WATCH MY WRITING PROCESS LIVE WITH CHATGPT FOR WORK

Bonjour à tous. Nous sommes ici pour écrire. Je suis Dan, co-fondateur et PDG de la seule entreprise d'abonnement à la fin de l'ère de l'IA. Je suis en train d'écrire un livre sur l'histoire de la technologie, car je pense que c'est une histoire importante, que j'ai vécue de l'intérieur depuis le début. J'ai mené des entretiens avec des personnes clés pour ce livre. En parallèle, je développe un codex, un outil très utile pour la chasse, notamment avec le mode vocal qui a transformé ma façon de travailler. Aujourd'hui, je mène des entretiens, et vous pouvez voir à l'écran des citations de Greg Brockman issues d'une de mes interviews. Ce que je n'aime pas dans la lecture d'articles, c'est qu'on voit la citation, mais pas le contexte. Ce que nous allons faire ici, c'est rendre ce contexte facilement accessible. Lorsque vous lisez l'article, vous pourrez cliquer sur une citation et voir l'interview complète, ce qui est une forme de "open kitchen storytelling", un terme que quelqu'un m'a suggéré et que j'ai trouvé très pertinent. Vous verrez donc le processus de création de cette œuvre, et vous pourrez consulter les sources. N'hésitez pas si vous avez des questions dans le chat, je le consulterai de temps en temps. Je vais vous lire une section que nous venons d'écrire sur ChatGPT, puis nous reprendrons là où nous en étions. Le plus grand retour de l'histoire des affaires commence par quelque chose de simple : la pensée. En 2026, chaque fois que vous interagirez avec un modèle d'IA pour une requête complexe, vous verrez la phrase "thinking" apparaître là où votre réponse devrait être. Cela peut sembler anodin, un simple remplacement de la roue multicolore sur macOS ou de l'anneau bleu de Windows, signes universels que l'ordinateur travaille à la limite de ses capacités. Mais "thinking", dans ce contexte, n'est pas qu'une étiquette. C'est un nouveau style de calcul sans lequel les codecs n'auraient jamais vu le jour. La première génération de grands modèles linguistiques fonctionnait comme des processus externes. Ils n'avaient pas de "pensée" interne, mais exprimaient leur réflexion directement en vous répondant. Que vous demandiez un e-mail ou du code, ils devaient produire leur réponse mot par mot, en public. Les modèles de chat étaient comme des acteurs se produisant devant un public. Les résultats étaient impressionnants, parfois stupéfiants, comme d'autres techniques d'IA composées à la volée. C'est pourquoi les utilisateurs de ces modèles ont découvert que si vous demandiez au modèle de "penser à voix haute", cela menait souvent à une meilleure réponse. Le modèle "pensait" alors étape par étape, ce que l'on a appelé le "chain of thought prompting". Ce qui a conduit à la deuxième génération d'IA et au logiciel que nous avons discuté. Au lieu de demander au modèle de résoudre un problème étape par étape comme vous l'avez vu, OpenAI a trouvé un nouveau mode. Ils ont réalisé, par exemple, qu'un modèle peut "penser" avant de répondre. OpenAI a appelé leur premier modèle de ce type O1. Ils ont réalisé quelque chose de radical : il est plus facile de faire penser le modèle avant de répondre. Si l'on pouvait augmenter la puissance de calcul, on obtiendrait plus de performance, m'a dit Alexandre. La puissance de calcul est exactement ce que cela signifie : au lieu de faire tout le travail de calcul avant de l'utiliser, vous pouvez augmenter le calcul après une question. Le temps et l'argent que vous y consacrez pour ce problème particulier, plus il peut travailler avant de répondre. Cela a créé une deuxième façon de faire évoluer l'IA. Jusque-là, la plupart des améliorations devaient être apportées à l'avance en entraînant un modèle plus grand plus longtemps. Maintenant, sur une tâche difficile, le modèle déjà en face de vous peut être plus facilement mis à jour. Cela a rendu la stratégie prioritaire évidente : OpenAI devait se lancer dans le code. Après cela, le brouillon contient les deux citations de Greg Brockman sur le fait que le codage est devenu un objectif principal de l'entreprise, la séquence des produits et la note de transfert pour ce pont. J'ai deux petites notes. Premièrement, dans la section "thinking", vous avez mentionné que cela s'appelait "chain of thought". Je voudrais que vous ajoutiez "chain of thought prompting" à cette phrase et que vous vous assuriez que cela a du sens. Ensuite, lorsque nous expliquons les modèles de raisonnement et leurs différences, j'aimerais ajouter un peu plus de détails techniques. Je le ferai plus tard, mais ajoutez un commentaire disant "TK, plus de détails techniques, s'il vous plaît". Je vais mettre à jour la formulation et ajouter le commentaire. Je vais faire un parallèle avec les citations de Greg Brockman. Je vais les écrire maintenant, celles qui sont déjà dans le document. Au début de 2025, nous avons effectivement fait du "Coding Software Engineering" un objectif principal de l'entreprise. Ensuite, vous commencez par l'autocomplétion, puis vous passez au style de curseur, puis il s'agit d'une sorte d'application ou de CLI Codex. C'est ce que dit Greg Brockman. Merci pour la phrase "chain of thought prompting" et l'ajout de "TK, plus de détails techniques, s'il vous plaît" pour la partie sur le modèle de raisonnement. Vous confirmez qu'ils sont dans le document ? Je vérifie maintenant. Donc, je veux commencer cette section avec la citation de Greg et je veux qu'elle apparaisse comme un texte. "Nous avons fait du codage un objectif principal de l'entreprise", me dit Greg Brockman dans l'interview. Je pense qu'il a dit que nous avions fait un peu d'œil entre nous et que la citation était exacte. Vous pouvez le faire ? Oui, je vais le faire et revoir le point de transfert. Je vais le faire en un paragraphe, en préservant l'émission avec une ellipse entre "oui" et "set". C'est parti. C'est la formulation de Greg, pas deux propriétés. Il dit "Coding Software Engineering" pour clarifier ce qu'il veut dire. Je veux que cela soit correct dans un document. C'est une idée de l'invendable. Avec des douches ou des commentaires. C'est parti. Je vais faire la présentation rapidement. C'est déjà sous forme paramétrique avec des dés, donc je l'ai mis en correspondance avec la formulation de Greg. Donc, je pense que ce dont nous avons besoin est 1. Expliquer pourquoi cela a du sens. Greg me dit dans l'interview, je sais que vous avez besoin de deux ou trois phrases sur pourquoi les modèles de raisonnement, où vous pouvez calculer le temps de test, impliquent que le programme est le cas le plus précieux. C'est plus ou moins que le programme est l'un des domaines où il y a beaucoup de données et c'est vérifié, et donc vous avez des retours rapides. Et si vous pouvez faire évoluer le calcul au moment du test, vous pouvez prédire de meilleurs et meilleurs résultats. C'est quelque chose comme ça, mais je vais probablement manquer des choses et des subtilités. Donc, nous allons revenir à notre document de brainstorming pour aujourd'hui. Et vous pouvez juste prendre une décision sur ce que cela pourrait signifier. Pour que nous puissions faire un argument clair. Pourquoi le calcul au moment du test ne devrait-il pas être en cours pour qu'OpenAI fasse la même chose que le calcul au moment du test ? D'accord, je vais le rédiger dans ce domaine de brainstorming. Je vais ajouter un peu plus de travail à la rédaction, en séparant le mécanisme technique de la stratégie d'inférence et en gardant le brouillon à portée de main. J'ajoute un travail de rédaction à la rédaction. La clé est que le code n'était pas la seule cible possible, mais il était un peu plus adapté parce que l'agent peut agir, utiliser des outils, avoir des machines de vérification et utiliser un calcul supplémentaire au moment