Google Cloud Lance l'Agent Compute Engine pour des Agents IA Scalables

Le 22 octobre 2026, Google Cloud a dévoilé son nouvel Agent Compute Engine lors des événements AGNTCon et MCPCon. Ce service de calcul est spécifiquement conçu pour faire fonctionner des agents IA à grande échelle, en utilisant des microVMs isolées par matériel pour une sécurité et une efficacité accrues.

L'Agent Compute Engine permet un déploiement rapide des agents IA, leur permettant de démarrer rapidement, de faire une pause et de reprendre leurs opérations selon les besoins. Une caractéristique clé est le partage de mémoire en copie sur écriture, qui permet à plusieurs agents de partager la mémoire jusqu'à ce que des modifications soient apportées, augmentant ainsi considérablement la densité d'agents pouvant être exécutés sur le même matériel.

Google souligne l'importance de la sécurité dans cette nouvelle infrastructure, en s'appuyant sur sa technologie Titanium IPU pour se protéger contre les menaces potentielles. Ce service fait partie de la plateforme Gemini Enterprise Agent, qui se concentre sur la sécurité et la gouvernance des agents IA.

Actuellement, l'Agent Compute Engine est déjà utilisé en interne pour les agents Gemini de Google, avec une phase de prévisualisation pour les clients externes qui devrait commencer bientôt. Ce développement vise à relever les défis d'échelle et de confinement qui découlent de la nature dynamique des agents IA.

Nouveaux Développements dans la Détection de Texte par IA

• Collaboration de Recherche : Google DeepMind et l'Université de Pennsylvanie ont développé une nouvelle méthode pour la détection de texte par IA qui améliore la transparence.
• Détails de Publication : Le document de recherche intitulé "Construire des Détecteurs de Texte IA Audités avec des Autoencodeurs Épars" a été soumis le 21 octobre 2026 et accepté à EMNLP 2026.
• Métriques de Performance : Le classificateur interprétable a atteint un score F1 de 96,8 sur des données de domaine, contre un score de 98,0 pour le détecteur boîte noire. Sur des données hors distribution, le nouveau modèle a obtenu un score de 92,2, tandis que la boîte noire est tombée à 75,2.
• Explication des Caractéristiques : La nouvelle méthode utilise des autoencodeurs épars pour convertir des signaux internes complexes en caractéristiques lisibles par l'homme, améliorant ainsi l'auditabilité des décisions de l'IA.
• Disponibilité Publique : Le code et les modèles entraînés sont disponibles sur GitHub sous le dépôt google-deepmind/detectorscope.

Nouvelles Perspectives sur les Capacités d'Apprentissage des Agents IA

Des recherches récentes publiées sur arXiv le 6 octobre 2026, introduisent une méthode appelée Distillation de Méta-Expérience Rétrospective (HMED), qui améliore la capacité des agents IA à apprendre de leurs erreurs sans évaluation externe.

L'étude souligne l'importance des Méta-Compétences, qui sont des stratégies que les agents utilisent pour affiner leurs capacités, soutenues par une Bibliothèque de Compétences de Tâche contenant des compétences spécifiques pour l'accomplissement des tâches.

HMED permet aux agents de revenir à des états précédents et de réévaluer à la fois les stratégies originales et modifiées dans les mêmes conditions, conduisant à une évaluation plus précise de leur efficacité.

Même les révisions infructueuses contribuent à des informations précieuses, créant des enregistrements de Méta-Expérience qui informent les mises à jour et décisions futures.

L'équipe de recherche, composée de membres de l'Université Chinoise de Hong Kong, de l'Université Jiao Tong de Shanghai et de l'Institut d'Innovation de Shanghai, a testé HMED à travers six combinaisons modèle-benchmark, atteignant des performances supérieures par rapport aux méthodes traditionnelles de découverte de compétences.

Notamment, la méthode a démontré des améliorations significatives en matière d'efficacité d'apprentissage, suggérant que les agents sont capables de généraliser leurs processus d'apprentissage plutôt que de s'appuyer sur des astuces spécifiques liées à des tâches individuelles.

Cette avancée positionne HMED comme un pas en avant significatif dans le développement continu des agents IA, allant au-delà de la simple accumulation de compétences pour améliorer les processus de prise de décision qui régissent le développement des compétences.