Rubrique
Publications, laboratoires et découvertes : ce que la recherche fait avancer, et ce que l’IA change pour la science. 377 articles
Des chercheurs de l’Université de Californie à Los Angeles développent un générateur d’images qui s’appuie sur l’optique plutôt que sur de lourds calculs électroniques. Son principe : employer des faisceaux laser et des modulateurs de lumière pour réaliser l’étape la plus énergivore de la diffusion, avec une puissance informatique quasi nulle.
Des chercheurs du laboratoire national Argonne utilisent l’apprentissage automatique pour sélectionner des additifs capables d’améliorer les batteries lithium-ion à haute tension. En évaluant 125 combinaisons potentielles à partir de données existantes, leur méthode pourrait éviter plusieurs mois d’essais expérimentaux.
Prédire correctement une réponse ne signifie pas nécessairement comprendre les règles qui produisent cette réponse. Des chercheurs du MIT et de l’Université Harvard proposent d’examiner le biais inductif des modèles d’IA pour déterminer s’ils construisent des représentations du monde transférables à de nouvelles situations.
Des chercheurs du MIT ont comparé un émulateur climatique fondé sur un principe physique simple à un modèle d’apprentissage profond. Leur résultat nuance l’idée selon laquelle l’IA la plus complexe est forcément la meilleure : tout dépend de la température, des précipitations et surtout de la manière dont les modèles sont évalués.
Les grands modèles de langage produisent des réponses souvent convaincantes, y compris sur des sujets scientifiques complexes. Mais une étude menée par des chercheurs du MIT et de Harvard distingue la qualité des prédictions d’une compréhension réellement généralisable du monde, notamment lorsque les situations deviennent plus complexes.
Des chercheurs ont soumis plusieurs modèles de langage à des jeux de partage de ressources. Leurs réponses varient selon qu’un partenaire social est présent ou non, une adaptation qui ressemble à l’altruisme humain sans pour autant prouver une intention, ni une empathie réelle.
Conçu à Carnegie Mellon, Allie a étudié 91 millions de parties jouées sur Lichess afin de reproduire des choix d’échecs plus proches de ceux des humains. Ce bot open source ne cherche pas seulement le meilleur coup théorique : il veut offrir un adversaire plus compréhensible, du débutant au joueur chevronné.
Une équipe de l’UNIST présente DogRecon, un système capable de reconstruire un modèle 3D de chien depuis une image unique. Son association d’IA générative, de modèles adaptés aux races et de Gaussian Splatting vise les avatars animés, la réalité augmentée et la réalité virtuelle, avec une promesse à examiner à la lumière de ses limites.
Choisir le bon solvant est une décision centrale, mais souvent longue, dans la synthèse chimique et pharmaceutique. Des chercheurs du MIT présentent FastSolv, un modèle d’apprentissage automatique entraîné sur 40 000 mesures, capable d’estimer plus précisément la solubilité de molécules dans des solvants organiques.
Les modèles linguistiques protéiques peuvent prédire des propriétés essentielles des protéines, mais leurs mécanismes internes restent difficiles à lire. Des chercheurs du MIT utilisent un autoencodeur sparse et l’assistant Claude pour identifier les informations encodées, une étape utile pour mieux choisir ces outils en biologie.
L’Institut Alan Turing, créé pour faire progresser la recherche britannique en intelligence artificielle, traverse une phase de profond doute. Une réorientation gouvernementale vers la défense et la sécurité inquiète une partie des salariés, qui redoutent à la fois un retrait de financements, une fragilisation de projets civils et une perte de crédibilité internationale.
Voir une personne dans une image est devenu courant pour l’IA. Reconstituer avec précision la position de son corps dans l’espace à partir de plusieurs caméras reste, en revanche, un défi majeur. Le modèle MV-SSM illustre les progrès possibles, tout en rappelant le rôle crucial de la calibration.
Peut-on mieux anticiper les décisions face au risque en combinant psychologie et intelligence artificielle ? Le modèle BEAST-GB avance une réponse prometteuse : il transforme des stratégies comportementales en variables exploitables par un algorithme d’apprentissage automatique. Ses résultats dans des tests de prédiction ouvrent des pistes pour la recherche et l’action publique.
Un système d’IA peut changer de verdict après la modification de quelques mots, alors que le sens d’une phrase reste identique. Des chercheurs du MIT proposent une méthode pour détecter ces fragilités, les mesurer et aider les équipes à renforcer leurs classificateurs, notamment dans les usages sensibles.
Peut-on empêcher un modèle d’IA accessible au public d’apprendre des savoirs dangereux avant même sa diffusion ? Des chercheurs d’Oxford, d’EleutherAI et de l’UK AI Security Institute ont testé une réponse : retirer ces contenus des données d’entraînement. Leur méthode préserverait les performances générales tout en compliquant les modifications malveillantes.
Une équipe de Harvard propose une voie plus robuste pour reconstruire une scène 3D à partir d’un grand nombre de clichés. Son algorithme combine prédiction de profondeur et optimisation convexe afin d’éviter les hypothèses initiales qui compliquent souvent ce travail. Le Colisée de Rome a servi de démonstrateur à grande échelle.
La School of Architecture and Planning du MIT accueille quatre enseignants en 2025. Leurs travaux couvrent les médias sociaux pilotés par les algorithmes, l’interaction humain-IA, l’architecture computationnelle et la performance environnementale des bâtiments, des domaines appelés à se croiser dans la conception des villes et des espaces de demain.
Des chercheurs associés à l’Université du Michigan ont conçu OAK, un système capable de revoir la façon dont il classe une image selon la tâche demandée. En combinant indices linguistiques et analyse visuelle, cette approche entend reconnaître des concepts connus, mais aussi faire émerger des catégories inédites.
Le MIT CSAIL présente Meschers, un outil capable de transformer des images et modèles 3D en objets visuellement impossibles mais manipulables. Grâce à une géométrie dite 2,5D, artistes et chercheurs peuvent préserver une illusion d’optique tout en modifiant l’éclairage, les textures ou certaines propriétés de la surface.
Pour Demis Hassabis, directeur de Google DeepMind, l’intelligence artificielle pourrait transformer la société à une échelle inédite, et à un rythme exceptionnel. Le chercheur anticipe l’arrivée possible d’une AGI d’ici cinq à dix ans, tout en soulignant les questions d’emploi, d’énergie, de sécurité et de partage des gains.
L’intelligence artificielle semble avoir surgi dans la vie quotidienne en quelques mois. Pourtant, ses principes, ses ambitions et nombre de ses méthodes sont le résultat de plus de soixante-dix ans de recherche. Des premiers travaux d’Alan Turing aux modèles génératifs, son histoire éclaire autant ses progrès que ses limites.
Une équipe de l’Université de Tokyo relie la thermodynamique non-équilibrée à la théorie du transport optimal pour mieux décrire les modèles de diffusion. Ses résultats donnent une base théorique au choix du plan de bruit, une étape décisive pour générer des images et d’autres données de façon robuste.
Une étude consacrée à des systèmes multi-agents examine comment des mécanismes assimilés à la culpabilité peuvent favoriser la coopération. Ses résultats dépendent toutefois fortement de l’environnement social simulé. Ils ne démontrent pas qu’une IA ressent une émotion, mais éclairent la conception de systèmes autonomes appelés à interagir.
Les grands systèmes d’intelligence artificielle sont capables de rédiger, traduire ou analyser des images, mais leur logique interne demeure difficile à interpréter. Des chercheurs tentent de cartographier leurs neurones artificiels et d’évaluer la fiabilité de leurs réponses, un enjeu crucial pour mieux contrôler ces outils.
Comment imaginez-vous un arbre ? Derrière cette question en apparence anodine, des chercheurs voient un moyen d’examiner les présupposés profonds des intelligences artificielles. Une étude présentée à CHI 2025 invite à étudier non seulement les valeurs des modèles, mais aussi leur manière implicite de découper et de représenter le monde.
Résoudre une grille de sudoku ne suffit pas à prouver qu’une IA raisonne vraiment. Des chercheurs de l’Université du Colorado à Boulder ont testé des modèles de langage sur près de 2 300 casse-têtes et constaté un écart net entre la capacité à trouver une réponse et celle à l’expliquer de manière fiable.
Prédire le comportement d’une molécule avant de la synthétiser ou de la mesurer peut accélérer considérablement la recherche. Développé par le groupe McGuire au MIT, ChemXploreML propose aux chimistes une application gratuite, utilisable hors ligne, pour estimer cinq propriétés clés sans devoir programmer.
Les équations qui décrivent les molécules et les systèmes quantiques deviennent vite impossibles à résoudre exactement. Des chercheurs de Texas A&M participent à une vaste synthèse sur l’AI4Science, un champ où l’intelligence artificielle aide à explorer plus vite des candidats médicaments, des matériaux et des batteries.
En comparant des vidéos de 1980 et de 2010, des chercheurs du MIT constatent une nette accélération du rythme piétonnier dans trois métropoles américaines. Les passants séjournent aussi moins longtemps dans les espaces publics et rejoignent moins souvent un groupe, un signal important pour les urbanistes.
Les grands modèles de langage ne se contentent pas de commettre des erreurs : ils peuvent aussi se déclarer très sûrs d’eux. Une étude menée avec des participants humains met en évidence leurs difficultés à ajuster cette confiance à leurs résultats, un point crucial pour tous les usages du quotidien.
Sept enseignants de la School of Architecture and Planning du MIT ont vu leur statut académique évoluer au 1er juillet 2025. De l’intelligence humain-machine à l’économie urbaine et à la nanoélectronique, ces parcours illustrent les liens croissants entre espaces, technologies et société.
Les grands modèles de langage produisent habituellement leurs réponses mot après mot, un procédé qui peut devenir lent sur les demandes élaborées. Des chercheurs du MIT et de Google proposent PASTA, une méthode qui apprend à repérer les parties indépendantes d’une réponse afin de les générer simultanément.
Des chercheurs du MIT explorent une autre voie pour créer et modifier des images par IA : les résumer en seulement 32 tokens numériques. Cette représentation très compacte pourrait alléger certaines tâches de génération, de retouche et de remplissage d’images, sans faire disparaître les défis de qualité et de contrôle.
Google DeepMind affirme qu’une version avancée de Gemini Deep Think a atteint le niveau d’une médaille d’or à l’Olympiade internationale de mathématiques 2025. Avec 35 points sur 42 et cinq problèmes résolus, l’IA a surtout démontré sa capacité à rédiger des preuves complètes, au-delà de la seule réponse finale.
Des chercheurs du MIT ont étudié comment des modèles fondés sur les transformers suivent une succession de changements. Dans une tâche de permutations de chiffres, ils ont repéré deux stratégies de calcul hiérarchiques, dont l’une mène plus vite au résultat. Une piste utile pour comprendre, puis améliorer, le suivi d’états dynamiques.
Générer quelques lignes de code est désormais à la portée de nombreux outils d’IA. Mais construire, transformer et maintenir un logiciel réel exige bien davantage. Une étude de chercheurs du MIT recense les obstacles qui séparent encore l’autocomplétion intelligente d’une véritable ingénierie logicielle autonome.
L’intelligence artificielle s’invite à toutes les étapes de la publication scientifique, de l’analyse des données à la rédaction des manuscrits. Si elle peut faire gagner un temps précieux, elle pose une question centrale : comment préserver la fiabilité des résultats lorsque des machines participent à leur production et à leur évaluation ?
Les assistants d’IA savent produire du code en quelques secondes, mais l’ingénierie logicielle ne se résume pas à cette étape. Une étude du MIT CSAIL détaille les freins à une programmation véritablement autonome, notamment la compréhension du contexte, la fiabilité du code et la collaboration avec les développeurs.
Les grands modèles de langage excellent dans le texte, mais peuvent échouer sur des problèmes de calcul ou d’optimisation pourtant structurés. Développé par des chercheurs du MIT, CodeSteer agit comme un coach : il aide un LLM à choisir entre réponse rédigée et génération de code. Les essais rapportent un net gain de précision sur 37 tâches symboliques.
Développé à l’Université de Nagoya, J-Moshi est un système d’IA vocale japonais capable d’écouter son interlocuteur tout en parlant. En intégrant les petites marques d’attention propres aux échanges japonais, il ambitionne de rendre les conversations avec les machines plus fluides, de l’apprentissage des langues à l’accueil du public.
Étudier plusieurs traitements à la fois est indispensable pour comprendre des maladies complexes, mais le nombre de combinaisons possibles explose vite. Des chercheurs du MIT proposent un cadre probabiliste qui aide à concevoir ces expériences, à ajuster les dosages et à limiter les biais de sélection.
Une équipe de l’Université de Bâle propose une analogie étonnante pour étudier l’apprentissage profond : une règle pliable dont chaque segment représente une couche neuronale. Ses mouvements permettent de visualiser pourquoi les données ne sont pas toujours transformées de façon égale à chaque étape d’un réseau d’IA.
Entraîner un grand modèle ne consiste pas seulement à multiplier les calculs : il faut aussi faire circuler efficacement les données entre de nombreux GPU. Des chercheurs de l’université Rice proposent ZEN, un système qui exploite les tenseurs épars pour limiter les échanges inutiles et mieux répartir la charge de communication.
Développé par des chercheurs de l’Université du Michigan, Liketropy ambitionne de distinguer les textes humains de ceux produits par des IA génératives. Son approche statistique zéro-shot revendique plus de 96 % de précision dans certains tests, tout en limitant les fausses accusations, un enjeu crucial pour l’éducation.
Des chercheurs du MIT et de l’Université du Wisconsin à Madison utilisent l’intelligence artificielle et la simulation physique pour repenser les glisseurs sous-marins autonomes. Leur méthode explore des formes moins conventionnelles afin d’améliorer l’efficacité hydrodynamique, avec des prototypes déjà confrontés à des essais réels.
ChatGPT peut associer le rose à la joie ou le rouge à la colère avec une cohérence saisissante. Mais une étude publiée dans Cognitive Science rappelle que produire une métaphore plausible ne signifie pas éprouver une couleur. La comparaison avec des adultes voyants, daltoniens et des peintres éclaire ce qui sépare langage, pratique et expérience sensorielle.
Les grands modèles de langage savent beaucoup de choses, mais les spécialiser reste coûteux. Présentée en juillet 2025, la méthode WeGeFT cible les paramètres qui ont encore besoin d’apprendre afin d’affiner une IA plus efficacement. Ses premiers essais égalent ou dépassent LoRA sur plusieurs tâches, du code au raisonnement.
Les grands modèles de langage savent répondre vite, mais peinent encore lorsqu’un problème exige de planifier, déduire ou manipuler des structures inconnues. Des chercheurs du MIT explorent le test-time training, une méthode qui ajuste temporairement le modèle face à une nouvelle tâche. Dans certains tests, l’exactitude a été multipliée jusqu’à six fois.
