L'Allen Institute for AI (abrégé Ai2) est un institut de recherche scientifique à but non lucratif 501(c)(3) fondé par le cofondateur de Microsoft et philanthrope, feu Paul Allen, en 2014. L'institut cherche à mener des recherches et des ingénieries en IA à fort impact au service du bien commun. Ai2 est basé à Seattle et dispose également d'un bureau actif à Tel Aviv, en Israël.
L'institut est connu pour ses contributions à la recherche en intelligence artificielle, notamment le développement de grands modèles de langage open source, d'outils de traitement du langage naturel et de plateformes de vision par ordinateur. Son travail couvre la recherche fondamentale, les systèmes appliqués et les outils destinés au public, avec un accent sur la reproductibilité et la transparence dans le développement de l'IA.
Histoire
Oren Etzioni a été nommé par Paul Allen en septembre 2013 pour diriger la recherche à l'institut. Après avoir dirigé l'organisation pendant neuf ans, Etzioni a quitté son rôle de PDG le 30 septembre 2022. Il a été remplacé à titre intérimaire par le chercheur principal du projet Aristo de l'entreprise, Peter Clark. Le 20 juin 2023, Ai2 a annoncé Ali Farhadi comme prochain PDG à compter du 31 juillet 2023. Le 10 mars 2026, Ai2 a annoncé qu'Ali Farhadi quitterait son poste de PDG après 2,5 ans à ce rôle, pour être remplacé par Peter Clark, de nouveau à titre intérimaire.
Sous ses dirigeants successifs, Ai2 est passé d'un accent sur la réponse aux questions et le raisonnement à une couverture du développement de modèles ouverts à grande échelle, de l'IA incarnée et des applications environnementales. Le modèle de financement de l'institut, reposant sur la dotation et les subventions plutôt que sur les revenus commerciaux, lui a permis de prioriser les publications ouvertes et le bénéfice public.
Aristo et Raisonnement
Aristo est un projet phare d'Ai2. Son objectif initial était de concevoir un système d'intelligence artificielle capable de lire, d'apprendre et de raisonner à partir de textes, et de démontrer ses connaissances en réussissant un examen de sciences de niveau 8e année - l'équipe a atteint cet objectif en 2018. Il a été inspiré par un projet similaire appelé Project Halo mené par la société d'investissement Vulcan, basée à Seattle. L'objectif actuel de l'équipe est de construire la prochaine génération de systèmes capables de raisonner systématiquement, d'expliquer et de s'améliorer continuellement au fil du temps.
Le système Aristo combinait des composants de réseaux de neurones avec un raisonnement symbolique et une récupération de connaissances. Son succès à l'examen de sciences a démontré le potentiel des approches hybrides dans le apprentissage automatique. Les techniques du projet ont influencé les travaux ultérieurs sur les modèles basés sur transformeurs et les systèmes de IA générative.
Vision par ordinateur et IA incarnée
L'équipe PRIOR cherche à faire progresser le domaine de la vision par ordinateur en créant des systèmes d'IA capables de voir, d'explorer, d'apprendre et de raisonner sur le monde. L'équipe a publié la plateforme d'IA incarnée ouverte AI2-THOR en 2016, soutenant la formation d'agents IA dans des environnements simulés. En février 2018, l'équipe a publié le jeu Iconary comme démonstration d'une IA capable de comprendre et de produire des scènes situées à partir d'un ensemble limité d'icônes.
AI2-THOR fournit des environnements 3D photoréalistes avec des objets interactifs, permettant la recherche en navigation, manipulation et planification de tâches. La plateforme a été largement adoptée dans la communauté du apprentissage profond pour l'évaluation et la formation d'agents incarnés. Iconary, développé en collaboration avec la société de jeux, teste la capacité de l'IA à communiquer à l'aide de dessins et de suppositions, nécessitant du sens commun et une compréhension visuelle.
Semantic Scholar et AllenNLP
L'outil Semantic Scholar est un moteur de recherche adossé à l'intelligence artificielle pour les publications académiques, publié publiquement en novembre 2015. Il utilise les avancées du traitement du langage naturel pour fournir des fonctionnalités telles que des résumés d'articles savants, des informations contextuelles sur les citations en ligne et la possibilité de créer des bibliothèques d'articles et de recevoir des recommandations d'articles.
L'équipe AllenNLP travaille sur la recherche pour améliorer les performances et la responsabilité des systèmes de NLP, et pour faire progresser les méthodologies scientifiques d'évaluation et de compréhension des systèmes de NLP. L'équipe produit ses propres recherches ainsi que des outils open source pour accélérer la recherche en NLP.
AllenNLP, publié pour la première fois en 2017, est devenu une bibliothèque populaire pour construire des modèles de apprentissage profond sur PyTorch (bien que non listé, c'est un cadre courant). Il fournit des composants modulaires pour des tâches telles que la reconnaissance d'entités nommées, l'étiquetage des rôles sémantiques et l'implication textuelle. Semantic Scholar indexe désormais des millions d'articles et utilise des grands modèles de langage pour des fonctionnalités telles que les résumés TLDR et les graphes de citations.
MOSAIC et Sens commun
Le projet Mosaic se concentre sur la définition et la construction de connaissances et de raisonnements de sens commun pour les systèmes d'IA. Cet effort aborde un défi de longue date en IA : permettre aux machines de comprendre les concepts physiques et sociaux quotidiens que les humains tiennent pour acquis.
Mosaic s'appuie sur des initiatives antérieures de sens commun, telles que Cyc, mais utilise des techniques modernes de apprentissage automatique pour acquérir et raisonner sur les connaissances. Le projet vise à créer des ressources pouvant être intégrées dans les grands modèles de langage pour améliorer leur raisonnement et leur robustesse. À partir du milieu des années 2020, Mosaic a publié des ensembles de données et des références pour évaluer le sens commun dans les systèmes d'IA.
IA pour l'environnement
Ces équipes cherchent à appliquer des solutions d'intelligence artificielle à la prévention du braconnage et de la pêche illégale dans divers endroits du monde, ainsi qu'à des problèmes environnementaux tels que la modélisation climatique et la gestion des incendies de forêt. Les équipes de ce groupe comprennent EarthRanger, Skylight, Climate Modeling et Wildlands.
EarthRanger est une plateforme logicielle qui intègre des données provenant de capteurs, de caméras et de rapports de gardes pour fournir une connaissance situationnelle en temps réel aux gestionnaires de zones protégées. Skylight utilise l'imagerie satellite et le apprentissage automatique pour détecter les navires susceptibles de pratiquer la pêche illégale. Climate Modeling applique le apprentissage profond pour améliorer la précision et la vitesse des simulations climatiques, tandis que Wildlands se concentre sur la prédiction et l'atténuation des incendies de forêt.
IA générative et modèles ouverts
Ai2 a été activement impliqué dans le développement de l'intelligence artificielle open source à travers la publication de grands modèles de langage entièrement ouverts, d'ensembles de données et d'actifs de formation de modèles.
Famille de modèles Olmo
Le 11 mai 2023, Ai2 a annoncé le développement d'OLMo, un modèle de langage ouvert visant à égaler les performances d'autres modèles de langage de pointe. En février 2024, des variantes de 1B et 7B paramètres du modèle ont été open-sourcées, y compris le code, les poids du modèle avec des instantanés intermédiaires et des journaux, et le contenu de leur ensemble de données d'entraînement Dolma (un corpus anglais de trois billions de jetons tiré de textes web, de publications académiques, de code, de livres, de médias sociaux et de sources encyclopédiques), ce qui en fait le modèle de pointe le plus ouvert disponible.
En septembre 2024, Ai2 a publié OLMoE, le premier modèle de mélange d'experts de la famille OLMo, développé conjointement avec Contextual AI. Le modèle sparse a environ 7 milliards de paramètres au total, dont environ 1 milliard actifs par jeton d'entrée, et a été entraîné sur 5 billions de jetons. Comme pour les autres publications OLMo, les poids du modèle étaient accompagnés des données d'entraînement, du code, des journaux et des points de contrôle intermédiaires.
En novembre 2024, Ai2 a publié la deuxième itération d'Olmo, OLMo 2, avec la publication initiale comprenant des modèles de 7B et 13B paramètres. En mars 2025, Ai2 a publié une variante 32B d'OLMo 2, affirmant avoir publié « le premier modèle entièrement ouvert (toutes les données, le code, les poids et les détails sont librement disponibles) à surpasser GPT3.5-Turbo et GPT-4o mini ».
En novembre 2025, Ai2 a publié son ensemble de modèles Olmo 3 (désormais stylisé avec un « L » et un « M » minuscules). Ceux-ci incluent Olmo 3 Think (7 et 32B), Olmo 3 Base (7 et 32B), Olmo 3 Instruct (7B) et Olmo 3 RL Zero (7B). En décembre 2025, Ai2 a annoncé une mise à jour du modèle 32B, Olmo 3.1.
Les publications OLMo ont été influentes dans l'écosystème OpenAI et Anthropic, fournissant aux chercheurs un accès complet aux données d'entraînement et aux pipelines. Elles ont également suscité des discussions sur la transparence dans le développement de l'IA, contrastant avec les approches fermées des laboratoires commerciaux.
Modèles Tulu et recettes de post-entraînement
En plus de la famille de modèles entièrement ouverts Olmo, Ai2 a également développé Tulu, une famille de modèles ajustés par instructions et de recettes de post-entraînement ouvertes qui s'appuient sur des modèles de base à poids ouverts (par exemple, Llama de Meta) pour fournir des alternatives entièrement transparentes aux méthodes propriétaires d'ajustement par instructions. AI2 a publié la première itération de Tulu en juin 2023, avec des itérations ultérieures publiées en novembre 2023 (Tulu 2) et novembre 2024 (Tulu 3).
Les modèles Tulu sont conçus pour être utilisés avec des techniques telles que Reinforcement Learning from AI Feedback (RLAIF) et apprentissage par curriculum, et les recettes incluent une documentation détaillée des hyperparamètres et du traitement des données. Ce travail vise à démocratiser l'accès à l'ajustement par instructions de pointe, qui est souvent une boîte noire dans les modèles commerciaux.
Voir aussi
- Allen Institute for Brain Science
- Allen Institute for Cell Science
- Intelligence artificielle
- Glossaire de l'intelligence artificielle
- Liste des grands modèles de langage
Références
- Déclarations de l'Internal Revenue Service. ProPublica Nonprofit Explorer.
- Site officiel.