Adieu à la puissance brute : la reconfiguration de la logique d’évaluation d’AI for Science à partir de « GrainBot » de l’Université de Hong Kong

Le secteur de l’intelligence artificielle à Hong Kong en 2026 connaît une explosion à haute densité. Si le plan de subvention en puissance de calcul de 3 milliards HKD mentionné dans le budget du mois dernier a été comme une injection de confiance pour l’industrie, alors les récentes percées académiques majeures et les dialogues avec l’industrie de haut niveau, qui se sont succédé ces derniers jours, marquent une étape cruciale : Hong Kong AI passe rapidement de la phase de « déploiement d’infrastructures » à celle de « concrétisation des applications » dans ses eaux profondes.

Hier (3 mars), alors que la majorité des observateurs du marché restaient concentrés sur l’inflation de puissance de calcul de la dernière génération de GPU NVIDIA ou sur le lancement d’un nouveau modèle de grande taille par OpenAI, l’équipe dirigée par le professeur Guo Yike, vice-président principal du HKUST, a lancé une bombe dans le monde académique et industriel : GrainBot.

Ce n’est pas seulement une nouvelle boîte à outils pour l’IA, c’est un exemple typique de la transition de « l’IA pour la science » (AI4S) du concept à la mise en œuvre industrielle. En tant qu’observateur de longue date des secteurs de la technologie quantitative et de la Deep Tech, je pense que l’émergence de GrainBot marque un changement de centre de gravité dans le développement de l’IA à Hong Kong, passant du « chat généraliste » à la « découverte verticale ». Pour les professionnels de la finance, comprendre la logique derrière GrainBot, c’est saisir l’alpha des investissements en technologies dures pour les cinq prochaines années.

(Source de l’image : analyticalscience.wiley.com)

Pour saisir la valeur de GrainBot, il faut d’abord comprendre les « points douloureux » de la science des matériaux.

Dans les secteurs en amont de la fabrication de haute technologie tels que les semi-conducteurs, les batteries nouvelles énergies ou les panneaux photovoltaïques, la performance des matériaux détermine souvent le succès ou l’échec du produit. Et cette performance — qu’il s’agisse de conductivité, de résistance ou de résistance à la corrosion — dépend en grande partie de leur microstructure, c’est-à-dire de la taille, de la forme et de la distribution des « grains » (Grains). Depuis longtemps, les scientifiques des matériaux ressemblent à une troupe d’artisans munis de loupes. Ils utilisent des microscopes électroniques à balayage (SEM) ou des microscopes à force atomique (AFM) pour prendre des milliers d’images, puis, à l’aide de doctorants ou de chercheurs, passent des centaines d’heures à identifier, délimiter et annoter manuellement les frontières de chaque grain. Non seulement cette méthode est très inefficace, mais elle est aussi sujette à des erreurs subjectives humaines.

L’émergence de GrainBot revient à équiper le microscope d’un « cerveau autonome de niveau L4 ».

Selon les résultats de recherche récemment publiés dans la revue phare « Matter » de Cell Press, GrainBot utilise des techniques avancées de vision par ordinateur (CV) et d’apprentissage profond pour réaliser automatiquement la segmentation d’image, l’extraction de caractéristiques et l’analyse quantitative. Il n’a plus besoin d’intervention humaine pour identifier précisément les frontières des grains, ni pour calculer des paramètres géométriques complexes tels que la surface, la géométrie des sillons ou le volume des dépressions.

Plus important encore, GrainBot n’est pas simplement un « compteur ». Il possède une capacité d’analyse relationnelle, capable de relier ces données microstructurales aux performances macroscopiques du matériau. Lors de tests sur des films de pérovskite — un matériau clé considéré comme la prochaine génération de cellules solaires à haute efficacité — GrainBot a réussi à constituer une base de données contenant des milliers de grains annotés, révélant des relations structure-performance auparavant difficiles à quantifier. Lors de la conférence de lancement, le professeur Guo Yike a déclaré avec une vision prospective : « À mesure que le flux de travail scientifique devient plus automatisé et axé sur les données, ce type d’outils deviendra le moteur clé des ‘laboratoires autonomes’ de demain. »

Pour le capital financier, l’émergence de résultats comme GrainBot signifie qu’il faut réviser nos modèles d’évaluation des projets d’IA. Au cours des deux dernières années (2024-2025), l’engouement du marché pour l’IA s’est principalement concentré sur les « grands modèles universels » et les SaaS d’application. La logique d’évaluation reposait principalement sur le MAU (utilisateurs actifs mensuels), le ARR (revenu récurrent annuel) et la consommation de tokens. Cependant, avec la diminution des effets marginaux des modèles universels, les capitaux commencent à chercher de nouvelles sources de croissance. L’AI for Science (AI4S) offre une logique totalement différente : sa valeur ne réside pas dans le nombre de personnes servies, mais dans la réduction des cycles de R&D et la découverte de nouveaux matériaux.

Prenons l’exemple de GrainBot : si cet outil peut réduire le cycle de développement des cellules solaires en pérovskite de 3 ans à 6 mois, ou aider CATL à découvrir un nouveau matériau cathodique avec une densité d’énergie supérieure de 10 %, la valeur économique générée sera exponentielle.

Il s’agit d’une logique de « propriété intellectuelle industrielle ». Les futurs licornes de l’IA ne seront peut-être plus celles qui développent des chatbots, mais celles qui maîtrisent des données et des algorithmes dans des domaines verticaux spécifiques (matériaux, biopharmacie, chimie) et qui peuvent produire en masse des brevets technologiques dans des « laboratoires numériques ».

Dans cette optique, l’avantage des universités de Hong Kong est considérablement amplifié. Contrairement à la Silicon Valley, dominée par des ingénieurs logiciels, Hong Kong dispose d’une densité exceptionnelle d’experts en matériaux, chimie et biomédecine. La percée du HKUST est le résultat d’une collaboration profonde entre la science informatique (équipe de Guo Yike) et le génie chimique (professeur Zhou Yuanyuan). Cette combinaison de « IA + connaissance du domaine » constitue une barrière difficile à reproduire pour les entreprises purement internet.

GrainBot n’est pas une exception. En élargissant la perspective, on constate que Hong Kong construit un nouveau paradigme de recherche basé sur des « laboratoires autonomes ». Ces laboratoires autonomes utilisent la robotique et l’IA pour automatiser entièrement la conception, l’exécution, l’analyse des données et l’optimisation itérative des expériences. Dans ce cycle fermé, l’IA (comme GrainBot) « voit » et « pense », tandis que les robots « font ». Cette tendance a des implications profondes pour la transformation économique de Hong Kong. Longtemps considéré comme un centre financier et un port commercial, Hong Kong a souvent été perçu comme manquant de « jambes » dans la R&D en haute technologie. Cependant, avec l’avènement de l’ère AI4S, la forme de la recherche et du développement change : elle devient plus numérique et intelligente. Hong Kong n’a pas besoin, comme la Chine continentale, de vastes terrains pour construire des usines ; il lui suffit d’exploiter ses infrastructures de puissance de calcul et ses cerveaux de recherche de premier ordre pour devenir un exportateur mondial de « formules pour nouveaux matériaux ».

Imaginez un futur où le parc scientifique de Hong Kong ne se limite pas à des immeubles de bureaux, mais abrite des centaines, voire des milliers, de « laboratoires sans personnel » fonctionnant 24h/24 et 7j/7. Ces laboratoires ingèrent continuellement des données, analysent les résultats avec des outils comme GrainBot, ajustent automatiquement les paramètres expérimentaux, et finissent par produire des formules brevetables de grande valeur. Ces formules peuvent être licenciées aux usines manufacturières de la Grande Baie pour la production en série. C’est la version 2.0 de « R&D à Hong Kong + fabrication dans la Grande Baie ».

Bien sûr, en tant qu’observateur rationnel, il ne faut pas non plus ignorer les problèmes et les risques.

Le principal obstacle à l’AI for Science reste les données. Contrairement à l’entraînement de ChatGPT avec une quantité massive de textes issus d’Internet, les données scientifiques de haute qualité (par exemple, des images microscopiques parfaitement annotées) sont extrêmement rares. La réussite de GrainBot repose en partie sur le fait que l’équipe a consacré beaucoup d’efforts à constituer un jeu de données initial de haute qualité. De plus, l’effet d’isolement des données scientifiques est encore plus marqué que sur Internet. Chaque entreprise de matériaux ou chaque laboratoire détient des données confidentielles. La question cruciale est de savoir comment établir un mécanisme de partage sécurisé (peut-être en combinant Web3 ou des techniques de calcul confidentiel) permettant aux modèles d’IA de « manger » des données de diverses sources pour grandir, tout en protégeant la confidentialité.

Au printemps 2026, alors que nous regardons depuis le campus du HKUST sur la baie de Clear Water, ce que nous voyons n’est pas seulement un paysage, mais aussi une génération de paradigmes de recherche en pleine mutation.

Le lancement de GrainBot symbolise la parfaite alliance entre « l’esprit hacker » (rapide itération, algorithmes) et « l’esprit artisanal » (observation minutieuse, polissage des matériaux). Pour les investisseurs, l’attention ne doit plus se limiter à savoir qui possède le plus de GPU H100, mais à qui pourra utiliser l’IA pour résoudre les défis physiques les plus concrets du monde réel.

Sur cette nouvelle voie, Hong Kong a déjà pris un bon départ. GrainBot n’est peut-être qu’un début : au-delà du champ de vision du microscope, un marché de la découverte de matériaux par IA, d’un trillion de dollars, se déploie lentement mais sûrement.