Goodfire loue des agents qui font tourner la recherche sur les modèles géants
— AGENTS
Silico automatise les expériences d'interprétabilité et d'entraînement sur des modèles comme le colossal Kimi K3, à 1 000 dollars par mois pour un accès individuel. Ce genre d'infrastructure décide du rythme et du coût des futurs modèles que les outils créatifs finiront par embarquer.
Silico ne s'adresse à aucun studio, aucune agence, aucun designer. C'est un service pour les laboratoires qui construisent les modèles d'IA, pas pour ceux qui les utilisent au quotidien. Le produit prend un objectif de recherche, prépare le protocole, lance plusieurs expériences en parallèle et remonte les résultats à inspecter.
La promesse tient dans la démonstration choisie par Goodfire : appliquer cette automatisation à l'interprétation d'un modèle de 2,8 mille milliards de paramètres, Kimi K3. Comprendre ce que fait réellement un objet de cette taille demandait jusqu'ici des mois de travail manuel pour une poignée de chercheurs. Silico promet de comprimer ce travail en orchestrant le calcul GPU tout seul, en surveillant les entraînements longs, en comparant les versions successives d'un modèle pour repérer d'où vient une régression.
Ce travail de laboratoire ne produit aucune image, aucune vidéo, aucun visuel de brief client. Il façonne pourtant les modèles qui arriveront, dans un an ou deux, derrière les outils de génération que les directions artistiques ouvrent sans y penser. Plus les grands labos disposent de moyens rapides pour auditer et corriger leurs modèles, plus les mises à jour de ces outils sortent vite, avec moins de biais grossiers et moins de comportements imprévisibles à patcher après coup.
Le prix affiché, mille dollars mensuels pour un accès individuel avec un quota qui se renouvelle chaque semaine, positionne clairement Silico comme un outil de laboratoire de recherche, pas de studio créatif. Les offres sur mesure pour les organisations, avec facturation centralisée et option de zéro conservation des données, confirment une cible entreprise et institutionnelle, loin des besoins d'un pigiste ou d'une agence de taille moyenne.
Ce que la démonstration ne prouve pas, c'est la vitesse à laquelle ces gains de recherche se traduisent en modèles réellement plus fiables sur le terrain. Automatiser l'expérimentation accélère la production de connaissance, pas nécessairement sa traduction en correctifs concrets dans les prochaines versions publiques.
La vraie ligne à surveiller n'est pas Silico lui-même, mais la vitesse à laquelle ce genre d'infrastructure de recherche irrigue les modèles commerciaux que les créatifs paient déjà chaque mois.