Les dernières percées de l’IA : Quoi de neuf et quelles sont les prochaines étapes ?

L’intelligence artificielle (IA) continue de gagner en importance, grâce à son fort potentiel de révolutionner les industries.

Cette simulation de l’intelligence humaine dans les machines apporte, après tout, des avantages tels qu’une efficacité et une productivité accrues, une précision et une prise de décision améliorées, de nouvelles opportunités d’emploi et une expérience client renforcée.

En conséquence, l’IA est devenue un moteur clé de la croissance des entreprises, avec plus de 70 % des sociétés qui l’adoptent. Les estimations montrent que le marché mondial de l’IA pourrait atteindre des billions d’ici 2030, stimulé par l’augmentation des investissements et les avancées technologiques.

Cette même année, nous avons déjà constaté d’énormes développements : OpenAI a présenté un agent de recherche approfondie avec un taux de précision supérieur à 25 % sur le benchmark Humanity’s Last Exam ; DeepSeek a sorti DeepSeek‑R1, qui utilise le raisonnement en chaîne de pensée ; Baidu a lancé Ernie X1 et Ernie 4.5 ; et Stability AI a dévoilé un nouveau modèle, Stable Virtual Camera, qui permet de transformer des photos en scènes 3D.

Parallèlement, Google collabore avec MediaTek de Taïwan pour développer la prochaine génération d’unités de traitement tensoriel (TPU) afin de réduire les coûts de production et la dépendance aux partenaires actuels. En même temps, un consortium composé d’OpenAI, Oracle (ORCL ), SoftBank et MGX a annoncé le projet Stargate en collaboration avec le gouvernement américain.

La semaine dernière, Nvidia (NVDA ) a annoncé une nouvelle gamme de « superordinateurs personnels IA » alimentés par sa plateforme de puces Grace Blackwell. Le PDG Jensen Huang a présenté le DGX Spark et le DGX Station lors du GTC 2025 pour permettre aux utilisateurs de prototyper, d’affiner et d’exécuter des modèles IA de différentes tailles en périphérie. GTC 2025.

Alors, examinons maintenant certaines des percées clés les plus récentes réalisées par les chercheurs grâce à l’IA dans différents secteurs.

Cliquez ici pour savoir si l’IA n’est qu’une hype ou s’il y a une substance à sa croissance.

L’IA résout ses propres défis d’apprentissage

L’IA ne se contente pas de se transférer à d’autres secteurs, elle contribue même à elle-même en permettant le développement de systèmes d’IA plus sophistiqués grâce aux avancées en analyse de données, apprentissage automatique et automatisation, conduisant à un traitement plus rapide, des prédictions plus précises et une meilleure prise de décision.

Ce mois-ci, des chercheurs ont présenté de nouveaux composants mémristifs beaucoup plus robustes, capables de fonctionner à la fois en modes analogique et numérique, et opérant sur une plage de tension plus large.

Ces caractéristiques peuvent aider à résoudre le « oubli catastrophique », qui se produit lorsque les réseaux neuronaux artificiels oublient ce qu’ils ont appris auparavant. Cela se produit généralement lorsque les réseaux neuronaux profonds (DNN), conçus pour imiter le cerveau humain, sont entraînés à une nouvelle tâche, et que la nouvelle optimisation écrase les connaissances antérieures.

Notre cerveau n’a pas ce problème, grâce à sa capacité à ajuster le degré de changement synaptique. De plus, on suppose que les différents degrés de plasticité permettent à notre cerveau d’apprendre de façon permanente de nouvelles choses sans oublier les anciennes. Les chercheurs ont réalisé quelque chose de similaire avec leur nouveau mémristor.

Les mémristors se comportent beaucoup comme les cellules cérébrales et consomment très peu d’énergie. En tant que dispositif de mémoire à commutation de résistance, les mémristors peuvent modifier leur résistance en fonction de la tension appliquée. Même après que la tension soit coupée, leur valeur de résistance demeure grâce à leur capacité à subir des changements structurels.

Selon Ilia Valov du Peter Grünberg Institute (PGI‑7) au Forschungszentrum Jülich, qui a dirigé la recherche:

« Les éléments mémristifs sont considérés comme des candidats idéaux pour des composants informatiques neuro‑inspirés capables d’apprentissage, modélisés sur le cerveau. »

Bien que des progrès substantiels aient été réalisés, la commercialisation des composants progresse beaucoup plus lentement en raison du taux élevé d’échec en production, de la courte durée de vie du produit et de la sensibilité aux influences mécaniques pouvant provoquer des dysfonctionnements pendant le fonctionnement.

Cela nécessite des recherches visant à mieux contrôler les processus à l’échelle nanométrique ainsi que de nouveaux matériaux et mécanismes de commutation afin de réduire la complexité des systèmes et d’élargir leur gamme de fonctionnalités, a déclaré Valov.

Dans ce but précis, des scientifiques allemands et chinois se sont réunis et ont « découvert un mécanisme mémristif électrochimique fondamentalement nouveau, chimiquement et électriquement plus stable », qui élargira l’horizon des applications en neurosciences.

Cliquez ici pour découvrir comment les puces cérébrales activées par l’IA ouvriront la prochaine étape de l’évolution humaine.

Percée du mémristor pour l’apprentissage continu de l’IA

Publié dans la revue Nature Communications¹, l’étude a identifié deux mécanismes principaux du fonctionnement des mémristors bipolaires:

1. Electrochemical Metallization (ECM)
2. Valence Change Mechanism (VCM)

Les mémristors ECM forment un filament métallique entre les deux électrodes. Ce petit « pont conducteur » modifie la résistance électrique et se dissout lorsqu’on inverse la tension. Bien qu’ils permettent des tensions de commutation faibles et des temps de commutation rapides, les états générés sont variables et de courte durée.

Les mémristors VCM modifient la résistance grâce au déplacement des ions oxygène à l’interface entre l’électrode et l’électrolyte en modifiant la barrière de Schottky. Bien qu’ils soient relativement stables, cela nécessite des tensions de commutation élevées.

Chaque procédé ayant ses propres avantages et inconvénients, l’équipe a conçu un mémristor en combinant les bénéfices des deux types, ce qui était considéré comme impossible.

Ainsi, le nouveau mémristor utilise un filament composé d’oxydes métalliques (au lieu d’être entièrement métallique comme l’ECM), formé par le déplacement des ions oxygène et tantale. Il est très stable et ne se dissout jamais complètement.

« Vous pouvez le concevoir comme un filament qui existe toujours dans une certaine mesure et qui n’est que modifié chimiquement. »

– Valov

Le nouveau mécanisme de commutation robuste est appelé mécanisme de modification de la conductivité du filament (FCM). Les composants basés sur ce mécanisme sont plus résistants aux hautes températures, nécessitent des tensions plus faibles pour fonctionner, offrent une plage de tension plus large et sont chimiquement et électriquement plus stables. Leur durée de vie est également plus longue car moins de composants tombent en panne pendant la production, ce qui réduit le taux de rejet.

Les différents états d’oxydation permettent en outre au mémristor de fonctionner à la fois en modes binaire et analogique, ce qui peut aider à surmonter le problème d’« oubli catastrophique ».

Valov a expliqué que les « propriétés uniques » du nouveau mémristor ohmique à deux terminaux « permettent l’utilisation de différents modes de commutation pour contrôler la modulation du mémristor de manière à ce que l’information stockée ne soit pas perdue ».

Les chercheurs ont déjà intégré le nouveau composant mémristif dans un modèle de réseau neuronal artificiel en simulation, obtenant des précisions élevées de reconnaissance de motifs sur plusieurs ensembles d’images.

L’équipe va maintenant explorer d’autres matériaux qui pourraient être encore meilleurs et plus stables. Valov est convaincu que leurs « résultats feront progresser davantage le développement d’électroniques pour les applications de « calcul en mémoire » ».

Aujourd’hui, l’une des principales entreprises du secteur de l’IA est Microsoft (MSFT ), qui a investi 12 milliards de dollars dans le créateur de ChatGPT, OpenAI, et propose des produits IA tels que Copilot, Azure AI Studio et des outils alimentés par l’IA au sein de Microsoft 365, Dynamics 365 et Power Platform. Le géant technologique, dont la capitalisation boursière s’élève à 2,9 billion de dollars, voit ses actions se négocier actuellement à 394,58 $, en baisse de 7,17 % depuis le début de l’année. Pour le trimestre clos le 31 décembre 2024, il a annoncé une hausse de 12 % de son chiffre d’affaires, atteignant 69,6 milliards de dollars, et un BPA dilué de 3,23 $.

Selon le PDG de Microsoft, Satya Nadella:

« Nous innovons à travers notre pile technologique et aidons les clients à libérer le plein retour sur investissement de l’IA pour saisir la vaste opportunité qui s’annonce. Déjà, notre activité IA a dépassé un taux de revenu annuel de 13 milliards de dollars, en hausse de 175 % d’une année sur l’autre. »

Dernières nouvelles de Microsoft

IA dans la santé, amélioration du diagnostic de la maladie de Parkinson

Dans le secteur de la santé, l’IA aide à réduire les coûts et à obtenir de meilleurs résultats pour les patients en améliorant le diagnostic, le traitement et les soins grâce à la détection des maladies, la médecine personnalisée et une meilleure efficacité des tâches administratives.

Aujourd’hui, l’IA aidera les cliniciens à diagnostiquer de façon différentielle la maladie de Parkinson et les affections connexes plus rapidement et avec une plus grande précision.

Le diagnostic de la maladie de Parkinson se situe actuellement entre 55 % et 78 % au cours des cinq premières années d’évaluation, en partie à cause de troubles du mouvement apparentés partageant des similitudes, ce qui rend le diagnostic définitif initialement difficile.

Cependant, un nouveau modèle IA développé par des chercheurs de l’Université de Floride et de l’UF Health Norman Fixel Institute for Neurological Diseases affiche un taux de précision supérieur à 96 %.

Comme le souligne l’étude, l’application d’une approche basée sur l’imagerie pour diagnostiquer et différencier la maladie de Parkinson (PD), la paralysie supranucléaire progressive (PSP) et l’atrophie à système multiple (MSA) variantes parkinsoniennes a été particulièrement difficile. Cependant, des données récentes ont montré que cela est possible grâce à l’IRM en diffusion associée à des algorithmes d’apprentissage automatique spécifiques à la maladie.

L’étude, financée par les National Institutes of Health et publiée dans JAMA Neurology, détaille l’Automated Imaging Differentiation for Parkinsonism (AIDP), un logiciel automatisé de traitement d’IRM et d’IA comportant une technique de biomarqueur non invasive.

Les fabricants d’IRM, David Vaillancourt, professeur au département de physiologie appliquée et kinésiologie de l’UF, ont noté qu’ils ne communiquent pas entre eux en raison de la concurrence sur le marché et utilisent leurs propres logiciels et séquences.

Ainsi, les chercheurs ont « développé un logiciel novateur qui fonctionne sur tous ces systèmes ». L’outil aidera les médecins à augmenter leur efficacité diagnostique entre différents troubles, a déclaré Vaillancourt.

L’IRM en diffusion dans l’AIDP aide à identifier les zones de neurodégénérescence en mesurant la diffusion des molécules d’eau dans le cerveau, l’algorithme analyse ensuite l’image cérébrale pour fournir les résultats.

L’algorithme a été rigoureusement testé par rapport aux diagnostics en clinique et réalisé sur 21 sites, dont deux au Canada et 19 aux États‑Unis.

« C’est un exemple où l’innovation entre la technologie et l’intelligence artificielle a prouvé qu’elle améliore la précision diagnostique, nous offrant l’opportunité d’améliorer davantage le traitement des patients atteints de la maladie de Parkinson. »

– Michael Okun, M.D., directeur du Norman Fixel Institute for Neurological Diseases à UF Health.

Les chercheurs visent maintenant à obtenir l’approbation de la Food and Drug Administration (FDA) des États‑Unis.

Utiliser l’IA pour prédire le risque cardiovasculaire à partir de mammographies

Un autre modèle d’apprentissage profond a montré son potentiel à prédire le risque cardiovasculaire à partir d’images de mammographies, un outil important de dépistage du cancer. Cette étude distincte présentée lors de la session scientifique annuelle de l’American College of Cardiology (ACC) combine la puissance de l’IA avec les mammographies pour analyser l’accumulation de calcium dans les artères du tissu mammaire.

L’accumulation de calcium dans les vaisseaux sanguins est un signe de dommages cardiovasculaires associés au vieillissement ou à une maladie cardiaque précoce. Selon des études antérieures, les femmes présentant une accumulation de calcium dans les artères ont un risque de maladie cardiaque et d’AVC supérieur de 51 %.

Bien que les maladies cardiaques soient la première cause de décès aux États‑Unis, elles restent sous‑diagnostiquées chez les femmes, ce qui pourrait changer grâce aux outils de dépistage par mammographie alimentés par l’IA qui exploitent mieux les examens que de nombreuses femmes subissent régulièrement.

Aux États‑Unis, environ 40 millions de mammographies sont réalisées chaque année. Ces rayons X servent à dépister le cancer du sein. Bien que ces images montrent des calcifications des artères mammaires, l’information n’est pas communiquée aux patientes ni à leurs cliniciens.

La nouvelle étude a utilisé une technique d’analyse d’images IA jamais appliquée auparavant aux mammographies pour montrer que la technologie peut combler cette lacune en évaluant automatiquement les calcifications puis en fournissant une évaluation du risque cardiovasculaire. Selon le principal auteur de l’étude, le Dr Theo Dapamede, PhD, chercheur postdoctoral à l’Université Emory d’Atlanta:

« Nous voyons une opportunité pour les femmes d’être dépistées pour le cancer et, en plus, d’obtenir un dépistage cardiovasculaire à partir de leurs mammographies. Notre étude a montré que la calcification artérielle mammaire est un bon indicateur de maladie cardiovasculaire, surtout chez les patientes de moins de 60 ans. Si nous pouvons dépister et identifier ces patientes tôt, nous pouvons les orienter vers un cardiologue pour une évaluation supplémentaire du risque. »

Pour créer l’outil, les chercheurs ont entraîné un modèle IA à segmenter les vaisseaux calcifiés dans les images de mammographies. Le modèle utilise ensuite ces pixels lumineux pour calculer le risque d’événements cardiovasculaires futurs à partir des données de plus de 56 000 patientes. 

« Les avancées en apprentissage profond et en IA ont rendu beaucoup plus faisable l’extraction et l’utilisation d’informations supplémentaires à partir d’images pour informer le dépistage opportuniste. »

– Dapamede

Les résultats de l’étude ont démontré que le nouveau modèle performait bien pour identifier le risque cardiovasculaire des patientes à faible, modéré ou élevé à partir des images de mammographies.

Selon eux, le taux d’événements cardiovasculaires graves augmente avec le niveau de calcification artérielle mammaire chez les femmes de moins de 60 ans et celles entre 60 et 80 ans, après avoir calculé le risque de décès dû à un infarctus aigu, un AVC ou toute cause à deux et cinq ans.

Cela rend cet outil particulièrement adapté pour fournir un avertissement précoce du risque de maladie cardiaque chez les femmes plus jeunes, permettant des interventions précoces.

Les résultats de l’étude montrent également que les patientes présentant le niveau le plus élevé de calcification artérielle mammaire, supérieur à 40 mm², avaient un taux de survie sans événement à cinq ans nettement plus bas que celles avec le niveau le plus bas, inférieur à 10 mm².

L’étape suivante des chercheurs est d’obtenir l’approbation de la FDA et de le rendre disponible à plus grande échelle. À l’avenir, le plan est également d’examiner l’utilisation de modèles IA similaires pour analyser des biomarqueurs d’autres affections, comme les maladies rénales, qui pourraient être extraits des mammographies.

Aujourd’hui, en ce qui concerne les entreprises qui font progresser l’IA dans la santé, GE HealthCare Technologies (GEHC ) investit massivement dans la technologie et l’intègre à travers ses produits pour améliorer les soins aux patients et optimiser les flux de travail des cliniciens. Les actions de la société, dont la capitalisation boursière s’élève à 37,26 milliards de dollars, se négocient actuellement à 81,49 $, en hausse de 4,23 %. Au quatrième trimestre 2024, son chiffre d’affaires a augmenté de 2 % pour atteindre 5,3 milliards de dollars, tandis que le BPA dilué était de 1,57 $.

Dernières nouvelles de GE HealthCare Technologies

IA en science des matériaux : optimisation des processus de croissance de films minces

La science des matériaux est essentielle aux avancées modernes car elle permet le développement de nouveaux matériaux et l’amélioration de ceux existants. L’IA dans ce domaine contribue en accélérant la découverte et la conception de nouveaux matériaux, en optimisant ceux existants et en améliorant les processus de fabrication.

Des chercheurs de l’Université des Sciences de Tokyo (TUS), dirigés par le professeur Masato Kotsugi, ont désormais utilisé l’IA pour optimiser les processus de croissance de films minces en prédisant la croissance dendritique dans ceux‑ci.

Ces processus jouent un rôle clé dans le développement de dispositifs semi‑conducteurs, de technologies de communication et de capteurs.

Aujourd’hui, les films minces sont déposés en superposant de fines couches de matériaux sur un substrat. Cependant, pour exploiter pleinement les performances des dispositifs à films multicouches, le substrat doit être fabriqué avec précision car il influence considérablement la configuration structurelle, ce qui affecte ensuite leur fonction et leurs performances.

Cependant, les structures sont fortement influencées par les conditions du processus de croissance telles que la composition, l’atmosphère et les défauts de surface. Au cours du processus de croissance de la fabrication à grande échelle, important pour son application commerciale, un obstacle majeur apparaît sous forme de structures dendritiques.

Ces motifs ramifiés en forme d’arbre réduisent la planéité des films minces et sont couramment observés dans des matériaux tels que le graphène, le cuivre et le borophène, surtout au stade initial de croissance et dans les films multicouches.

Étant donné que la microstructure influence directement les performances du dispositif, il est crucial de réduire la formation dendritique. Pour cela, nous devons d’abord comprendre les conditions qui provoquent la ramification dendritique. Les méthodes existantes d’étude des dendrites reposent toutefois sur une simple analyse visuelle et une interprétation subjective, nécessitant de nombreux essais et erreurs.

Pour relever ces défis, les chercheurs ont construit un modèle IA pour analyser les structures dendritiques. Cette méthode innovante intègre l’apprentissage automatique (ML) et l’homologie persistante (PH) avec l’analyse énergétique afin de relier structure et processus dans la croissance dendritique.

« Notre approche offre de nouvelles perspectives sur les mécanismes de croissance et propose une voie puissante, guidée par les données, pour optimiser la fabrication de films minces. »

– Prof. Kotsugi

Combinaison de l’IA, de l’PH et de l’analyse énergétique pour étudier la croissance dendritique

Publié dans Science and Technology of Advanced Materials: Methods³, l’étude détaille le modèle qui utilise l’homologie persistante (PH) pour capturer les caractéristiques topologiques complexes des microstructures dendritiques, souvent négligées par les techniques traditionnelles de traitement d’images.

Alors que la PH permet l’évaluation multiscalaire des trous et des connexions au sein des structures géométriques, la technique d’apprentissage automatique d’analyse en composantes principales (PCA) a aidé à réduire les caractéristiques essentielles de la morphologie des dendrites extraites via la PH à un espace 2D.

Cela a aidé l’équipe à quantifier les changements structurels des dendrites et à établir une relation entre ces changements et l’énergie libre du matériau qui influence la façon dont les dendrites se forment.

En évaluant cette relation, l’équipe a découvert les conditions particulières et les mécanismes de croissance cachés qui affectent la ramification dendritique.

« Notre cadre cartographie quantitativement la morphologie dendritique aux variations d’énergie libre de Gibbs, révélant les gradients d’énergie qui pilotent le comportement de ramification. »

– Kotsugi

L’équipe a ensuite étudié la croissance dendritique sur un substrat de cuivre (Cu) hexagonal et comparé les résultats avec des données de simulations de champ de phase afin de valider leur approche. Kotsugi a noté :

« En intégrant la topologie et l’énergie libre, notre méthode offre une approche polyvalente de l’analyse des matériaux. Grâce à cette intégration, nous pouvons établir une connexion hiérarchique entre les microstructures à l’échelle atomique et les fonctionnalités macroscopiques sur une large gamme de matériaux, ouvrant la voie aux futures avancées en science des matériaux. »

Selon lui, cette méthode peut conduire au développement de dispositifs de films minces de haute qualité pour des communications à haute vitesse au‑delà de la 5G et à des avancées dans les matériaux haute performance, la physique hors équilibre et la technologie des capteurs.

Si l’on regarde un nom de premier plan dans le domaine de la science des matériaux qui utilise l’IA pour innover, Applied Materials (AMAT ) figure parmi les meilleurs. Elle exploite l’IA pour améliorer la fabrication de puces semi‑conductrices grâce à sa plateforme AI(x), ExtractAI et au système SEMVision™ H20. La société, dont la capitalisation boursière s’élève à 123,6 milliards de dollars, voit ses actions se négocier actuellement à 151 $, en baisse de 6,5 % depuis le début de l’année. Pour le premier trimestre 2025, elle a annoncé une hausse de 7 % de son chiffre d’affaires, atteignant 7,17 milliards de dollars, tandis que le BPA GAAP était de 1,45 $ et le BPA non‑GAAP de 2,38 $.

« La dynamique industrielle visant à accélérer le développement de calcul avancé et d’IA plus sophistiquée prend de l’ampleur. Applied Materials permet les principales inflexions d’architecture de dispositifs essentielles pour une IA économe en énergie, et notre focus sur l’innovation à haute vélocité crée des opportunités de collaboration uniques avec nos clients et partenaires, positionnant Applied pour une croissance continue et une surperformance dans les années à venir. »

– CEO Gary Dickerson last month

Dernières nouvelles d’Applied Materials

Conclusion

L’IA a déjà transformé les entreprises dans tous les secteurs. Le rythme rapide de l’innovation offre désormais des solutions révolutionnaires à ses défis de longue date. Avec ces avancées, allant de la science des matériaux, aux diagnostics médicaux, aux superordinateurs personnels, voire aux solutions aux propres défis d’apprentissage de l’IA, nous entrons dans une ère qui promet une transformation sans précédent.

À mesure que l’IA continue d’évoluer, sa capacité à stimuler la productivité, à améliorer la prise de décision et à ouvrir de nouveaux horizons en fait l’une des forces les plus puissantes qui façonnent l’avenir.

Cliquez ici pour tout savoir sur l’investissement dans l’intelligence artificielle (IA).