RechercheLa Tribune6sem

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

Résumé IASource uniqueImpact UE

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.

Impact France/UE

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

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

À lire aussi

1arXiv cs.RO

DIAL : découpler intention et action par modélisation latente du monde pour les VLA de bout en bout

Des chercheurs ont publié DIAL (Decoupling Intent and Action via Latent World Modeling), un nouveau cadre d'apprentissage pour les modèles Vision-Langage-Action (VLA) dédiés à la robotique. Le principe repose sur une séparation explicite entre l'intention de haut niveau et l'exécution motrice, via un goulot d'étranglement d'intention latente différentiable. Un module System-2, basé sur un grand modèle de langage visuel (VLM), génère une représentation interne de ce que le robot devrait percevoir dans le futur, une prévision visuelle latente qui encode l'intention. Un module léger System-1 traduit ensuite cette intention en actions motrices précises grâce à une dynamique inverse latente. L'entraînement se déroule en deux phases: un échauffement découplé pour stabiliser chaque module séparément, puis une optimisation conjointe de bout en bout. Sur le benchmark RoboCasa GR1 Tabletop, DIAL établit un nouvel état de l'art en nécessitant dix fois moins de démonstrations que les méthodes concurrentes. Ce gain d'efficacité est décisif dans un domaine où la collecte de données de démonstration reste coûteuse et chronophage. Réduire d'un ordre de grandeur le nombre d'exemples nécessaires change l'équation économique du déploiement de robots autonomes en environnements industriels ou domestiques. DIAL démontre également une généralisation zero-shot robuste: lors de déploiements réels sur un robot humanoïde, le système parvient à manipuler des objets et des configurations jamais rencontrés à l'entraînement, sans données supplémentaires. Cette capacité de transfert constitue l'un des verrous les plus difficiles de la robotique moderne. Le développement des VLA s'est accéléré ces deux dernières années avec l'essor des grands modèles multimodaux. La plupart des approches existantes utilisent toutefois le VLM comme simple encodeur, le connectant directement à une couche d'action, ce qui dégrade ses représentations sémantiques et introduit une instabilité à l'entraînement. DIAL corrige cette limite structurelle en exploitant pleinement les capacités de raisonnement du VLM pour la planification, tout en préservant ses connaissances pré-entraînées grâce au découplage. L'approche s'inscrit dans une tendance plus large visant à doter les robots d'une capacité à planifier avant d'agir, et pourrait accélérer l'adoption de systèmes capables de s'adapter à de nouveaux environnements sans réentraînement coûteux.

RecherchePaper

1 source

2Sciences et Avenir Tech

L'IA pour prédire la prochaine pandémie

Des chercheurs explorent l'utilisation de l'IA pour prédire les pandémies, y compris des menaces inconnues comme le coronavirus. L'approche consiste à modéliser des trajectoires potentielles sur les 200 premiers jours suivant la détection du premier cas, même sans données préexistantes sur le pathogène.

UELes systèmes de surveillance épidémiologique européens (ECDC) pourraient bénéficier de tels outils prédictifs pour anticiper les futures pandémies.

RecherchePaper

1 source

3NVIDIA Developer Blog

BioNeMo de NVIDIA : mise à l'échelle de la modélisation biomoléculaire par parallélisme de contexte

NVIDIA a annoncé une avancée majeure dans son framework BioNeMo avec l'intégration du parallélisme de contexte, une technique permettant de distribuer le traitement de longues séquences biologiques sur plusieurs GPU simultanément. Pendant des décennies, la biologie computationnelle s'était heurtée à une contrainte fondamentale : la mémoire limitée d'un seul GPU obligeait les chercheurs à fragmenter les protéines complexes en sous-unités isolées pour les modéliser. BioNeMo franchit désormais ce seuil en permettant le repliement de protéines entières et de complexes moléculaires sans découpage préalable, ce que les spécialistes appellent le repliement "zero-shot". L'impact est direct pour les laboratoires pharmaceutiques et les équipes de biologie structurale : modéliser des protéines longues ou des assemblages multi-chaînes avec précision, sans sacrifier la cohérence structurelle liée à la fragmentation artificielle. Le "fossé de contexte", cet angle mort où les grandes molécules devenaient inaccessibles aux modèles d'IA faute de mémoire, disparaît avec cette approche, ouvrant la voie à des prédictions structurelles bien plus fidèles à la réalité cellulaire. Cette évolution s'inscrit dans la course que se livrent les grands acteurs technologiques pour dominer la biologie computationnelle à l'ère de l'IA. NVIDIA positionne BioNeMo comme la plateforme de référence pour les modèles de fondation biomoléculaires, face à des concurrents comme DeepMind avec AlphaFold ou Evo de Arc Institute. Le parallélisme de contexte, déjà éprouvé dans la formation de grands modèles de langage via Megatron-LM, est ici adapté aux spécificités des séquences biologiques, signal fort que les techniques d'entraînement LLM migrent activement vers les sciences du vivant.

UELes laboratoires pharmaceutiques et instituts de recherche européens (Sanofi, Institut Pasteur, universités de médecine) pourraient bénéficier d'une modélisation protéique plus précise et sans fragmentation, accélérant potentiellement la découverte de médicaments et la recherche biomédicale.

RecherchePaper

1 source

4AI News

L'intégration de l'IA dans l'automatisation moderne du Forex

L'intégration de l'IA dans l'automatisation forex moderne transforme le secteur, passant des analysen manuelles aux décisions basées sur des prédictions. Grâce à l'IA, les systèmes automatisés gèrent plus de 70% du volume de trading forex, permettant une analyse de grands volumes de données et une exécution de transactions en millisecondes avec une précision accrue. Le marché des plateformes de trading AI devrait atteindre 631,9 millions de dollars d'ici 2035, prouvant l'influence croissante de l'IA dans ce domaine.

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