Le premier modèle d’Ilya Sutskever chez SSI pourrait être publié en août, selon Gavin Baker

Introduction

Safe Superintelligence Inc. a passé plus de deux ans à garder le silence sur ses travaux de recherche.

Ce silence pourrait bientôt prendre fin.

Gavin Baker, associé gérant et directeur des investissements d'Atreides Management, a déclaré lors d'une récente conversation avec l'investisseur et animateur de podcast Patrick O'Shaughnessy que SSI a indiqué prévoir de publier un modèle en août.

Cette déclaration a immédiatement attiré l'attention, car SSI n'avait jamais annoncé publiquement de date précise pour la sortie d'un modèle.

Fondée en 2024 par l'ancien scientifique en chef d'OpenAI Ilya Sutskever, Daniel Gross et Daniel Levy, SSI est bâtie autour d'une mission exceptionnellement ciblée. Son site web décrit toujours l'entreprise comme un laboratoire en "sprint direct" avec un seul objectif et un seul produit : la superintelligence sûre.

C'est pourquoi toute discussion concernant un premier modèle revêt une importance particulière.

Cependant, il faut d'emblée clarifier une distinction essentielle :

Au 7 août 2026, SSI n'a pas encore publié d'annonce officielle sur son site web confirmant la sortie d'un modèle en août.

Le calendrier d'août provient des déclarations de Baker, et non d'une communication officielle de SSI.

Si les informations de Baker sont exactes, ce serait la première fois que le monde extérieur pourrait entrevoir les résultats technologiques de l'un des laboratoires d'IA de pointe les plus mystérieux et les plus suivis.

Le premier modèle public de SSI pourrait voir le jour en août

Cette déclaration cruciale a été faite presque en passant au cours d'une discussion plus large sur les infrastructures d'IA, la demande de semi-conducteurs, l'apprentissage continu et l'apprentissage efficace en termes d'échantillons.

Baker estime que si les modèles peuvent apprendre efficacement après leur déploiement, plutôt que de s'appuyer principalement sur un pré-entraînement à grande échelle, le paysage économique de l'IA de pointe pourrait connaître des changements majeurs.

En développant cette possibilité, il a indiqué que SSI avait déclaré qu'elle allait "lancer" un modèle en août.

Cette déclaration laisse de nombreuses questions sans réponse.

Elle ne nous dit pas :

• comment le modèle s'appelle
• s'il sera disponible en téléchargement public
• s'il sera accessible via une API
• s'il s'agit d'un aperçu de recherche ou d'un produit commercial
• s'il s'agit d'un modèle de langage au sens traditionnel
• s'il utilise une architecture Transformer
• s'il prend en charge l'apprentissage continu
• s'il s'agit de la "superintelligence sûre" que SSI recherche
• si le calendrier d'août reste inchangé

L'article source interprète cette déclaration comme la première publication d'un modèle par SSI.

C'est une lecture raisonnable, mais la forme précise de cette publication reste inconnue.

SSI s'est toujours décrite différemment des entreprises de produits d'IA classiques

La déclaration de mission officielle de SSI est exceptionnellement directe.

L'entreprise affirme avoir été fondée pour poursuivre une superintelligence sûre, sans être distraite par :

• les cycles de produits
• les pressions commerciales à court terme
• les frais de gestion
• les multiples lignes de produits concurrentes

Sa feuille de route publique n'est pas une série de chatbots, d'outils de programmation, de produits de recherche ou de services d'entreprise.

Sa feuille de route déclarée est la superintelligence sûre elle-même.

C'est pourquoi la déclaration d'août suscite tant de spéculations.

Si SSI publie un modèle frontière traditionnel avant d'atteindre la superintelligence, cela pourrait indiquer que la stratégie produit de l'entreprise a évolué.

Si le modèle n'est qu'une démonstration des travaux de recherche que SSI poursuit, cette publication pourrait viser à montrer ses progrès plutôt qu'à lancer une plateforme commerciale étendue.

À l'heure actuelle, ces deux interprétations restent spéculatives.

L'apprentissage continu est l'histoire la plus importante derrière les propos de Baker

La phrase concernant la publication du modèle est apparue dans le contexte où Baker discutait de l'apprentissage continu et de l'apprentissage efficace en termes d'échantillons.

Ces deux sujets de recherche pourraient avoir une importance économique plus grande pour l'IA que n'importe quel résultat de benchmark.

Qu'est-ce que l'apprentissage continu ?

Les modèles de fondation typiques sont entraînés par grandes phases.

Voici le processus simplifié :

1. Collecter un très grand corpus d'entraînement.
2. Pré-entraîner le modèle sur ce corpus.
3. Affiner ou post-entraîner le modèle.
4. Déployer le modèle.
5. Créer périodiquement de nouvelles versions du modèle grâce à un entraînement supplémentaire.

Un modèle déployé peut utiliser les informations de sa fenêtre contextuelle ou de sa mémoire externe, mais ses poids sous-jacents ne sont généralement pas mis à jour en continu à partir de chaque interaction.

L'apprentissage continu vise un objectif plus ambitieux.

Un système d'apprentissage continu acquiert constamment des capacités ou des connaissances utiles au fil du temps, sans avoir à être reconstruit de zéro et sans oublier catastrophiquement les connaissances existantes.

Cela nécessite de résoudre plusieurs défis :

• apprendre à partir d'un flux incessant de nouvelles expériences
• distinguer les retours utiles du bruit
• éviter l'oubli catastrophique
• empêcher les interactions malveillantes de corrompre le modèle
• maintenir l'alignement lorsque le modèle évolue
• évaluer les systèmes dont le comportement évolue dans le temps
• contrôler quelles expériences sont autorisées à mettre à jour le modèle

Ainsi, un modèle capable d'apprentissage continu dans le monde réel serait bien plus qu'un chatbot doté d'une mémoire à long terme.

Qu'est-ce que l'apprentissage efficace en termes d'échantillons ?

L'efficacité en termes d'échantillons désigne la capacité à apprendre à partir de moins d'exemples.

Les humains peuvent généralement comprendre une nouvelle règle après une ou deux démonstrations.

Les modèles frontières actuels nécessitent souvent des quantités extrêmement importantes de données d'entraînement et de puissance de calcul pour réaliser des améliorations généralisées.

Un modèle plus efficace en termes d'échantillons pourrait extraire davantage de valeur d'apprentissage de chaque élément :

• interactions utilisateurs
• résultats d'outils
• observations de l'environnement
• simulations
• expérimentations
• corrections
• démonstrations

Si l'apprentissage continu et l'efficacité en termes d'échantillons progressent ensemble, le rôle du pré-entraînement pourrait changer.

Plutôt que de construire presque toutes les capacités avant le déploiement, les laboratoires pourraient peut-être entraîner un modèle de base puissant, puis le laisser s'améliorer continuellement grâce à l'expérience.

L'hypothèse de Baker : les besoins d'entraînement pourraient devenir une part plus réduite du calcul IA

Baker relie cette direction de recherche à la demande de semi-conducteurs.

Son idée fondamentale est la suivante :

Pré-entraînement massif ponctuel
↓
Déploiement du modèle
↓
Le modèle apprend efficacement de l'expérience du monde réel
↓
Réduction du besoin de ré-entraînements massifs répétés

Dans ce scénario, le pré-entraînement frontière traditionnel pourrait devenir une part plus réduite du calcul total de l'IA.

L'inférence et l'apprentissage continu pourraient devenir plus importants.

com/cms-assets/image/2026/08/978abe63-4b06-4c22-b491-72bdbd9f94ed-39b95ad5-109d-47b5-b0a1-c1c78a939098.png)

Beck a décrit cela comme une éventuelle fracture dans les besoins d'entraînement.

C'est une thèse d'investissement, et non une conclusion technique établie.

Pour que ce scénario devienne réalité, plusieurs conditions doivent être réunies :

1. L'apprentissage continu doit fonctionner de manière fiable à l'échelle des frontières technologiques.
2. Les modèles doivent pouvoir tirer des informations utiles d'un nombre relativement restreint d'interactions.
3. Un nouvel apprentissage ne doit pas détruire les capacités existantes.
4. La sécurité et l'alignement doivent rester stables à mesure que les systèmes évoluent.
5. L'apprentissage en ligne doit être plus économique qu'un réentraînement périodique.
6. Le système final doit néanmoins bénéficier d'un déploiement à grande échelle.

Même dans ce cas, la demande totale en calcul ne diminuerait pas nécessairement.

Un modèle devenant nettement plus utile après déploiement pourrait générer davantage d'inférences, d'activités d'agents, de simulations, de génération de données et de charges de travail d'apprentissage par renforcement.

La structure du calcul pourrait changer, mais le marché global ne se contracterait pas nécessairement.

Le nombre de tokens d'entraînement doit être considéré comme une donnée illustrative, et non comme une référence littérale

L'article source reprend une comparaison chiffrée frappante issue de la discussion de Beck : les premiers modèles comptaient environ des dizaines de milliards de tokens, tandis que les échelles d'entraînement modernes atteignent des centaines de milliers de milliards.

Cette comparaison ne doit pas être considérée comme une donnée historique vérifiée de l'entraînement de Llama.

La documentation officielle de Meta indique :

• LLaMA 7B a été entraîné avec environ 1 000 milliards de tokens.
• LLaMA 33B et 65B ont été entraînés avec environ 1 400 milliards de tokens.

Beck lui-même a présenté les chiffres plus petits comme des informations rapportées, et non comme des statistiques officielles de fiches modèles.

De même, les laboratoires de pointe ne divulguent pas le nombre total de tokens d'entraînement pour chacun de leurs modèles propriétaires actuels.

Même sans s'appuyer sur la comparaison précise « 20 milliards contre 300 billions », le point essentiel reste valable :

Le développement des modèles de pointe repose de plus en plus sur des ensembles de données massifs et d'importantes puissances de calcul ; par conséquent, si une percée permettait aux systèmes déployés d'apprendre efficacement à partir d'une quantité bien moindre de nouvelles expériences, cela pourrait modifier substantiellement l'économie de l'infrastructure de l'IA.

Ce que cela signifie pour NVIDIA

NVIDIA

bénéficie de multiples charges de travail d'IA variées :

• Pré-entraînement
• Post-entraînement
• Apprentissage par renforcement
• Génération de données synthétiques
• Inférence
• Exécution d'agents
• Raisonnement sur contextes longs
• Simulation
• Plongement et récupération
• Génération vidéo et multimodale

La réduction d'une catégorie ne signifie pas automatiquement une baisse de la demande totale en accélérateurs.

C'est précisément pour cela que Beck décrit l'apprentissage continu comme un scénario méritant d'être soumis à des tests de résistance, plutôt que comme une prédiction qu'il tient pour certaine.

La vente sur les actions d'IA constitue le contexte de la discussion

Beck a enregistré cette conversation à une période de forte faiblesse des actions liées à l'IA.

Dans son message sur les réseaux sociaux promouvant l'interview, il a indiqué qu'au moment de l'enregistrement, le « secteur de l'IA » avait chuté d'environ 35 % à 40 % par rapport à son sommet de juin.

La source de BAAI a comparé la vitesse de ce repli à une compression du marché baissier de 2022 sur une période plus courte.

L'objectif de Beck dans cette discussion était de chercher des éléments pour déterminer si la thèse d'investissement sous-jacente de l'IA s'était dégradée.

Il a abordé les indicateurs suivants :

• Tarification des GPU
• Demande d'inférence
• Progrès des modèles open source
• Demande de semi-conducteurs
• Dépenses d'investissement
• Progrès technologiques continus

Son argument n'est pas que le marché ne peut pas baisser davantage.

C'est plutôt qu'une véritable fracture technologique — comme un apprentissage continu efficace — pourrait compter davantage pour la logique de calcul à long terme que les fluctuations boursières à court terme.

Gavin Beck suit NVIDIA et le secteur des semi-conducteurs depuis des décennies

La source a passé beaucoup de temps à expliquer pourquoi les remarques de Beck sur SSI ont attiré l'attention.

Beck n'est ni employé ni porte-parole officiel de SSI.

C'est un investisseur sur les marchés publics.

Il est actuellement directeur général associé et directeur des investissements d'Atreides Management, société qu'il a fondée en 2019.

Auparavant, il a travaillé chez Fidelity Investments de 1999 à 2017.

Ses fonctions là-bas comprenaient :

• Analyste semi-conducteurs
• Gestionnaire de portefeuille
• Gestionnaire du portefeuille Fidelity OTC
• Capital-risque

Son parcours de longue date dans les semi-conducteurs est particulièrement pertinent pour cette discussion, car Beck suit NVIDIA depuis plusieurs ères de l'informatique.

Ces ères comprennent :

• Graphiques PC
• GPU de jeu
• CUDA
• Cryptomonnaies
• Entraînement en deep learning
• Inférence IA
• Systèmes de centres de données
• Usines d'IA

Lors de la conférence GTC 2026 de NVIDIA, Jensen Huang a présenté publiquement Beck comme le tout premier investisseur institutionnel majeur de NVIDIA.

Cette affirmation peut être vérifiée indépendamment grâce aux enregistrements des discours d'ouverture GTC de NVIDIA.

Pourquoi les réseaux de contacts sont importants

La source a également souligné le vaste réseau de relations de Beck au sein des entreprises technologiques, des fondateurs, des investisseurs et de l'écosystème des semi-conducteurs.

Ces canaux peuvent expliquer pourquoi les acteurs du marché prennent au sérieux une remarque informelle sur SSI.

Mais cela ne signifie pas pour autant que cette déclaration équivaut à une annonce officielle de l'entreprise.

La hiérarchie correcte des preuves est la suivante :

Au 7 août, les éléments de preuve restent au niveau d'une « déclaration de seconde main crédible ».

SSI a levé des milliards de dollars mais n'a pas publié de modèle public

Le mystère entourant SSI est l'une des raisons pour lesquelles les attentes externes sont exceptionnellement élevées.

La société a été fondée en juin 2024 par :

• Ilya Sutskever
• Daniel Gross
• Daniel Levy

Sutskever avait auparavant cofondé OpenAI et occupé le poste de scientifique en chef.

SSI a initialement levé environ 1 milliard de dollars.

Un tour de financement ultérieur, signalé fin 2025, aurait permis de lever 2 milliards de dollars supplémentaires, pour une valorisation d'environ 32 milliards de dollars.

En juillet 2026, NVIDIA et SSI ont annoncé un nouveau partenariat stratégique.

Reuters a ensuite rapporté, citant des sources, que l'investissement de NVIDIA s'élevait à environ 5 milliards de dollars, bien que les deux sociétés aient seulement indiqué que l'investissement était substantiel, sans divulguer de montant financier précis dans l'annonce officielle.

Cette combinaison est inhabituelle dans le secteur :

• Des financements de plusieurs milliards de dollars
• Une valorisation privée extrêmement élevée
• Une équipe de recherche relativement petite
• Aucune gamme de modèles publique
• Très peu de recherches publiées
• Aucune feuille de route produit conventionnelle

Il en résulte que la valeur perçue de l'entreprise repose en grande partie sur la confiance accordée à son équipe de recherche et sur la possibilité que ses méthodes diffèrent substantiellement des parcours classiques des modèles de pointe.

NVIDIA a désormais accès aux recherches strictement confidentielles de SSI

L'annonce NVIDIA–SSI du 27 juillet offre l'un des signaux publics les plus forts que SSI estime être entrée dans une nouvelle phase.

NVIDIA a déclaré avoir conclu ce partenariat après avoir obtenu un accès rare aux recherches strictement confidentielles de SSI.

Les deux sociétés ont annoncé :

• NVIDIA a réalisé un investissement majeur dans SSI.
• SSI aura accès à la plateforme NVIDIA Vera Rubin.
• Ce partenariat permettra d'accroître la puissance de calcul de SSI d'environ un ordre de grandeur.
• SSI et NVIDIA collaboreront sur de futures plateformes de calcul.

Sutskever a indiqué que SSI dispose de recherches « dignes d'être mises à l'échelle ».

Cette annonce ne révèle toujours pas :

• L'architecture du modèle
• La méthode d'entraînement
• Les techniques de sécurité
• Les benchmarks
• La date de sortie
• Le nom du modèle

Mais il confirme bien que SSI est passé de l'exploration pure à la mise à l'échelle d'une direction de recherche qu'elle juge prometteuse.

Vera Rubin offre à SSI une base de calcul plus vaste

La plateforme Vera Rubin de NVIDIA est la prochaine architecture de calcul IA de l'entreprise.

NVIDIA indique que Rubin améliore :

• Les performances d'entraînement
• Le débit de raisonnement des agents
• L'efficacité énergétique
• Le coût par jeton
• La mise en réseau à grande échelle

Concrètement pour SSI, l'annonce officielle du partenariat précise que la combinaison de l'investissement et de l'accès à Vera Rubin augmentera la capacité de calcul de l'entreprise d'un ordre de grandeur.

C'est de là que vient l'affirmation largement répandue d'un « calcul multiplié par 10 ».

Le choix des mots est important.

NVIDIA n'a pas déclaré que SSI recevrait exactement dix fois plus de GPU.

Elle a déclaré que le partenariat

permettra d'augmenter la capacité de calcul globale de SSI d'un ordre de grandeur.

Le partenariat avec NVIDIA peut-il soutenir une sortie en août ?

Le calendrier suscite naturellement des spéculations.

Voici la chronologie :

Le partenariat avec NVIDIA pourrait soutenir une prochaine sortie de modèle ou une phase d'expansion future.

Il n'existe actuellement aucune preuve publique que cet accord matériel ait été signé spécifiquement pour soutenir une sortie en août.

La conclusion la plus solide est la suivante :

Le partenariat offre à SSI une infrastructure considérablement accrue au moment où un investisseur influent suggère que l'entreprise pourrait publier un modèle, mais le lien entre ces événements n'a pas encore été officiellement expliqué.

L'observation « Claude comme Walter Cronkite de Wall Street »

Ensuite, la source est passée de SSI à une observation plus large de Baker sur l'IA et les marchés financiers.

Il a comparé Claude à Walter Cronkite — ce journaliste télévisé américain influent associé à un haut niveau de confiance publique à l'ère de la radiodiffusion.

Le point de Baker n'est pas que Claude détermine réellement la vérité du marché.

Il décrit la perte potentielle de diversité dans l'analyse financière.

Avant l'IA générative

Un rapport de résultats complexe, un document de politique sur les semi-conducteurs ou une annonce réglementaire pouvait être interprété indépendamment par :

• Des milliers d'analystes
• Des gestionnaires de portefeuille
• Des traders
• Des experts du secteur
• Des journalistes
• Des économistes

Ces personnes produisaient des divergences.

Des hypothèses différentes produisaient des perspectives de marché différentes.

Après l'IA générative

Aujourd'hui, de nombreux acteurs du marché peuvent envoyer le même document à un petit groupe de modèles de pointe.

Ils posent des questions similaires :

Qu'est-ce que cela signifie ?
Est-ce haussier ou baissier ?
Quelles entreprises en bénéficient ?
Quels sont les effets de second ordre ?
Qu'est-ce qui a changé par rapport aux attentes ?

Si beaucoup de personnes s'appuient fortement sur le même modèle, elles peuvent obtenir des cadres d'analyse similaires et des conclusions similaires.

Cela pourrait créer une consensus médié par les modèles.

Pourquoi l'analyse homogène est importante

Les marchés financiers dépendent de la divergence.

Les acheteurs et les vendeurs ont des différences de :

• Horizons temporels
• Informations
• Modèles
• Hypothèses
• Tolérance au risque
• Interprétation

Si une grande partie de l'analyse devient standardisée via le même système d'IA, plusieurs choses peuvent se produire :

• La vitesse de réaction s'accélère.
• Le consensus se forme plus tôt.
• Des transactions similaires sont passées au même moment.
• Les fluctuations de prix deviennent plus violentes.
• Les opportunités contraires peuvent apparaître plus tôt.
• Les erreurs d'interprétation d'un seul modèle peuvent être largement diffusées.

Baker décrit cela comme un déclin de la diversité analytique.

C'est une hypothèse intéressante, et non une règle empirique démontrée sur les marchés modernes.

L'IA peut aussi accroître la diversité

Il existe une autre possibilité.

Les outils d'IA peuvent

permettre à un analyste de tester plus de scénarios, d'examiner plus de documents, de traduire plus de sources et de remettre en question le consensus plus rapidement.

Les utilisateurs peuvent également comparer les sorties de modèles ou d'outils tels que :

• Claude
• ChatGPT
• Gemini
• Les modèles à poids ouverts
• Les modèles financiers spécialisés
• Les agents de recherche interne personnalisés

L'IA augmentera ou diminuera la diversité du marché selon la manière dont les gens l'utilisent.

Le risque réside dans l'externalisation du jugement vers le même modèle, sans vérification indépendante.

Ce qu'un modèle SSI pourrait révéler

Si SSI publie effectivement un modèle en août, les questions les plus intéressantes ne seront probablement pas les questions standard de classement.

Les gens compareront naturellement sur :

• Les capacités de raisonnement
• Les compétences en programmation
• Les capacités mathématiques
• Les tâches d'agent
• Les performances sur longs contextes
• La compréhension multimodale

Mais la mission déclarée de SSI rend plusieurs questions plus profondes encore plus importantes.

1. Peut-il apprendre en continu ?

Les commentaires de Baker ont été formulés dans le cadre d'une discussion sur l'apprentissage continu.

Cela ne prouve pas que le modèle de SSI démontrera un apprentissage continu.

Si c'est le cas, les chercheurs voudront savoir :

• Qu'est-ce qui change après le déploiement ?
• Les poids sont-ils mis à jour en ligne ?
• L'apprentissage est-il progressif ou continu ?
• Comment l'oubli est-il contrôlé ?
• Comment les retours malveillants sont-ils filtrés ?
• Comment les mises à jour sont-elles évaluées ?

1. Est-il plus efficace en termes d'échantillons ?

Si SSI a trouvé un moyen d'apprendre plus à partir de moins d'exemples, cela pourrait affecter l'économie de l'entraînement.

Des preuves solides nécessitent des évaluations transparentes, pas des anecdotes.

1. Que signifie « sécurité » techniquement ?

SSI déclare que la sécurité et les capacités doivent progresser ensemble.

Une sortie créerait une opportunité de montrer ce que cela signifie en pratique.

Les domaines possibles incluent :

• L'alignement
• L'explicabilité
• La robustesse
• La supervision extensible
• La résistance aux attaques adverses
• L'auto-amélioration contrôlée
• L'utilisation sécurisée des outils

SSI n'a pas encore divulgué publiquement lesquels de ces mécanismes définissent son approche.

1. Est-ce un produit ou une étape de recherche ?

Une API publique indiquerait une orientation produit.

Un article, une démonstration, des benchmarks ou une publication de recherche limitée signifieraient autre chose.

Tant que SSI ne s'exprime pas elle-même, l'expression « sortie de modèle » est trop vague pour répondre à cette question.

Pourquoi cette rumeur est importante même avant une sortie

SSI est l'un des rares laboratoires de pointe dont la prémisse fondatrice est explicitement : éviter la compétition produit ordinaire jusqu'à ce que son objectif de recherche central soit prêt.

Cela fait d'une sortie plus qu'un simple test de qualité de modèle.

Cela testera plusieurs convictions qui entourent l'entreprise depuis 2024 :

• Une petite équipe d'élite peut concurrencer des laboratoires plus grands
• Une organisation axée sur la recherche peut éviter les cycles produit rapides
• La sécurité et les capacités peuvent progresser ensemble
• Des directions de recherche différentes peuvent justifier des milliards de dollars de financement
• Le progrès à la frontière peut ne pas nécessiter seulement d'emprunter plus vite le même chemin d'extension

Le partenariat avec NVIDIA augmente les attentes car NVIDIA déclare avoir vu les résultats de recherche de SSI avant d'y engager des capitaux importants et la prochaine génération de puissance de calcul.

Les commentaires de Baker ajoutent un calendrier possible.

Ni l'un ni l'autre ne nous disent ce qu'est réellement ce modèle.

Ce qui est confirmé, ce qui est rapporté, ce qui reste inconnu

Confirmé

• SSI a été fondée par Ilya

Sutskever, Daniel Gross et Daniel Levy en 2024.

• SSI déclare publiquement que son unique objectif et produit est la superintelligence sûre.
• NVIDIA et SSI ont annoncé un partenariat stratégique à long terme le 27 juillet 2026.
• NVIDIA a déclaré que ce partenariat augmentera la capacité de calcul de SSI d'environ un ordre de grandeur.
• NVIDIA a déclaré avoir obtenu un accès rare à la recherche hautement confidentielle de SSI avant d'établir ce partenariat.
• Gavin Baker est associé gérant et directeur des investissements d'Atreides Management.
• Jensen Huang a décrit Baker comme le premier investisseur institutionnel majeur de NVIDIA lors du GTC 2026.

Rapporté par Gavin Baker

• SSI a indiqué son intention de lancer un modèle en août.

Non confirmé publiquement par SSI

• La date de sortie exacte
• Le nom du modèle
• L'architecture
• Le nombre de paramètres
• Le nombre de jetons d'entraînement
• Les résultats des benchmarks
• Les modalités d'accès
• Le prix
• La licence
• Les capacités d'apprentissage continu
• Les affirmations sur l'efficacité des échantillons
• Si cette sortie fait elle-même partie du système de superintelligence

Questions fréquentes

La société Safe Superintelligence publiera-t-elle un modèle en août 2026 ?

Lors d'une récente interview, Gavin Baker a indiqué que SSI prévoyait de lancer un modèle en août. À la date du 7 août 2026, SSI n'a pas encore publié d'annonce officielle sur son site Web confirmant cette date.

S'agira-t-il du premier modèle public de SSI ?

Si un modèle est publié, ce sera le premier modèle ou système de niveau produit de SSI à être dévoilé publiquement. Depuis sa création, l'entreprise fonctionne essentiellement de manière confidentielle et n'a pas publié de gamme de modèles classique.

Le modèle d'août de SSI est-il confirmé comme étant une superintelligence ?

Non. La mission officielle de SSI est de construire une superintelligence sûre, mais aucune information publique ne confirme que le modèle évoqué pour août a atteint ce niveau. Les capacités, l'architecture, les benchmarks et le format de diffusion de ce modèle restent inconnus.

Qu'est-ce que l'apprentissage continu en IA ?

L'apprentissage continu désigne la capacité d'un système à continuer d'apprendre en permanence à partir de nouvelles expériences au fil du temps, sans avoir à être réentraîné à plusieurs reprises depuis le début et sans oublier les compétences précédemment acquises. Un apprentissage continu fiable reste un sujet de recherche actif, en particulier pour les grands modèles déjà déployés.

Pourquoi l'apprentissage continu pourrait-il avoir un impact sur la demande en GPU ?

Si les modèles déployés finissent par être capables d'apprendre efficacement, une partie du calcul pourrait passer d'un pré-entraînement périodique à grande échelle vers l'inférence, l'apprentissage en ligne, la simulation et le post-entraînement. Cela modifierait la composition de la demande en accélérateurs, sans nécessairement réduire la demande globale en calcul pour l'IA.

NVIDIA a-t-elle investi dans Safe Superintelligence ?

Oui. NVIDIA et SSI ont officiellement annoncé en juillet 2026 un investissement majeur et un partenariat à long terme. Reuters a rapporté que le montant de l'investissement s'élevait à environ 5 milliards de dollars, mais les deux sociétés n'ont pas divulgué ce montant dans leurs annonces officielles.

Que représente la collaboration Vera Rubin avec NVIDIA pour SSI ?

NVIDIA a indiqué que SSI aura accès à sa prochaine plateforme Vera Rubin, et que cette collaboration permettra d'accroître la puissance de calcul de SSI d'environ un ordre de grandeur. Les deux sociétés développeront également conjointement de futures plateformes de calcul.

Qui est Gavin Baker ?

Gavin Baker est associé gérant et directeur des investissements chez Atreides Management.

Il a auparavant travaillé chez Fidelity Investments pendant près de vingt ans. Lors de la conférence NVIDIA GTC 2026, Jensen Huang l'a présenté comme le premier investisseur institutionnel important de NVIDIA.

Outils associés

• Safe Superintelligence Inc. : Site officiel de SSI, principale source pour sa mission, la description de l'entreprise et ses futures annonces publiques.
• NVIDIA Vera Rubin : Prochaine plateforme de calcul IA de NVIDIA, qui soutiendra l'infrastructure de calcul étendue de SSI.
• Atreides Management : Société d'investissement de Gavin Baker, dont le profil officiel détaille son parcours dans l'investissement dans les semi-conducteurs et la technologie.
• NVIDIA On-Demand : Archive officielle des discours d'ouverture GTC de NVIDIA, des conférences techniques et des transcriptions.
• Meta Llama : Site officiel de la gamme de modèles Meta, permettant de consulter les informations publiques d'entraînement et d'architecture lors de comparaisons avec les déclarations historiques sur la taille des modèles.

Liens associés

• Site officiel de Safe Superintelligence : Déclarations officielles de SSI ; l'entreprise n'a qu'un seul objectif et un seul produit : la superintelligence sûre.
• Partenariat stratégique entre NVIDIA et SSI : Annonce officielle de NVIDIA du 27 juillet 2026, couvrant son investissement dans SSI, l'accès à Vera Rubin et l'expansion du calcul.
• Communiqué aux investisseurs de NVIDIA concernant la collaboration avec SSI : Version destinée aux relations investisseurs de la même annonce officielle de partenariat.
• Gavin Baker — Atreides Management : Profil officiel de Baker, couvrant ses fonctions chez Atreides et son parcours antérieur chez Fidelity.
• Transcription du discours d'ouverture NVIDIA GTC 2026 : Transcription officielle du discours d'ouverture dans lequel Jensen Huang présente Baker comme le premier investisseur institutionnel important de NVIDIA.
• OfficeChai : Gavin Baker affirme que SSI pourrait publier son modèle en août : Reportage secondaire conservant les parties pertinentes de la discussion de Baker sur l'apprentissage continu.
• Meta : lancement de LLaMA : Enregistrement officiel de Meta montrant que le modèle LLaMA original a été entraîné sur environ 1 à 1,4 trillion de jetons, utile pour comprendre le contexte de la discussion sur le nombre de jetons.

Résumé

Gavin Baker a fourni la première indication publique crédible concernant le calendrier de lancement de Safe Superintelligence, affirmant que SSI prévoit de dévoiler un modèle en août
2026. À la date du 7 août, SSI n'a pas encore confirmé publiquement ce calendrier ; cette date doit donc toujours être considérée comme une déclaration rapportée par les médias, et non comme une annonce officielle de lancement.

Ce commentaire est important en partie en raison de son contexte. Baker s'exprimait alors sur l'apprentissage continu et l'apprentissage efficace en termes d'échantillons — des axes de recherche qui pourraient faire évoluer le calcul IA d'une prédominance du pré-entraînement à grande échelle vers des systèmes capables d'apprendre en continu après leur déploiement.

SSI vient également de conclure un partenariat stratégique majeur avec NVIDIA. Cet accord formel donne à l'entreprise accès aux systèmes Vera Rubin, avec une puissance de calcul attendue en hausse d'environ un ordre de grandeur, NVIDIA indiquant avoir décidé de ce partenariat après avoir obtenu un accès spécial aux recherches privées de SSI.

Le fait clé d'aujourd'hui n'est pas que SSI a confirmé avoir atteint la superintelligence, mais qu'un investisseur particulièrement bien connecté suggère que son premier modèle pourrait enfin être proche — et que l'entreprise dispose désormais de ressources de calcul considérablement accrues pour mettre à l'échelle ce qu'elle construit.