La recherche chinoise en IA entre au laboratoire
L’essentiel de l’attention portée au développement de l’intelligence artificielle en Chine se concentre sur les modèles de langage, les entreprises technologiques et la concurrence avec les fournisseurs d’IA internationaux.
Pourtant, certains instituts de recherche du pays appliquent l’IA à un tout autre défi : l’expérimentation scientifique.
Mettre au point un nouveau matériau suppose souvent d’explorer des centaines de combinaisons possibles. Chaque candidat doit être préparé, testé et mesuré avant que les chercheurs puissent déterminer s’il est utile.
Les scientifiques ne peuvent pas tout tester. Ils doivent choisir où concentrer leurs efforts.
Pour les aider dans cette démarche, des chercheurs chinois développent des laboratoires qui relient l’IA à des équipements robotisés. Un logiciel peut examiner les résultats antérieurs et proposer des expériences prometteuses, tandis que des machines préparent les matériaux et réalisent les tests.
L’idée n’est pas de remplacer les scientifiques, mais de rendre certaines étapes du processus expérimental plus coordonnées et plus efficaces.
Les travaux de l’Université des sciences et technologies de Chine (USTC) et de l’Académie chinoise des sciences offrent plusieurs exemples de la manière dont cette approche se développe.
AI-Chemist de l’USTC : relier l’IA aux expériences physiques
En 2022, des chercheurs de l’USTC et d’établissements partenaires ont présenté AI-Chemist, un système qui associe un logiciel d’IA, un robot mobile et 14 postes de travail de laboratoire automatisés.
Image : Maggie Bartlett, National Human Genome Research Institute, domaine public, via Wikimedia Commons
Différents postes préparaient les produits chimiques, réalisaient les expériences et mesuraient les résultats. Le robot transportait les échantillons d’un instrument à l’autre.
L’avancée notable tenait à la façon dont ces activités s’articulaient entre elles.
Au lieu de se contenter de suivre une séquence d’instructions figée, le système pouvait s’appuyer sur des mesures expérimentales et des modèles de calcul pour aider à déterminer ce qu’il fallait tester ensuite.
Lors d’une démonstration, les chercheurs ont étudié des combinaisons de métaux pour une réaction chimique importante en électrochimie.
Ils ont commencé par 207 expériences physiques. Les mesures obtenues ont aidé le système à repérer d’autres combinaisons prometteuses sans tester toutes les possibilités.
Les chercheurs ont aussi fait la démonstration du laboratoire sur des composés fluorescents et sur des matériaux qui favorisent des réactions utilisant la lumière.
Ces expériences ont montré qu’une planification assistée par l’IA pouvait être reliée à plusieurs types d’investigation chimique au sein d’une même plateforme de laboratoire.
| Aspect | Ce qui est rapporté | Limite |
|---|---|---|
| Installation | Un robot mobile et 14 postes automatisés pour la synthèse, la caractérisation et les tests de performance | Les flux de travail étaient définis au sein du laboratoire |
| Première étude | 207 expériences sur cinq métaux non précieux, exécutées par le robot | Centrée sur une seule réaction liée à l’électrochimie |
| Démonstrations | Composés fluorescents et matériaux qui favorisent des réactions induites par la lumière | Résultats issus du propre laboratoire des auteurs |
| Capacité clé | Les mesures ont aidé à choisir les expériences suivantes | Ne prouve pas que toute tâche de chimie peut être automatisée |
Les résultats provenaient de l’environnement expérimental propre aux chercheurs. Ils n’établissaient pas qu’AI-Chemist pouvait mener tout type de recherche chimique.
Le projet a néanmoins démontré une capacité importante : utiliser les informations tirées d’expériences réelles pour aider à orienter les travaux de laboratoire suivants.
Source : An All-Round AI-Chemist with a Scientific Mind, National Science Review, 2022
De Hefei à Mars : une expérience inhabituelle
L’équipe de recherche de l’USTC a ensuite appliqué cette approche à un problème plus inhabituel.
En 2023, les chercheurs ont publié dans Nature Synthesis une étude décrivant comment leur chimiste IA robotisé avait aidé à mettre au point un catalyseur à partir de météorites martiennes.
Un catalyseur est un matériau qui rend une réaction chimique plus facile ou plus efficace.
Les chercheurs étudiaient des catalyseurs susceptibles de favoriser la production d’oxygène à partir d’eau.
Une telle technologie pourrait à terme intéresser l’exploration spatiale, où produire sur place des ressources utiles pourrait réduire la nécessité de tout transporter depuis la Terre.
L’équipe a combiné des calculs assistés par l’IA et des expériences en laboratoire pour explorer des millions de combinaisons de matériaux possibles.
Le système a aidé à sélectionner un catalyseur, qui a ensuite été préparé et testé.
Image : NASA, domaine public, via Wikimedia Commons
L’expérience s’est déroulée sur Terre, à partir de météorites martiennes. Elle n’impliquait pas l’exploitation d’un laboratoire sur Mars et ne démontrait pas un système complet de production d’oxygène prêt pour une mission spatiale.
| Question | Réponse | Limite |
|---|---|---|
| Où l’expérience a-t-elle eu lieu ? | Sur Terre, à partir de météorites martiennes | Pas un laboratoire sur Mars |
| Qu’a-t-on exploré ? | Des millions de combinaisons de matériaux possibles, selon l’article | Toutes les combinaisons n’ont pas été testées en laboratoire |
| Qu’a-t-on produit ? | Un catalyseur producteur d’oxygène, sélectionné grâce à des calculs assistés par l’IA et testé en laboratoire | Pas un système d’oxygène complet pour une mission |
| Pourquoi c’est important | Produire sur place des ressources utiles pourrait réduire ce qu’il faut emporter depuis la Terre | Un intérêt futur, pas une capacité démontrée en mission |
Ce qui rend ces travaux remarquables, c’est le problème scientifique auquel ils s’attaquaient.
Les chercheurs ont utilisé l’IA et des expériences robotisées pour étudier un grand nombre de possibilités de matériaux qu’il aurait été irréaliste de tester une à une.
Ils ont ainsi montré que leur approche de laboratoire pouvait s’appliquer, au-delà des tests chimiques de routine, à un défi spécialisé de développement de matériaux.
MARS, à Shenzhen : des agents d’IA dans la recherche sur les matériaux
Une autre avancée est venue des Instituts de technologie avancée de Shenzhen, qui font partie de l’Académie chinoise des sciences.
En janvier 2026, des chercheurs réunis sous la direction de l’institut et d’établissements partenaires ont décrit un système baptisé MARS.
Là où AI-Chemist reliait des modèles de calcul à des équipements robotisés, MARS a exploré la manière dont plusieurs agents d’IA pouvaient coordonner différentes étapes du travail scientifique.
| Groupe d’agents | Rôle |
|---|---|
| Orchestrateur | Coordonne les autres groupes |
| Scientifique | Recherche les connaissances et conçoit des solutions |
| Ingénieur | Transforme les conceptions en protocoles expérimentaux |
| Exécutant | Pilote les équipements robotisés |
| Analyste | Interprète les données et planifie l’optimisation |
Certains agents examinaient les recherches existantes et aidaient à planifier les expériences. D’autres convertissaient ces plans en instructions pour les équipements de laboratoire ou analysaient les résultats.
Les chercheurs ont fait la démonstration du système sur des pérovskites, des matériaux étudiés pour des applications qui incluent notamment les cellules solaires et l’électronique.
Image : Kttimliu, CC BY-SA 4.0, via Wikimedia Commons (licence)
Certaines pérovskites sont sensibles à l’humidité, ce qui fait de leur stabilité un enjeu de recherche important.
Lors d’une expérience, MARS a aidé à améliorer la préparation de nanocristaux de pérovskite en dix cycles expérimentaux.
Lors d’une autre, il a aidé à mettre au point une structure protectrice destinée à améliorer la résistance d’un matériau à l’eau.
Les chercheurs indiquent avoir mené à bien ce processus de conception précis en 3,5 heures environ.
Ce chiffre provient du propre compte rendu de l’équipe de recherche. Aucune reproduction indépendante de l’amélioration annoncée n’a été établie.
L’apport important réside dans la connexion entre agents d’IA, outils scientifiques et expérimentation robotisée.
MARS utilise des modèles de langage, mais son objectif n’est pas de produire de meilleures réponses conversationnelles. Les modèles aident à coordonner un travail qui doit, en fin de compte, être vérifié par des expériences physiques.
Une orientation de recherche en essor, pas une expérience isolée
Ces projets s’inscrivent dans une activité plus large au sein de la communauté scientifique chinoise.
Un article de perspective publié en 2025 dans Digital Discovery a passé en revue plusieurs avancées chinoises en matière de laboratoires autonomes, notamment des systèmes de synthèse chimique, de préparation de matériaux et de tests expérimentaux.
Certains projets visaient à relier des équipements robotisés à des méthodes de calcul. D’autres étudiaient comment l’IA pouvait aider à interpréter l’information scientifique et à coordonner les expériences.
Cette revue atteste d’une activité qui dépasse AI-Chemist et MARS, même si elle ne valide pas de manière indépendante les performances de chacun des systèmes évoqués.
La Chine n’est d’ailleurs pas seule à développer des laboratoires autonomes.
Des chercheurs d’autres pays ont démontré des approches comparables, qui associent apprentissage automatique et automatisation de laboratoire.
L’intérêt des travaux chinois ne tient donc pas à ce que la Chine aurait inventé ce domaine, mais à ce que ses universités et instituts de recherche apportent des systèmes expérimentaux concrets dans plusieurs domaines de la chimie et de la science des matériaux.
Des démonstrations de recherche aux laboratoires fiables
Les expériences publiées établissent que des équipes de recherche chinoises ont relié des décisions assistées par l’IA à un travail de laboratoire physique.
Mais faire la démonstration d’un système dans un laboratoire est une chose ; le rendre fiable dans de nombreux environnements de recherche en est une autre.
Les équipements varient d’un établissement à l’autre. Les résultats expérimentaux peuvent dépendre des méthodes de préparation, des températures, des réglages des instruments et d’autres conditions.
Un laboratoire qui parvient à mettre au point un matériau doit aussi produire des traces écrites permettant à d’autres chercheurs d’examiner et de reproduire le résultat.
La sécurité constitue un autre défi.
Une expérience chimique ne peut pas être lancée au seul motif qu’un modèle d’IA la recommande. Les limites des équipements, la compatibilité chimique et une supervision adaptée restent essentielles.
Ces préoccupations ne sont pas propres à la recherche chinoise. Elles concernent les laboratoires autonomes partout dans le monde.
Pour les projets examinés ici, les éléments consultés n’établissent pas de reproduction indépendante des flux de travail expérimentaux complets.
Les résultats démontrés sont significatifs, mais il ne faut pas les confondre avec la preuve que les laboratoires automatisés sont prêts pour un usage sans restriction dans la recherche scientifique ou l’industrie.
Pourquoi les travaux chinois comptent
Les avancées de l’USTC et des Instituts de technologie avancée de Shenzhen illustrent une autre orientation de la recherche chinoise en IA.
Plutôt que de se concentrer d’abord sur des systèmes qui génèrent des réponses, ces chercheurs relient l’IA à des équipements qui produisent de nouvelles preuves expérimentales.
AI-Chemist a démontré une recherche chimique coordonnée sur plusieurs tâches. Le projet des météorites martiennes a appliqué l’approche à un problème de matériaux inhabituel. MARS a exploré la manière dont des agents d’IA pouvaient aider à gérer un flux de travail expérimental plus complexe.
Il s’agit de réalisations de recherche précises, et non de la preuve d’une adoption industrielle généralisée.
Leur portée tient à ce qu’elles montrent comment l’IA peut aider les scientifiques à explorer des possibilités qui exigeraient sinon une expérimentation manuelle considérable.
| Projet | Rôle de l’IA | Ampleur rapportée | Questions ouvertes |
|---|---|---|---|
| AI-Chemist (USTC, 2022) | Planifie les expériences suivantes à partir des mesures | 14 postes ; 207 expériences dans une étude | Reproduction dans d’autres configurations de laboratoire |
| Catalyseur issu de météorites martiennes (USTC, 2023) | Aide à sélectionner un catalyseur dans un vaste espace de recherche | Tests en laboratoire du catalyseur sélectionné, sur Terre | Production d’oxygène en conditions réelles |
| MARS (sous la direction du SIAT, 2026) | Coordonne plusieurs agents d’IA avec des robots | Optimisation de pérovskites en dix cycles ; 3,5 heures (selon le compte rendu de l’équipe) | Comparaison et reproduction indépendantes |
Les chercheurs chinois ne se contentent pas de développer une IA capable de parler de découvertes scientifiques. Ils construisent des systèmes qui participent aux expériences servant à les étudier.
Leur valeur plus large dépendra de la fiabilité de ces systèmes hors de leurs laboratoires d’origine. Pour l’instant, les travaux publiés attestent d’une capacité scientifique en développement et d’une autre orientation importante de l’activité chinoise en IA, au-delà des applications classiques des modèles de langage.
Sources et lectures complémentaires
- An All-Round AI-Chemist with a Scientific Mind, National Science Review, 2022
- Automated Synthesis of Oxygen-Producing Catalysts from Martian Meteorites by a Robotic AI Chemist, Nature Synthesis, en ligne en 2023, volume 3 (2024)
- Knowledge-Driven Autonomous Materials Research via Collaborative Multi-Agent and Robotic System, Matter, 2026
- Autonomous laboratories in China: an embodied intelligence-driven platform to accelerate chemical discovery, Digital Discovery, article de perspective, 2025
- Steering Towards Safe Self-Driving Laboratories, Nature Reviews Chemistry, 2025