Hypothèse : « comprendre l'univers », un cap qui structure les choix techniques de xAI

Il existe un exercice délicat en analyse des entreprises technologiques : distinguer ce qu'une société dit vouloir faire de ce qu'elle fait réellement, et se garder de confondre les deux. xAI, la société d'intelligence artificielle fondée par Elon Musk, offre un terrain d'observation intéressant pour cet exercice. Elle affiche depuis sa création une mission d'une ampleur inhabituelle — « comprendre la véritable nature de l'univers » — et déploie, en parallèle, une série de produits et d'infrastructures bien concrets. La question que pose cet article est simple à formuler, plus subtile à traiter : cette formule fondatrice n'est-elle qu'un slogan de communication, ou peut-on y lire une cohérence avec certains choix techniques observables ? Nous proposons ici une lecture, présentée comme telle, sans prétendre lire dans les intentions internes d'une équipe à laquelle nous n'avons pas accès.

La démarche mérite d'être posée d'emblée. Nous séparerons scrupuleusement deux registres. D'un côté, les faits vérifiables : la mission telle qu'elle est publiquement énoncée, les dates de sortie des modèles, les scores sur des tests standardisés, l'ampleur documentée de l'infrastructure de calcul. De l'autre, une grille de lecture — une hypothèse interprétative qui relie cette mission affichée à ces choix concrets. La première catégorie est sourcée ; la seconde est signalée à chaque fois par des formulations prudentes. Cette précaution n'est pas une coquetterie de style : elle est le cœur même de la méthode. Rien ne serait plus facile, et plus trompeur, que de raconter une belle histoire de cohérence stratégique après coup, comme si tout avait été planifié.

L'intérêt du cas tient précisément à ce contraste entre l'immensité de l'ambition déclarée et la matérialité des livrables. Une entreprise qui se donne pour horizon la compréhension du cosmos, mais qui livre des assistants conversationnels et construit des centres de calcul, invite naturellement à se demander comment les seconds servent — ou non — la première. C'est cette tension que nous explorons, en gardant en tête qu'une lecture cohérente n'est jamais une preuve d'intention.

Le fait établi : une mission publiquement énoncée

Commençons par ce qui ne relève d'aucune interprétation. Lorsque xAI a été présentée publiquement, en juillet 2023, elle a affiché sur son site une phrase devenue emblématique : l'objectif de l'entreprise est de « comprendre la véritable nature de l'univers » (understand the true nature of the universe). Cette formulation a été largement relayée par la presse spécialisée au moment du lancement, et elle demeure le socle de la présentation officielle de la société. Il s'agit donc d'un fait documenté, et non d'une reconstruction : la mission est celle-là, dans ces termes.

Au-delà de la formule, la société a précisé sa lecture de cette ambition. Sur sa page de présentation, xAI décrit son travail comme la construction d'une intelligence artificielle destinée à « accélérer la découverte scientifique humaine », en cohérence avec sa volonté de faire progresser la compréhension collective de l'univers. Cette reformulation est importante : elle traduit la mission cosmologique, potentiellement abstraite, en un programme plus opérationnel — celui d'un outil au service de la science. Là encore, nous restons dans le registre du fait : c'est ainsi que l'entreprise se décrit elle-même.

Elon Musk a par ailleurs commenté, lors d'un échange public au lancement, la logique qui sous-tendrait ce choix. Selon ses propos, une intelligence « maximalement curieuse et en quête de vérité » constituerait, de son point de vue, la meilleure approche qu'il conçoive sur le plan de la sûreté. Voici sa formulation, rapportée par plusieurs médias :

« Si elle essaie de comprendre la véritable nature de l'univers, c'est en réalité la meilleure chose que je puisse imaginer du point de vue de la sûreté de l'IA. » — Elon Musk, lors de la présentation publique de xAI (2023)

Ce que nous savons donc de source sûre se résume à ceci : une mission énoncée en termes cosmologiques, une traduction opérationnelle vers la découverte scientifique, et une justification affichée reliant curiosité, quête de vérité et sûreté. Tout le reste — la manière dont ces principes se traduiraient, ou non, dans l'ingénierie quotidienne — relève de la lecture, à laquelle nous passons maintenant en le signalant clairement.

Une mission qui ordonne une hiérarchie de compétences

Un point mérite qu'on s'y arrête, car il structure toute la réflexion qui suit. Une mission n'est pas un simple décor : lorsqu'elle est prise au sérieux, elle établit implicitement une hiérarchie entre les compétences qu'un système devrait développer en priorité. Formulons la chose sous forme de raisonnement conditionnel, en restant dans l'hypothétique. Si l'on cherche à construire un outil capable d'aider à comprendre le monde physique, certaines aptitudes deviennent centrales et d'autres secondaires.

Au premier rang des aptitudes centrales figurerait la capacité à manipuler des objets abstraits avec rigueur : équations, structures logiques, chaînes de déduction longues. Comprendre un phénomène naturel suppose souvent de le modéliser mathématiquement, de dériver des conséquences et de les confronter à l'observation. Une intelligence orientée vers cet objectif devrait donc exceller là où la conversation ordinaire n'exige rien de tel — dans la constance du raisonnement sur des dizaines d'étapes, sans se perdre ni se contredire.

Au second rang viendrait une forme d'honnêteté épistémique : la propension à ne pas affirmer ce qu'on ne sait pas, à distinguer l'hypothèse de la conclusion, à reconnaître les limites d'un raisonnement. C'est ici que la formule de la « quête de vérité » prend un relief particulier. Qu'on y adhère ou non, elle décrit une orientation qui, sur le papier, s'accorde avec l'idée d'un outil scientifique : un instrument de découverte a peu de valeur s'il fabrique des certitudes commodes plutôt que de suivre les faits où qu'ils mènent.

Insistons : décrire cette hiérarchie idéale ne revient pas à affirmer que xAI l'a effectivement adoptée. Il s'agit d'un cadre d'analyse — ce qu'on attendrait d'une entreprise fidèle à une telle mission — qui nous servira ensuite de grille pour examiner les faits. Poser d'abord ce que la mission impliquerait, puis observer si les réalisations s'y conforment, est une manière de discipliner la lecture et de la protéger contre le biais de confirmation.

Pourquoi la distinction fait-elle une différence ?

On pourrait objecter que scruter ainsi la frontière entre déclaration et pratique relève de l'excès de prudence. Ce serait sous-estimer un biais bien connu de l'analyse rétrospective : la tendance à reconstruire une trajectoire comme si elle avait toujours été guidée par une intention claire. Une entreprise livre des produits, prononce des discours, et l'observateur assemble le tout en un récit lisse. Or les organisations avancent souvent par tâtonnements, contraintes de marché et arbitrages budgétaires, bien plus que par déroulement d'un plan initial. Poser la question « la mission éclaire-t-elle les choix ? » comme une hypothèse à tester, et non comme une vérité à illustrer, est donc la seule posture honnête.

Les livrables concrets : ce que xAI a effectivement construit

Passons aux réalisations matérielles, elles aussi documentées. Entre 2023 et 2025, xAI a livré une famille de modèles baptisée Grok, dont les versions successives fournissent des repères datés et mesurables. C'est sur ce terrain, celui des faits techniques, que l'on peut ancrer solidement l'analyse avant de tenter toute interprétation.

La première étape marquante fut la sortie de Grok 3, le 17 février 2025. Présenté comme le premier modèle de raisonnement de l'entreprise, il a été mis en avant pour ses résultats sur des tests standardisés exigeants. xAI a notamment revendiqué des performances de premier plan sur AIME — un jeu de problèmes de compétition mathématique — ainsi que sur GPQA, une batterie de questions scientifiques de niveau doctoral couvrant la physique, la chimie et la biologie. La nature même de ces tests est révélatrice : ils ne mesurent pas la fluidité conversationnelle, mais la capacité à raisonner sur des problèmes techniques ardus.

Vint ensuite Grok 4, ainsi que sa variante Grok 4 Heavy, dévoilés le 9 juillet 2025. C'est avec cette génération que xAI a mis en avant un résultat particulièrement discuté : sur le test « Humanity's Last Exam », un jeu d'épreuves assemblé à partir des questions les plus difficiles que des chercheurs pouvaient construire en mathématiques, physique, chimie, biologie, histoire et droit, Grok 4 (version standard) a obtenu 25,4 % sans outils et 38,6 % avec outils, tandis que Grok 4 Heavy — sa variante multi-agents — a atteint 44,4 % sur l'ensemble complet du test et jusqu'à 50,7 % sur son sous-ensemble textuel, selon les chiffres communiqués par xAI et rapportés notamment par Scientific American. À titre de comparaison, xAI a avancé, lors de la présentation de Grok 4, un score médian d'expert humain autour de 5 % sur ce test — un chiffre à nuancer : les concepteurs académiques de l'épreuve (Scale AI et le Center for AI Safety) évaluent pour leur part la performance des experts à environ 90 % sur les questions relevant de leur propre domaine.

Jalon	Date de sortie	Élément mis en avant
Grok 3	17 février 2025	Premier modèle de raisonnement ; résultats sur AIME, GPQA
Grok 4 / 4 Heavy	9 juillet 2025	Grok 4 : 38,6 % avec outils ; Grok 4 Heavy : ≈ 50,7 % (sous-ensemble textuel, avec outils) à « Humanity's Last Exam »

Un mot de prudence s'impose sur ces chiffres. Les scores de tests communiqués par un éditeur méritent d'être lus avec circonspection : les conditions d'évaluation varient, l'usage ou non d'outils change radicalement les résultats, et un test unique ne résume jamais une capacité générale. Nous les rapportons parce qu'ils sont vérifiables et publics, non parce qu'ils trancheraient un débat. Ce qui nous intéresse ici n'est pas de couronner un modèle, mais d'observer sur quels terrains l'entreprise choisit de se mesurer.

Un choix de terrain qui se remarque

Car c'est bien là que réside le premier élément notable. AIME, GPQA, « Humanity's Last Exam » : ces trois références partagent une caractéristique. Elles ne portent pas sur la conversation courante, la rédaction d'e-mails ou le service client, mais sur le raisonnement scientifique et mathématique de haut niveau. Une entreprise peut mettre en avant les tests qui la flattent le mieux ; le fait qu'elle ait choisi de communiquer prioritairement sur ces terrains-là, plutôt que sur d'autres, constitue une donnée observable. Nous verrons qu'elle nourrit — sans la prouver — la lecture que nous proposons.

Ce que mesure — et ne mesure pas — un test scientifique

Avant d'aller plus loin, une mise au point s'impose sur la valeur exacte de ces résultats, car elle conditionne tout ce qu'on peut en tirer. Réussir un test comme « Humanity's Last Exam » atteste d'une chose précise : la capacité à répondre correctement à des questions fermées, difficiles, dont la réponse est connue de ceux qui les ont conçues. C'est loin d'être négligeable, mais c'est aussi très différent de ce qu'exige une véritable découverte.

Comprendre l'univers, au sens fort, ne consiste pas à répondre à des questions déjà posées, mais à formuler les bonnes questions, à concevoir des hypothèses nouvelles, à imaginer des expériences pour les tester. Un système qui excelle à des épreuves calibrées démontre une maîtrise du savoir existant ; il ne démontre pas, par ce seul fait, une aptitude à produire du savoir inédit. La marche entre les deux est considérable, et rien dans un score de test ne permet de l'enjamber. Confondre performance sur un référentiel et capacité de découverte serait une erreur de raisonnement qu'un article rigoureux doit signaler.

Réussir un examen n'est pas découvrir. Un test mesure la maîtrise de réponses connues ; comprendre l'univers exige de poser des questions que personne n'a encore formulées. Entre les deux subsiste un écart qu'aucun score ne comble.

Cette nuance ne diminue en rien la valeur des résultats obtenus. Elle situe simplement leur portée. On peut voir dans les performances revendiquées un indice que les modèles progressent sur des tâches de raisonnement exigeantes — ce qui est cohérent avec l'orientation évoquée plus haut. On ne peut pas y voir la preuve que l'objectif cosmologique serait en voie d'atteinte. Tenir ces deux propositions ensemble, sans céder ni à l'enthousiasme ni au dénigrement, est la ligne de crête de cette analyse.

L'infrastructure : Colossus, ou la matérialité du pari

Aucune analyse de xAI ne serait complète sans évoquer son infrastructure de calcul, car elle traduit en béton, en silicium et en mégawatts l'ampleur des moyens engagés. Ici encore, tenons-nous aux ordres de grandeur documentés, en signalant qu'ils évoluent vite et qu'un chiffre précis peut être dépassé au moment où vous lisez ces lignes.

xAI a construit à Memphis, dans le Tennessee, un centre de calcul baptisé Colossus, sur le site d'une ancienne usine. Sa mise en service, courant 2024, s'est faite avec une rapidité remarquée : la première phase, dotée d'environ 100 000 processeurs graphiques Nvidia H100, aurait été rendue opérationnelle en quelque 122 jours de construction. Quelques mois plus tard, l'installation aurait été portée à environ 200 000 processeurs graphiques, l'entreprise affichant l'intention de poursuivre l'expansion bien au-delà. Ces éléments sont rapportés de manière concordante par plusieurs sources, dont Nvidia, partenaire du projet, et des synthèses encyclopédiques.

La signification de ces nombres dépasse la performance d'ingénierie. Rassembler des centaines de milliers de processeurs graphiques dans une seule installation, alimentée par une puissance électrique se comptant en centaines de mégawatts, représente un engagement financier considérable et un pari sur l'échelle. On peut y voir l'expression d'une conviction : que la voie vers des capacités supérieures passe, au moins en partie, par une augmentation massive de la puissance de calcul disponible pour l'entraînement des modèles.

Une infrastructure de cette ampleur n'est pas neutre : elle inscrit dans la matière un choix stratégique. Miser sur des centaines de milliers de processeurs, c'est parier que l'échelle du calcul reste, pour l'heure, un levier décisif.

Restons mesurés sur l'interprétation. Une infrastructure colossale n'est pas propre à xAI — plusieurs acteurs majeurs de l'IA investissent dans des capacités comparables — et elle ne dit rien, à elle seule, de la finalité poursuivie. Un centre de calcul peut servir à entraîner un assistant grand public comme un moteur de raisonnement scientifique ; l'outil est le même. Ce que l'infrastructure établit, c'est l'ampleur des moyens ; ce qu'elle n'établit pas, c'est leur destination. La suite de cet article s'attache précisément à ne pas franchir cette limite.

La lecture : une hypothèse de cohérence, présentée comme telle

Nous entrons ici dans le registre interprétatif, et il importe de le baliser sans ambiguïté. Ce qui suit n'est pas une révélation sur les décisions internes de xAI, auxquelles nous n'avons aucun accès, mais une lecture raisonnée : une manière possible de relier la mission affichée aux choix observés. D'autres lectures sont légitimes, et nous en évoquerons.

L'hypothèse peut se formuler ainsi. Si une entreprise se donne pour cap de « comprendre la nature de l'univers » et d'« accélérer la découverte scientifique », alors on s'attendrait à ce qu'elle privilégie certaines directions techniques plutôt que d'autres. On peut lire les faits rapportés plus haut comme compatibles avec cette attente — ce qui n'est pas la même chose que d'en faire la cause.

• Le raisonnement plutôt que la seule conversation. Comprendre l'univers relève d'abord d'une aptitude à raisonner : poser des hypothèses, enchaîner des déductions, manipuler des structures formelles. On peut lire l'accent mis, dès Grok 3, sur les capacités de raisonnement comme cohérent avec un tel cap. Cela reste une lecture : le raisonnement est aussi recherché par tous les grands acteurs, pour des raisons commerciales évidentes.
• Le choix des terrains d'évaluation. Se mesurer sur des tests de mathématiques de compétition, de sciences de niveau doctoral et sur des épreuves conçues comme les plus ardues possibles, cela suggère une priorité donnée à la difficulté scientifique. Une interprétation possible : ces terrains sont ceux que l'on privilégierait si l'on visait un outil d'aide à la découverte. Une autre, tout aussi valable : ce sont les terrains où l'on cherche à démontrer une supériorité technique, indépendamment de toute mission cosmologique.
• L'ampleur du calcul. Un pari sur l'échelle est cohérent avec une ambition scientifique de long terme, où l'on suppose que des capacités de raisonnement plus poussées émergeront d'un entraînement plus massif. Mais il est tout aussi cohérent avec une stratégie de course concurrentielle, où la puissance de calcul est simplement le nerf de la rivalité entre laboratoires.

On mesure ici la limite de l'exercice. Chacun des faits admet au moins deux lectures : l'une reliée à la mission affichée, l'autre relevant de dynamiques concurrentielles ordinaires. La cohérence avec la mission existe, mais elle ne s'impose pas ; elle coexiste avec des explications plus prosaïques. C'est pourquoi nous parlons d'hypothèse, et non de démonstration.

Ce que la lecture n'autorise pas à dire

Il faut être clair sur les inférences interdites. Nous ne prétendons pas que la mission a causé tel choix technique : nous ignorons les délibérations réelles. Nous ne prétendons pas non plus que ces choix seraient uniques à xAI : le raisonnement, les tests scientifiques et l'échelle de calcul sont des préoccupations partagées par l'ensemble du secteur. Enfin, nous ne prétendons pas que la mission serait un pur habillage : rien ne permet de l'affirmer, et le soupçon systématique serait aussi peu rigoureux que la crédulité. La posture honnête consiste à constater une compatibilité entre discours et actes, sans la surinterpréter.

Une compatibilité n'est pas une causalité. Que les faits observés s'accordent avec la mission affichée les rend cohérents, non déterminés par elle. Reconnaître cette nuance, c'est refuser le confort du récit rétrospectif.

Mise en perspective : xAI parmi d'autres approches

Une lecture d'entreprise gagne toujours à être resituée dans son paysage. Comparer, non pour classer, mais pour mieux cerner ce qui distingue une approche, éclaire souvent davantage que l'examen isolé. xAI n'est pas le seul acteur à articuler une ambition scientifique et une pratique industrielle de l'IA, et les rapprochements aident à percevoir la spécificité — réelle ou seulement rhétorique — de son positionnement.

Plusieurs laboratoires majeurs affichent, sous des formulations variées, une vocation à faire progresser la science ou à construire une intelligence générale bénéfique. Certains ont mis leurs modèles au service de problèmes scientifiques précis, avec des résultats tangibles dans des domaines comme la biologie structurale. D'autres ont bâti, eux aussi, des infrastructures de calcul de très grande ampleur. La combinaison qui caractérise xAI — une mission formulée en termes explicitement cosmologiques, un accent revendiqué sur le raisonnement, et un pari assumé sur l'échelle du calcul — constitue une configuration particulière, sans être pour autant une exception radicale.

Ce qui distingue peut-être le plus xAI, sur le plan du discours, est la formulation même de sa mission. Là où d'autres parlent d'« IA bénéfique » ou d'« assistance à l'humanité », xAI place au centre une ambition de connaissance fondamentale. On peut lire ce choix rhétorique comme une manière de se positionner : non comme un fournisseur d'outils, mais comme un acteur de la recherche. Reste que la frontière entre positionnement et programme réel est justement ce que l'observateur extérieur peine à trancher — et qu'il doit se garder de trancher trop vite.

Le pari sur l'échelle, entre conviction et concurrence

Le choix d'investir dans une infrastructure de calcul démesurée mérite qu'on examine ses lectures possibles, tant il est central dans la stratégie des laboratoires d'IA. Une première interprétation relie ce pari à la mission : si l'on suppose que des capacités de raisonnement supérieures émergent d'un entraînement à très grande échelle, alors accumuler de la puissance de calcul devient un moyen rationnel de se rapprocher d'un outil scientifique performant. Dans cette lecture, le centre de calcul de Memphis serait l'expression matérielle d'une conviction sur la voie à suivre.

Une seconde interprétation, tout aussi défendable, y voit d'abord une réponse à la rivalité entre acteurs. Dans un secteur où plusieurs laboratoires se disputent la primauté technique, disposer d'une capacité de calcul de premier plan est une condition pour rester dans la course, indépendamment de toute finalité cosmologique. La puissance de calcul est ici le nerf de la rivalité : celui qui en manque décroche, quel que soit son discours. Les deux lectures ne s'excluent d'ailleurs pas — une même décision peut servir simultanément une conviction de fond et un impératif concurrentiel.

Ce qui rend ce choix difficile à interpréter univoquement, c'est précisément qu'il est surdéterminé : trop de raisons plausibles convergent vers la même décision pour qu'on puisse en isoler une comme cause principale. C'est une situation fréquente en analyse stratégique, et elle appelle la modestie. Constater que l'infrastructure est cohérente avec la mission ne dit pas qu'elle en procède ; elle serait tout aussi présente sous une autre mission, ou sous aucune.

Le risque symétrique de la surinterprétation

Deux écueils guettent l'analyste, et il vaut la peine de les nommer. Le premier est la crédulité : prendre la mission pour argent comptant et lire chaque produit comme une étape vers le grand dessein. Le second, symétrique, est le cynisme : traiter la mission comme un simple exercice de communication et nier toute cohérence. Ces deux postures ont en commun de trancher une question qui ne peut l'être depuis l'extérieur. La voie étroite consiste à décrire les faits, à proposer une lecture, et à en marquer les limites — ce qui est moins spectaculaire, mais plus solide.

Le cas des annonces prospectives : redoubler de prudence

Un mot s'impose sur les déclarations tournées vers l'avenir, qui abondent dans ce secteur et appellent une vigilance renforcée. Elon Musk a, à diverses reprises, formulé des attentes ambitieuses quant aux capacités futures de ses systèmes — jusqu'à évoquer la possibilité de découvertes scientifiques inédites à des horizons rapprochés. De telles annonces relèvent d'un registre bien distinct des faits établis.

Une déclaration d'intention sur l'avenir n'est ni vraie ni fausse au moment où elle est prononcée : elle est un pari, une projection, parfois un instrument de mobilisation ou de communication. La traiter comme un fait acquis serait une faute méthodologique. Nous la mentionnons donc pour ce qu'elle est — un élément du discours de l'entreprise — sans lui accorder le statut des dates de sortie ou des scores publiés. Le lecteur avisé rangera ces promesses dans la catégorie des hypothèses à vérifier à l'épreuve du temps, et non dans celle des acquis.

Une prédiction ambitieuse n'est pas une réalisation. La consigner comme donnée reviendrait à confondre l'horizon avec le chemin déjà parcouru — précisément le glissement que cet article s'efforce d'éviter.

Ce qu'on peut en retenir, sans trancher

Au terme de ce parcours, il serait tentant de conclure par une formule définitive. Ce serait trahir la méthode suivie jusqu'ici. Résumons plutôt ce que l'analyse permet — et ce qu'elle ne permet pas — d'affirmer.

Du côté des faits, plusieurs choses sont solidement établies. xAI affiche depuis 2023 une mission de compréhension de l'univers, qu'elle traduit en objectif d'accélération de la découverte scientifique. Elle a livré une famille de modèles orientés vers le raisonnement, en communiquant sur des tests à forte teneur scientifique et mathématique. Elle a construit une infrastructure de calcul de très grande ampleur. Ces éléments ne prêtent pas à discussion : ils sont datés, chiffrés, documentés.

Du côté de la lecture, une hypothèse de cohérence se dégage : ces choix concrets sont compatibles avec la mission affichée, sans qu'on puisse démontrer qu'ils en découlent. Le raisonnement, les terrains d'évaluation retenus et le pari sur l'échelle peuvent se lire à travers le prisme du cap cosmologique — mais chacun admet aussi une explication concurrentielle plus ordinaire. La cohérence existe ; elle n'est pas exclusive.

La leçon la plus utile de ce cas dépasse peut-être xAI elle-même. Elle porte sur la manière d'analyser les entreprises de l'IA en général. Face à une mission spectaculaire, l'observateur doit résister à deux tentations opposées : l'adhésion enthousiaste qui prend le discours pour la réalité, et le soupçon réflexe qui n'y voit que du vent. Entre les deux, il reste un espace exigeant, celui de la description prudente — établir les faits, proposer des lectures, en signaler les limites. C'est dans cet espace que se tient l'analyse rigoureuse, et c'est là que nous avons tenté de rester.

Une dernière remarque, pour finir sur une note ouverte. La valeur d'une mission affichée ne se juge pas seulement à sa grandeur, mais à la manière dont elle éclaire — ou non — les décisions au fil du temps. Le cap de xAI est ambitieux ; il ne prendra son sens qu'à l'épreuve des années, dans la cohérence, ou l'écart, entre ce qui est dit et ce qui est fait. L'analyste patient trouvera là un objet d'observation durable, à condition de garder sa boussole : ne jamais confondre l'ambition proclamée avec la trajectoire accomplie.

Sources

• Euronews — « Elon Musk's AI company xAI aiming to "understand the true nature of the universe" » (2023)
• xAI — Page « Company » (mission : accélérer la découverte scientifique)
• Wikipedia — « Grok (chatbot) » (dates de sortie et tests de Grok 3 / Grok 4)
• xAI — Annonce officielle de Grok 4 (9 juillet 2025)
• Scientific American — « Elon Musk's New Grok 4 Takes on "Humanity's Last Exam" » (2025)
• Wikipedia — « Colossus (supercomputer) » (Memphis, GPU, chronologie)
• Nvidia Newsroom — Réseau Spectrum-X pour le supercalculateur Colossus de xAI