où le monopole des ressources des grands groupes ne s'est pas encore formé, ce qui est réalisé est un « mérite de petite équipe » qui vous est attribué ; dans un domaine déjà mûr, quoi que vous fassiez, ce sera répliqué par des grands groupes aux ressources plus importantes.

Il recommande la robotique aux jeunes, au même titre que l'informatique quantique : l'informatique quantique et la robotique/l'intelligence incarnée sont actuellement les directions qui offrent le plus d'opportunités aux jeunes. Points communs :
- Les grands groupes n'ont pas encore établi de domination absolue
- La trajectoire technique comporte une réelle incertitude, il ne s'agit pas d'une simple comparaison d'effort d'ingénierie
- Cela demande encore beaucoup de temps, ce qui est au contraire favorable aux jeunes diplômés et aux jeunes docteurs

Son attitude implicite envers les jeunes du domaine de l'IA purement logicielle est froide — ce secteur est déjà verrouillé par le monopole de la puissance de calcul d'OpenAI, Anthropic et Google, et un jeune seul peut difficilement apporter encore une contribution directionnelle.


VII. De la non-hermiticité à l'IA : comment il a opéré ce virage

C'est le passage le plus riche en récit personnel de l'entretien, et aussi la partie la plus anticonformiste de son parcours — après avoir atteint en physique les meilleures revues et les plus hautes bourses, pourquoi partir ?

7.1 Une recherche en physique de très haut niveau

Beaucoup de médias le présentent comme un « crack de physique de Tsinghua », mais il faut entrer dans le détail pour mesurer son niveau :

  • Bourse d'excellence spéciale : une poignée de lauréats par an à Tsinghua.
  • Article PRL en 2018 : publication d'un article en premier auteur dans Physical Review Letters au stade de la licence, donnant pour la première fois une théorie des bandes topologiques des systèmes non hermitiens.
  • Doctorat à Stanford : sous la direction de Douglas Stanford (physicien théoricien star des trous noirs, du modèle SYK et du chaos quantique, lauréat du New Horizons in Physics Prize en 2017) et de Yang Zhenbin.
  • Mécanisme Scramblon Mode proposé en 2023 : contribution technique concrète à l'étude du chaos quantique et de la transmission d'information des trous noirs.

Autrement dit, il n'a pas « abandonné la physique faute de suivre », il est parti volontairement après avoir atteint le top 1% de sa génération.

7.2 Pourquoi il a quitté la physique

Les raisons qu'il donne dans l'entretien et son blog sont très concrètes, et non un abstrait « l'IA est l'avenir ».

Premièrement, la physique des hautes énergies/théorique est arrivée à un stade où « l'expérience ne peut plus suivre du tout ». La théorie des cordes, la supersymétrie, les diverses conjectures sur la gravité quantique ont été proposées il y a des décennies, mais les accélérateurs de la génération du LHC ne peuvent pas monter plus haut en énergie : impossible de les vérifier. La théorie est partie trop loin devant, l'expérience ne suit pas — le chercheur se trouve dans un état sans rétroaction objective. Il a une formulation précise dans son blog : la physique théorique manque depuis des années d'expériences, ce qui rend difficile de juger objectivement l'importance d'un travail théorique. C'est la raison centrale de son départ.

Deuxièmement, l'IA, à l'inverse, permet de faire n'importe quelle expérience. La physique ne peut pas comprendre des données expérimentales non annotées ; l'IA n'est pas soumise à cette contrainte — ne pas comprendre n'empêche pas d'avancer. En IA, il peut faire n'importe quelle expérience qu'il souhaite, tant que la puissance de calcul et l'infra suivent. Cette « démocratisation de l'expérience » est, pour un physicien habitué à ce que « la théorie doive être vérifiée par l'expérience », une attraction considérable.

Troisièmement, la frontière entre loi empirique et loi scientifique est par nature floue. Les lois de la thermodynamique étaient au départ aussi des lois empiriques (les lois macroscopiques résumées par Kelvin et Clausius), avant que Boltzmann n'établisse l'explication par la mécanique statistique microscopique. La loi d'échelle n'a pas aujourd'hui d'explication par les premiers principes, mais cela ne signifie pas qu'elle soit fausse.

Quatrièmement, il a choisi l'IA plutôt que l'informatique quantique. Il estime que les perspectives de développement de l'IA sont plus mûres que celles de l'informatique quantique. L'informatique quantique attend encore le point critique de « l'avantage quantique utile », peut-être encore 10 ans ; l'IA crée déjà de la valeur. C'est un jugement d'ingénieur, pas de physicien.

7.3 L'apport de la physique aux compétences techniques en IA : presque nul

Sur ce point, Yao Shunyu est très direct : la physique n'aide en réalité pas beaucoup aux compétences techniques en IA. Le transfert des compétences instrumentales est très, très faible.

Il ne dit pas que la physique a été inutile — ce qui reste, ce sont le caractère et la manière de penser :
- L'habitude de creuser jusqu'au bout — face à un phénomène, ne pas accepter l'explication de surface, toujours questionner jusqu'au fond.
- L'intuition des systèmes complexes — ceux qui font de la matière condensée sont habitués à « l'émergence de comportements macroscopiques à partir d'interactions à plusieurs corps » ; cette intuition se transpose naturellement aux réseaux de neurones.
- La patience dans l'itération expérimentale — une expérience de physique prend des mois pour un seul passage, une expérience d'IA prend quelques heures — par contraste, itérer en IA lui paraît presque reposant.
- La conviction que toute hypothèse théorique doit pouvoir être vérifiée par l'expérience — ce point est crucial : il le rend très méfiant envers les travaux « beaux sur le papier mais impossibles à faire tourner ».

Pourquoi Anthropic recrute-t-il massivement des docteurs en physique ? Dario Amodei est lui-même docteur en physique. Il a expliqué publiquement que les docteurs en physique apprennent vite le machine learning et peuvent rapidement contribuer. Anthropic compte actuellement environ 30-40 chercheurs issus de la physique. L'arrivée de Yao Shunyu en 2024 s'inscrit dans cette vague. Il a lui-même jugé qu'Anthropic reste l'un des meilleurs endroits pour qu'un docteur en physique se reconvertisse en recherche en IA — même après son départ, il maintient ce jugement.


VIII. Entraîner Claude 3.7 et 4.5 chez Anthropic, et ce départ public

C'est le passage le plus technique et le plus long de l'entretien (environ 1:52:32–2:35:03, soit près de 45 minutes).

8.1 Chronologie

  • 1er octobre 2024 : il rejoint l'équipe Claude d'Anthropic.
  • Octobre 2024–septembre 2025 : il participe à la création de l'équipe des fondements de l'apprentissage par renforcement et travaille sur le cadre de Claude 3.7 Sonnet ainsi que sur la théorie du renforcement à l'origine de la série Claude 4. Claude 3.7 sort en février 2025 ; Claude 4.5 sort à peu près au moment de son départ.
  • 19 septembre 2025 : il quitte Anthropic.
  • 29 septembre 2025 : il rejoint Google DeepMind et participe à l'entraînement de Gemini 3.

Au total, 354 jours chez Anthropic.

8.2 La méthodologie centrale apprise chez Anthropic

En une phrase : un algorithme simple + une infra puissante suffisent à obtenir des résultats.

C'est la leçon la plus profonde qu'il a apprise chez Anthropic. Il insiste à plusieurs reprises sur le fait de ne pas courir après les astuces algorithmiques — bien souvent, l'équipe A et l'équipe B partent d'articles presque identiques et d'idées presque identiques, et l'écart se joue sur : qui a l'infra la plus stable, qui fait tourner ses expériences le plus proprement, qui corrige ses bugs le plus complètement.

La culture de recherche derrière cela est celle, constante, de l'équipe fondatrice d'Anthropic (Dario, Jared Kaplan et d'autres) — le sens littéral de la « Scaling Hypothesis » : il suffit de faire grandir des choses simples, sans chercher à contourner l'échelle par des algorithmes complexes. L'avantage de cette culture est la concentration ; l'inconvénient, un espace de création individuelle relativement réduit pour les chercheurs.

Priorité d'entraînement de Claude 3.7 / 4.5 : améliorer les capacités de codage via le RL. C'est le pari d'Anthropic sur le code — un pari validé par le marché : Claude Code est devenu en 2025-2026 l'un des standards de facto du marché des développeurs, et Cursor a longtemps fait de Claude son modèle par défaut. Le travail de Yao Shunyu dans l'équipe fondamentale de RL sert directement ce succès produit.

8.3 Le tempérament organisationnel d'Anthropic : top-down

La description par Yao Shunyu du style organisationnel d'Anthropic : top-down. Les grandes orientations sont tranchées directement par le cofondateur Jared Kaplan et d'autres, les chercheurs exécutent dans le cadre fixé. Les avantages de cette organisation :
- Efficacité élevée — les orientations ne vacillent pas sans cesse
- Concentration des ressources — tout le monde autour de quelques objectifs communs
- Contrôle qualité strict — l'équipe centrale examine les décisions clés

Inconvénients :
- Peu d'« autonomie d'innovation » laissée aux chercheurs — il est difficile d'ouvrir soi-même une nouvelle direction
- Inadapté à ceux qui aiment l'exploration bottom-up
- La tension avec la créativité individuelle peut engendrer de la frustration

Dans l'entretien, il ne critique pas directement ce style d'Anthropic, mais l'attitude implicite est que cette culture convient à une phase donnée et à un type donné de chercheurs, pas à tout le monde sur le long terme.

8.4 L'intensité de travail

Il décrit le rythme chez Anthropic comme « hyper chargé » — au point de n'avoir pas le temps d'écrire des articles pour consigner son cheminement. Ce point est très important — cela signifie que la production des chercheurs d'Anthropic est surtout interne (le modèle lui-même), les articles publics relativement rares. Cela explique aussi pourquoi Anthropic donne à l'extérieur une « aura de mystère technique » plus forte qu'OpenAI — leurs équipes n'ont pas le temps d'écrire des articles pour expliquer ce qu'ils font.

8.5 Le départ : la proportion exacte de 40% / 60%

L'entretien reste mesuré ; complété par le billet de blog publié à son départ, le tableau est complet.

Il donne dans le blog une proportion exacte :
- 40% sont les raisons qu'il peut rendre publiques : divergences de valeurs
- 60% sont les raisons qu'il ne peut pas divulguer : détails internes, protégés par NDA

Quel est donc le contenu concret de ces 40% ?

Le 5 septembre 2025, Anthropic classe la Chine parmi les « adversarial nations » (nations adverses) dans un document interne et annonce l'arrêt de ses services d'IA aux « entreprises contrôlées par des entités chinoises ». Cette décision suscite de vives réactions parmi les chercheurs chinois de la Silicon Valley.

La déclaration publique de Yao Shunyu sur son blog dit en substance : il s'oppose fermement aux propos anti-chinois publiés par Anthropic ; bien qu'il croie que la majorité des gens chez Anthropic désapprouveraient de tels propos, il estime ne plus pouvoir rester dans l'entreprise.

C'est la raison de son départ qu'il rend publique. Notez la précision de ses termes — il n'accuse pas Anthropic dans son ensemble d'être anti-chinoise, il dit explicitement que « la majorité désapprouverait de tels propos » — ce qu'il critique, c'est la prise de position officielle au niveau de l'entreprise, pas ses collègues.

Message d'adieu (écrit dans le blog) : « So Ant, it was good with you, but it is better without you 🙂 » (« Ant » abrège Anthropic, avec un jeu de mots sur l'anglais ant, « fourmi »)

Cette posture publique est très rare parmi les chercheurs chinois de la Silicon Valley. Dans l'entretien, il ne s'étend pas beaucoup sur ce passage, mais il ne l'évite pas non plus — il ne souhaite pas que l'entreprise pour laquelle il travaille adopte une telle position sur la question chinoise.

8.6 Qualités d'un chercheur : fiabilité, introspection, vision d'ensemble

C'est aussi la partie de l'entretien où l'on sent le plus le « maître enseignant à son disciple ». Les qualités essentielles qu'il cite :

1. La fiabilité compte dix fois plus que l'intelligence. En substance : le travail en IA ne demande en réalité pas tant d'intelligence ; le trait le plus important, c'est la fiabilité, le souci du détail, la responsabilité envers ce que l'on fait. Cela ressemble moins à un propos de chercheur qu'à celui d'un responsable d'ingénierie. Et c'est précisément ce qu'il veut souligner — aujourd'hui, la recherche en IA n'est plus guidée par l'« inspiration », mais par l'« exécution ». Dix mille idées brillantes ne produisent pas un modèle utilisable ; cent personnes fiables y parviennent.

2. La capacité d'autoréflexion. « Ce que je fais donne de bons résultats : est-ce vraiment bon ? » C'est le critère central pour juger si un chercheur peut être digne de confiance sur le long terme. De bons indicateurs ne signifient pas que l'on a fait les choses correctement — il peut s'agir d'une fuite de données, d'un biais du jeu d'évaluation, d'une corrélation fallacieuse. Un chercheur qui refuse de s'auto-vérifier est d'autant plus dangereux que ses résultats sont « bons ».

3. La vision d'ensemble. Un chercheur qui n'est pas capable de considérer l'ensemble n'est pas un bon chercheur. Ce point vise particulièrement les chercheurs formés dans le milieu académique chinois — beaucoup de doctorants sont entraînés à « exceller sur de petits problèmes », mais un projet systémique comme les grands modèles d'IA ne permet pas de ne regarder que son propre pré carré.

4. L'humain est un composant du système. Il a exprimé à plusieurs reprises que « l'humain doit devenir un composant plus fiable et plus digne de confiance du système ». Cela peut sembler rabaisser l'individu, mais son sens est : ceux qui peuvent vraiment bien faire de l'IA sur le long terme ne viennent pas pour être des héros, ils viennent pour être des nœuds de haute qualité dans le système.


IX. « L'IA est essentiellement simple » : l'épistémologie du stade actuel

C'est un jugement qui constitue une section à part entière de l'entretien (environ 2:35:03).

Son propos n'est pas que l'IA n'est pas difficile, mais que, au stade actuel, le moteur des progrès de l'IA repose sur un très petit nombre de principes simples — pré-entraînement + post-entraînement + puissance de calcul + données. Ce n'est pas une question d'intelligence, mais d'exécution. Tout récit qui en fait quelque chose de mystérieux, de « magique », il n'y croit guère.

La portée de ce point de vue doit être replacée dans le discours du secteur de l'IA — ces trois dernières années, le marketing des entreprises d'IA, les blogs techniques, les discours des PDG ont généralement adopté le récit « nous avons réalisé des percées algorithmiques très créatives ». Yao Shunyu a travaillé dans deux des laboratoires les plus prestigieux ; son observation inverse est : les vraies percées viennent rarement des algorithmes, elles viennent le plus souvent de l'ingénierie.

Il en tire un jugement central sur le paradigme de recherche du stade actuel : l'IA est entrée dans une phase où l'on ne se demande plus si l'IA peut le faire, mais si la chose est bien définie.

C'est un changement épistémologique très important. Ces dernières années, la question centrale était « peut-on » — peut-on écrire du code, peut-on être multimodal, peut-on avoir un long contexte. Aujourd'hui, la plupart de ces « peut-on » sont résolus. Le goulot d'étranglement actuel est devenu « comment définir clairement » — comment écrire la fonction de récompense ? Comment concevoir le jeu d'évaluation ? Qu'est-ce qui compte comme succès ? Qu'est-ce qui compte comme échec ?

Il développe : sur le papier, tout le monde semble à peu près au même niveau ; le plus difficile est de définir le problème, de définir le comportement souhaité ; quand le problème n'est pas clairement défini, les différences entre modèles proviennent de choses que l'on n'imagine pas.

Un exemple pour aider à comprendre : si deux entreprises veulent toutes deux rendre le modèle « plus sûr » — mais que l'entreprise A définit la « sécurité » comme « refuser toute requête à risque » et l'entreprise B comme « proposer une alternative constructive face à une requête à risque » — ces deux entreprises, même en entraînant avec exactement les mêmes algorithmes et les mêmes données, obtiendront des comportements de modèle totalement différents. La vraie différence réside dans la précision de la définition du problème, pas dans l'algorithme.

Qu'est-ce que cela implique pour les entreprises chinoises de grands modèles ? Il ne le dit pas explicitement, mais le sens implicite est : rattraper le niveau de GPT-4 / Claude 4.5 n'est pas le plus difficile ; le plus difficile est de « définir clairement » chaque capacité concrète, ce qui exige beaucoup de jugement produit et un système d'évaluation minutieux. C'est souvent le point faible sous-estimé des entreprises chinoises — beaucoup ont la puissance de calcul, les données, les articles, mais ne définissent pas « comment le modèle doit se comporter » avec cette précision.

Ce passage comporte aussi un prolongement : la rigueur méthodique. Pour lui, l'essentiel est d'avoir une méthode systématique — quand les choses ne se passent pas comme prévu, peut-on écarter systématiquement les différentes possibilités. On revient à sa méthodologie de recherche qui traverse tout l'entretien — la valeur d'un chercheur ne réside pas dans l'éclair de génie, mais dans l'investigation systématique.


X. Entraîner Gemini 3 chez Google DeepMind : l'autre pôle du tempérament organisationnel

Il rejoint DeepMind le 29 septembre 2025 ; au moment où cet entretien est enregistré, en mars 2026, il y travaille depuis environ six mois. Il évoque ici les différences de culture entre les deux organisations.

10.1 Comparaison culturelle entre DeepMind et Anthropic

Anthropic : approche descendante (top-down), focalisation, directions de recherche verrouillées, ressources concentrées, forte efficacité d'exécution, faible autonomie individuelle.

DeepMind : approche ascendante (bottom-up), décentralisation, autonomie directionnelle plus grande pour les chercheurs, efficacité de coordination relativement plus faible.

La différence qu'il décrit est très concrète : chez Anthropic, on reçoit des paris déjà cadrés (« nous allons faire du RL pour obtenir un modèle de pointe en code, et tout le monde s'aligne là-dessus ») ; chez DeepMind, il faut prouver soi-même son pari (« tu veux travailler sur cette direction ? Convaincs-moi, montre-moi des données »).

Ces deux cultures n'ont pas de supériorité absolue : des entreprises à des stades différents et des chercheurs de types différents conviennent à des cultures différentes. Sa préférence personnelle va clairement à la seconde — c'est aussi pourquoi il a quitté Anthropic après 354 jours.

10.2 Les avantages historiques de DeepMind demeurent

DeepMind est la maison d'AlphaGo et d'AlphaFold — sa culture de recherche est naturellement celle de la « course de fond, de l'approfondissement, de l'exploration ascendante (bottom-up) ». Cette culture a semblé désavantageuse pendant les deux premières années de la course aux grands modèles (OpenAI allait plus vite), mais la contre-offensive de la série Gemini en 2025-2026 a prouvé que les fondations de DeepMind sont toujours là — en particulier dans les directions du contexte long, du multimodal et des applications scientifiques, où Gemini a commencé à se doter en 2025-2026 d'un avantage différenciant net.

Yao Shunyu ne s'est pas étendu sur les détails concrets d'entraînement de Gemini 3 (limites de l'accord de confidentialité, NDA), mais il a souligné un jugement : l'avantage générationnel de Gemini sur le contexte long est réel. Cela fait écho à la direction qu'il avait évoquée plus tôt — « train with finite context, use as infinite context » (s'entraîner avec un contexte fini, l'utiliser comme un contexte infini) — sur laquelle l'équipe Gemini a accumulé de l'expérience.

10.3 L'autre logique du choix de DeepMind

Outre les facteurs de valeurs, son choix de DeepMind répond aussi à une motivation de recherche : Google, en tant que maison mère d'un écosystème de recherche et de contenus, peut fournir pour l'entraînement des modèles des ressources qu'Anthropic ne peut pas obtenir. Vidéo, textes longs, multilingue, multimodal — sur la couverture de ces données, l'écosystème interne de Google dispose d'un avantage structurel. Pour un chercheur qui veut « s'attaquer à de vrais problèmes d'entraînement », c'est attractif.

10.4 La subtilité de l'état d'esprit dans l'entreprise

Dans l'entretien, sa description de DeepMind est plus détendue et donne plus un sentiment de maîtrise que celle d'Anthropic — mais il rappelle aussi, pour lui-même comme pour les lecteurs, qu'il n'est chez DeepMind que depuis six mois et qu'il n'a pas encore traversé l'épreuve de « rester stable à grande échelle ». Son jugement sur DeepMind est actuellement positif, mais il ne tire pas de conclusion absolue. Cette honnêteté mesurée est aussi l'une des raisons pour lesquelles cet entretien convainc.


XI. Prévisions technologiques et construction d'équipe : les paris concrets pour 2026

Ce passage constitue le cœur de la dernière partie de l'entretien (environ 3:01:28).

11.1 Prévisions technologiques

1. Le pré-entraînement continue de passer à l'échelle (scale) : au moins ces prochains mois, aucun mur n'a été constaté. Il ne dit pas que le pré-entraînement ne se heurtera jamais à un mur, mais qu'on n'en est pas encore là.

2. Changement de paradigme du contexte long : « Train with finite context, use as infinite context. » C'est la prochaine transition technologique la plus concrète qu'il pointe.

3. Le codage agentique reste le seul scénario véritablement natif et réussi de l'IA — les autres scénarios sont encore à l'essai. Cela concorde parfaitement avec son jugement produit antérieur.

4. Le déploiement réel des agents est limité par la « définition du problème » plutôt que par la « capacité du modèle ». Autrement dit, la percée des agents en 2026 ne viendra pas de modèles plus intelligents, mais d'une définition plus précise de ce que l'agent doit faire.

5. La robotique et l'informatique quantique sont des zones d'opportunité pour les outsiders (underdog) — favorables aux jeunes, défavorables au monopole de ressources des grands groupes.

6. La centralisation de l'IA s'aggrave — l'essentiel de la valeur se concentre entre les mains d'un petit nombre d'entreprises, de produits et de personnes.

11.2 Construire une équipe

Sur la manière de bâtir une bonne équipe d'IA, son point central : une bonne équipe d'IA n'est pas un rassemblement de génies, c'est un réseau de composants fiables de haute qualité.

Le compromis au recrutement : mieux vaut des gens fiables de niveau moyen que des génies peu fiables.

Ce point est particulièrement percutant pour les managers — beaucoup d'échecs d'équipes d'IA ne viennent pas d'un manque de gens brillants, mais d'un excès de « stars » auxquelles on ne peut pas se fier. Un génie peu fiable contamine tout le système — on ne peut pas se fier à ses résultats expérimentaux, les autres n'osent pas toucher au code qu'il écrit, ses priorités ne s'alignent pas sur l'équipe — à long terme, c'est un actif négatif.

Il prolonge par une recommandation concrète : l'essence de la confiance, c'est la réflexion sur soi. Un chercheur vraiment digne de confiance se demande si « ce qu'il fait donne vraiment de bons résultats » — au lieu de travailler uniquement sur les métriques. Un chercheur incapable de s'auto-vérifier est d'autant plus dangereux qu'il va vite.

11.3 « Rester stable à grande échelle »

Il évoque aussi une conception managériale atypique : la question clé pour un chercheur n'est pas « puis-je produire de bons résultats », mais « à une véritable grande échelle, puis-je rester stable ».

Il n'est pas difficile d'obtenir un bon résultat sur une expérience isolée ; ce qui est difficile, c'est de maintenir la qualité sur des dizaines d'expériences menées en parallèle à l'échelle de plusieurs mois, voire de plusieurs trimestres. Les chercheurs qui brillent à court terme sont nombreux, ceux qui restent stables sur la durée sont très rares — ce sont ces derniers qui constituent la véritable ressource rare.


XII. La victoire du collectivisme : l'ère de l'héroïsme est révolue

Le passage le plus mémorable de tout l'entretien, celui qui a aussi été retenu comme sous-titre dans la présentation sur Bilibili.

12.1 Thèse principale

L'ère de l'héroïsme individuel en IA est révolue, il n'y a donc plus de héros non plus.

Cette phrase n'est pas de l'emphase, c'est un jugement structurel.

12.2 Argumentation structurelle

Premièrement, l'échelle elle-même fait qu'un individu ne peut pas être la variable décisive. Produire aujourd'hui un modèle de pointe exige la coordination de plusieurs centaines de personnes, de plusieurs centaines de millions de dollars de puissance de calcul et de plusieurs mois. Le pré-entraînement atteint couramment 10²⁵ FLOPs, ce qui nécessite des grappes de plusieurs dizaines de milliers de GPU, plusieurs centaines d'ingénieurs pour maintenir l'infrastructure, plusieurs dizaines de chercheurs pour les données, les algorithmes et l'évaluation, et quelques équipes produit pour l'alignement des objectifs. Si un seul maillon défaille, l'ensemble s'effondre.

À cette échelle, aucun individu ne peut déterminer le résultat. Même des figures du calibre d'Ilya Sutskever ou de Demis Hassabis ne pourraient pas, hors de leur organisation d'alors, produire seuls un modèle de niveau GPT-4.

Deuxièmement, la position de l'individu dans le grand récit a donc changé : aujourd'hui, nous sommes tous des surfeurs, mais au fond nous sommes la vague, pas le surfeur. La finesse de cette formule tient à « au fond nous sommes la vague » — autrement dit, la réussite individuelle n'est pas le fait de la capacité personnelle, elle est portée par la vague de l'époque. Le chercheur passe de « héros » à « un point sur la vague ».

Troisièmement, ce qui compte vraiment n'est pas le plafond de capacité individuelle, mais la stabilité collective : à très grande échelle, peut-on rester stable ? Cela exige de comprendre le système et d'avoir le sens de la responsabilité envers l'entreprise.

C'est pourquoi la description qu'il fait de son propre travail reste mesurée — il insiste sur le fait qu'il a simplement eu la chance de rejoindre à ce moment-là un projet important. Notez le choix des mots — « avoir eu la chance de rejoindre », et non « avoir réalisé quelque chose ». Il se méfie sans cesse du récit mythifiant autour des individus.

12.3 Corollaire : l'impact social de l'IA

De la victoire du collectivisme, il tire un jugement tranchant sur l'impact social : l'IA est une technologie très centralisée, qui rendra une minorité plus forte, mais fera perdre à la majorité sa valeur distinctive.

C'est sa phrase la plus froide sur l'impact social de l'IA — ni optimiste ni pessimiste, mais structurelle.

Une minorité devient plus forte : ces gens se tiennent au point d'appui du levier que constitue l'IA, et leur production est multipliée par plusieurs ordres de grandeur — les chercheurs des entreprises de modèles de pointe, les chefs de produit capables d'exploiter efficacement l'IA, la minorité capable de définir les tâches confiées à l'IA.

La majorité perd sa valeur distinctive : leur travail passé correspond précisément à ce que l'IA peut remplacer aujourd'hui — les programmeurs d'exécution, les traducteurs débutants, les rédacteurs débutants, le service client de premier niveau, les analystes débutants. La « valeur distinctive » disparaît, non pas au sens où ces personnes n'ont aucune valeur, mais au sens où la contribution différenciée qu'elles peuvent offrir au marché est effacée par l'IA.

Ce jugement ne vaut pas seulement pour le secteur, mais aussi pour les choix individuels — l'écart entre ceux qui se tiennent au point d'appui du levier et ceux que le levier aplatit va se creuser rapidement.

12.4 Conseils aux jeunes (le passage le plus dense)

1. Après l'école, votre carrière vous appartient : à l'école, on peut avoir un état d'esprit d'étudiant ; après l'école, c'est sa propre carrière, il faut se trouver une voie. Avertissement : beaucoup de gens continuent, après l'école, à raisonner comme des étudiants — attendre que le professeur ou le patron distribue les tâches, attendre que le mentor indique la direction, attendre la reconnaissance de l'organisation — cet état d'esprit sera rapidement éliminé à l'ère de l'IA.

2. Ne pas servir les vieux schnocks : la vie d'une personne n'est pas si longue, pourquoi gaspiller son temps à servir les vieux schnocks ? « Vieux schnock » rend ici laodeng, un terme de l'Internet chinois désignant les figures d'autorité chevronnées (surtout celles qui s'appuient sur un rapport d'autorité plutôt que sur une contribution réelle). Cette phrase est très directe et constitue une critique implicite forte de la culture du travail en Chine — beaucoup de jeunes y sont formés à « d'abord servir l'autorité, ensuite obtenir de l'espace » ; lui dit directement que c'est gaspiller sa vie.

3. Ne pas craindre de déplaire : il ne faut pas trop s'inquiéter de froisser quelqu'un à cause de ses opinions, tant que celles-ci sont cohérentes et reposent sur une compréhension personnelle, on vous respectera. Il applique lui-même ce principe — lorsqu'il a quitté Anthropic publiquement, il a écrit directement « better without you », froissant une entreprise valorisée à cent milliards de dollars, mais son jugement n'en a été que davantage respecté par le secteur.

4. Il existe des critères d'évaluation objectifs : en fin de compte, ce que vous valez dans ce domaine fait l'objet de critères d'évaluation objectifs. Ce ne sont ni vos relations ni votre popularité qui comptent, mais ce que vous avez réalisé. Cette règle sape par la base la voie de ceux qui « montent dans une grande entreprise grâce à leurs relations » — à long terme, les relations sans contribution objective se déprécient.

5. Personne ne peut couler une retraite tranquille : dans le domaine de l'IA générative, personne ne peut couler une retraite tranquille, sauf si vous avez complètement perdu tout intérêt pour la technique et toute ambition personnelle. Lui compris — il a quitté Anthropic pour continuer à se battre à la frontière, non pour les meilleurs avantages sociaux de Google ou pour l'équilibre entre vie professionnelle et vie privée.


Conclusion : résumer cet entretien en une fiche

Si vous ne devez retenir que 10 choses :

  1. Le pré-entraînement n'a pas heurté de mur — vérifié par les données de première main de deux laboratoires de pointe. L'illusion du mur vient le plus souvent d'un bug dans son propre code.
  2. Le codage agentique est aujourd'hui le seul scénario véritablement natif de l'IA, les autres scénarios n'ont pas encore fait apparaître de véritable cercle vertueux des données.
  3. L'IA est essentiellement simple — algorithme simple + infrastructure puissante. L'écart se joue dans l'exécution, dans les bugs, dans la définition du problème.
  4. Le goulot d'étranglement actuel n'est pas « l'IA peut-elle le faire », mais « peut-on définir clairement le problème ». La capacité du modèle est contrainte par la précision de la définition de la tâche.
  5. La polarisation en M des programmeurs : la conception de systèmes et le jugement métier prennent de la valeur, tandis que le travail d'exécution disparaît rapidement. La couche intermédiaire est la plus menacée.
  6. L'héroïsme individuel appartient au passé. Faire de l'IA, c'est coordonner plusieurs centaines de personnes et plusieurs centaines de millions investis en puissance de calcul ; l'important n'est pas le génie, mais des composants fiables de haute qualité.
  7. La fiabilité compte dix fois plus que l'intelligence. Le travail en IA ne demande pas tant d'intelligence ; la qualité la plus importante est la fiabilité.
  8. L'IA est une technologie centralisatrice : une minorité devient plus forte, la majorité perd sa valeur singulière.
  9. La robotique et l'informatique quantique sont le terrain des outsiders pour les jeunes — les grands groupes n'y exercent pas encore une domination absolue.
  10. Personne ne peut couler une retraite tranquille dans l'IA générative, sauf si l'on a déjà perdu tout intérêt pour la technologie.

La posture de Yao Shunyu dans cette interview

Ne pas romancer la technologie, ne pas romancer l'individu, ne pas romancer l'avenir.

Son regard sur le secteur de l'IA ne relève ni du grand récit de Sam Altman selon lequel « l'AGI transformera l'humanité », ni de la réserve de Yann LeCun selon laquelle « les LLM actuels ne marchent pas » — il se tient calmement sur le terrain de l'ingénierie pour dire : ce qui fonctionne aujourd'hui fonctionne, il y a encore un chemin pour l'avenir, mais il ne faut pas l'emballer comme quelque chose de miraculeux.

Son attitude face aux choix individuels va dans le même sens : n'attends pas d'être reconnu, ne sers pas les vieux schnocks, ne crains pas de déplaire, travaille selon des critères objectifs, il n'y a pas de retraite tranquille dans l'IA générative. Ces conseils indiquent une direction particulièrement claire aux jeunes chercheurs chinois — ne pas suivre la voie des relations personnelles, suivre celle de la contribution objective.

Enfin, sa propre phrase est la meilleure note de bas de page de cette interview : « Permettez-moi d'être un peu fou. » Il ne s'est pas vraiment montré fou dans l'entretien — il a simplement dit tout haut des jugements que beaucoup dans le secteur n'osent pas rendre publics.


L'émission d'origine et les sources publiques

Accès à l'émission d'origine (écoute de la version intégrale vivement recommandée) :

Reportages publics de seconde main utilisés pour la vérification croisée des faits :


Droits d'auteur et reproduction

  • Émission d'origine © Zhang Xiaojun, Entretiens d'affaires. Cet article ne reproduit pas le contenu de l'émission d'origine ; il se fonde uniquement sur des reportages publics pour une synthèse et un commentaire de seconde main.
  • Cet article est une note de lecture personnelle ; la reproduction est bienvenue, merci de conserver la signature de l'auteur et le lien vers l'original.
  • Si vous avez le temps, il est vivement recommandé de laisser cette note de côté et d'écouter directement les 4 heures de l'émission d'origine — la densité des idées, le ton de Yao Shunyu et le rythme des questions de Zhang Xiaojun ne peuvent être reproduits par une synthèse de seconde main.