RechercheMIT Technology Review · 22 avr. 2026, 00:00· 2 min de lecture

L'IA au MIT

Au MIT, l'intelligence artificielle a cessé d'être un domaine spécialisé pour devenir l'infrastructure invisible de la recherche scientifique. Sili Deng, professeure associée en génie mécanique, illustre ce basculement : arrivée en 2019 pour étudier la cinétique de combustion, elle s'est tournée vers le machine learning pendant la pandémie de covid-19, contrainte d'interrompre les rénovations de son laboratoire. Son groupe a depuis développé un "jumeau numérique" capable de modéliser en temps réel le comportement de systèmes de combustion de carburant. Zachary Cordero, professeur associé en aérospatiale, a suivi une trajectoire différente : en 2024, sur recommandation de John Hart, directeur du département de génie mécanique, il a collaboré avec Faez Ahmed, spécialiste du machine learning, sur un projet financé par la DARPA. Ensemble, ils ont conçu un outil d'IA capable d'optimiser la composition matérielle d'un "blisk", disque à aubes central dans les turbines de moteurs à réaction et de fusées, avec des retombées directes sur la fiabilité des lanceurs réutilisables lourds.

Ces cas ne sont pas des exceptions. Dans chaque département du MIT, l'IA transforme la recherche : développement de médicaments, neurosciences, métallurgie, robotique, préservation de la faune. Angela Koehler, professeure de bioingénierie et responsable du MIT HEALS, affirme que 90 % des comités de thèse auxquels elle participe comportent désormais une composante IA significative, contre une minorité cinq ans auparavant. Son propre groupe utilise des modèles d'IA pour cibler des molécules longtemps considérées comme "indruggables", comme les facteurs de transcription ou les cytokines. Ian Waitz, vice-président pour la recherche au MIT, résume : "Je ne connais pas un seul domaine de recherche ici qui n'ait pas été impacté par l'IA."

Ce déploiement massif s'inscrit dans une histoire longue : le MIT est l'un des berceaux historiques de la recherche en IA, mais la vague actuelle marque une rupture qualitative. Les outils comme le machine learning, les grands modèles de langage et les réseaux de neurones ne servent plus seulement à des projets dédiés à l'IA, ils amplifient des disciplines qui n'avaient pas, jusqu'ici, de rapport direct avec l'informatique. Le professeur Ju Li pousse la réflexion plus loin : si on accorde à l'IA l'autonomie de mener des expériences, d'échouer et d'apprendre, elle pourrait évoluer vers quelque chose de proche de l'intelligence humaine. L'enjeu n'est plus de savoir si l'IA va transformer la science, mais à quelle vitesse les institutions sauront structurer cette transformation sans en perdre le contrôle.

Cet article vous a été utile ?

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1La Tribune

Pandémies : l’IA et la modélisation au cœur de la riposte

Le projet PReVix s'impose comme l'une des initiatives scientifiques les plus ambitieuses dans la préparation aux pandémies en France. Porté par l'épidémiologiste Mircea Sofonea à Montpellier, il vise à construire un cadre scientifique et opérationnel capable de détecter et répondre de façon précoce aux futurs virus respiratoires émergents, qu'il s'agisse de nouveaux coronavirus ou de souches grippales de type H1N1. L'enjeu dépasse la simple recherche académique : il s'agit de doter les autorités sanitaires d'outils capables d'anticiper les crises avant qu'elles ne s'emballent. En combinant intelligence artificielle et modélisation épidémiologique classique, le projet cherche à combler les lacunes révélées par le COVID-19, notamment la lenteur des premières semaines de riposte et le manque de cadres décisionnels robustes face à l'incertitude. PReVix mobilise douze unités de recherche réparties sur cinq villes, Montpellier, Nîmes, Bordeaux, Paris et Rennes, formant ainsi un réseau multidisciplinaire rare dans le paysage scientifique français. Cette architecture distribuée permet de croiser les expertises en virologie, biostatistiques, épidémiologie computationnelle et apprentissage automatique pour produire des modèles plus robustes et plus rapidement déployables. À terme, l'objectif est de disposer d'une réponse proportionnée dès les premiers signaux d'alerte, évitant à la fois la sous-réaction et le sur-confinement. Ce type d'approche hybride, où l'IA affine les prédictions des modèles mécanistes traditionnels, représente une tendance de fond dans la santé publique mondiale, portée notamment par l'OMS et plusieurs agences nationales en quête de meilleurs outils de surveillance pandémique.

UELe projet PReVix, porté par douze unités de recherche françaises, vise à renforcer la capacité nationale de riposte aux pandémies grâce à l'IA.

RecherchePaper

1 source

2Amazon Science

Les agents IA ancrés dans le monde réel

En 2026, l'intelligence artificielle franchit une étape décisive : les modèles qui se contentaient de "savoir" cèdent la place à des agents capables d'"agir". Les grands modèles de fondation (Foundation Models), entraînés sur des volumes massifs de données, servent désormais de moteurs cognitifs à des agents déployés dans des environnements physiques réels, des entrepôts et usines aux hôpitaux et systèmes de transport. Amazon illustre concrètement ce virage avec le lancement de Project Eluna, un agent IA développé par les équipes Amazon Fulfillment Technology (AFT) en collaboration avec l'Université de Californie à San Diego. Hébergé dans le cloud, Eluna assiste les opérateurs de centres de traitement des commandes via des tableaux de bord numériques : il analyse en temps réel l'état des tapis roulants et des robots, anticipe les goulots d'étranglement et recommande des actions aux responsables logistiques avec un degré d'autonomie croissant. Le principal défi que ces agents doivent surmonter est celui des hallucinations. Dans un environnement virtuel, une IA peut inventer des citations ou produire des erreurs factuelles ; dans un environnement physique, les conséquences deviennent dangereuses. Si un agent propose un itinéraire robotique sans tenir compte de la masse ou de l'élan des objets déplacés, il peut mettre des humains en danger ou endommager des équipements. Pour y répondre, les chercheurs définissent quatre approches d'"ancrage" (grounding), soit l'intégration de données externes, de principes physiques et de simulations numériques dans le raisonnement du modèle. La première, l'apprentissage profond guidé par la physique (PGDL), consiste à intégrer des lois fondamentales comme la conservation de l'énergie ou les équations différentielles du mouvement directement dans la phase de préentraînement, ce qui réduit drastiquement la quantité de données nécessaires. La deuxième, baptisée UQ4CT, dote l'agent d'une conscience de ses propres incertitudes pour qu'il sache reconnaître ce qu'il ne sait pas, condition indispensable dans des contextes critiques où la surconfiance peut être fatale. Ces travaux s'inscrivent dans une dynamique industrielle plus large que l'on désigne sous le terme d'"IA physique". Pendant des années, les LLM ont démontré leur puissance dans les domaines numériques : génération de texte, code, analyse de données. Leur déploiement dans le monde matériel exige une couche supplémentaire de rigueur que les architectures actuelles n'intègrent pas nativement. Amazon, avec la superficie colossale de son réseau logistique mondial, constitue un terrain d'expérimentation idéal pour valider ces approches à grande échelle. Si les quatre piliers proposés font leurs preuves dans les entrepôts, leur portée pourrait s'étendre rapidement à d'autres secteurs industriels, de la robotique chirurgicale à la gestion des réseaux électriques, où erreur et physique ne font jamais bon ménage.

UELes techniques d'ancrage pour l'IA physique (PGDL, UQ4CT) sont directement applicables aux secteurs industriels européens, automobile, aéronautique, santé , , mais aucun acteur européen n'est impliqué dans ces travaux, ce qui souligne un retard stratégique potentiel.

RecherchePaper

1 source

3AI News

L'IA en santé doit adapter son interface au niveau d'expertise de l'utilisateur

Des chercheurs du Massachusetts Institute of Technology (MIT) et leurs collaborateurs ont publié dans la revue Nature Medicine une étude montrant que les outils d'intelligence artificielle explicable, conçus pour aider les professionnels de santé, produisent des résultats radicalement différents selon le niveau d'expertise de l'utilisateur. L'équipe, dirigée par Marzyeh Ghassemi, professeure associée au département de génie électrique et d'informatique du MIT, a testé plusieurs interfaces sur des cas de diagnostic dermatologique : une simple prédiction assortie d'un niveau de confiance, l'affichage d'images similaires, des cartes de chaleur signalant les zones d'intérêt sur l'image, et des explications rédigées en langage naturel par un grand modèle de langage. Des non-spécialistes devaient déterminer si des grains de beauté présentaient un cancer, tandis que des médecins de premier recours devaient poser un diagnostic différentiel plus complet. Résultat : chaque méthode d'explication a amélioré la précision des non-experts, notamment pour repérer les grains de beauté bénins. Un modèle conçu pour corriger les biais liés aux teintes de peau a lui aussi amélioré la précision globale tout en réduisant les écarts de diagnostic entre patients à peau claire et foncée. En revanche, les médecins de premier recours ont obtenu leurs meilleurs résultats lorsqu'ils recevaient uniquement une prédiction de l'IA, sans aucune explication associée. Cette divergence a des implications concrètes pour la conception des interfaces d'IA en santé, un secteur où ces outils assistent déjà certains cliniciens et atteignent de plus en plus directement les patients via des produits de recherche dopés à l'IA. Le gain de précision chez les non-experts s'est accompagné d'un risque : ces utilisateurs se sont montrés très dépendants des recommandations du modèle, au point qu'une prédiction erronée nuisait davantage à leurs performances qu'une prédiction correcte ne les améliorait. Les explications générées par les grands modèles de langage ont produit l'effet de déférence le plus marqué : les participants leur faisaient confiance que la réponse du modèle soit juste ou fausse, et jugeaient les explications vagues ou génériques particulièrement convaincantes. Roxana Daneshjou, professeure adjointe en science des données biomédicales et dermatologie à l'université Stanford, souligne que les patients disposant de connaissances médicales limitées sont les plus exposés à ce risque, à mesure qu'ils se tournent vers l'IA pour des questions de santé. Ces résultats interviennent alors que l'IA explicable est présentée depuis plusieurs années comme un moyen de rendre les décisions des modèles plus transparentes et vérifiables, que ce soit en surlignant les zones d'une image médicale ayant influencé un diagnostic ou en formulant un raisonnement en langage courant. Or l'étude du MIT montre que l'IA et les méthodes d'explicabilité peuvent toutes deux déclencher un biais d'automatisation chez l'humain, un effet d'ancrage que Marzyeh Ghassemi juge indispensable de prendre en compte dans la conception de ces systèmes. L'enjeu dépasse le seul cadre clinique : à mesure que des produits grand public intègrent des diagnostics assistés par IA, une explication textuelle plausible mais erronée peut sembler aussi crédible qu'une explication correcte, en particulier pour des utilisateurs sans formation médicale. La question qui se pose désormais aux concepteurs de ces systèmes est de calibrer l'aide apportée selon le public visé, plutôt que d'appliquer une interface unique à des utilisateurs aux besoins et aux vulnérabilités très différents.

RecherchePaper

1 source

4AI News

Une startup d'un milliard de dollars avec une vision différente de l'IA

Yann LeCun, ancien directeur scientifique de l'intelligence artificielle chez Meta, a fondé AMI Labs (Advanced Machine Intelligence Labs) après avoir quitté son poste fin 2025. La startup vient de lever un milliard de dollars de financement, une somme remarquable pour une équipe de seulement 12 personnes. LeCun prévoit de ne pas commercialiser de produit avant au moins cinq ans, positionnant AMI Labs comme une organisation de recherche pure. Son approche repose sur des architectures d'IA modulaires composées de plusieurs blocs spécialisés : un modèle du monde propre au domaine d'application, un acteur chargé de proposer des actions via l'apprentissage par renforcement, un module critique qui évalue ces options selon des règles fixes, un système de perception adapté au type de données traité (vidéo, texte, audio), une mémoire à court terme, et un configurateur orchestrant l'ensemble. Chaque instance serait entraînée uniquement sur des données pertinentes à son environnement, contrairement aux grands modèles de langage nourris de l'intégralité du web. Cette approche remet fondamentalement en question le paradigme dominant des LLMs comme GPT ou Claude. Là où ces modèles généralistes mobilisent des centaines de milliards de paramètres et nécessitent une infrastructure colossale pour fonctionner, les modules spécialisés d'AMI Labs pourraient se contenter de quelques centaines de millions de paramètres, voire tourner directement sur un appareil local. Le coût d'entraînement et d'inférence serait alors une fraction de celui des modèles actuels, rendant l'IA viable pour des acteurs qui ne disposent pas des ressources d'Anthropic, OpenAI, Google ou Meta. Pour les entreprises, cela ouvrirait la voie à des systèmes IA déployables en interne, sans dépendance aux grandes plateformes cloud. Le contexte donne tout son poids à cette prise de position. Les LLMs ont absorbé des ressources exponentiellement croissantes à chaque génération, et les techniques d'amélioration récentes, comme le prompting récursif des modèles de raisonnement, alourdissent encore la facture. Seuls de très grands groupes peuvent aujourd'hui se permettre de les exploiter à perte. LeCun, l'un des pères fondateurs du deep learning et lauréat du prix Turing 2018, défend depuis plusieurs années l'idée que les LLMs constituent une impasse pour atteindre une intelligence artificielle véritablement générale. Des précédents existent : les systèmes d'apprentissage automatique capables de maîtriser des jeux vidéo ou de plateau illustrent déjà la puissance des approches ciblées. Si AMI Labs parvient à ses fins, l'industrie pourrait connaître un rééquilibrage majeur, fragmentant un marché aujourd'hui dominé par une poignée d'acteurs disposant de budgets quasi illimités.

UESi l'approche modulaire d'AMI Labs aboutit, les entreprises européennes moins capitalisées pourraient déployer des systèmes IA en interne sans dépendance aux grandes plateformes cloud américaines.

RechercheOpinion

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour

Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic