Nathan Chen, 17 ans : à l'ère de l'IA, la créativité n'attend pas l'ancienneté

À 17 ans, beaucoup se voient encore demander ce qu'ils veulent faire plus tard. Nathan Chen (Guangyu Chen) a déjà participé à la recherche sur l'architecture fondamentale des grands modèles de langage. L'article « Attention Residuals », soumis le 16 mars 2026, le présente avec Yu Zhang et Jianlin Su comme l'un de ses trois co-premiers auteurs à contribution égale.[2]

Le 15 octobre, il a annoncé sur X avoir récemment quitté Kimi. Revenant sur ses travaux consacrés aux noyaux de calcul, aux résidus d'attention et aux optimiseurs, il a particulièrement remercié Yulun Du de lui avoir fait confiance et de l'avoir recruté à 16 ans. Ce message d'adieu ne révélait pas le nom de son prochain employeur.[1]

On peut bien sûr raconter cela comme une histoire d'« enfant prodige ». Mais en suivant les traces de son apprentissage et de son travail, une question mérite davantage d'attention : comment un jeune peut-il passer, en si peu de temps, du rôle de destinataire du savoir à celui de participant aux problèmes de recherche actuels ? Et comment l'IA amplifie-t-elle cette transformation ?

Illustration conceptuelle des liens entre apprentissage et collaboration ; il ne s'agit pas d'une photographie de Nathan Chen.

Parcours et traces publiques

Décrire son parcours comme une réussite « partie de zéro en quelques mois » ferait disparaître un acquis important. Son site personnel contient un article daté de 2024 consacré à un projet d'arbre de décision : il y transforme des observations du quotidien en données, tente d'entraîner un modèle prédictif et souligne lui-même le manque de rigueur dans le choix des variables et les déductions. Cette petite expérience montre une habitude : passer de l'observation aux questions, aux données et à la vérification.[12]

Son profil GitHub renvoie également vers son compte Codeforces et présente gestureX, un projet de reconnaissance de gestes. Les exercices d'algorithmique, la réalisation de projets et la recherche ultérieure sur les grands modèles sont des activités distinctes. Ces traces publiques suffisent toutefois à rappeler qu'une entrée rapide dans un nouveau domaine s'appuie souvent sur des capacités pratiques déjà acquises.[15]

Des traces publiques plus anciennes remontent même à 2023. Sa page de projets présente OpenTeens comme une communauté open source destinée aux adolescents et le cite comme co-initiateur ; le programme d'un événement open source organisé la même année le présente aussi à ce titre. Sa page mentionne également des essais de reconnaissance de gestes et de détection de déchets sur les plages. Ils témoignent d'une pratique continue de la création et de la participation à une communauté, qu'on ne peut simplement résumer à une première découverte de l'IA en 2025.[17][18]

Le hackathon pour collégiens et lycéens de février 2025 marque une autre étape. Il y a participé avec une idée liée à ThirdArm, a rencontré Kehan Dong, puis commencé à entrer en contact avec des chercheurs et des problèmes plus avancés. Durant l'été de la même année, il a effectué un stage chez Tilde Research, avant de rejoindre Kimi en novembre. En mars 2026, l'article sur AttnRes était déjà public.[2][5][6][23]

Chronologie établie à partir d'articles personnels, de publications de recherche, de documents institutionnels et de son propre message d'adieu. Les premiers contacts avec l'apprentissage automatique et l'étude approfondie des Transformers correspondent à des étapes différentes.[1][2][5][11][12][14][18][23]

L'annonce du séminaire de la classe Yao de l'université Tsinghua du 11 avril 2026 le présente avec Yu Zhang comme intervenant. Tous deux y sont décrits comme chercheurs de l'équipe Scaling de Moonshot AI et auteurs principaux d'AttnRes. Cette trace concrète d'un échange scientifique permet de comprendre que son travail fournissait déjà une matière que ses pairs pouvaient discuter.[14]

Des questions posées à l'IA à la reconnaissance des pairs

Originaire de Shenzhen, Chen utilise le prénom anglais Nathan. Il était encore lycéen lors de la publication de l'article, en mars 2026. Il avait effectué un stage chez Tilde Research à l'été 2025, puis rejoint Kimi en novembre de la même année. Son parcours avait ainsi déjà franchi plusieurs étapes qui ne se présentent souvent qu'à l'université ou pendant des études supérieures de recherche.[6][23]

Dans un récit personnel, il raconte avoir rencontré Kehan Dong après un hackathon pour collégiens et lycéens en 2025, puis avoir été mis en relation avec Jingyang Yuan, chercheur chez DeepSeek. À ses débuts, il partait des articles scientifiques, soumettait à Gemini des captures d'écran des passages qu'il ne comprenait pas et multipliait les questions. En parallèle, il lisait du code sur GitHub et des blogs de chercheurs. Pour les jugements importants, il continuait à solliciter des mentors humains.[5]

L'intérêt de cette méthode est d'apporter plus vite des réponses aux difficultés rencontrées. Une formule, une notion ou un morceau de code n'a plus besoin d'attendre le prochain cours pour être expliqué. L'apprenant peut aborder sa question sous plusieurs angles jusqu'à pouvoir poursuivre son raisonnement, passer à la pratique et vérifier.

Les explications de l'IA peuvent toujours être fausses. La compréhension doit, en définitive, résister à l'examen des articles, du code et des expériences. Les tutoriels que Chen a ensuite publiés sur Triton et FlashAttention abordent concrètement les accès à la mémoire GPU et l'implémentation des noyaux. Les lecteurs peuvent suivre son code pour examiner sa compréhension, sans devoir se contenter de son récit sur la rapidité de ses progrès.[8]

Ses traces publiques comportent aussi des détours. Dans un compte rendu d'exercice sur un optimiseur, en mai 2025, il raconte avoir utilisé l'IA pour comprendre les concepts et trouver des ressources, avant de mener des raisonnements et des expériences. À la fin de l'entraînement, il s'est pourtant rendu compte qu'il avait mal compris l'énoncé. Il a tout de même consigné le processus et les difficultés. Ce détail montre qu'apprendre plus vite n'empêche pas de se tromper, et que repérer puis expliquer ses erreurs fait aussi partie des compétences.[21]

Son apprentissage a également créé des occasions d'être découvert par ses pairs. Selon son propre récit, le partage public de ses réflexions techniques a attiré l'attention du dirigeant d'une start-up d'IA de la Silicon Valley et ouvert la voie à des échanges puis à un stage. Le projet open source MoMoE de Tilde a ensuite inscrit Nathan Chen parmi ses auteurs, laissant ainsi une trace concrète du travail collectif.[5][7]

MoMoE s'intéresse à l'implémentation des modèles de mélange d'experts, en particulier à l'efficacité mémoire et aux performances de calcul pendant l'entraînement et le réglage fin. Son sujet diffère de la combinaison d'informations entre couches étudiée ensuite par AttnRes, mais révèle une démarche proche : comprendre les algorithmes et les faire fonctionner efficacement sur le matériel. La liste des auteurs confirme sa participation au projet ; elle ne permet pas, à elle seule, d'attribuer à chacun les portions de code réalisées.[7]

Les jeunes peuvent particulièrement s'inspirer de cet aspect. Comprendre un problème, produire quelque chose qui fonctionne, puis en expliquer le cheminement permet à des inconnus d'évaluer directement votre travail. Un site personnel, des articles techniques et des contributions open source peuvent constituer autant de preuves au-delà du CV.

Ce qu'a réellement apporté le co-premier auteur

Attention Residuals, auquel Chen a participé, étudie la façon dont l'information circule et se combine entre les différentes couches des grands modèles.

Les connexions résiduelles courantes additionnent continuellement les sorties des couches précédentes. AttnRes introduit une attention le long de la profondeur du modèle, permettant aux couches ultérieures de combiner de manière sélective et pondérée les représentations antérieures. Il s'agit de la combinaison d'informations entre couches ; on ne peut pas simplement dire que le chatbot « se souvient d'une phrase plus ancienne ».[2][3]

Appliquer cette conception à un entraînement à grande échelle entraîne aussi des coûts de mémoire GPU et de communication. Dans son récit des recherches, Jianlin Su explique avoir lancé l'idée initiale et les premières expériences à petite échelle. Chen et Yu Zhang ont ensuite participé à la validation à plus grande échelle et proposé ensemble la conception Block AttnRes, qui regroupe les couches en blocs pour réduire les coûts de mise en œuvre.[4]

Schéma de principe réalisé par la rédaction : les connexions résiduelles standard accumulent les sorties, Full AttnRes sélectionne les représentations de couches antérieures, et Block AttnRes effectue cette sélection entre blocs. L'architecture complète du réseau n'est pas représentée.[2][3]

Sa contribution touchait donc à la compréhension des principes, à la conception d'une solution et à la prise en compte des contraintes d'ingénierie. Une idée prometteuse doit encore passer par l'expérimentation et l'implémentation avant d'intégrer un système réel. Les jeunes chercheurs peuvent y assumer des tâches essentielles et partager la reconnaissance des résultats avec des chercheurs expérimentés.

Selon les documents officiels du projet, dans les expériences de mise à l'échelle présentées, Block AttnRes atteint le niveau de perte de validation d'une référence qui nécessite 125 % du calcul d'entraînement utilisé par Block AttnRes. Autrement dit, atteindre ce niveau de perte demande environ 20 % de calcul en moins. Ce chiffre correspond à un cadre expérimental précis : il ne signifie pas que tous les modèles, ni la facture globale de Kimi, coûtent 20 % de moins.[3]

Block AttnRes, à la conception duquel il a participé, a par la suite été intégré à Kimi K3 ; le rapport technique décrit explicitement ce choix. La contribution dispose ainsi d'une voie pour étendre son effet : une amélioration fondamentale est réutilisée avec le système de modèles, et le travail local d'une personne peut, grâce à une équipe et à un logiciel, agir bien au-delà de son propre temps de travail. Les performances globales de K3 résultent de plusieurs techniques et travaux d'entraînement ; elles ne peuvent être attribuées entièrement à une conception ou à une personne.[11]

Son travail comprend aussi les noyaux de calcul et les optimiseurs

Dans son message d'adieu, Chen cite l'optimisation des noyaux de calcul KDA parmi ses premières tâches et évoque les nombreuses conceptions essayées avec Yu Zhang. Les noyaux permettent l'exécution des algorithmes sur le GPU ; leur efficacité dépend souvent de la manière dont les données sont consultées et réutilisées. Son travail touchait ainsi à la fois à la conception des modèles et à l'implémentation des systèmes.[1]

Le code open source fournit des traces plus détaillées. En septembre 2025, le projet FLA a intégré l'implémentation du modèle DeltaFormer qu'il avait soumise. En décembre de la même année, il a également intégré une modification fusionnant des noyaux de calcul pour la passe arrière de KDA, à laquelle Chen avait participé. Ces documents comprennent le code, la revue et le processus d'intégration. Ils permettent au public d'examiner les travaux d'ingénierie précis auxquels il a contribué.[19][20]

Il indique aussi que ses recherches sur les optimiseurs lui ont le plus appris sur la dynamique de l'entraînement. Les optimiseurs déterminent comment les paramètres sont actualisés pendant l'entraînement, une question différente de celle des connexions résiduelles. Le sommaire de son blog personnel comprend des analyses d'optimiseurs et des tutoriels d'implémentation consacrés à la multiplication de matrices, à FlashAttention et à Triton. Ces ressources montrent l'étendue de son apprentissage continu ; elles ne constituent pas toutes automatiquement des travaux originaux déjà adoptés par des modèles en production.[1][8][16]

Ces travaux concrets montrent qu'il n'est pas entré dans la liste des auteurs sur la seule force d'une intuition. Lire les articles, comprendre les implémentations, essayer des conceptions, mener des expériences, traiter les contraintes : toutes ces activités de recherche participent aux résultats. L'IA peut aider à certaines étapes, mais la qualité d'auteur et les résultats techniques engagent toujours une responsabilité sur le travail concret.

Comment l'IA rapproche les jeunes des problèmes réels

Le parcours de Chen permet de voir plusieurs évolutions liées entre elles.

La première est la densité accrue des retours pendant l'apprentissage. L'IA peut expliquer à tout moment des termes inconnus et aider à décomposer des problèmes complexes, afin que l'apprenant identifie plus vite les connaissances qui lui manquent pour avancer. Elle offre davantage d'occasions de s'exercer aux personnes qui prennent des initiatives. Que cet entraînement devienne une compétence dépend de leur capacité à continuer de vérifier, de raisonner et de pratiquer.

La deuxième est la facilité avec laquelle les résultats peuvent être examinés et découverts. Le code open source, les articles publics et les discussions techniques font porter une partie de l'évaluation sur le travail concret. Une analyse claire ou une modification étayée peut être remarquée par des personnes qui s'intéressent réellement au problème avant même que les diplômes et les titres de poste n'entrent en jeu.

Enfin, la collaboration permet d'intégrer une contribution individuelle à un système plus vaste. La recherche de pointe exige toujours de la puissance de calcul, l'expérience d'une équipe et une validation rigoureuse. Lorsque les jeunes ont accès à ces travaux, ils peuvent transformer leur apprentissage rapide en résultats techniques réutilisables.

C'est l'enchaînement de ces trois éléments qui constitue l'amplification dont nous parlons : l'IA aide à apprendre, les travaux publics mettent en relation avec les pairs, et les équipes intègrent des contributions vérifiées dans des modèles réels. La technologie, l'action individuelle et les possibilités offertes par les organisations agissent ici ensemble.

Schéma du parcours d'une contribution individuelle vers un système plus vaste ; il ne représente pas un multiplicateur uniforme d'efficacité ou d'impact qui aurait été mesuré.

Les limites de l'âge et de l'ancienneté comme indicateurs de compétence deviennent donc de plus en plus visibles dans l'évaluation des talents. Le nombre d'années de travail apporte une partie du contexte. Ce qu'une personne comprend et résout réellement, sa capacité à expliquer et à reproduire ses résultats, fournit une base plus directe.

La valeur de l'expérience doit se manifester dans la collaboration

Refuser une hiérarchie fondée sur l'ancienneté suppose aussi de prendre l'expérience au sérieux. Dans le développement de Chen, on retrouve l'accompagnement de chercheurs, les connaissances accumulées par la communauté open source et une équipe prête à lui confier de vrais problèmes. AttnRes est lui-même le fruit du travail commun de chercheurs aux expériences différentes.[4][5]

Le jugement des plus expérimentés sur les pistes qui échouent, la conception des expériences et les limites des systèmes peut épargner des détours aux jeunes. L'investissement, les questions et les explorations de ces derniers peuvent aussi apporter de nouvelles solutions à l'équipe. Lorsque ces capacités se réunissent autour d'un problème, la valeur de l'expérience se manifeste dans les résultats du travail.

Il faut également voir les conditions nécessaires à un tel parcours. L'environnement d'une école internationale, un réseau de mentors, des stages à l'étranger et les ressources d'équipes de recherche figurent tous dans l'histoire de Chen. L'IA facilite l'accès aux explications, mais elle ne donne pas automatiquement à chacun le même temps, le même soutien et les mêmes conditions d'expérimentation.[6]

Pour les écoles et les entreprises, la démarche la plus constructive consiste à multiplier les occasions de rendre les compétences visibles : proposer de petits problèmes de recherche bien définis, accepter des travaux que l'on peut examiner, fournir rapidement des retours professionnels et consigner précisément les contributions. Davantage de personnes n'ayant pas encore accumulé de titres peuvent ainsi trouver une occasion de faire leurs preuves.

Donner une place aux jeunes, c'est aussi les laisser chercher la suite

Sur son site personnel, Chen a écrit que l'initiative était un superpouvoir et que le discernement pouvait s'apprendre. Il a aussi consacré un article au risque de voir les objectifs d'audience des plateformes sociales détourner l'attention de la recherche originale, en exprimant le souhait de consacrer davantage d'énergie à des échanges substantiels.[9][10]

Ces propos donnent une dimension plus concrète à son parcours : il cherche les problèmes qui méritent son investissement et ajuste son rapport aux possibilités qui s'offrent à lui, à l'attention reçue et au travail. Sa décision de quitter un poste à 17 ans n'est qu'une étape de cette exploration.

On peut espérer beaucoup du potentiel d'un jeune tout en lui laissant l'espace nécessaire pour apprendre encore, changer de direction et se tromper. Un résultat scientifique mérite d'être évalué sérieusement, sans devenir le poids d'une obligation de produire sans cesse de nouveaux miracles.

Le changement à rechercher à l'ère de l'IA est de permettre à davantage de jeunes d'explorer une bonne question dès qu'elle leur vient et de recevoir une réponse sérieuse lorsqu'ils produisent un bon travail. Une amélioration vérifiée peut se diffuser rapidement et voir son effet amplifié par les communautés open source, les équipes de recherche et les systèmes de modèles.

Plus nous pouvons examiner directement la contribution d'une personne, moins une hiérarchie fondée sur l'ancienneté se justifie. L'histoire de Chen nous rappelle de donner des chances aux personnes capables de résoudre des problèmes, tout en permettant à celles qui grandissent encore de commencer tôt à participer au monde.