70 ans d'évolution de l'IA : de la théorie à l'incarnation dans les robots
Retracer le parcours de l'IA, des idées de Turing et de la première conférence de Dartmouth aux grands modèles de langage modernes et à la robotique. Notant qu'aujourd'hui, l'IA passe du traitement de texte à la multimodalité et aux capacités de raisonnement.
70 ans plus tard : pourquoi l'IA a enfin 'dépassé' le texte mais n'est toujours pas humaine
Les articles d'anniversaire exagèrent toujours un peu la vérité. Il semble que l'évolution de l'IA, de la conférence de Dartmouth en 1956 aux modèles multimodaux d'aujourd'hui, ait été une marche progressive et fluide où chaque étape découle logiquement de la précédente. En réalité, l'histoire de l'IA est faite de déceptions catastrophiques, d''hivers' et de percées aléatoires survenues quand on s'y attendait le moins. Et le passage actuel du traitement de texte à la multimodalité et au 'raisonnement' n'est pas qu'une étape de plus : c'est un changement tectonique que l'industrie ne sait pas évaluer correctement.
La principale idée non évidente perdue dans le faste de l''évolution' est la suivante : Pendant 70 ans, nous avons essayé de rendre l'IA humaine, mais nous avons découvert que la vraie valeur réside dans le fait que l'IA ne soit pas humaine, mais un outil d'ingénierie parfait. Les rêves de Dartmouth d'une pensée humaine nous ont conduits aux LLM qui hallucinent, trompent et génèrent des poursuites judiciaires. Pendant ce temps, une voie parallèle — l'IA physique, les systèmes agentiques, l'IA pour la science — s'est soudainement révélée bien plus pratique et rentable. Nous ne l'avons simplement pas réalisé au début.
Le cœur : ce qui se passe vraiment
L'IA d'aujourd'hui n'est pas une 'superintelligence' mais un compromis d'ingénierie géant. Oui, les modèles modernes sont passés du texte aux images, à la vidéo, et même à la planification d'actions dans le monde physique. Reka et Moonvalley unissent leurs forces pour développer un World Language Action Model entraîné sur des données égocentriques et simulant la physique afin que les robots puissent 'comprendre les conséquences avant d'agir'. ABB Robotics a annoncé la Physical AI Toolchain — une pile logicielle allant de la simulation à l'exécution industrielle qui permet aux robots d'apprendre à partir de données synthétiques et de transférer cet apprentissage au monde réel avec une 'précision industrielle'. Cela ressemble à une percée.
Mais derrière cette façade se cache une réalité brutale. L'IA physique aujourd'hui est un outil coûteux, complexe et hautement spécialisé. ABB travaille dans la robotique depuis des années, et sa Physical AI Toolchain est une évolution de sa propre plateforme, pas une révolution que l'on peut acheter 'prête à l'emploi'. Reka a recruté une équipe de DeepMind, mais leur modèle ne promet que de 'raisonner et agir' — aucun déploiement industriel pour l'instant. Et selon une enquête de Mayfield, 58 % des entreprises citent la 'préparation des données' comme le principal frein à l'adoption de l'IA agentique. Les données, pas les algorithmes, sont le véritable champ de bataille aujourd'hui.
La deuxième tendance majeure : l'IA n'est plus un jeu réservé aux géants. La startup chinoise DeepSeek a montré qu'un modèle compétitif peut être construit pour beaucoup moins d'argent. Pendant ce temps, Molecule-Mind (Chine), une entreprise de conception de protéines moléculaires, a levé plus de 100 millions de dollars d'investissement et démontre que l'IA pour la science (AI4S) devient une industrie indépendante, distincte de la course aux LLM. Leur modèle MMFold, selon l'entreprise, dépasse AlphaFold 3 de Google dans la prédiction de structures d'anticorps. Cela signifie que la Chine cible sérieusement un créneau où les États-Unis sont actuellement en tête (Google DeepMind), mais où la Chine dispose de programmes d'État et d'un énorme marché biotechnologique.
Chronologie et contexte
Comment en sommes-nous arrivés là ? Voici les étapes clés des deux dernières années qui ont changé la donne :
2024 : L'Europe adopte l'AI Act — le premier régulateur strict au monde. Tout le monde rit en disant qu'il est trop lent pour une technologie aussi dynamique. Il s'avère qu'il était trop rapide — d'ici 2026, les entreprises paniquent et désactivent des fonctionnalités pour les Européens.
2025 : Le retour de Trump et l'abrogation des décrets de Biden sur la sécurité de l'IA. Les États-Unis misent sur la déréglementation et l'investissement privé — 500 milliards de dollars pour les infrastructures. Pendant ce temps, la Chine lance le programme 'Eastern Data, Western Computing' — un réseau national de centres de données fonctionnant comme un seul supercalculateur. Deux approches complètement différentes du même problème.
Début 2026 : OpenAI dépose un S-1 confidentiel auprès de la SEC pour une introduction en bourse valorisée à peut-être 1 000 milliards de dollars. Anthropic fait de même une semaine plus tôt. Le marché de l'IA atteint son pic de battage médiatique. Mais en même temps, TrendForce prévient : les livraisons de la puce Rubin de NVIDIA pourraient être retardées en raison de problèmes de mémoire HBM4, de refroidissement et d'interconnexions réseau, et la part de Rubin dans les livraisons passe de 29 % à 22 %. Cela signifie que même NVIDIA ne peut pas surmonter la physique — le refroidissement, l'alimentation et les interconnexions deviennent des facteurs limitants.
Mars 2026 : L'affaire Nippon Life contre OpenAI. Un juge examine une plainte de 10 millions de dollars alléguant que ChatGPT a 'exercé le droit' — en aidant un ancien client à rédiger 44 documents judiciaires après la clôture de l'affaire. Un document contenait un précédent juridique fabriqué, 'Carr v. Gateway'. C'est la première fois qu'un développeur d'IA est accusé d'exercice illégal du droit via un produit grand public. Si la plainte survit à une motion de rejet, cela changera la donne pour toutes les entreprises d'IA.
Juin 2026 : ABB Robotics présente la Physical AI Toolchain à Automate 2026. Reka et Moonvalley annoncent une fusion pour l'IA physique. Le Japon lance le programme ARiSE (AI to Redesign Scientific Exploration) avec un budget encore non divulgué, mais c'est une initiative phare. Ce sont précisément ces 70 ans d'évolution qui nous ont amenés à un point où l'IA commence à interagir véritablement avec le monde.
Qui gagne et qui perd
Gagnants — les entreprises avec intégration verticale et données :
- Google DeepMind est toujours en tête dans la recherche fondamentale, en particulier AlphaFold et la multimodalité. Leur intégration avec Android et Chrome leur donne 27,7 % du marché des LLM — un avantage structurel qui ne peut pas simplement être 'rattrapé' technologiquement.
- ABB Robotics — un exemple unique de géant industriel transformant l'IA physique en un produit réel. Leur Physical AI Toolchain et leur partenariat avec NVIDIA (mars 2026) comblent le fossé entre la simulation et la réalité. Ils ont 7 000 employés et de vraies usines — pas une startup.
- Les acteurs chinois dans l'AI4S — Molecule-Mind a levé plus de 100 millions de dollars auprès d'un consortium d'investisseurs, dont des fonds d'État. Leur modèle MMFold surpasse AlphaFold 3 sur des tâches spécifiques. Cela montre que la Chine a misé sur la biologie appliquée et pourrait gagner à long terme car elle dispose de données (essais cliniques, bases de données génomiques) et du soutien de l'État.
Perdants — les startups sans données ni canaux de distribution :
- 75 % des entreprises déclarent adopter l'IA agentique, mais seulement 42 % l'ont en production, et seules quelques-unes ont déployé des systèmes multi-agents à grande échelle. Cela signifie que la plupart des 'plateformes d'IA' resteront en phase pilote et mourront lorsque les investisseurs exigeront un retour sur investissement.
- Les startups de LLM purement textuels (à part OpenAI, Anthropic et Google) perdent le marché. Les modèles deviennent des commodités, et l'écart de qualité entre eux se réduit. Les utilisateurs choisissent en fonction du prix, de l'intégration et de la confiance — pas de l''intelligence'.
Catégorie spéciale — 'perdants réglementaires' :
- Toute entreprise d'IA qui ne peut pas prouver la sécurité et l'impartialité de ses modèles souffrira de poursuites judiciaires. L'affaire Nippon Life contre OpenAI n'est que le début. Si le tribunal décide que les développeurs sont responsables des actions des chatbots, les primes d'assurance pour les entreprises d'IA monteront en flèche, tuant les marges.
Ce que les médias ne disent pas
Trois choses que vous ne trouverez pas dans les articles d'anniversaire sur l''évolution' :
Premièrement : l'IA physique n'est pas 'l'IA dans les robots', c'est 'des robots qui peuvent casser et tuer'. Quand un LLM hallucine, ce n'est qu'une mauvaise réponse. Quand l'IA physique fait une erreur sur une chaîne de production, ce sont des millions de rebuts ou une blessure humaine. ABB souligne que leur système assure une 'précision industrielle' — mais cela signifie qu'ils limitent l'IA, pas qu'ils l'améliorent. Ils ne donnent pas au robot une liberté totale ; ils lui donnent un ensemble d'actions strictement contrôlé. Ce n'est pas du 'raisonnement', c'est un 'réflexe conditionné avec correction'. Et tant que c'est le cas, nous sommes loin de l'IA que nous pourrions appeler 'intelligence'.
Deuxièmement : la consommation d'énergie n'est pas un 'problème', c'est une 'condamnation à mort'. La prévision pour 2026 est de 1 050 TWh pour les centres de données, comparable à la consommation de tout le Japon ou de la Russie. D'ici 2028, les tâches individuelles d'IA pourraient consommer jusqu'à 326 TWh — plus que tous les centres de données américains aujourd'hui. Cela signifie que les pays sans énergie bon marché (Europe) ou sans capacité de construire rapidement des générateurs (Royaume-Uni) perdront la course. La Chine construit des centres de données dans des provinces où l'hydroélectricité et le charbon sont bon marché. Les États-Unis construisent au Texas, où le réseau est déjà surchargé. Et ce n'est pas un 'défi' que des 'modèles plus efficaces' résoudront — c'est une contrainte fondamentale qui déterminera où seront situés les 10 000 prochains centres de données.
Troisièmement : l''évolution' est en fait la 'mort' des anciens paradigmes. Nous nous félicitons que l'IA soit passée de l'inférence logique aux réseaux de neurones. Mais en réalité, les réseaux de neurones ont tué l'IA symbolique, l'apprentissage profond a tué l'apprentissage automatique classique, et les transformeurs ont tué les RNN. Maintenant, l'IA agentique tue les 'chatbots stupides', et l'IA physique pourrait tuer les services d'IA cloud en tant que modèle dominant. Ce n'est pas une évolution ; c'est une série d'extinctions massives. Et ceux qui ne s'adaptent pas dans les 12 prochains mois deviendront une autre couche dans les archives géologiques de la technologie.
Prévisions : les 30 et 90 prochains jours
Les 30 prochains jours (mi-juin à mi-juillet 2026) :
La première vague de poursuites judiciaires concernant l'IA agentique. Après l'affaire Nippon Life contre OpenAI, les cabinets d'avocats du monde entier commenceront à traquer les entreprises d'IA dont les chatbots ont donné des 'conseils' dans des domaines réglementés (droit, médecine, finance). Cela entraînera une baisse de 5 à 10 % des actions d'OpenAI (si elles sont déjà cotées) et d'autres entreprises d'IA publiques dans les jours suivant les premières décisions de justice. En même temps, ABB Robotics commencera à collecter les premiers contrats pour la Physical AI Toolchain auprès des constructeurs automobiles et de l'aérospatiale — cela pourrait être un catalyseur pour les actions de robotique industrielle sur les bourses américaines et allemandes.
Les 90 prochains jours (juillet à septembre 2026) :
Un changement structurel dans le financement commencera. Les investisseurs en capital-risque, voyant les données de Mayfield selon lesquelles 60 % des entreprises manquent d'un système formel de gouvernance de l'IA et que les données restent le principal goulot d'étranglement, commenceront à investir non pas dans 'encore une startup d'IA' mais dans des entreprises qui résolvent le problème des données : nettoyage, étiquetage, synthèse, gestion des accès. Cela tuera des dizaines de 'plateformes d'IA' construites sur les modèles et les données d'autrui.
Simultanément, le programme ARiSE du Japon annoncera ses premiers bénéficiaires de subventions en septembre, signalant au marché mondial que le Japon fait un pari sérieux sur l'IA pour la science. Cela pourrait attirer des talents des États-Unis et d'Europe, où les salaires dans l'IA sont déjà surchauffés, tandis que le Japon offre des données uniques en science des matériaux, robotique et imagerie médicale.
Et surtout — d'ici fin septembre, nous verrons les premiers déploiements industriels d'IA physique qui échouent. Il y aura un incident dans une usine où un robot utilisant la Physical AI Toolchain d'ABB commettra une erreur de simulation, entraînant des rebuts ou des temps d'arrêt. Les médias en feront tout un plat comme un 'échec de l'IA'. Mais les initiés comprendront : c'est normal. C'est le 'creux de la désillusion' que les rapports de tendances pour 2026 avaient prédit. Ceux qui survivront à ce choc et mettront en place des systèmes de surveillance et de retour en arrière survivront. Les autres partiront. Cela a toujours été ainsi, et ce le sera encore. Parce que 70 ans d'évolution, c'est vraiment 70 ans d'apprentissage par les erreurs. Et nous apprenons encore.
— Editorial Team
Aucun commentaire pour le moment.