La revue de la semaine — IA, robotique et cognition (28 septembre – 5 octobre 2026)

Chaque semaine, l'essentiel de ce qui s'est publié en intelligence artificielle et à la croisée des sciences cognitives, dans une version resserrée et accessible.

Trois mots pour suivre cette édition

Prépublication : une étude mise en ligne par ses auteurs (le plus souvent sur le site arXiv) avant d'avoir été relue par d'autres chercheurs. Des pistes sérieuses, pas encore des certitudes.

Grand modèle de langage (LLM) : le moteur des assistants comme ChatGPT ou Claude, entraîné sur d'immenses quantités de texte.

Fenêtre de contexte : la quantité de texte qu'un tel modèle peut garder « en tête » à un instant donné — l'équivalent de sa mémoire de travail.

Intelligence artificielle

Pas de thème unique cette semaine, mais une même question en filigrane : jusqu'où laisser l'IA s'organiser elle-même ?

Une IA qui gère sa propre mémoire de travail. D'ordinaire, ce qu'un modèle garde en tête est géré par des règles écrites à l'avance par des ingénieurs. Des chercheurs de l'université de Washington et de Meta FAIR confient cette gestion au modèle lui-même, qui traite sa mémoire comme un fichier qu'il peut effacer, réorganiser ou résumer. Sur une tâche de recherche d'information complexe, la réussite progresse jusqu'à 47,6 %, pour moins de calcul. Travail très commenté, mais encore non relu par des pairs (Shao, Shen et al., prépublication arXiv, 29 sept.).

Une IA qui écrit ses propres recettes de calcul. Plutôt que de demander à un modèle de résoudre directement un casse-tête d'organisation — tournées de camions, plannings d'hôpital —, le système LACE lui fait écrire puis perfectionner les petites règles de résolution qui, elles, feront le travail. Sur 36 problèmes de référence, le score moyen passe de 0,571 pour un modèle employé tel quel à 0,945, au-dessus des meilleures méthodes existantes (Gong, Wang et al., Nature Machine Intelligence, 1ᵉʳ oct.).

Sous contrainte, une IA s'organise comme un cerveau. Quand on force un réseau de neurones artificiel à apprendre plusieurs tâches avec des ressources de calcul limitées, il se répartit spontanément en modules spécialisés, à la manière des zones du cerveau. L'organisation obtenue ressemble davantage aux réseaux cérébraux réels que celle des modèles antérieurs, ce qui suggère que c'est la variété des tâches, plus que l'économie de câblage, qui façonne cette architecture (Wu, Deng et al., Nature Machine Intelligence, 28 sept.).

Yann LeCun relance le débat sur les risques. Dans un entretien à Fortune, le chercheur, qui a quitté Meta cette année pour fonder son propre laboratoire, déclare n'avoir « aucune inquiétude » quant à un risque d'extinction lié à l'IA et attribue les incidents récents impliquant des agents autonomes à des environnements de test mal conçus plutôt qu'à une dangerosité des modèles. Il vise nommément le dirigeant d'Anthropic, Dario Amodei : « Je pense qu'il est complètement dans l'illusion » (completely deluded), avant de le qualifier plus loin de crazy, tout en le reconnaissant « honnête ». Les avertissements d'Amodei et de Sam Altman sur une IA qui pourrait « tous nous tuer » constituent selon lui « la pire campagne de communication qu'on puisse imaginer ». Il juge enfin le risque de verrouillage réglementaire du marché par les grands laboratoires plus sérieux que celui d'une extinction. Prise de position dans la presse, non travail scientifique (Fortune, 1ᵉʳ oct.).

Robotique

Des micro-robots qui apprennent à naviguer dans les vaisseaux sanguins. Ces robots microscopiques, envisagés pour délivrer un médicament au bon endroit du corps, doivent apprendre à se diriger dans un labyrinthe mouvant. En entraînant la commande dans plus de 10 000 réseaux vasculaires virtuels en parallèle, les chercheurs ramènent l'apprentissage de plusieurs heures à quelques minutes, et ce qui a été appris fonctionne directement sur de vrais micro-robots. La version relue par des pairs paraît cette semaine (Sun, Zhu et al., Nature Machine Intelligence, 28 sept.).

Imaginer la scène, puis agir. Le système UniWAM réunit deux compétences : prédire comment une scène va évoluer, et décider du geste à faire. Il apprend aussi bien sur des vidéos de gestes humains filmés à hauteur d'yeux que sur des données de robots, en traduisant les actions en langage courant pour s'appuyer sur des modèles déjà entraînés (Chen, Song et al., prépublication arXiv, 1ᵉʳ oct.).

Sciences cognitives & neurosciences

Quand l'IA uniformise la parole citoyenne. La plateforme de pétitions Change.org a proposé à ses utilisateurs un outil de rédaction assistée par IA. En analysant 1,5 million de pétitions avant et après, des chercheurs de Cornell et du Michigan constatent que les textes sont devenus plus longs et surtout stylistiquement plus semblables les uns aux autres, sans gagner ni signatures ni taux de succès. L'IA change la forme du discours public sans le rendre plus efficace (Corpus, Gilbert et al., Nature Human Behaviour, 30 sept.).

Le sens des mots, dans le cerveau comme dans la machine. En enregistrant l'activité de neurones individuels chez des patients écoutant des histoires, une équipe du Baylor College of Medicine montre que le sens d'un mot n'est pas porté par un neurone dédié, mais par un motif réparti sur toute une population de neurones de l'hippocampe. Fait notable : cette organisation ressemble statistiquement à la façon dont un modèle de langage représente le sens (Franch, Mickiewicz et al., Nature Neuroscience, 30 sept.).

Décoder la parole que l'on n'a pas prononcée. À partir d'enregistrements cérébraux directs, des chercheurs de Shanghai distinguent les signaux de la parole imaginée — dire un mot dans sa tête — de ceux de la parole prononcée, décodent les syllabes avec environ 80 % de précision et reconstituent une voix de synthèse de qualité comparable à la parole réelle. Une piste sérieuse pour redonner la parole à des personnes paralysées (Zhao, Wang et al., Nature Neuroscience, 29 sept.).

Lire l'activité cérébrale plus vite. Un modèle développé à Oxford pour analyser les signaux magnétiques du cerveau s'entraîne dix-huit fois plus rapidement que les approches habituelles, soit 22 heures de calcul au lieu de 400, tout en traitant des séquences plus longues (Gohil, Cho et al., prépublication arXiv, 30 sept.).

Sur les étagères

• Artificial Intimacy (Sherry Turkle, Little, Brown, paru le 29 septembre 2026, en anglais) : la nouveauté de la semaine. La sociologue du MIT, qui observe notre rapport aux machines depuis quarante ans, examine ce que devient notre capacité de lien quand des programmes simulent l'intimité et l'empathie, de l'enfance à la fin de vie. Critiques très favorables de Publishers Weekly et Kirkus.
• Savoir vivre avec l'IA (Laurence Devillers, Denoël, avril 2026) : la chercheuse de Sorbonne Université, spécialiste des relations affectives entre humains et machines, analyse des IA qui « communiquent sans comprendre » et propose des pistes pour un usage éducatif et responsable.
• Dancing with Roomba (Joseph L. Jones, CRC Press, octobre 2025, en anglais) : le roboticien principal du Roomba raconte comment ce robot aspirateur, vendu à près de 50 millions d'exemplaires, a réussi là où cinquante ans de tentatives industrielles avaient échoué.

Revue construite à partir des prépublications scientifiques (arXiv), des revues à comité de lecture (Nature Machine Intelligence, Nature Neuroscience, Nature Human Behaviour) et de la presse spécialisée, pour la semaine du 28 septembre au 5 octobre 2026.