Nature : Top 100 des technologies à la croissance la plus rapide selon l'IA
Des chercheurs australiens ont utilisé le modèle Wikipedia2Vec pour établir le classement Momentum 100, où l'apprentissage par renforcement, la blockchain et l'impression 3D sont désignés comme les technologies à la croissance la plus rapide de 2026, sur la base de l'analyse des données de Wikipédia.
Momentum 100 : comment l'IA, pour la première fois sans experts, a identifié les technologies à la croissance la plus rapide de 2026
Introduction
Chaque année, les grandes publications mondiales et les groupes de réflexion publient des classements des technologies les plus prometteuses. MIT Technology Review, l'université Stanford, le Forum économique mondial — tous s'appuient sur les opinions d'un cercle restreint d'experts, dont les jugements, aussi autoritaires soient-ils, sont inévitablement subjectifs.
En avril 2026, la société d'analyse australienne League of Scholars a proposé une approche radicalement différente. En collaboration avec Nature Index, elle a présenté le classement Momentum 100 — la première liste jamais établie des technologies les plus dynamiques, compilée non par des humains mais par une intelligence artificielle basée sur l'analyse de Wikipédia. L'IA a examiné des dizaines de milliers d'articles, analysé des millions d'hyperliens et la dynamique des pages vues pour déterminer, sans aucune intervention humaine, quelles technologies gagnent le plus rapidement en momentum.
Détails de l'événement et chronologie
Le classement Momentum 100 est basé sur l'ensemble de données ouvert Cosmos 1.0, publié dans la revue Scientific Data, qui fait partie du groupe Nature. Pour le créer, l'équipe de League of Scholars a utilisé le modèle linguistique Wikipedia2Vec, qui convertit les articles de Wikipédia en vecteurs numériques multidimensionnels — les fameux « embeddings ».
L'avantage clé de cette méthode est que les embeddings capturent non seulement le contenu des articles, mais aussi la logique des hyperliens entre eux, reflétant les connexions sémantiques réelles dans le discours scientifique et technique.
La méthodologie comprenait plusieurs étapes :
- « Graine » d'analyse — un seul article de départ intitulé « Liste des technologies émergentes ».
- Construction du réseau — l'algorithme a extrait près de 55 000 pages Wikipédia interconnectées.
- Filtrage — parmi celles-ci, plus de 23 000 pages directement liées aux technologies et concepts associés ont été conservées.
- Évaluation — chaque technologie a reçu un indice basé sur l'âge, la dynamique des pages vues et d'autres métriques.
La validation des résultats a été effectuée par comparaison avec d'autres ensembles de données, y compris les publications académiques et les informations sur les brevets.
La chronologie de création de Cosmos 1.0 est décrite comme un processus laborieux qui aurait dû prendre six mois, mais l'équipe de League of Scholars, avec le soutien de programmeurs et de designers, l'a achevé en une semaine de travail ininterrompu.
Impact et importance
Pour la science et l'analyse, l'émergence de Momentum 100 signifie un changement de paradigme dans les méthodes de prévision. Comme le note Catherine Aiken de l'université de Georgetown, spécialiste des technologies émergentes, « au cours des six dernières années, les méthodes d'identification des domaines prometteurs ont à peine été mises à jour — elles sont trop axées sur les experts, laborieuses et individualisées ». Elle a qualifié Cosmos 1.0 d'« ajout utile » à ce domaine, ouvrant des opportunités pour une analyse plus objective.
Le top 10 des technologies du classement Momentum 100 (les trois premières positions : apprentissage par renforcement, blockchain et impression 3D) inclut également la robotique douce, la réalité augmentée et les technologies omiques — des études à grande échelle de biomolécules telles que l'ADN, les protéines et les métabolites.
Technologies clés du classement :
| Rang | Technologie | Caractéristique clé |
|------|-------------|---------------------|
| 1 | Apprentissage par renforcement | Le système apprend par essais et erreurs, recevant une « récompense » pour les décisions correctes |
| 2 | Blockchain | Les applications s'étendent bien au-delà des cryptomonnaies : données médicales, chaînes d'approvisionnement, énergie |
| 3 | Impression 3D | Les technologies additives poursuivent leur expansion dans l'industrie et la médecine |
Pourquoi l'apprentissage par renforcement est-il en première place ?
La polyvalence de la méthode, qui permet à l'IA de prendre des décisions séquentielles dans un environnement complexe et en constante évolution, a assuré son leadership. L'IA basée sur l'apprentissage par renforcement bat déjà des champions au Go et aux échecs, est utilisée dans le développement de médicaments et les courses de drones. Les créateurs du classement notent que l'algorithme reproduit mathématiquement les mécanismes naturels d'apprentissage — grosso modo comme les animaux apprennent des commandes en recevant des friandises.
Blockchain : des cryptomonnaies à l'apprentissage en essaim
L'intérêt pour la blockchain, qui l'a placée en deuxième position, est alimenté non pas par le Bitcoin mais par des publications dans les grandes revues scientifiques. Un article, qui a reçu plus de 800 citations, décrit l'apprentissage en essaim — une méthode qui permet aux hôpitaux et aux laboratoires d'entraîner conjointement une IA sur des données médicales sans divulguer les informations personnelles des patients.
Réaction des acteurs clés
Paul McCarthy lui-même, cofondateur de League of Scholars, définit la philosophie du projet comme une tentative de « cartographier les technologies de bas en haut », en utilisant la capacité de l'IA à découvrir des connaissances cachées dans de grands systèmes complexes.
Nature, qui a publié l'article sur le classement, légitime ainsi cette approche auprès d'un public académique. L'autorité de la revue sert de signal important à la communauté scientifique : les données de l'IA peuvent être aussi fiables que les évaluations d'experts.
Catherine Aiken de l'université de Georgetown, dont l'évaluation est citée à la fois dans Nature et sur un portail scientifique ukrainien, exprime un optimisme prudent. Elle qualifie Cosmos 1.0 d'« ajout utile » aux méthodes existantes, mais ne préconise pas d'abandonner complètement l'approche experte.
Prévisions et conclusions
Prévision à court terme (2026-2027) : League of Scholars prévoit de rendre le classement annuel, en suivant les changements de dynamique. Cela permettra non seulement d'enregistrer les leaders actuels, mais aussi d'identifier les technologies qui perdent ou gagnent du momentum.
Prévision à long terme (2028+) : Si l'approche s'avère efficace, nous pourrions assister à la diffusion de méthodes similaires dans la stratégie d'entreprise, l'investissement en capital-risque et la planification gouvernementale. L'analyse par l'IA de grands volumes de données non structurées (articles scientifiques, brevets, flux d'actualités) peut identifier les tendances technologiques plus tôt que même les experts les plus attentifs ne les remarquent.
Conclusion principale : Momentum 100 n'est pas qu'un simple classement. C'est une démonstration de la façon dont l'IA peut prendre en charge des fonctions traditionnellement considérées comme la prérogative des experts humains. Analyser 55 000 articles Wikipédia et identifier les connexions cachées entre eux est une tâche impossible pour n'importe quel groupe d'analystes, mais triviale pour un modèle bien entraîné.
Il est révélateur que la technologie n°1 du classement soit précisément la méthode qui a permis de le compiler. L'apprentissage par renforcement est le même paradigme « essai-erreur-récompense » que la nature utilise pour tout — du dressage des chiens à l'évolution des espèces. Et l'IA qui a compilé le classement a essentiellement appliqué le même principe à l'analyse de la connaissance humaine. Il s'est avéré être une sorte de récursion, ce qui est peut-être la meilleure preuve que le choix de la technologie est absolument exact.
— Editorial Team
Aucun commentaire pour le moment.