Il y a encore un an, les modèles d’intelligence artificielle les plus spectaculaires vivaient derrière des interfaces propriétaires. Il fallait un abonnement, une API, des crédits, parfois une liste d’attente. Et surtout accepter une règle simple : la machine appartenait à quelqu’un d’autre.
Ce paysage est en train de changer.
En quelques semaines, une série de modèles venus principalement de Chine a débarqué dans la vidéo, l’animation, le langage, l’audio et la robotique. Certains peuvent être téléchargés, modifiés ou exécutés localement. D’autres restent accessibles sous des licences plus restrictives, mais participent au même mouvement : déplacer l’intelligence artificielle du cloud vers les machines de leurs utilisateurs.
La vidéo « L’IA vient de devenir gratuite (et personne n’en parle) », qui sert de point de départ à cet article, décrit cette accélération comme une prise de pouvoir de l’open source sur l’écosystème IA.
La formule est provocatrice. Elle n’est pas totalement fausse non plus.
MiniMax H3 : la vidéo générative sort du cloud
Premier symbole de cette bascule : MiniMax H3.
Le modèle chinois ne se contente plus de générer quelques secondes d’images animées. Il peut produire simultanément vidéo et audio, interpréter du texte, des images, des vidéos ou des sons comme références et atteindre une qualité qui le place désormais parmi les meilleurs systèmes disponibles.
Sur les classements d’Artificial Analysis, H3 se situe parmi les modèles les plus performants dans plusieurs catégories de génération vidéo.
MiniMax a également publié les poids du modèle sur Hugging Face.
Et c’est là que les choses deviennent intéressantes.
Lorsque les poids d’un modèle sont disponibles, on ne dépend plus nécessairement d’un serveur distant pour chaque génération. Des versions quantifiées, optimisées ou accélérées peuvent apparaître très rapidement dans la communauté.
La vidéo montre ainsi H3 utilisé sur du matériel grand public, transformant potentiellement une carte graphique achetée pour jouer en petit studio de production audiovisuelle autonome.
Plus d’abonnement à chaque génération. Plus de file d’attente. Et surtout : les données peuvent rester sur la machine.
Mais il faut immédiatement ajouter un astérisque à la belle histoire.
La licence de MiniMax H3 n’est pas une licence open source classique au sens le plus permissif du terme. Elle comporte notamment des restrictions territoriales importantes, dont l’Union européenne.
Autrement dit : les poids sont ouverts, mais le jardin possède encore quelques clôtures.
Alibaba sort l’artillerie lourde
MiniMax n’est pas seul.
Alibaba accélère simultanément sur plusieurs fronts avec sa famille Wan.
Wan-Animate-2 : le motion capture devient logiciel
Avec Wan-Animate-2, une simple image peut être animée à partir des mouvements d’une personne filmée. Gestes, expressions faciales et mouvements corporels sont transférés vers le personnage généré.
Le système peut également gérer plusieurs personnages et modifier le point de vue de la caméra, tandis qu’une version allégée vise l’animation en temps réel.
Le papier scientifique consacré à Wan-Animate-2 décrit cette architecture et son approche du contrôle des mouvements et des personnages.
Pour les créateurs, vidéastes ou développeurs d’avatars numériques, la conséquence est assez vertigineuse : le motion capture simplifié commence à devenir un problème logiciel plutôt qu’un problème de studio.
Wan 3.0 : un tableur entre, une vidéo sort
Alibaba pousse plus loin encore avec Wan 3.0.
Le modèle vise la production de séquences plus longues et peut accepter comme sources non seulement du texte, des images ou de l’audio, mais également différents types de documents.
Un tableur en entrée. Une vidéo en sortie.
Il y a quelques années, cette phrase aurait ressemblé à une mauvaise publicité pour PowerPoint sous psychotropes.
Aujourd’hui, elle décrit une nouvelle forme de multimodalité : l’IA ne se contente plus de comprendre différents formats, elle commence à traduire un média dans un autre.
Qwen3.8-Max : quand l’IA travaille pendant des jours
Mais la rupture la plus profonde n’est peut-être pas visuelle.
Avec Qwen3.8-Max, Alibaba a dévoilé un modèle géant reposant sur une architecture Mixture-of-Experts. Les poids du modèle de base sont disponibles sur Hugging Face.
Le plus intéressant n’est pourtant pas sa taille.
C’est sa capacité à travailler longtemps.
Alibaba a notamment présenté une expérience dans laquelle le système devait faire évoluer de manière autonome un projet logiciel. Pendant plusieurs jours, l’agent a traité des problèmes, modifié le code, lancé ses tests et corrigé ses propres erreurs.
Une autre expérimentation consistait à lui fournir un article scientifique à reproduire puis à améliorer. Le système a reconstruit l’expérience, exploré différentes pistes et obtenu de meilleurs résultats sur le benchmark concerné.
Il faut évidemment rester prudent : une démonstration orchestrée par le constructeur n’équivaut pas à un chercheur autonome capable de remplacer un laboratoire scientifique.
Mais le changement de nature est réel.
On ne demande plus simplement à une IA : « Donne-moi une réponse. »
On lui demande : « Voici un objectif. Travaille dessus jusqu’à ce que tu trouves quelque chose. »
Ce glissement du chatbot vers l’agent autonome pourrait être beaucoup plus important que la prochaine amélioration de quelques points sur un benchmark.
Et maintenant, l’IA obtient un corps
La convergence devient encore plus visible lorsqu’on quitte l’écran.
Le projet PRISM travaille sur la manipulation robotique en combinant perception 3D et informations proprioceptives du robot.
À partir de nuages de points et de l’état de ses articulations, le système apprend directement à produire les actions nécessaires. Les chercheurs rapportent de meilleurs résultats que plusieurs approches de référence dans leurs environnements expérimentaux.
Le travail consacré à PRISM illustre une évolution importante : les robots apprennent progressivement à transformer directement leur perception du monde en actions physiques.
De son côté, Google DeepMind vient de présenter Gemini Robotics 2.
Cette nouvelle génération ne pilote plus seulement un bras devant une table. Elle vise le contrôle coordonné du corps entier : marcher, se pencher, saisir un objet, le transporter puis poursuivre une tâche.
Google décrit également des modèles complémentaires capables de raisonner sur une scène, suivre l’avancement d’une mission ou fonctionner directement sur le robot sans dépendre en permanence du cloud.
Google DeepMind présente ici Gemini Robotics 2 et ses capacités de contrôle du corps entier.
Et c’est ici que les pièces du puzzle commencent à s’emboîter.
- Les modèles vidéo apprennent à représenter les mouvements du monde.
- Les modèles multimodaux apprennent à comprendre ce monde.
- Les modèles robotiques apprennent à agir dedans.
Entre les trois apparaissent les world models, des mondes simulés dans lesquels un robot peut expérimenter des milliers de situations avant de transférer ce qu’il a appris dans le monde physique.
La Matrix, en somme.
Sauf que cette fois, elle sert à apprendre à un robot comment ramasser une chaussette.
Pendant ce temps, Google traverse une zone de turbulence
Cette accélération technologique intervient alors qu’un autre déplacement se produit : celui des talents.
Début août 2026, Google a annoncé une importante réorganisation de ses activités liées à l’intelligence artificielle. Jeff Dean, figure historique de l’entreprise et architecte de nombreuses infrastructures fondamentales de Google, quitte le groupe après vingt-sept ans.
Dans le même temps, Demis Hassabis abandonne une partie de la direction opérationnelle quotidienne de Google DeepMind pour se concentrer davantage sur la stratégie scientifique globale.
Il serait évidemment prématuré d’annoncer la chute de Google. Le groupe possède des infrastructures, des données, des moyens financiers et une capacité de distribution que peu d’acteurs peuvent égaler.
Mais le déplacement de chercheurs aussi importants reste un signal.
Dans les révolutions technologiques, l’argent compte.
Le talent aussi.
Et lorsque les architectes quittent le château pour construire ailleurs, il devient raisonnable de regarder dans quelle direction ils marchent.
Même la transcription devient locale
Dernière pièce du tableau : l’audio.
CrisperWhisper 2.0, développé à partir de l’architecture Whisper, cherche notamment à produire une transcription véritablement verbatim : hésitations, répétitions, faux départs ou disfluences peuvent être conservés.
Le projet met également l’accent sur la précision temporelle du positionnement des mots, ce qui peut être particulièrement utile pour le sous-titrage, l’analyse de conversations, les podcasts ou le montage audiovisuel.
Le projet est disponible publiquement sur GitHub.
Ce genre d’outil paraît moins spectaculaire qu’un humanoïde ou qu’une vidéo générée.
Pourtant, il participe exactement au même phénomène : des briques professionnelles autrefois accessibles principalement par des services distants deviennent progressivement exécutables sur des machines personnelles ou des infrastructures privées.
L’IA devient-elle réellement gratuite ?
Pas vraiment.
Un GPU coûte de l’argent.
L’électricité également.
Il faut installer les modèles, comprendre les dépendances, stocker parfois des dizaines ou des centaines de gigaoctets et posséder suffisamment de mémoire pour les faire fonctionner.
Quant aux modèles comptant plusieurs centaines de milliards ou plusieurs billions de paramètres, ils ne vont évidemment pas tenir paisiblement sur l’ordinateur familial entre Firefox et trois épisodes de séries téléchargés.
Et surtout, poids ouverts, logiciel libre et open source ne sont pas synonymes. Certaines licences permettent presque tout ; d’autres imposent des restrictions géographiques, commerciales ou techniques.
La véritable révolution n’est donc pas la gratuité.
C’est la possibilité de posséder à nouveau l’outil.
Cette nuance change beaucoup de choses.
Lorsqu’un modèle tourne chez vous, vous pouvez conserver vos données localement, le modifier, l’intégrer à vos propres logiciels, automatiser certaines tâches sans payer chaque appel d’API et parfois continuer à l’utiliser même si son créateur décide demain de changer ses tarifs ou ses conditions.
L’enjeu devient alors économique, mais également politique.
Car derrière la bataille des performances se joue une autre bataille : qui contrôlera l’infrastructure intellectuelle du monde numérique ?
Quelques plateformes américaines ?
Quelques géants chinois ?
Ou des millions d’entreprises, chercheurs, créateurs et particuliers capables d’héberger eux-mêmes une partie de ces outils ?
Une redistribution silencieuse du pouvoir
Le phénomène le plus remarquable n’est finalement peut-être pas qu’un nouveau modèle vidéo soit meilleur qu’un autre.
C’est la vitesse avec laquelle des technologies autrefois réservées aux laboratoires les mieux financés descendent vers le grand public.
Création vidéo, animation, reconnaissance vocale, programmation autonome, recherche scientifique, simulation et robotique commencent à se rejoindre.
L’intelligence artificielle cesse progressivement d’être un simple chatbot enfermé dans un navigateur.
Elle devient une infrastructure.
Puis un agent.
Et bientôt, dans certains cas, un corps.
La vraie question n’est donc probablement plus de savoir si l’IA ouverte peut rivaliser avec les modèles propriétaires.
Elle commence déjà à le faire.
La question est plutôt de savoir ce qui se produira lorsque des capacités qui nécessitaient hier les serveurs de quelques multinationales pourront être installées, adaptées et combinées par des milliers de petites structures indépendantes.
Une technologie centralisée concentre naturellement le pouvoir.
Une technologie reproductible tend à le disperser.
Et dans l’histoire d’Internet, ce sont souvent ces changements d’architecture, presque invisibles au départ, qui finissent par bouleverser tout le paysage.