La plupart des discussions sur l’intelligence artificielle commencent aujourd’hui par les grands modèles de langage. On compare leur capacité de raisonnement, leurs aptitudes en programmation et leurs résultats aux benchmarks. Chaque nouvelle version attire l’attention, car les modèles de langage sont devenus utiles dans de nombreux domaines du logiciel et du travail.
Mais regarder l’IA uniquement à travers les modèles de langage nous en donne une image incomplète.
Partout en Chine, des chercheurs travaillent sur d’autres problèmes : prévoir le temps, mener des expériences en laboratoire, découvrir de futurs médicaments, apprendre à des robots à manipuler des objets physiques et explorer de nouvelles façons de concevoir des systèmes de calcul. Certains projets utilisent des modèles de langage comme composants. D’autres reposent sur des techniques entièrement différentes.
La question intéressante n’est pas de savoir si ces avancées prouvent qu’un pays en devance un autre. C’est de savoir ce que les chercheurs ont réellement démontré, comment leurs résultats ont été testés et où se situent encore les limites.
Prévoir le temps sans passer par les calculs habituels
La prévision météorologique traditionnelle s’appuie sur des modèles numériques qui calculent l’évolution des conditions atmosphériques à partir d’équations physiques. Ils exigent une puissance de calcul considérable. La prévision par l’IA emprunte une autre voie : les modèles apprennent des régularités dans les données atmosphériques historiques et s’en servent pour prédire les conditions futures. Une fois entraînés, certains systèmes peuvent produire des prévisions rapidement, même si l’entraînement et l’infrastructure opérationnelle restent coûteux.
Image : MODIS Land Rapid Response Team, NASA GSFC, domaine public, via Wikimedia Commons
En 2023, des chercheurs de Huawei Cloud ont présenté Pangu-Weather dans Nature. Le système utilisait une architecture de réseau de neurones tridimensionnelle pour représenter l’information atmosphérique à différentes altitudes. Ses auteurs ont fait état de prévisions à moyen terme compétitives et d’une génération rapide des prévisions dans leurs conditions expérimentales. Source : Nature. Code officiel : dépôt GitHub, public, sans fichier de licence, et donc cité à titre de référence uniquement.
D’autres collaborations de recherche chinoises ont mis au point FengWu et FuXi. Leurs approches différaient : FuXi organisait la prévision en étapes optimisées pour différentes échéances, tandis que FengWu combinait l’information de plusieurs variables atmosphériques. Il s’agissait de stratégies techniques concurrentes, et non d’une méthode unique.
Que s’est-il passé lorsque des chercheurs les ont comparés dans les mêmes conditions ?
Une étude de 2024 publiée dans npj Climate and Atmospheric Science a évalué Pangu-Weather, FengWu, FuXi, GraphCast de Google et FourCastNet v2 de NVIDIA sur l’Asie de l’Est et l’ouest du Pacifique Nord. Avec les conditions initiales communes de l’étude, FengWu a obtenu les meilleurs résultats sur ses principales mesures de prévision atmosphérique, devant FuXi puis GraphCast. Pangu-Weather se classait plus bas parmi les cinq. Les résultats variaient aussi selon la tâche. Pour les typhons étudiés, FengWu prévoyait bien la trajectoire des tempêtes, mais présentait les plus fortes erreurs sur leur intensité parmi les modèles comparés. Source : comparaison indépendante.
| Modèle | Résultat global (mêmes conditions de départ) | Trajectoire des typhons | Intensité des typhons |
|---|---|---|---|
| FengWu | Meilleur sur les principales mesures atmosphériques | Bonnes performances | Plus fortes erreurs d’intensité parmi les modèles comparés |
| FuXi | Deuxième, derrière FengWu | Non indiqué dans les sources consultées | Non indiqué dans les sources consultées |
| GraphCast | Troisième, derrière FuXi | Non indiqué dans les sources consultées | Non indiqué dans les sources consultées |
| FourCastNet v2 et Pangu-Weather | Classés plus bas | Non indiqué dans les sources consultées | Non indiqué dans les sources consultées |
Cette différence compte. Prévoir où une tempête va se diriger n’est pas la même chose que prévoir quelle puissance elle atteindra.
En 2026, le Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT, ou ECMWF en anglais) a cessé de faire fonctionner en temps réel plusieurs anciens modèles externes de prévision par IA, dont Pangu-Weather. Cette décision reflétait l’évolution de son programme opérationnel et l’intérêt de maintenir ces modèles plus anciens. Elle n’efface pas leurs contributions à la recherche. Source : ECMWF.
L’acquis ici n’est pas un classement définitif. Des chercheurs chinois ont contribué à mettre au point des méthodes que l’on a pu évaluer par rapport aux conditions atmosphériques observées et que des équipes météorologiques indépendantes ont pu comparer. Cela donne une image du progrès plus parlante qu’un benchmark mis en avant dans les gros titres.
Quand l’IA entre au laboratoire scientifique
La recherche scientifique ne se limite pas à proposer une réponse. Les chercheurs préparent des matériaux, font fonctionner des équipements, mesurent des résultats et s’appuient sur ces mesures pour décider de la suite de leurs travaux. Certains groupes de recherche chinois relient ces étapes au moyen de systèmes expérimentaux assistés par l’IA.
Image : National Institute of Allergy and Infectious Diseases, domaine public, via Wikimedia Commons
En 2022, des chercheurs rattachés à l’Université des sciences et technologies de Chine ont présenté AI-Chemist. Leur système reliait une planification informatique à des équipements robotisés répartis sur 14 postes de laboratoire, utilisés pour des activités telles que la synthèse, la caractérisation et les tests de performance. L’apport important tenait au lien entre décisions logicielles et expériences physiques, et pas simplement à la capacité de décrire une expérience avec des mots. Source : recherche publiée.
Alternative textuelle accessible pour cette figure
Version texte du schéma. Le cycle comporte quatre étapes. 1. Planifier : des logiciels et des agents à base de modèles de langage proposent l’expérience suivante. 2. Exécuter : un poste robotisé réalise la synthèse. 3. Mesurer : des tests de caractérisation et de performance sont effectués. 4. Décider : les résultats choisissent l’expérience suivante, et le cycle recommence.
La démonstration avait ses limites. Elle fonctionnait avec les outils disponibles dans le laboratoire et dans le cadre de protocoles expérimentaux définis. Elle n’a pas établi qu’une machine pouvait résoudre de manière autonome n’importe quel problème scientifique.
Un exemple plus récent est MARS, issu de travaux menés par les Instituts de technologie avancée de Shenzhen, qui font partie de l’Académie chinoise des sciences, avec des collaborateurs. Le projet publié décrit 19 agents spécialisés à base de modèles de langage, 16 outils de recherche et des opérations de laboratoire robotisées. Les agents aident à coordonner la planification, l’analyse et l’exécution, tandis que les mesures expérimentales orientent les étapes suivantes. Ses chercheurs ont fait état de résultats portant sur des matériaux pérovskites, dont une optimisation obtenue en une série limitée d’expériences. Source : article publié dans Matter.
MARS soulève une question utile : s’agit-il de recherche en IA au-delà des LLM alors qu’il utilise des modèles de langage ? Oui, à condition d’être clair sur la distinction. Les modèles de langage font partie du système, mais la finalité du système est un travail expérimental qui fait appel à des outils spécialisés et à des équipements physiques. Au-delà des LLM ne veut pas dire sans LLM. Cela veut dire regarder au-delà des performances conversationnelles, vers les tâches que ces systèmes soutiennent.
Le prochain article de cette série examinera plus en détail les laboratoires autonomes, y compris les problèmes de fiabilité et de reproductibilité qui subsistent.
Ce que l’IA apporte au développement de médicaments
La découverte de médicaments fait intervenir un autre type de preuves. L’IA peut aider les chercheurs à identifier des cibles biologiques et des structures moléculaires prometteuses, mais un candidat généré par ordinateur est encore loin d’être un médicament. Les tests en laboratoire, la recherche préclinique et les essais chez l’humain restent indispensables.
Le rentosertib, un traitement expérimental de la fibrose pulmonaire idiopathique, illustre ce parcours. Il a été développé par Insilico Medicine, une entreprise internationale de biotechnologie qui mène d’importantes activités de recherche et cliniques en Chine. Il serait inexact de présenter ce programme comme une découverte faite exclusivement par un laboratoire chinois.
Un essai randomisé de phase 2a, publié dans Nature Medicine en 2025, a inclus 71 participants répartis sur 21 sites en Chine. Il portait principalement sur la sécurité et la tolérance sur 12 semaines. L’évolution de la fonction pulmonaire figurait parmi les critères secondaires. Les chercheurs ont fait état de signaux encourageants dans certains groupes, mais la petite taille de l’échantillon, le suivi court, les événements indésirables et les arrêts de traitement limitent ce que ces résultats permettent d’établir. Source : étude clinique.
Le 10 septembre 2026, Insilico Medicine a annoncé l’administration de la première dose au premier participant de son essai de phase 3 GENESIS-IPF-3, plus vaste et d’une durée de 52 semaines. Il s’agit d’une étape importante du développement, pas d’un résultat de phase 3 positif ni d’une autorisation réglementaire. Source : annonce de l’entreprise.
| Étape | Ce que l’on sait | Statut |
|---|---|---|
| Découverte | L’IA a aidé à identifier une cible biologique et une molécule candidate. Un candidat n’est pas encore un médicament. | Achevée dans le cadre du programme |
| Phase 2a (randomisée, publiée en 2025) | 71 participants sur 21 sites en Chine. Objectif principal : sécurité et tolérance sur 12 semaines. L’évolution de la fonction pulmonaire était un critère secondaire. | Publiée. Étude courte, de petite taille |
| Phase 3 (GENESIS-IPF-3) | Essai de 52 semaines. Première dose administrée au premier participant le 10 septembre 2026. L’entreprise annonce 320 participants prévus dans 47 centres en Chine. | En cours. Aucun résultat d’efficacité communiqué |
| Autorisation réglementaire | Aucune | Non autorisé |
Cet exemple ne prouve pas que les médicaments conçus par l’IA soient en général meilleurs que ceux mis au point par d’autres méthodes. Il montre que la découverte assistée par l’IA peut s’inscrire dans un programme qui progresse jusqu’aux essais cliniques contrôlés, où ce sont les preuves biologiques et médicales, et non l’origine de la technologie, qui doivent déterminer l’issue.
Apprendre aux robots par des exemples physiques
Les robots se heurtent à des problèmes que le texte seul ne peut pas enseigner. Une machine doit apprendre ce qui se passe quand des objets sont saisis, soulevés, déplacés ou posés dans des conditions variables.
Le développeur chinois de robotique AgiBot a présenté AgiBot World, un jeu de données de recherche décrit comme contenant plus d’un million de trajectoires de robots enregistrées, couvrant 217 tâches. Chaque trajectoire capture les observations et les actions associées à une manipulation physique. Source : article sur AgiBot World.
Il s’agit d’une infrastructure d’entraînement utile, mais la taille d’un jeu de données ne mesure pas l’intelligence robotique généraliste. Ce qui compte, c’est de savoir si des modèles entraînés sur ce type de données peuvent fonctionner de manière fiable face à des objets inconnus et à des conditions changeantes. Nous examinerons cette question, ainsi que les résultats obtenus sur du matériel réel, dans l’article 3.
Une autre approche du calcul pour l’IA
Image : DARPA SyNAPSE, domaine public, via Wikimedia Commons
À l’université du Zhejiang, le programme Darwin explore le calcul neuromorphique : des architectures inspirées de certains aspects de la signalisation neuronale biologique. Son système Darwin Monkey combinerait, selon les informations publiées, 960 puces Darwin3 pour prendre en charge de grandes simulations de réseaux de neurones à impulsions. Source : université du Zhejiang.
C’est une architecture de recherche importante, pas la preuve d’une intelligence comparable à celle de l’humain. Le nombre de neurones simulés n’établit pas une supériorité sur les accélérateurs classiques. Des comparaisons utiles exigent des charges de travail équivalentes et des mesures de précision et d’énergie. L’article 4 examinera ce que le calcul neuromorphique peut offrir et ce qu’il ne peut pas offrir.
De la recherche aux usages concrets
Le paysage de la recherche ne se limite pas aux universités. Des industriels chinois indiquent également déployer l’IA pour des tâches industrielles précises. CITIC Dicastal, par exemple, a décrit une inspection par rayons X assistée par l’IA pour détecter les défauts dans la production de jantes automobiles. Il s’agit d’une application concrète de la vision par ordinateur à un procédé de fabrication établi. Les gains de productivité annoncés doivent toutefois être considérés comme des affirmations de l’entreprise, tant qu’ils ne sont pas étayés par des mesures indépendantes et comparables.
Ces exemples montrent différentes formes de progrès. Les modèles météorologiques peuvent être évalués par rapport aux observations. Les systèmes de laboratoire doivent produire des résultats expérimentaux. Les candidats médicaments exigent des preuves cliniques. Les robots doivent faire leurs preuves sur du matériel physique. Les systèmes de calcul alternatifs doivent démontrer leurs avantages sur des charges de travail comparables.
Ces travaux proviennent aussi de différents types d’institutions : universités, instituts liés à l’État, entreprises et collaborations internationales. Les présenter tous comme un seul effort national coordonné masquerait qui a développé quoi et la manière dont chaque contribution doit être jugée.
Ce que cette recherche établit est plus intéressant qu’une compétition entre classements nationaux. Les chercheurs chinois et les équipes liées à la Chine ont apporté des contributions substantielles dans plusieurs domaines techniques, mais leurs réalisations se situent à des niveaux de maturité différents. Certaines sont évaluées de manière indépendante. D’autres restent des expériences circonscrites ou des capacités annoncées par les institutions elles-mêmes.
Le progrès de l’IA ne se limite pas à ce que les modèles peuvent nous dire. Il comprend aussi ce qu’ils peuvent prédire, découvrir et aider à accomplir, ainsi que les preuves qui montrent si ces capacités fonctionnent.
Sources et lectures complémentaires
- Pangu-Weather : Nature (2023).
- Comparaison indépendante de cinq modèles météorologiques d’IA : npj Climate and Atmospheric Science (2024).
- ECMWF : Farewell to the external AI models (2026).
- AI-Chemist : étude publiée (2022).
- MARS : recherche publiée dans Matter.
- Rentosertib, phase 2a : Nature Medicine (2025).
- Lancement de la phase 3 GENESIS-IPF-3 : Insilico Medicine (2026).
- AgiBot World Colosseo : prépublication de recherche (2025).
- Série Darwin : université du Zhejiang (2026).