Quand la recherche académique fait germer l’industrie
Pour s’imposer sans se disperser, la France structure sa recherche autour de trois niches d’excellence afin de transformer ses avancées en innovations industrielles.
Publié et mis à jour le 5 mai Lecture 9 min.
“Il faut redonner à la recherche publique les moyens de ses ambitions”, écrivait le mathématicien Cédric Villani dans un rapport commandé par le gouvernement et publié en mars 2018. Dans ce document, témoin du retard de la France dans la compétition pour l’IA, le scientifique conseillait de miser sur les institutions françaises publiques. De quoi combler les failles d’un secteur privé, jugé “sous-financé”, par l’ancienne ministre de l’Enseignement supérieur et de la Recherche, Sylvie Retailleau. Sans perdre de temps, l’État a lancé sa stratégie nationale pour l’intelligence artificielle (SNIA), avec un objectif central : structurer un écosystème encore trop fragmenté. “Avoir trop d’instituts de recherche est plus un inconvénient qu’une force”, confirme Cédric Auliac, directeur de recherche au CEA.
Derrière cette réorganisation, un enjeu économique majeur : éviter l’écueil du saupoudrage. À défaut d’avoir les moyens de tout financer, la France doit miser sur ses niches d’excellence. Huit ans plus tard, le pari hexagonal s'est porté sur trois thématiques : l’IA frugale et embarquée, c’est-à-dire des modèles optimisés pour fonctionner avec peu de ressources et directement sur des appareils (objets connectés, smartphones, capteurs) ; l’IA de confiance et distribuée, qui vise à garantir la sécurité, la transparence et la souveraineté des systèmes tout en répartissant les traitements sur plusieurs infrastructures plutôt que de les centraliser ; et, enfin, les fondements mathématiques de l’IA, qui consistent à renforcer la recherche théorique (algorithmes, probabilités, optimisation) pour améliorer la robustesse et la compréhension des modèles.
Ces axes sont financés à hauteur de 73 millions d’euros, répartis sur 6-7 ans, via la mise en place d’un Programme et Équipement Prioritaire de Recherche (PEPR IA). Lancé en mars 2024, il est co-dirigé par le CEA, le CNRS et l’Inria. “Cet outil fédère et dynamise la recherche”, salue Cédric Auliac.
Vers des milliers de projets d’IA
“Nous faisons de la prospective : nous anticipons les besoins pour que, le jour où l’État ou les industriels s’en saisissent, nous soyons en mesure de proposer des solutions pertinentes.”
Sur le terrain, cette structuration s’appuie aussi sur des dispositifs territoriaux. Neuf clusters IA ont ainsi été créés afin de fédérer chercheurs, laboratoires et partenaires industriels autour de projets communs. Ces pôles, comme l’ensemble des centres de recherche impliqués, bénéficient d’un accès au supercalculateur Jean Zay pour entraîner et tester leurs modèles. L’infrastructure constitue un levier essentiel pour la recherche française. “À vue de nez, au moins 1 200 projets intégrant de l’IA tournent sur le supercalculateur Jean Zay”, estime Massih-Reza Amini, directeur adjoint scientifique Intelligence artificielle du CNRS. Et la dynamique ne faiblit pas : “le nombre de projets augmente d’environ 16 % par an. À ce rythme, il pourrait doubler d’ici cinq ans”. À ces travaux s’ajoutent plusieurs centaines d’autres projets menés dans d’autres infrastructures moins puissantes, comme les mésocentres de calcul haute performance répartis sur le territoire.
Cette abondance de projets reflète une logique propre à la recherche académique : une dynamique ascendante dans laquelle les sujets émergent directement des communautés scientifiques, au gré des avancées, des intérêts et des collaborations des chercheurs. “Nous faisons de la prospective : nous anticipons les besoins pour que, le jour où l’État ou les industriels s’en saisissent, nous soyons en mesure de proposer des solutions pertinentes", raconte Cédric Auliac.
Concrètement, chaque organisme s’appuie sur ses domaines d’expertise historiques. Au CEA, l’approche privilégiée concerne les synergies entre intelligence artificielle et matériel. L’IA y est avant tout pensée comme une fonction directement intégrée aux puces électroniques, dans une logique de calcul embarqué. « Fort de son expertise en microélectronique, le CEA mobilise de nombreux chercheurs autour de ce pilier », souligne Cédric Auliac. L’Inria adopte pour sa part une approche davantage centrée sur les sciences du numérique et leurs applications au service de l’humain.
La boussole scientifique
Dans ce contexte, tous les chercheurs suivent scrupuleusement les évolutions de leur discipline pour identifier les éventuels verrous scientifiques à lever. “Derrière chaque domaine, il y a une communauté qui organise des conférences, qui publient des revues”, raconte Massih-Reza Amini. Le travail d’anticipation et de prévision est inhérent au travail de chercheur. Ses travaux sont guidés par les limitations techniques identifiées par la communauté scientifique. “Lorsqu’un enseignant-chercheur est recruté, l’université considère qu’il est capable de lancer des travaux de pointe dans son domaine”, rappelle Massih-Reza Amini.
Certaines orientations proviennent aussi des sensibilités propres aux chercheurs. “En France comme en Allemagne, l’écosystème est très conscient des enjeux de soutenabilité”, estime Demian Wassermann. Cette prise de conscience alimente notamment les travaux autour de l’IA frugale. Selon lui, cette thématique ne relève pas uniquement d’une impulsion politique. “La frugalité vient plutôt du bas vers le haut. Souvent, les directions de recherche émanent d’abord des idées des scientifiques.”
L’évidence de la frugalité...
“Beaucoup d'équipes s'intéressent aux questions de frugalité car il existe de nombreux angles par lequel aborder ce sujet."
La contrainte technique est également un facteur. Même avec des infrastructures puissantes comme Jean Zay, les ressources de calcul restent limitées face à la croissance des modèles d’IA. “L’IA frugale s’impose presque d’elle-même”, observe Karteek Alahari, directeur de recherche à l’Inria. Dans les laboratoires, les projets liés à cette problématique se multiplient. “Disons que, par la force des choses, il y a aujourd’hui beaucoup plus de travaux sur l’IA frugale que sur l’IA embarquée”, confirme Massih-Reza Amini.
Cette orientation scientifique contraste parfois avec l’attention médiatique portée au secteur. “Les résultats les plus visibles ne sont pas ceux sur l’IA frugale”, reconnaît Karteek Alahari. L’attention se porte souvent davantage sur les grands modèles génératifs. “Soyons réalistes : ce qui fascine, ce sont les modèles géants, pas forcément l’IA verte”, abonde Jérémie Sublime, enseignant-chercheur à l’Isep. “Et ce n’est pas nous qui débloquerons les grosses IA de demain”, admet-il. S’il attribue l’engouement pour une IA verte comme “uniquement pour faire plaisir au gouvernement”, Demian Wassermann objecte : “La frugalité est un sujet crédible.” Optimiser les algorithmes et réduire leur consommation de ressources peut aussi bénéficier aux grands modèles eux-mêmes, en leur permettant de gagner en efficacité ou de poursuivre leur montée en échelle.
...via des approches variées
Pour autant, priorité ne rime pas avec avancée. Au sein du programme PEPR IA, aucune thématique ne semble prendre nettement le dessus. “Les axes avancent en parallèle et se nourrissent les uns les autres”, nuance Karteek Alahari. Les moyens sont donc répartis de manière relativement équilibrée entre les différents champs de recherche. “Beaucoup d'équipes s'intéressent aux questions de frugalité car il existe de nombreux angles par lequel aborder ce sujet", explique-t-il.
La frugalité, en particulier, recouvre des approches variées. Dans son rapport publié en 2024, la commission de l’IA, coprésidée par Anne Bouverot et Philippe Aghion, souligne que la différenciation française pourrait passer “notamment par la dimension environnementale”, avec des systèmes moins énergivores, depuis l’architecture matérielle jusqu’au choix des modèles. Cela implique, par exemple, de développer des modèles plus compacts ou distillés, comportant moins de paramètres. Un autre axe concerne l’utilisation des données. L’entraînement des modèles d’IA nécessite souvent de grandes quantités de données annotées. Un processus coûteux et chronophage. “Pour y remédier, la communauté scientifique cherche à concevoir des modèles moins dépendants de ces données annotées”, explique Karteek Alahari. Cette approche constitue, elle aussi, une forme de frugalité, au niveau des données cette fois.
Le déploiement concret...
En outre, ces travaux offrent des perspectives d’application concrètes. “Le but de la recherche est qu’elle se diffuse dans le monde académique mais surtout dans l’industrie”, souligne Cédric Auliac. Le développement de modèles plus sobres ouvre, par exemple, la voie à des systèmes embarqué, pouvant être déployés directement dans les infrastructures des entreprises, sans dépendre de services cloud externes. Une telle approche peut renforcer la confidentialité des données. “Si une entreprise souhaite conserver ses données en interne, il faut que les modèles fonctionnent efficacement sur des infrastructures limitées”, explique Massih-Reza Amini.
À noter que certains systèmes d’IA fonctionnent déjà sur des appareils du quotidien. Le laboratoire français Kyutai propose par exemple une intelligence artificielle de traduction en temps réel. Pour Massih-Reza Amini, “l’IA frugale et l’IA embarquée sont les segments sur lesquels il y a le plus de focus. Et ensuite les fondements mathématiques. “
...devant la barrière de la résilience et de l’explicabilité
“L’idée était de construire une ambition pour l’IA française qui dépasse le seul monde académique et mette réellement en harmonie recherche et industrie.”
Dans l’industrie, une autre préoccupation s’impose : celle de la résilience. Les entreprises attendent des systèmes fiables. “Tout ce qui touche à la sûreté et à la sécurité de l’IA est une vraie préoccupation pour les industriels”, confirme Cédric Auliac. “Chaque mois, de nouveaux modèles apparaissent. Si nous ne sommes pas capables de les évaluer en termes de risques, de limites ou de sécurité, nous ne pourrons pas expliquer comment et pourquoi les utiliser”, avertit-il.
À ces critères s’ajoute celui de l’explicabilité. “Lorsqu’une IA en santé propose un diagnostic, il faut être capable d’expliquer le raisonnement qui y conduit”, illustre Karteek Alahari, pointant ici le frein que représente le manque de transparence dans l’adoption industrielle de l’IA. “C’est aussi un enjeu de réputation”, explique Cédric Auliac. Dans les secteurs scientifiques en particulier, il s’agit d’une exigence non-négociable. D’autant plus qu’il s’agit des plus développés à ce jour. Selon Massih-Reza Amini, les applications les plus avancées concernent notamment le climat, la physique et la santé.
Les recherches sur les fondements mathématiques de l’IA répondent précisément à ces enjeux. Elles visent à mieux modéliser et optimiser les algorithmes, mais aussi à améliorer notre compréhension de leurs réponses. La stratégie nationale pour l’IA a d’ailleurs été élaborée, via la rédaction d'un rapport de la commission pour l'IA, en concertation avec l’industrie. Plusieurs figures du secteur, dont Arthur Mensch ou Yann LeCun, ont contribué à sa conception. “L’idée était de construire une ambition pour l’IA française qui dépasse le seul monde académique et mette réellement en harmonie recherche et industrie”, explique Demian Wassermann. La transformation des résultats scientifiques en innovations industrielles reste néanmoins un défi. Entre recherche fondamentale, prototypes et applications commerciales, le chemin peut se révéler long. C’est précisément ce chaînon que le PEPR IA entend renforcer, pour faire enfin passer l’IA de la recherche à l’usage.