Le labo de recherche d’une cinquantaine de personnes que Microsoft avait rattaché à Microsoft AI début septembre n’existe plus, et son cofondateur John Langford a quitté l’entreprise. Il reproche à cette division de ne croire qu’au passage à l’échelle des modèles, au détriment de la recherche.
- Microsoft a dissous AI Frontiers, un labo d’une cinquantaine de personnes.
- John Langford, cofondateur du groupe, a quitté l’entreprise.
- Il reproche à Microsoft AI de miser sur le scaling et de délaisser la recherche.
- Son récit repose uniquement sur son billet de blog, sans recoupement par d’autres sources.
Dans un billet publié le 6 novembre sur son blog Machine Learning (Theory), John Langford écrit que AI Frontiers est terminé : le groupe qu’il avait cofondé au sein de Microsoft Research en 2023 n’existe plus, et lui-même est parti. Le récit qui suit repose sur ce billet, la version d’un acteur directement concerné et non un constat recoupé par d’autres sources.
Sur X, Langford renvoie vers ce billet et décrit une situation pénible à mettre en mots, qui pèse beaucoup pour lui comme pour plusieurs autres personnes impliquées.
AI Frontiers, un labo de Microsoft né dans le sillage de ChatGPT
Après la sortie de ChatGPT en 2023, Langford a estimé que la recherche devait s’organiser autrement qu’à Microsoft Research : un chercheur isolé arrivait trop tard, avec des points de comparaison trop faibles pour convaincre. Avec d’autres collègues, il a donc créé AI Frontiers, un groupe d’environ 50 personnes au sein de Microsoft Research.
Une bonne partie du travail a porté sur les agents, avec le framework d’orchestration AutoGen et Fara, un agent capable de piloter un ordinateur. Fara-7B, publié le 24 novembre 2025, est un modèle de 7 milliards de paramètres diffusé sous licence MIT. À New York, d’autres chercheurs visaient des capacités plus fondamentales : Langford cite Next Latent, un objectif censé permettre l’extrapolation, et Dion3, une version améliorée de Muon.
Le troisième chantier, le Full Bandwidth Transformer, est présenté par Langford comme un moyen de rendre les modèles nettement plus puissants grâce à la récursion. Le papier déposé sur arXiv en août, qu’il cosigne, annonce des modèles d’un milliard de paramètres, entraînés sur jusqu’à 400 milliards de tokens, qui égalent ou approchent des transformers classiques nourris avec environ 1,5 fois plus de tokens, sans surcoût notable au décodage.
Le groupe partageait aussi par défaut un dépôt de code commun avec tout Microsoft Research : c’est là que se trouve la base de pré-entraînement dont Langford a parlé dans sa keynote à la conférence COLM le mois dernier. Construire une chaîne complète d’entraînement de modèles demande beaucoup d’efforts, et il dit en connaître au moins quatre à Microsoft Research, dont trois hors des dépôts accessibles à tout Microsoft Research.
Microsoft AI mise sur le scaling, la recherche passe après, selon Langford
Début septembre, AI Frontiers a été rattaché à Microsoft AI. Sur le papier, Langford admet que l’idée se tenait : réunir deux organisations d’IA permet de concentrer les efforts, chacune avait de l’avance sur certains points et Microsoft AI est bien plus grande. Mais la philosophie des dirigeants issus d’Inflection lui paraît incompatible avec la sienne, comme il le résume :
The core philosophy there is scaling, and aggressively not research.
Autrement dit : tout sur le scaling, c’est-à-dire des modèles plus gros, et une mise à l’écart résolue de la recherche. Dans ce contexte, l’essentiel du travail consiste à obtenir, fabriquer et raffiner des données, loin de ce que faisait son groupe, et Langford dit avoir vu de nombreux signes que l’on ne voulait pas vraiment de ses équipes.
Il reconnaît la logique de cette stratégie : les modèles plus gros produisent de meilleures prédictions, et les rendements de l’échelle sont bien plus prévisibles, pour une entreprise, que ceux de la recherche. Il juge pourtant l’orientation à la fois mal dirigée et peu amusante, et maintient que les gains de la recherche sont réels et importants.
Recherche contre scaling : l’argument chiffré de Langford sur ByteDance
Pour l’étayer, Langford cite des expériences de ByteDance qui suggèrent qu’une variante du Full Bandwidth Transformer pourrait égaler un modèle deux fois plus gros. À capacité égale, cela réduirait nettement les coûts d’entraînement et d’inférence, et il invite à calculer ce que vaudrait une division par deux de ces coûts alors que les investissements de l’industrie approchent les 1 000 milliards de dollars.
Ce raisonnement reste une hypothèse, et les deux chiffres ne se superposent pas : le facteur de 1,5 du papier arXiv compare des quantités de données d’entraînement, tandis que le « deux fois » attribué à ByteDance compare des tailles de modèle.
Langford écarte un retour à Microsoft Research pour deux raisons
Langford explique avoir buté sur deux obstacles. Le premier : il ne veut pas faire de la recherche sans voie vers un usage concret, et chez Microsoft AI ses innovations n’ont pas été prises en compte, pas même sérieusement envisagées. Le second : il craint une rupture du contrat de base de Microsoft Research, faire du bon travail pour que de bonnes choses arrivent, puisque son groupe, à ce qu’il peut en juger, a bien travaillé mais a été réorganisé sans son consentement.
Il ne serait pas surpris que ce scénario se répète tant que la direction de Microsoft Research n’aura pas la volonté de s’organiser efficacement. Il précise qu’il n’y aura pas de stages avec son ancienne équipe l’an prochain et ajoute que tous les autres membres fondateurs de la direction d’AI Frontiers lui paraissent être arrivés à la même conclusion.
Dans les commentaires du billet, Jae Kwon, qui renvoie vers gnosh.ai, annonce lever des fonds et vouloir embaucher les plus brillants de l’équipe.
Langford, lui, imagine sans peine un Microsoft futur redevenu attractif pour la recherche, à condition que ses dirigeants gagnent un peu en sagesse. Reste à savoir si l’entreprise partage ce diagnostic.
