Dans cet article, Max Dauchet, professeur émérite d’informatique, met à notre portée la notion de « prédiction » telle que proposée en informatique théorique. Tandis que dès le lycée on formalise la notion de prédiction à travers les probabilités (est prédictible ce qui va fort probablement arriver), on peut utiliser les algorithmes pour proposer une autre vision de ce qui est prédictible, à lui de nous l’expliquer. Serge Abiteboul et Thierry Viéville.

Prédire est difficile, surtout quand il s’agit de l’avenir.
Niels Bohr, Pierre Dac, et bien d’autres…

Prédire…

Nous essayons tout le temps de prédire, radio-trafic prédit les embouteillages, la météo le temps, les sondeurs le prochain chef d’état et nous l’humeur de notre voisin de bureau. Prédire fait même partie du métier de chercheur. Encore faut-il prédire correctement, et nous tombons rarement d’accord, le contraire se verrait en politique, et les « vérités alternatives » ne prospéreraient pas. Les chercheurs, eux, ont une règle qui marche bien : favoriser les hypothèses simples sans en négliger aucune.
Depuis qu’il y a des philosophes, ils réfléchissent à des règles pour prévoir juste. Les religieux aussi, car jadis, c’étaient souvent les mêmes. L’histoire a retenu Guillaume d’Ockham^[1] et son rasoir : «Pluralitas non est ponenda sine necessitate », rasons le superflu qui nous éloigne de la vérité de Dieu – c’est une formulation  dans les termes scolastiques du 14e siècle.
De nos jours, la règle d’Ockham balise toujours la recherche sous le nom de principe de parcimonie, sur lequel  les chercheuses et chercheurs s’accordent, se basant  sur des notions « de cause possible » plus tangibles que Dieu.

C’est ici qu’intervient l’objet de ce billet, le théorème de convergence de Ray Solomonoff.

« Toutes les mesures universelles convergent^[2] vers les mêmes prédictions. »

Cet énoncé inspire aussi peu celui qui ne parle pas couramment les maths, que celui d’Ockham pour qui ne parle pas latin. Il est peu connu en dehors d’un cercle de spécialistes, car il est mathématiquement plutôt ardu et souvent présenté dans sa gangue technique.
Avant de l’expliquer, signalons que Lê Nguyên Hoang, jeune et talentueux startuper et youtubeur dont Serge vantait récemment le dernier ouvrage^[3], y a consacré un livre de 400 pages intitulé « La formule du savoir », rien que ça !
Pour Marvin Minsky, un père fondateur de l’informatique, « Ray Solomonoff’s discovery of Induction, Algorithmic Probability, is the most important discovery in philosophy of science since Gödel»^[4]. En effet, c’est en transposant, dans un cadre formel rigoureux, les questions qui hantaient les philosophes que Gödel et Solomonoff obtiennent leurs résultats fondateurs. 

Le cadre formel rigoureux est celui du monde numérisé, des algorithmes et des data, les algorithmes sont les causes (ce qui évite de se poser la question de l’existence de Dieu …) et les data sont les processus que l’on observe ; l’inférence consiste à prédire la suite d’un processus avec une certaine probabilité.

Un exemple : à « 1 ; 2 ; 4 ; 8 ; 16 ; 32 ; ?» tout le monde répond avec assurance « 64 » en pensant au simple et court « fois 2 » : le processus observé semble régi par un algorithme simple. Au contraire, à pile ou face, les tirages antérieurs ne permettent en rien de prédire le tirage suivant.

Solomonoff munit d’une mesure de probabilité l’ensemble des programmes (peu importe le langage informatique utilisé pour les écrire). Assez simplement,  une  telle mesure reflète une « conception du monde » où l’on accorde plus ou moins de vraisemblance à telle ou telle cause, et où (par supposé bon sens ou par parti pris) on veut en ignorer certaines (il suffit de leur attribuer une probabilité nulle). Tout le monde pouvait avoir cette idée simple. La grande idée de Solomonoff  est l’introduction d’un ensemble particulier de mesures, les mesures universelles, dont les propriétés sont remarquables. Elles ont une définition mathématique précise, qui englobe le principe du rasoir d’Ockham, et prennent pour critère de simplicité la longueur des programmes. La mère de ces mesures est la mesure de Solomonoff, à la base de la « belle formule de Ray » pour les processus.

Le théorème dit donc que toutes les « conceptions du monde » convergent vers les mêmes prédictions au fil des observations, pourvu qu’elles « tiennent compte de toutes les hypothèses, notamment des plus simples ».

On ne rase pas gratis.

Cette limite commune à toutes les mesures universelles est parfois qualifiée de vraie, car elle satisfait tout ce que la science sait des processus stochastiques, et elle se vérifie expérimentalement autant que l’on parvienne à mener à bien des calculs, car rien de tout cela  n’est calculable mais seulement approximable^[5] (c’est l’indécidabilité de l’arrêt des programmes, établie par Turing en même temps qu’il imaginait sa machine, qui empêche ces calculs, du reste sinon,  on disposerait d’une machine à  prédire universelle, ce qui n’est pas possible).

De Bayes au lycée à Solomonoff.

L’inférence de Solomonoff est la transposition, dans le monde numérique, de l’inférence bayésienne vue au lycée avec des urnes et des boules. Un exemple simple à la croisée des deux illustre qu’une mesure non universelle peut converger vers une absurdité.

L’urne A contient  2 fois plus de boules rouges que de bleues, et la B  2 fois plus de bleues que de rouges. On tire infiniment dans la même urne, on ne sait pas laquelle, en remettant chaque fois la boule dans l’urne. On ne tire que des rouges. La chose est peu probable, mais la formule de Bayes nous dit qu’il est infiniment plus probable qu’elle se produise en tirant dans A. Le coup d’après, on s’attend donc à avoir 2  fois plus de chances de tirer une rouge qu’une bleue. Tout observateur doué de raison, qui observe les tirages sans rien savoir du procédé, se demandera pourquoi seulement 2 sur 3, alors qu’il s’attendra à ce que la suivante soit presque à coup sûr rouge, et Solomonoff lui donnera raison : pour obtenir la bonne prédiction, il faut considérer tous les algorithmes en accordant l’essentiel du poids aux plus simples, et « sortir des rouges » est l’explication la plus simple.

Le dindon de Sir Bertrand Russel.

On attribue au célèbre philosophe l’histoire du dindon qui, chaque jour, se réjouit davantage de la venue du fermier qui l’engraisse. Jusqu’à Noël. Le dindon n’avait pas envisagé l’hypothèse que l’heureuse routine puisse s’arrêter un jour.

La formule du savoir.

Sans verser dans des débats ontologiques et épistémologiques, ces prédictions seraient « le savoir » et le théorème « sa formule » comme le titre Hoang. La question mérite en tous cas d’être discutée, au moins comme exercice de pensée. D’autant que ce résultat vaut si l’on se restreint à un sous-ensemble d’algorithmes (une sorte de sous-univers) : toutes les mesures universelles relativement à ce sous-univers convergent vers les mêmes prédictions (qui sont en général différentes de celles universelles). 

On peut alors se dire que chaque sous-univers est une bulle d’opinion dont les adeptes convergent vers des vérités relatives. Ces dernières sont des vérités alternatives face à une vérité qui les domine toutes, celle de la connaissance  scientifique des savants qui, eux, examinent avec parcimonie tous les algorithmes. À ce compte on peut aussi se dire que cette connaissance scientifique n’est elle-même que relative à l’espèce humaine, car celle-ci est limitée par ses sens et ses instruments dans l’observation des phénomènes, et limitée par les choix sélectifs darwiniens de son espèce. Ces derniers ont structuré notre cortex en sous-estimant ou en ignorant les hypothèses qui ne servaient à rien (d’où nos biais cognitifs). Épisodiquement, un article paraît sur le sujet, surtout dans la mouvance informatique car les philosophes ne comprennent pas le théorème ; Nick Bostrom l’évoque néanmoins dans « Superintelligence ».

Un spot sur l’IA ?

Les débats font à nouveau rage cet automne, les distributeurs d’IA alertent sur les capacités mal maîtrisées de leurs créations, les médias amplifient les déclarations sans en comprendre le fond. Cela a commencé  en  2016^[6] avec lesdits « coups de Dieu » d’AlphaGo contre Lee Sedol jusqu’aux cyberattaques récentes de Mythos^[7] ou de ChatGPT^[8]. À se demander si les IA sont de mystérieuses entités émergentes qui s’affranchissent des humains, ou seulement des paquets d’algorithmes dont nous ne maîtrisons pas les capacités. Ce sont des capacités algorithmiques que nous ne contrôlons pas, nous les avons conçues pour qu’elles explorent d’autres algorithmes, et elles en explorent certains que nous n’imaginions pas. Si ce sont des aliens, c’est au sens de machines qui traitent, à une échelle gigantesque, d’« autres » algorithmes.

L’inférence de Solomoff nous enseigne en effet que la capacité de prédiction découle de la capacité à traiter tous les algorithmes. Les IA en explorent beaucoup, en ajustant leurs milliards de paramètres au fil de l’apprentissage et des échanges entre elles, alors que nous, les humains, en imaginons peu, bridés par notre rationalité, la plupart des programmes possibles n’ayant aucun sens pour nous. Les IA empruntent des chemins algorithmiques de traverse, auxquels notre logique ne nous fait pas penser. C’est peut-être pourquoi elles nous semblent créatives, voire, selon certains, suspectes d’émancipation. Quoi qu’il en soit, ce point de vue souligne la difficulté de garantir l’alignement d’une IA (la certitude qu’elle se comporte comme nous l’attendons) sans trop la brider, et la nécessité de le faire.

Pour en savoir plus

Le site de Solomonoff (in memoriam) et celui de Levin, décoiffants, fournissent les bonnes références historiques. La « bible » dans le domaine est l’ouvrage de Li et Vitanyi, il est régulièrement mis à jour. Le site Science4all de  Hoang foisonne de vidéos enthousiastes à la gloire de Solomonoff. Enfin, vos LLM favoris vous aideront dans vos recherches de références et dans l’articulation des idées, à utiliser avec un sens critique de tous les instants, bien entendu.  

L’article Prédire… est apparu en premier sur Blog binaire.

Une science plurielle si singulière : Informatique ou informatiques ?

Une et indivisible, l’informatique, comme est censée l’être la République française ? Ou plurielle, comme semble l’indiquer la dénomination de la spécialité « Numérique et Sciences informatiques » du lycée général, ainsi que le renommage par le CNRS de son « Institut des sciences de l’information et de leurs interactions » en « CNRS Sciences informatiques » ? Existe-t-il de bonnes raisons d’attribuer ainsi un « s » à « informatique » pour dénommer ce champ disciplinaire ?

On dit la physique, la chimie, la biologie, mais… les mathématiques. Cédric Villani rappelle que ce pluriel est un archaïsme remontant à l’époque où elles désignaient la géométrie, l’arithmétique, l’astronomie et… la musique^[1]. Comme le groupe Bourbaki, qui intitule son traité « Éléments de mathématique », pour marquer l’unicité de la discipline, il prône une utilisation au singulier du terme « mathématique ». Quid de l’informatique ? L’utilisation française de ce mot-valise^[2] est attribuée à Philippe Dreyfus qui l’aurait constitué à partir des termes « information » et « automatique » en 1962. Mais dès 1957, le terme « Informatik » apparaissait en Allemagne pour désigner le « traitement automatique de l’information ».

Dans « Les origines de l’informatique »^[3] Gilles Dowek offre une réflexion d’une richesse inégalée pour dépasser ces éléments étymologiques. Il propose une sémantique observationnelle de l’informatique. Plutôt que de se demander, vainement, ce qu’est l’informatique, il propose un questionnement plus pragmatique : « Qu’existe-t-il en informatique ? ». Sa réponse, qui fait référence, consiste en l’explicitation de quatre concepts couvrant l’ensemble du champ de l’informatique : algorithme, machine, langage et information. Ces concepts sont intriqués, puisqu’il s’agit de formaliser des algorithmes en programmes pour qu’ils puissent être exécutés par des machines afin de traiter des données (informations). G. Dowek montre ensuite que l’informatique peut être vue comme la confluence d’au moins deux courants de pensée indissociables : celui centré sur les algorithmes et celui centré sur les machines. Ainsi, c’est à la fois parce qu’a été inventé le célèbre algorithme PageRank (Google) et parce qu’il existe des serveurs de grande puissance que le premier peut être exécuté efficacement sur un nombre colossal de pages en des temps humainement acceptables.

C’est à la confluence de ces deux courants qu’interagissent les quatre concepts identifiés, tant entre eux qu’entre les sciences et les technologies. G. Dowek illustre son propos en imaginant d’abord qu’au début du XXe siècle, les huit professionnels évoqués dans le tableau ci-dessous n’auraient rien eu à se dire, tant leurs domaines scientifiques et technologiques étaient distincts les uns des autres. Puis, il reconsidère leurs échanges à la lumière de ce que la naissance de l’informatique apporte.

Cette naissance se caractérise par sa mise en interaction de ces huit domaines. Elle gomme les frontières entre les quatre domaines scientifiques et leurs homologues technologiques. En outre, selon G. Dowek, « Les notions d’algorithme et de machine sont unies par l’idée d’exécution « sans réfléchir » […] (1). À la frontière des notions d’algorithme et de langage apparaît la notion de programme (2).   À la frontière des notions de langage et de machine apparaît la notion de langage machine (3). Enfin, les notions de langage et d’information sont liées car ce sont deux instances d’une même idée : exprimer symboliquement des algorithmes, pour l’une, des données, pour l’autre (4) ».

Le schéma ci-après résume ces liens. Il ne reste qu’à le compléter en liant « machine » et « information » par la définition même du terme informatique originel : « traitement automatique (par une machine) de l’information ».

G. Dowek propose donc non pas une définition de l’informatique mais plusieurs façons d’envisager l’informatique, articulant entre eux quatre concepts stables et mettant sur un pied d’égalité les aspects « sciences » et « technologies ». Certaines de ces façons sont proches des mathématiques, voire mathématiques. D’autres empruntent à la physique, en particulier pour ce qui concerne l’informatique quantique ou tout simplement pour l’étude de la chaleur, sur le fonctionnement d’un ordinateur et donc l’exécution effective d’un programme. D’autres encore ont des liens avec les neurosciences. Toutes, par le fait que les ordinateurs sont des machines universelles dans le sens où ils peuvent exécuter n’importe quel algorithme, transforment les sciences avec lesquelles elles s’imbriquent, comme la biologie, la géographie, l’astronomie, la médecine… Confluence de par sa constitution en discipline, l’informatique se fait diffluence avec les autres sciences, y compris les sciences humaines. De ce fait, il y a autant de sciences informatiques que de manières de l’aborder au regard du schéma de G. Dowek, et il y a autant de sciences informatiques que de fertilisations croisées entre l’informatique et les autres disciplines. En tant que discipline-carrefour, elle mérite donc à la fois d’être précédée du terme « sciences » et d’être déclinée grammaticalement au pluriel.

Il s’agit toutefois de se méfier du pluriel, pour, par exemple, ne pas confondre les « sciences du numérique », avec les « sciences numériques ». Les premières sont mentionnées à juste titre dans la définition d’Inria. On peut considérer qu’elles englobent les sciences informatiques et qu’elles incluent aussi, notamment, des branches des mathématiques, de la robotique, de l’électronique. Les secondes désignent plutôt un ensemble de méthodes mathématiques, de calcul numérique, dont, certes, la plupart sont mises en œuvre par des ordinateurs, donc en amont par les sciences du numérique. Mais au lycée, en classe de seconde, figure un enseignement de « Sciences numériques et technologie » (SNT), alors qu’il s’agit d’enseigner des rudiments des sciences du numérique^[4]. Le nom de la spécialité avant la réforme était, lui, pertinent : « Informatique et sciences du numérique ». Celui de la spécialité de première et terminale actuelle l’est aussi : « Numérique et sciences informatiques ». Oui au pluriel, donc. À condition qu’il ait un sens ou qu’il n’engendre pas de contresens comme pour l’enseignement de  SNT.

Il est à noter aussi que lorsque des sciences sont au pluriel, elles désignent l’objet sur lequel elles portent plutôt que la discipline : la biologie, mais les sciences du vivant ; la géologie, mais les sciences de la Terre… L’objet est parfois désigné explicitement – les sciences de la mer – ou par un adjectif – les sciences maritimes. L’objet préexiste, dans le monde réel, aux sciences qui l’étudient.

En revanche, lorsque l’objet est technologique, comme l’ordinateur pour l’informatique ou l’avion pour l’aéronautique, il ne préexiste pas aux sciences correspondantes. Ces objets, contrairement aux objets du monde réel qui sont « découverts », sont « inventés » via d’innombrables allers et retours entre l’imagination, le rêve et les avancées conceptuelles d’abord, et les réalisations effectives ensuite qui réalimentent les premiers en retour.

En informatique, on peut considérer que la première machine universelle (reconfigurable) est celle de Charles Babbage. À ceci près qu’elle n’a jamais été construite du vivant de son auteur ! Cependant, Ada Lovelace a écrit des programmes pour cette machine « virtuelle », bien avant que n’existent les premiers ordinateurs. Ch. Babbage et A. Lovelace ont posé les bases techniques (notion de machine universelle) et conceptuelles (programmes) de l’informatique moderne près d’un siècle avant que n’apparaissent les premiers ordinateurs…

Et pour un objet technologique donné – l’avion, l’ordinateur, l’automobile – le nombre de sciences qui concourent à ses progrès va croissant avec celui de sa complexité. L’ordinateur est à ce point complexe qu’il est difficile de trouver une science qui ne concoure pas au moins indirectement au progrès de sa conception. Et en retour, son caractère universel réalimente l’ensemble des sciences, alors que c’est bien moins le cas pour les autres objets technologiques. Cette entrée et cette sortie foisonnantes de la formidable gare de triage qu’est l’informatique méritent donc que l’on parle des sciences informatiques au pluriel, sciences dont la singularité absolue est de porter en elle l’universalité de la représentation des données et des processus formels de toutes les sciences. Ce pluriel est à la fois un pluriel « de majesté », qui assoie leur position centrale dans les sciences modernes, et un pluriel « de modestie » qui les oblige, eu égard aux responsabilités immenses que ces sciences endossent dans les bouleversements sociétaux qu’elles induisent. G. Dowek soulignait la rareté de l’émergence d’un tel couple, confluence-diffluence, dans l’histoire des sciences. L’intelligence artificielle, récemment diffusée dans tous les pans de la société, semble constituer un nouveau couple de ce type. On peut en effet ergoter sans fin sur apports respectifs des mathématiques, de la physique (physique des matériaux, physique quantique…), des sciences informatiques, cognitives, humaines à ce domaine ; on sait que son caractère général révolutionne déjà l’ensemble des champs scientifiques et socio-économiques à un niveau sans précédent. Une raison pour que l’on évoque les intelligences artificielles, au pluriel ? L’avenir le dira.

PS : Gilles. Avec un « s » ; au pluriel, pour caractériser son génie et son talent protéiformes. Avec deux ailes : l’une survolant les sciences formelles (mathématiques, informatique, physique…), et l’autre les sciences humaines (philosophie, épistémologie, histoire…). Il n’aura « fait le gille » qu’une seule fois, le 21 juillet 2025, sans crier gare. Souhaitons que de là où il se trouve, il continue à jeter un regard lucide, engagé et bienveillant sur notre société scientifique et humaine. Salut, GilleS, qui fut à la fois de majesté et de modestie !

L’article I : Informatique — Une science plurielle si singulière est apparu en premier sur Blog binaire.

Géopolitique : une définition de travail

La géopolitique, concept aux multiples définitions, étudie les relations entre la puissance politique et l’espace géographique. Elle cherche à comprendre comment le contrôle des territoires, des routes et des ressources détermine les rapports de force entre les États. Ses fondateurs – le géographe Friedrich Ratzel à la fin du XIXe siècle, le stratège Halford Mackinder au début du XXe – pensaient le contrôle de l’espace physique comme une dimension stratégique du pouvoir : celui qui contrôle les grandes plaines d’Eurasie contrôle le monde, celui qui contrôle les détroits contrôle le commerce.

Ce cadre s’est profondément transformé au fil du siècle. L’espace géographique physique a été progressivement rejoint, sans être remplacé, par d’autres types d’espaces stratégiques : l’espace économique (qui contrôle les chaînes d’approvisionnement ?), l’espace informationnel (qui contrôle les réseaux, les données, les récits et, par extension, les « messages » à transmettre ?), l’espace technologique (qui contrôle les infrastructures critiques ? qui contrôle les outils dominants sur le marché ?).

La géopolitique de l’IA s’inscrit dans cette continuité. Elle pose des questions concrètes avec des réponses concrètes : qui contrôle les infrastructures d’IA (côté composants/ressources minérales pour produire et maintenir le matériel informatique, côté logiciel, côté recherche et innovation) sur lesquelles reposent les décisions — économiques, militaires, institutionnelles, sociales — d’une part croissante de la planète ?

Comment l’IA est-elle devenue un sujet géopolitique ?

L’IA n’a pas toujours été géopolitique. Pendant des décennies, elle a été un sujet académique, puis industriel, essentiellement accessible à des acteurs préparés, voire formés, à créer, accueillir et utiliser cette technologie. La question de savoir qui gagnait la « course à l’IA » relevait d’une question de compétitivité économique importante, mais n’était pas fondamentalement différente de la compétition dans les secteurs automobile ou pharmaceutique. 

Trois basculements ont changé cela.

1/  Une IA presque pour toutes et tous, la généralité

Les anciens systèmes d’IA étaient spécifiques à une problématique bien définie : un algorithme de recommandation, un système de reconnaissance d’images. Les LLMs, grands modèles de langage qui alimentent les applications d’IA génératives, sont généraux. Ils traitent du langage dans toute sa diversité, ce qui signifie qu’ils s’inscrivent dans la quasi-totalité des activités humaines : rédiger, analyser, décider, communiquer, soigner, éduquer, gouverner. Un outil général qui s’intègre dans les processus de décision à tous les niveaux d’une société – accessible sans prérequis, c’est-à-dire sans préparation, sans formation et sans niveau de connaissance de la tech préalable – cesse d’être un simple produit technologique, il devient une infrastructure, voire « presque » un incontournable et cela quel que soit le métier. 

2/  Une grande puissance d’IA entre les mains de peu d’acteurs : la concentration des pouvoirs

Cette infrastructure est produite par un nombre restreint d’acteurs. Dans le monde, moins d’une dizaine d’organisations sont capables d’entraîner des LLMs sur des ensembles de données volumineux comportant des milliards, voire des milliers de milliards de paramètres : OpenAI, Anthropic, Google DeepMind côté américain ; Baidu, Alibaba, DeepSeek côté chinois, Mistral côté français. L’investissement privé américain en IA a atteint 109 milliards de dollars en 2024, contre 9,3 milliards pour la Chine… et l’écart se resserre. DeepSeek R1 a montré en janvier 2025 qu’une efficacité radicale peut bousculer des avantages capitalistiques considérables en quelques semaines. La concentration de la production d’infrastructure d’IA dans quelques entreprises, elles-mêmes très liées à deux visions du monde (USA vs. Chine), est précisément ce qui rend la question géopolitique.

Alors est-ce réellement un problème ?  À titre de comparaison : Google contrôle environ 90 % des requêtes mondiales sur les moteurs de recherche. NVIDIA détient entre 70 et 90 % du marché des accélérateurs d’IA. Trois entreprises (Samsung, SK Hynix, toutes deux de Corée du Sud, et Micron, des États-Unis) produisent la quasi-totalité des puces mémoire HBM nécessaires pour faire fonctionner ces modèles. La concentration de ces modèles au sein d’une dizaine d’acteurs n’est donc pas une anomalie en soi. Il semblerait que ce soit le cas de toute la chaîne technologique sous-jacente et c’est peut-être cela le problème.

3/ La liberté illusoire au profit d’une dépendance progressivement établie

Les acteurs qui adoptent les modèles d’IA du marché ne se contentent pas de déployer un logiciel. Ils adoptent une infrastructure qui conditionne leur façon de traiter l’information et de préparer des décisions. Cette dépendance a une dimension géographique et politique : un hôpital africain qui utilise un LLM américain pour l’aide au diagnostic, une administration du Sud-Est asiatique qui déploie un modèle chinois pour ses services publics, une PME française qui délègue sa veille juridique à un outil dont elle ne contrôle ni les données d’entraînement ni les biais. Tous ces acteurs entrent dans une relation de dépendance informationnelle qui dépasse le simple cadre du contrat commercial.

Quelles conséquences concrètement ?

→  L’émergence d’une politique étrangère IA (AI diplomacy) :  Imaginez que choisir une IA vous lie à la politique étrangère du pays qui en est à l’origine. C’est cela, la diplomatie IA. Lorsque la Chine propose ses modèles à prix compétitifs à ses pays voisins ou à des partenaires africains, cela est non seulement pour des raisons commerciales, mais également pour une stratégie d’alignement diplomatique, car ici le choix d’une solution d’IA générative devient alors un signal d’alignement diplomatique, analogue au choix d’une infrastructure 5G.

Lorsque le plan d’action américain de juillet 2025 nomme explicitement l’objectif de « contrer l’influence chinoise dans les instances de gouvernance internationale » cela aboutit à des actions concrètes comme :  le retrait ou refus de signer des cadres multilatéraux jugés favorables à la position chinoise, le déploiement d’ investissement diplomatique en Afrique pour contrebalancer l’influence chinoise, l’utilisation du positionnement dans les organismes de normalisation internationaux pour défendre des valeurs américaines ou encore en l’utilisation du contrôle à l’exportation sur les puces IA comme outil de politique étrangère pour empêcher la chine d’acquérir la base matérielle nécessaires pour développer des modèles IA. 

L’analyse de ces exemples, et d’autres, montrent l’émergence d’une diplomatie IA opérant simultanément à trois niveaux : le Logiciel (software) au niveau des modèles et standards, le Matériel informatique (hardware) avec l’explosion de la demande de barrettes mémoires (RAM) et de processeurs (SSD) et la lutte pour les Ressources Minérales au travers de contrôles à l’exportation, la signature d’accord diplomatique avec les pays producteurs de ces ressources critiques.

La diplomatie IA est donc d’une stratégie d’influence à plusieurs niveaux interconnecté et interdépendant afin de garantir à chaque pays de faire partie de ceux qui contrôlent les modèles, le hardware, et les ressources permettant de produire ces systèmes IA. 

Ces trois dimensions structurent de plus en plus les politiques étrangères des grandes puissances, et conditionnent les marges de manœuvre des pays qui n’opèrent à aucun de ces trois niveaux et n’ont donc aucun levier sur ces sujets-là. 

→  Une fracture d’auditabilité : Les producteurs de modèles savent, en théorie, ce que leurs systèmes font, comment, et pourquoi. Les utilisateurs, en très grande majorité, ne le savent pas. Cette asymétrie,  que nous appellerons « asymétrie d’interprétabilité », est beaucoup plus prononcée dans les pays qui ne disposent pas d’infrastructure de recherche en IA. L’Afrique héberge moins de 1 % des centres de données mondiaux et les LLMs utilisés sur le continent n’ont pas été entraînés sur des données africaines. La dépendance est ici réelle, mesurable, et peu discutée dans les forums de gouvernance.

→  Une instabilité stratégique : Quand des décisions à haut risque (ex. : militaires, médicales, judiciaires, financières) sont préparées à l’aide de systèmes que les opérateurs ne peuvent pas auditer, l’erreur devient plus difficile à détecter, à corriger et à attribuer. Dans un contexte de compétition entre puissances, cette opacité amplifie l’incertitude et crée les conditions d’une escalade par incompréhension.

Et si on parlait d’Europe et de souveraineté européenne ? 

L’Europe a une stratégie, mais concrètement produit peu de modèles :  selon le rapport AI Index 2025 de Stanford5, en 2024, les institutions américaines ont produit 40 modèles d’IA notables, celles de Chine, et l’ensemble de l’Europe seulement 3. Ce chiffre illustre précisément le paradoxe européen : l’UE élabore des règles, notamment l’AI Act, mais ne produit pas les modèles qu’elle réglemente. 

L’AI Act, entré en vigueur le 1er août 2024, est le premier cadre législatif complet au monde dédié à l’IA. Il établit des règles harmonisées dans l’ensemble de l’Union européenne afin de garantir que les systèmes d’IA développés et/ou utilisés sur le sol européen respectent les valeurs européennes. Ici l’AI Act joue le rôle de levier de souveraineté normative afin de s’assurer que l’Europe n’est pas un No-Right Land (que l’on peut traduire pas « un espace de non-droit ») où tout est permis… au profit du plus puissant.

En d’autres termes, l’Europe qui ne domine ni le software, ni le hardware, ni les ressources minérales, a introduit une quatrième dimension dans l’échiquier de la gouvernance :  la régulation comme standard mondial (ce que les juristes américains appellent le « Brussels effect« ). C’est un levier réel, mais asymétrique : les règles européennes s’imposent aux modèles déployés sur son marché, mais ne créent pas les modèles eux-mêmes et ne combattent donc pas la dépendance informationnelle ou structurelle.

En quoi cette réalité change-t-elle ce qu’on doit demander à la gouvernance ?

Si l’IA est devenue une question géopolitique, alors la gouvernance de l’IA ne peut pas être pensée uniquement comme une question de régulation des produits technologiques, et pas seulement par deux pays — ou des groupes de pays — segmentant le monde selon deux visions. Elle doit être pensée comme une question de structure des rapports de force entre acteurs (États, entreprises, régions du monde) dans l’accès, la production, le contrôle et l’audit des systèmes qui conditionnent de plus en plus nos décisions collectives. Autrement dit, aujourd’hui, ne pas pouvoir auditer l’IA que vous utilisez, c’est accepter une dépendance que vous ne pouvez ni mesurer ni négocier.

Les standards d’interprétabilité et d’auditabilité des LLMs ne peuvent pas être définis exclusivement par les États-Unis, l’Union européenne et la Chine. Les autres pays doivent être intégrés aux processus de définition de ces standards : non pas comme bénéficiaires passifs d’une gouvernance conçue ailleurs, mais comme acteurs dont les contraintes et les vulnérabilités spécifiques constituent le problème.

La géopolitique de l’IA ne se joue donc pas seulement entre Washington, Bruxelles et Pékin. Elle se joue aussi à Rabat, Nairobi, à Hanoï, à Bogotá et partout où des opérateurs déploient des systèmes qu’ils ne peuvent pas questionner, dans des cadres qui ne leur donnent pas les outils pour le faire. 

Ikram Chraibi Kaadoud, PhD (she/her)

Chercheuse indépendante XAI & sciences cognitives
LinkedIn I HAL I https://ikramchraibik.com/

 Cet article est une adaptation grand public d’une note d’orientation publiée en anglais par l’autrice sur la plateforme Substack : https://ikramchraibik.substack.com/p/the-geopolitics-of-ai-software-hardware

Un article dont la mise en forme (uniquement !) a été réalisée avec l’aide d’une solution d’IA générative. 

Pour aller plus loin : 

1 Lacoste, Y. (dir.). (1993). Dictionnaire de géopolitique. Flammarion.

2 Ratzel, F. (1897). Politische Geographie oder die Geographie der Staaten, des Verkehres und des Krieges. R. Oldenbourg. [Partial Fr. trans.: Géographie politique, Economica, 1988]

3 Mackinder, H. J. (1904). The geographical pivot of history. The Geographical Journal, 23(4), 421–437. https://doi.org/10.2307/1775498

4 Bommasani, R., et al. (2021). On the opportunities and risks of foundation models. arXiv:2108.07258. Stanford CRFM. https://doi.org/10.48550/arXiv.2108.07258

5 Maslej, N., et al. (2025). Artificial Intelligence Index Report 2025. Stanford HAI. https://hai.stanford.edu/ai-index/2025-ai-index-report

6 DeepSeek-AI, Guo, D., et al. (2025, January 22). DeepSeek-R1: Incentivizing reasoning capability in LLMs via reinforcement learning. arXiv:2501.12948. https://doi.org/10.48550/arXiv.2501.12948

7 Dugoin-Clément, C. (2020, October). Les enjeux géopolitiques de la 5G. The Conversation. https://theconversation.com/les-enjeux-geopolitiques-de-la-5g-146494

8 The White House. (July 2025). America’s AI Action Plan. https://www.whitehouse.gov/wp-content/uploads/2025/07/Americas-AI-Action-Plan.pdf

9 UNESCO. (2021). Recommendation on the Ethics of Artificial Intelligence. https://unesdoc.unesco.org/ark:/48223/pf0000380455

L’article La géopolitique de l’IA : pourquoi ChatGPT, Claude, Mistral, DeepSeek (et tous les autres…) ne sont pas que des outils est apparu en premier sur Blog binaire.

Hashtag ou mot-dièse ?

En 2013, la feue Commission générale de terminologie et de néologie sévit encore contre l’informatique, le numérique et la musique : elle avait traduit le symbole # par dièse et hashtag par mot-dièse. Comme ses autres préconisations en matière de numérique, celle-ci passa directement de la table d’inventions aux oubliettes, non sans avoir été copieusement raillée, au point qu’un moqueur #motdiese se tailla un franc succès. Mais ladite préconisation caractérise en outre l’impéritie de ses auteurs, puisqu’elle repose sur deux erreurs manifestes.

Le caractère # (hash) se traduit par un croisillon : une petite échelle aux barreaux horizontaux qui a un code bien à elle dans la nomenclature internationale Unicode. Le caractère ♯ (dièse) s’en distingue, avec un autre code et des barreaux nettement obliques. Son rôle multiséculaire en musique consiste à indiquer l’altération d’un demi-ton à la hausse. Il a été utilisé par l’inventeur du langage C♯ pour indiquer qu’il constituait un progrès par rapport au langage C. Et si C♯ se prononce « C sharp », c’est simplement parce que « sharp » signifie ici « dièse ». Voilà pour la première bévue.

La seconde consista à commettre une traduction mot à mot au lieu de traduire globalement la locution. Traduire « # » par « mot-dièse » est un peu comme traduire « it’s raining cats and dogs » par « il pleut des chats et des chiens » au lieu de « il pleut des cordes ». Qu’une « commission générale de terminologie et de néologie », depuis rebaptisée « commission d’enrichissement de la langue française », engendre une traduction mot-à-mot doublée d’un contresens laisse pantois.

Depuis ces forfaitures linguistiques, les hashtags ont pris une importance nouvelle en 2017, avec un #balancetonporc français qui a précédé de deux jours un #metoo au retentissement mondial. Et comme l’on n’arrête pas le progrès, les hashtags dialoguent désormais entre eux. Un inapproprié #notallmen tente de lui répondre que non, tous les hommes ne sont pas ainsi (en référence à #yesallwomen). Un #ouinouin apparaît alors pour fustiger les hommes qui se plaignent ainsi de leur sort.

Les hashtags jouent un rôle clé dans la visibilité des messages qui les utilisent sur les réseaux sociaux. Leur valeur est telle que certains font l’objet d’un dépôt, comme l’on dépose une marque. Le terme hashtag est si connu et si court que toute tentative de le franciser est vouée à l’échec. Et simplement mot-clé ? Trop général pour désigner en réalité un mot-clé précédé du caractère #, le tout étant cliquable. Donc exit le dièse, exit aussi tout terme français, comme le québécois mot-clic : hashtag occupe tout l’espace sémantique, y compris dans les dictionnaires français, qui le reconnaissent depuis à peu près à la même époque à laquelle mot-dièse tenta de poindre, sans qu’ils reconnaissent ce dernier !

Certains slogans mondialement connus deviennent des hashtags comme #makeamericagreatagain (ou #maga), qui a leur tour renforcent la notoriété des slogans dont ils sont issus. Ils s’exposent alors à des réponses ou des détournements, comme ce fut le cas avec un « Make Russia Small Again » du président ukrainien qui l’arbora sur son tee-shirt. Les hashtags deviennent des armes communicantes. Des armes de libération, comme #metoo ou #blacklivesmatter, ou des armes de menaces glaçantes, comme #UnBonJuif ou #LaRafle. Apprenons ensemble à promouvoir les premiers et combattre les seconds. Et libérons les hashtags de leur traduction française en promouvant un #balancetondiese !

L’article H: Hashtag … #balance ton dièse ! est apparu en premier sur Blog binaire.

______
Même si l’analyse de l’ANSSI est encore en cours, une note circule au sein de de la commission finance du Sénat sur le modus operandi de l’attaque contre la DGFIP depuis le 4 septembre. Cette note, qu’on ne connait que par les médias (voir par exemple le Monde) qui y ont eu accès et qui, heureusement, en citent de larges extraits, confirme, hélas, qu’il ne fallait pas être grand clerc pour voler les GB de données fiscales entre autres de centaines de milliers de citoyens.

C’est ce que nous écrivions déja dans The Conversation. Son intérêt est de décrire ce qu’on appelle la cyberkill chain, à savoir toutes les étapes pour matérialiser l’exfiltration des données fiscales et apparentées

Le Réseau Interministériel de l’État 

Il y a d’abord eu l’utilisation d’identifiants d’un agent de l’Éducation Nationale, dérobés par un des fléaux cyber actuels : les infostealers, des logiciels malveillants qui s’installent sur les machines et qui arrivent à capter les mots de passe, cookies de session des différents logiciels installés, souvent les navigateurs, qu’ils reconnaissant une fois installés. Avec cet accès de l’Éducation Nationale, voici les hackers au sein du Réseau Interministériel de l’État (RIE) qui relie les réseaux informatiques des différentes administrations de l’État.

____

En son sein, en toute confiance donc, les hackers sans doute identifiés comme un agent de l’Éducation Nationale ont utilisé un autre identifiant volé d’agents de la DGFIP pour accéder à l’application « e-contact » qui ne possédait pas de double authentification, autre étrangeté. Cette application interne, e-contact, sert à centraliser les échanges et les dossiers entre les agents du fisc et les usagers. L’application e-contact permet aux agents et aux citoyens d’interagir sur leurs dossiers fiscaux et on comprend qu’un tel accès, du côté agent, pointe vers des données très sensibles…. étonnamment sans accès multi-facteur (parce qu’accessible pour les agents dûment authentifiés au sein du réseau interministériel ?). Dans un réseau zéro-confiance, être ainsi agent double de l’Éducation et de la DGFIP aurait été détecté et cette demande d’accès rejetée.

._____

Détecter une intrusion, ce n’est pas détecter une exfiltration

L’accès par les hackers a bien été détecté par la DGFIP en analysant le journal des accès mais rien ne fut détecté quant à l’exfiltration données. C’est une autre faiblesse typique : détecter des accès illégitimes, ce n’est pas la même chose que détecter des fuites de données de l’intérieur du réseau… où on se dit que tous ceux qui y sont actifs sont légitimes. Une approche zéro-confiance, correctement conçue et opérée, aurait pu stopper l’exfiltration par une vérification contextuelle et une détection comportementale.

Au final, la note met donc en évidence une trop grande liberté de circulation des données (et des utilisateurs) entre administrations pour ne pas gêner l’utilisateur par des demandes de réauthentifications trop fréquentes.

Elle rappelle la vigueur des veilles recettes (segmenter les réseaux et ne pas en faire une auberge espagnole) et l’importance des nouvelles recettes (avec un réseau zero-confiance, un agent double Éducation Nationale – DGFIP aurait été démasqué). Un oubli d’une authentification multi-facteur a suffi et la présence d’infostealers a fait le reste, ce qui rappelle l’importance de nettoyer les machines qu’on utilise et de réserver une machine à un usage strictement professionnel.

Charles Cuvelliez, École Polytechnique de Bruxelles (Université de Bruxelles – ULB), Gaël Hachez,  Haute École Libre de Bruxelles

L’article Piratage de Bercy (DGFIP): Pourquoi un agent double du ministère de l’Education Nationale et du Ministère de l’Economie et des Finances n’a pas été détecté est apparu en premier sur Blog binaire.

Grands nombres et nombres gogols

« Google »… l’origine du nom de cette entreprise est « googol ». Quid de l’étymologie de ce mot ? La légende voudrait qu’un enfant de neuf ans à qui son oncle mathématicien a demandé d’imaginer un nombre « très grand » aurait répondu « 1 suivi de plein de 0 », ou « 1 suivi de 100 zéros » (10¹⁰⁰). Ce nombre a été appelé « googol » en anglais et « gogol » en français^[1]. Ce nombre n’a aucun sens mathématique. Et – cela tombe bien – en français, « gogol » signifie « débile », « idiot » ou « stupide », d’après les dictionnaires ; son féminin « gogole » est un anagramme exact de « Google ». 

Le nommage de ce nombre sans sens ne repose sur aucune autre volonté que celle d’aligner un grand nombre de symboles. Les deux jeunes fondateurs de Google s’en sont emparés pour nommer leur entreprise. Puis d’un deuxième : « googolplex », soit 10^google, sans sens lui non plus, pour nommer le siège social mondial de l’entreprise Google (et de sa maison mère, Alphabet) : le « Googleplex »^[2].

Ces nombres sont en quelque sorte des nombres « cons », au sens de la définition que propose « Petit binaire »^[3] pour les humains ainsi qualifiés : un « con » serait une personne qui, manipulant des symboles (des mots), donne l’illusion de les comprendre, d’y associer un sens, mais rarement longtemps. Plus la durée de l’illusion est courte, plus le « con » serait « con » ! Il n’associe ni de sémantique ni d’implicite social aux mots qu’il prononce ou entend. Ainsi en est-il de « google » et « googleplex » : des suites de symboles qui ne portent pas de sens.

Heureusement, l’informatique n’engendre pas que des nombres gogols – oui, avec « s », parce que « gogol » est à la fois un nom commun et un adjectif. Elle engendre une myriade de grands nombres, à mesure que la miniaturisation des composants électroniques progresse : des nombres physiques, des nombres logiques et les gogol-nombres… ou nombres « cons » au sens petitbinairien du terme. Cette taxinomie arbitraire exige une explication, que voici.

Considérons les QR-codes. Les plus petits comptent 252 = 625 pixels, et les plus grands, 1772 = 31329 pixels. Ce sont des nombres « physiques » puisqu’ils mesurent la taille d’une image (ici celle des QR-codes). Mais ces nombres ne sont pas « grands », alors que le nombre d’octets d’un support de stockage, qui peut valoir plusieurs trillions d’octets (10¹⁸), l’est. Les volumes de données sur Internet nécessitent le recours à des nombres plus grands encore : 10²¹, voire 10²⁴ octets. Ce sont toujours des nombres physiques^[4].

Et les nombres « logiques » ? C’est, par exemple, le nombre de petits QR-codes différents. Chacun de leurs 625 pixels peut être noir ou blanc. Il existe donc 2625 (environ 10¹⁸⁸) petits QR-codes différents. Monstrueux, comme nombre^[5], au point d’être incommensurablement plus grand que le nombre de particules de l’univers ! Si l’on remplaçait chaque particule de l’univers par… autant de particules qu’en contient l’univers, le nombre obtenu (10¹⁶⁰) demeure tout petit par rapport au nombre de petits QR-codes. Les nombres logiques comptent des « possibles » et non pas des objets matériels, mais ils ont un sens.

Les gogol-nombres, quant à eux, ne racontent, ne mesurent ni ne signifient rien.

Pourtant, les mathématiques et l’informatique ont produit tant de grands nombres, plus grands encore que ces nombres « cons », plus grands même que « gogolplexplex » qui vaut 10^gogolplex, mais qui tentent de conserver un sens, bien qu’ils en perdent à mesure qu’ils grandissent.

Pour les décrire, plusieurs notations ont été inventées, comme celle proposée par D. Knuth, dite des « puissances itérées »^[6]. Reprenons à la base. Le petit enfant apprend à compter en faisant « +1, +1, +1… » sur ses doigts. C’est le niveau « 0 » de l’arithmétique. Puis rapidement, à l’école primaire, il apprend à additionner directement 4 et 7, 12 et 39, etc. C’est le niveau 1. Mais l’addition, ça peut vite être répétitif ! Qu’à cela ne tienne : voici venu le temps de la multiplication, vue comme une suite d’additions : niveau 2. Et au lycée, les puissances apparaissent, parce que « a x a x a… x a » (b fois) s’écrit plus simplement a^b (a puissance b, ou a^b). Nous voici au niveau 3. Qu’amorcent les gogol-nombres ? Des puissances de puissances de… de puissances. Une sorte de niveau 4 ! a^a^a…^a (b fois) est noté ba, ou, par D. Knuth : a↑↑b. Ce niveau 4 est nommé la « tétration ». Et le niveau 5, la « pentation » : a ↑↑↑b, soit une succession de tétrations. Pas en reste, l’hexation – a ↑↑↑↑b – est une succession de pentations^[7]. Le tétra-nombre 10↑↑10 est déjà un nombre bien plus grand que notre pâle gogolplex ! Au niveau 4, il existe une esquisse de mathématiques correspondante, donnant un sens à certaines opérations et aux nombres qu’elles calculent.

Mais la mathématique associée à la pentation est embryonnaire et celle associée à l’hexation est inexistante. Parce que plus on monte dans les « niveaux » calculatoires, et donc dans les outils syntaxiques à même d’engendrer de grands nombres, moins on sait en exhiber une sémantique, un intérêt réel applicable à notre monde physique. Si les mathématiques de niveau 0 à 3 représentent des continents de connaissances, le niveau 4 – la tétration – n’est qu’une île, le niveau 5 – la pentation – n’est qu’un rocher, et le niveau 6, une chimère ! Même construits intelligemment, les trop grands nombres deviennent des gogol-nombres…

Un problème inédit survient avec le XXIe siècle : les nombres physiques, a priori gorgés de sens puisqu’ils caractérisent une réalité du monde, deviennent si grands avec l’informatique qu’ils deviennent aussi peu dignes d’intérêt réel que les gogol-nombres. Ainsi en va-t-il du nombre de pages Internet qui se comptent en trillions – des nombres à 13 chiffres, bientôt 14. Jusqu’au début des années 2020, ces nombres correspondaient à des données réelles, au sens de « créées par des êtres humains ». Depuis peu, les données sont à la fois l’entrée des systèmes d’IA et celles qu’ils produisent, en nombres aussi grands que dépourvus de sens. Par exemple, en 2025, plusieurs dizaines de milliers de morceaux musicaux générés par ordinateur envahissent chaque jour la plateforme Deezer. Il y a plus de vidéos sur Youtube que d’êtres humains sur Terre, et un tiers d’entre elles sont générées par IA en 2025. Il y a environ deux fois plus de téléphones portables dans le monde que d’êtres humains. Avant la fin du XXIe siècle, le nombre de propriétaires décédés ayant des pages Facebook sera supérieur au nombre de propriétaires vivants. Ces nombres sont tous des nombres physiques, qui mesurent des entités réelles. Mais leur gigantisme fait que les phénomènes sociétaux sous-jacents perdent eux-mêmes tout sens.

L’informatique n’a pas le monopole des « gogol-nombres ». Donald Trump en invente aussi, et parfois des petits. Comme le nombre de guerres qu’il aurait arrêtées en un an. Faut-il lui soustraire le nombre de guerres qu’il a engendrées ? Allez savoir… et quel sens ces nombres ont-ils ? Aucun. Pas plus que les annonces de 500 milliards de dollars à investir dans l’IA par les USA.

L’Europe sait aussi produire des gogol-nombres. Par exemple : 8 x 10¹¹. C’est le nombre d’euros que les Européens prétendaient pouvoir investir dans un effort supplémentaire d’armement. D’où provient ce nombre à 12 chiffres ? De la différence entre le taux moyen réel d’investissement des pays membres de l’UE (1,9%) et un taux cible de 3%… à l’horizon 2030. +800 G€^[8] en 5 ans. Avec un investissement en 2025 de 381 G€. Et les USA, annuellement ? Plus de 900 G€. Avec un objectif pour 2027 de 1500 G€. Les 800 G€ de l’UE sont donc un nombre doublement gogol : d’une part, il ne correspond aucunement à un investissement réel. Il n’est rien d’autre qu’un calcul sur un coin de tableur du Conseil de l’Europe. D’autre part, il est ridiculement faible par rapport à l’effort des USA. Mais sur le seul sol français on trouve plus grand et plus gogol, comme nombre : 3300 G€. C’est la dette du pays en 2025. Il manque « juste » un autre nombre pour donner un sens à cette dette : les avoirs financiers que détiennent les Français : plus de 6600 G€. Soit le double de la dette. Ce second chiffre relativise le premier, non ? Tout seul, le premier est un nombre gogol. Sans grand sens. Avec son alter ego de l’épargne nationale, il retrouve un sens. Et avec le patrimoine total, d’environ 20 000 G€, la perspective change encore !

On a donc identifié plusieurs types de gogol-nombres. Des nombres sans sens a priori ; des nombres physiques mais caractérisant une dérive « non-sens » du monde numérique actuel ; ou encore des nombres décontextualisés, qu’affectionne le monde socio-économique.

Pour conclure : « Mort aux (nombres) cons ! » Et en particulier lorsqu’ils sont vides de sens, même bardés de mathématiques et exemplifiés par l’informatique, lorsqu’ils induisent en erreur sur des sujets graves comme celui du réarmement, lorsque leur caractère « con » est renforcé par un nom « con », en un mot comme en cent, lorsqu’étymologie et sémantique ont quitté le navire de la réflexion, de la mise en contexte. Il serait dommageable que dans l’armée des gogol-nombres déferlant sur le XXIe siècle, l’informatique continue à tenir le rôle de généralissime… parce que, ne l’oublions jamais, les nombres^[9] (en particulier en informatique), c’est comme les cochons, plus ça devient gros, plus ça devient con !

L’article G: comme Gogol ou l’île de la tétration est apparu en premier sur Blog binaire.