L’IA change la manière de produire des connaissances
L’IA transforme le travail des chercheuses et chercheurs bien au-delà de l’automatisation de certaines tâches. Pour Vincent Mallet, chercheur au Centre de Bioinformatique (CBIO), les grands modèles de langage deviennent progressivement de véritables facilitateurs de recherche, notamment dans les domaines interdisciplinaires où dialoguent biologistes, médecins, mathématiciens et informaticiens.
En permettant d’explorer rapidement des disciplines éloignées de son expertise ou de faire émerger des hypothèses nouvelles, ces outils accélèrent la recherche. Mais ils ne remplacent pas la démarche scientifique. Les modèles d’IA excellent pour repérer des régularités dans d’immenses volumes de données et proposer des pistes inédites, mais celles-ci doivent toujours être confrontées à l’expérimentation.
Cette évolution amène également les chercheurs à s’interroger sur la nature même de la découverte scientifique. Jusqu’où peut-on faire confiance à des modèles capables de prédire avec précision sans nécessairement expliquer les mécanismes sous-jacents ? L’IA apparaît alors moins comme un substitut au chercheur que comme un nouvel instrument de production de connaissances, dont les résultats restent soumis à la validation scientifique.
La physique
Une alliée indispensable de l’IA
Cette exigence de validation devient encore plus forte lorsque l’IA quitte les laboratoires pour entrer dans l’industrie. Pour David Ryckelynck, chercheur au Centre de Mise en Forme des Matériaux (CEMEF), les données seules ne suffisent pas à construire des modèles fiables. Les procédés industriels sont déjà décrits par des décennies de connaissances scientifiques et de modèles physiques éprouvés. L’enjeu consiste donc à combiner ces savoirs avec les méthodes d’apprentissage automatique plutôt qu’à les remplacer.
L’une des pistes consiste à générer des données synthétiques à partir de simulations physiques afin d’entraîner les modèles sur des situations rares ou critiques, impossibles à observer suffisamment souvent dans les données industrielles. Cette hybridation permet de développer des intelligences artificielles plus robustes, capables de mieux anticiper des événements exceptionnels tout en préservant l’expertise scientifique des ingénieurs.
Cette même orientation guide les travaux de Pierre Kerfriden, chercheur au Centre des Matériaux (CMAT). Ses recherches sur les jumeaux numériques associent simulations mécaniques, réseaux de neurones et méthodes probabilistes pour mieux représenter le comportement de matériaux complexes. L’objectif n’est pas de reconstruire entièrement les modèles physiques avec l’IA, mais de l’utiliser là où les approches traditionnelles atteignent leurs limites.
Ces approches hybrides illustrent une évolution majeure de l’IA : plutôt qu’une opposition entre modèles physiques et apprentissage automatique, elles dessinent une complémentarité entre les deux.
Comprendre les décisions de l’IA
Un enjeu industriel
Produire une prédiction juste ne suffit pourtant pas. Encore faut-il pouvoir expliquer comment elle a été obtenue. C’est précisément le sujet des recherches menées par Étienne Decencière, directeur du Centre de Statistique et Images (STIM). Dans de nombreux secteurs industriels, de l’aéronautique au nucléaire, une décision automatisée doit pouvoir être justifiée, documentée et retracée, parfois plusieurs années après son utilisation.
Les chercheurs développent ainsi différentes approches d’« IA explicable ». Certaines évaluent le degré d’incertitude associé à une prédiction ; d’autres permettent d’identifier les régions d’une image ou les variables qui ont conduit le modèle à sa décision. Plus ambitieuses encore, certaines méthodes cherchent à intégrer directement les connaissances physiques ou géométriques dans l’architecture des modèles afin que leurs raisonnements soient plus facilement interprétables.
Au-delà des performances, c’est donc la capacité à comprendre les décisions de l’intelligence artificielle qui conditionne désormais son adoption dans les applications industrielles les plus sensibles.
La souveraineté se joue bien au-delà des modèles
Pour Corinne Ancourt, directrice du Centre de Recherche en Informatique (CRI), parler d’une IA souveraine ne consiste pas seulement à développer des modèles européens. L’ensemble de la chaîne technologique est concerné : les données, les centres de calcul, les composants électroniques, les logiciels et les compétences humaines. La dépendance actuelle vis-à-vis de certaines infrastructures étrangères constitue un enjeu majeur pour la recherche comme pour l’industrie.
À mesure que les modèles deviennent plus puissants, leurs besoins en calcul augmentent considérablement. Cette évolution transforme progressivement les questions de performance informatique en enjeux économiques, énergétiques et stratégiques. Développer une IA plus efficace ne consiste donc plus uniquement à améliorer les algorithmes : il s’agit également d’optimiser l’ensemble des infrastructures qui les rendent possibles.
Des IA agissant dans le monde réel
Si certains systèmes assistent les chercheurs ou les ingénieurs, d’autres prennent directement des décisions dans le monde physique. C’est le domaine de Fabien Moutarde, directeur du Centre de Robotique (CAOR), dont les travaux portent sur les robots collaboratifs et les véhicules autonomes. Contrairement aux agents conversationnels, ces systèmes agissent en temps réel, sans validation humaine préalable. Ils doivent percevoir leur environnement, planifier leurs actions et réagir instantanément à des situations souvent imprévisibles.
Cette autonomie soulève des défis scientifiques considérables. Comment garantir la sécurité d’un véhicule autonome face à des situations extrêmement rares ? Comment vérifier le comportement d’un robot avant son déploiement ? Les chercheurs développent pour cela de nouvelles méthodes de simulation capables de générer des scénarios critiques. Par ailleurs, les modèles de fondation type Vision Language Models (VLM) et Vision Language Action models (VLA), actuellement expérimentés dans ces domaines par la communauté scientifique, obtiennent des résultats très prometteurs qui ont l’avantage de pouvoir expliciter les raisons de leur décision (par exemple, « le véhicule va changer de voie pour dépasser un véhicule arrêté devant »).
L’objectif reste le même : construire des intelligences artificielles capables d’assister l’humain sans se substituer à lui, en prenant en charge les tâches les plus répétitives, pénibles ou dangereuses.
Des réseaux électriques plus intelligents… et plus résilients
Prévision de la production des énergies renouvelables, estimation de la consommation électrique, aide au pilotage des réseaux : ces applications sont aujourd’hui déployées quotidiennement par les gestionnaires de réseaux. Georges Kariniotakis, responsable du groupe Énergies Renouvelables et Systèmes Énergétiques Intelligents (ERSEI) au Centre PERSEE, a rappelé que l’IA est déjà largement utilisée dans les systèmes énergétiques.
Mais la montée en puissance des énergies renouvelables et l’évolution des usages rendent ces systèmes toujours plus complexes. Une erreur de prévision peut désormais se propager tout au long de la chaîne décisionnelle et fragiliser l’équilibre du réseau électrique.
Pour répondre à ces défis, les chercheurs développent une nouvelle génération de modèles intégrant dès leur conception des exigences de robustesse, de résilience, de cybersécurité, de sobriété énergétique et de conformité avec les futures réglementations européennes sur l’intelligence artificielle.
L’ambition de construire une IA de confiance
L’IA n’est pas une discipline isolée, mais un ensemble de méthodes qui irriguent aujourd’hui toutes les sciences de l’ingénieur. De la bioinformatique à la robotique, des matériaux aux systèmes énergétiques, les chercheurs de Mines Paris – PSL partagent la conviction que les performances de l’IA reposent autant sur les données que sur les connaissances scientifiques, la compréhension des phénomènes physiques et l’expertise humaine.
Cette approche transversale illustre pleinement l’ambition du Mines Paris Research Day, rendez-vous annuel consacré à la recherche partenariale de l’École. En réunissant chercheurs, industriels, entrepreneurs et partenaires institutionnels autour des grands défis scientifiques et technologiques, l’événement met en lumière les collaborations qui permettent de transformer les avancées de la recherche en solutions concrètes pour la société. L’avenir de l’IA ne réside pas uniquement dans des modèles toujours plus puissants, mais dans leur capacité à être robustes, explicables, sobres et souverains. Une IA conçue pour accompagner les grandes transitions industrielles, environnementales et numériques sans jamais s’affranchir de la rigueur scientifique qui fonde la recherche.
