Le Japon consacre 32 milliards de yens à ARiSE pour intégrer l’IA à l’ensemble du cycle de recherche scientifique

31 projets sélectionnés pour repenser la recherche scientifique

La nouvelle initiative japonaise ARiSE consacrera 32 milliards de yens à des recherches scientifiques utilisant l’intelligence artificielle pour formuler des hypothèses, planifier et mener des expériences, analyser les résultats et décider des prochaines pistes à explorer. L’Agence japonaise pour la science et la technologie (JST) a sélectionné 31 projets sur 203 candidatures. Le financement couvrira environ deux ans et demi, d’octobre 2026 à mars 2029.

Dans son annonce de sélection du 29 septembre, la JST confirme que 12 projets ont été retenus dans la catégorie « Objectifs stratégiques » et 19 dans la catégorie « International et interdisciplinaire ». Au total, 82 conseillers ont participé à l’examen des dossiers et aux entretiens. Les recherches devraient débuter une fois les contrats signés et les autres préparatifs achevés, et non automatiquement à la date de l’annonce.

ARiSE signifie « AI to Redesign Scientific Exploration » (l’IA au service d’une nouvelle approche de l’exploration scientifique). L’ambition va au-delà de l’utilisation de l’IA pour traiter un jeu de données ou résumer des articles scientifiques. Le programme entend relier le raisonnement numérique aux expériences physiques, dans un cycle itératif où les résultats expérimentaux aident l’IA à élaborer de meilleures hypothèses et de meilleurs protocoles.

Le taux de sélection global s’élève à environ 15,3 %, soit 31 projets retenus sur 203 candidatures. Dans la catégorie « Objectifs stratégiques », 12 projets ont été retenus sur 70, soit environ 17,1 % ; dans la catégorie « International et interdisciplinaire », 19 sur 133, soit environ 14,3 %. Ces chiffres illustrent la sélectivité du programme, mais ne permettent pas de connaître le classement des projets ni la répartition finale des financements.

Le directeur du programme est Takafumi Aoki, vice-président exécutif de l’université du Tohoku. Sadao Kurohashi, directeur de l’Institut national d’informatique (NII), supervise la catégorie « Objectifs stratégiques ». Shunichi Ueda, directeur adjoint du Centre de recherche avancée en intelligence de RIKEN, supervise la catégorie « International et interdisciplinaire ».

Une stratégie nationale se dessine

ARiSE s’inscrit dans la stratégie de promotion de l’IA au service de la science adoptée le 31 mars 2026 par le ministère de l’Éducation, de la Culture, des Sports, des Sciences et de la Technologie. La JST présente l’initiative comme un programme phare visant à concentrer les investissements dans les domaines où les atouts scientifiques du Japon peuvent produire des résultats compétitifs à l’échelle internationale, tout en favorisant la coopération avec des chercheurs étrangers de premier plan.

Le Bureau de la promotion de la recherche du ministère a publié sa page consacrée aux principes fondamentaux d’ARiSE le 16 avril 2026. Elle renvoie à un document de politique générale de 262 Ko, sans en reproduire les dispositions détaillées.

La mise au point de la stratégie et la sélection des projets se sont enchaînées dans un délai relativement court :

• 31 mars 2026 : le ministère adopte sa politique stratégique de base pour promouvoir l’IA au service de la science.
• 16 avril 2026 : le Bureau de la promotion de la recherche publie la page présentant les principes fondamentaux d’ARiSE.
• Du 12 mai au 30 juin 2026 : la JST reçoit les propositions de recherche.
• 29 septembre 2026 : la JST annonce les 31 projets sélectionnés.
• 2 octobre 2026 : l’université du Tohoku annonce la sélection de trois projets.
• 13 octobre 2026 : la JST organise une réunion d’information sur le contexte et le fonctionnement prévu de l’initiative.
• Mars 2029 : fin prévue de la période actuelle de financement de la recherche.

Le président de la JST, Kazuhito Hashimoto, estime que le Japon ne peut rivaliser avec les États-Unis et la Chine en se fondant uniquement sur le volume des investissements. Il faut plutôt miser sur les domaines où le pays a accumulé des données scientifiques précieuses, des connaissances spécialisées, des capacités expérimentales et une expertise en robotique.

Il s’inquiète également de la dépendance à l’étranger. Si les chercheurs japonais n’utilisent que des IA développées à l’étranger, les technologies fondamentales et les ressources informatiques risquent de rester sous le contrôle d’autres pays. ARiSE associe donc le développement de modèles nationaux à la coopération internationale, plutôt que de considérer les deux comme des options concurrentes.

Deux catégories de financement aux rôles distincts

La catégorie « Objectifs stratégiques » soutient des équipes plus importantes dans les domaines de la science des matériaux, des sciences de la vie et des grandes installations et équipements de recherche. Sur les 12 projets sélectionnés, six portent sur les matériaux, quatre sur les sciences de la vie et deux concernent de grandes installations ou des équipements.

Les projets sur les matériaux se répartissent entre trois objectifs. Les objectifs 1-1 et 1-2 comptent chacun un projet sélectionné, avec un plafond de financement indicatif d’environ 3 milliards de yens par projet. L’objectif 1-3 en compte quatre, avec un plafond d’environ un milliard de yens chacun. Les projets en sciences de la vie et ceux portant sur de grandes installations bénéficient d’un plafond indicatif d’environ 2 milliards de yens par projet. Il s’agit de plafonds, et non de financements confirmés pour chaque équipe.

La catégorie « International et interdisciplinaire » est ouverte à tous les domaines scientifiques. Elle soutient des recherches qui intègrent à l’IA des théories, des lois et des connaissances structurelles propres aux sciences, avec un financement généralement fixé à 200 millions de yens par projet. Les propositions peuvent solliciter jusqu’à 650 millions de yens si cela est nécessaire pour atteindre leurs objectifs.

Chaque proposition doit réunir un chercheur en IA et un chercheur du domaine scientifique concerné, qui en assurent conjointement la direction. Les équipes doivent également prévoir leurs besoins informatiques dès le départ, mener des collaborations internationales, établir des règles de partage et de protection des données et prendre en compte la sécurité de la recherche. Ces exigences font de l’expertise scientifique et de la planification des infrastructures des éléments à part entière du projet de recherche, plutôt que des ajouts décidés après le choix d’un modèle d’IA.

Les données sur les matériaux au cœur d’une plateforme de recherche partagée

Un projet central dans le domaine des matériaux vise à relier les données accumulées par le Japon sur ces derniers aux grands modèles de langage nationaux et à des IA spécialisées. Les données et ressources de recherche développées autour de l’Institut national des sciences des matériaux (NIMS) devraient contribuer à la création d’une plateforme nationale d’IA pour les matériaux.

La plateforme envisagée comporte plusieurs niveaux interconnectés : des données et outils d’analyse préparés pour l’IA, des modèles fondamentaux pour les matériaux, des agents d’IA qui contribuent à leur découverte et à leur conception, ainsi que des équipements expérimentaux de pointe. Un modèle fondamental, entraîné sur de vastes données, peut servir de base à plusieurs tâches de recherche. Un agent d’IA peut utiliser des outils et coordonner les étapes nécessaires à un objectif donné.

Le cycle de recherche prévu commence par la proposition d’un matériau ou d’une condition expérimentale par l’IA. Des équipements connectés réalisent ensuite l’expérience, puis les résultats alimentent la conception suivante. L’objectif est de mettre cette capacité à la disposition de l’ensemble de la communauté des chercheurs en matériaux, et non de la réserver à quelques équipes disposant d’une vaste expertise en IA.

Les trois projets sélectionnés à l’université du Tohoku illustrent la manière dont cette initiative nationale s’articule avec des programmes de recherche précis. Le professeur Yu Kumagai dirige une plateforme destinée à concevoir des matériaux massifs durs à l’aide de l’IA, avec les professeurs Goro Miyamoto et Motoki Shiga comme codirecteurs scientifiques.

Un deuxième projet de l’université du Tohoku porte sur la création autonome de matériaux magnétiques et la compréhension de leurs mécanismes, grâce à une coopération entre humains et IA. Il est dirigé par le professeur Takafumi Hirohata, avec Yuma Iwasaki, du NIMS, et le professeur Kanta Ono, de l’université d’Osaka, comme codirecteurs.

Le troisième projet retenu à l’université du Tohoku, dans la catégorie « International et interdisciplinaire », est le Tsunami World Model. Le professeur Shunichi Koshimura le dirige avec le professeur Kentaro Inui et Yuichiro Usuda, de l’Institut national de recherche sur les sciences de la Terre et la résilience aux catastrophes. Sa sélection montre qu’ARiSE ne se limite ni aux matériaux étudiés en laboratoire ni à la biologie, même si l’annonce de l’université ne détaille pas les capacités prévues du modèle.

Un modèle génomique qui apprend aussi des expériences infructueuses

Le programme consacré aux sciences de la vie comprend un modèle de langage génomique d’environ quatre milliards de paramètres, conçu pour couvrir les plantes, les animaux, les humains et les micro-organismes. Contrairement à un modèle de langage classique entraîné sur des mots, un modèle de langage génomique apprend les structures des séquences d’ADN pour contribuer à l’étude des fonctions biologiques et à la conception de génomes.

Les paramètres sont les valeurs numériques qu’un modèle ajuste au cours de son entraînement. Le modèle prévu s’appuiera sur un modèle existant d’environ sept milliards de paramètres. Ces chiffres décrivent la taille du modèle ; ils ne prouvent pas que le nouveau modèle sera plus performant que son prédécesseur. Sa valeur scientifique dépendra des données biologiques, des expériences et du processus d’apprentissage qui l’accompagneront.

Le projet suit un cycle « concevoir, construire, tester, apprendre ». Les chercheurs conçoivent une séquence ou une hypothèse, la produisent et la testent expérimentalement, puis transmettent les résultats au modèle. Les résultats concluants, les expériences infructueuses et les ressources génétiques devraient tous contribuer à l’apprentissage ultérieur. La prise en compte des échecs est importante : une expérience infructueuse peut aider à déterminer quelles conceptions ou conditions ne fonctionnent pas.

Le modèle doit devenir une ressource partagée par les chercheurs en sciences de la vie, avec des applications concrètes développées par l’intermédiaire du consortium Bio-AGILE. La biosécurité et la sûreté du modèle font explicitement partie du projet. Un outil capable de contribuer à la conception biologique doit s’accompagner de garde-fous, en plus d’améliorer ses capacités prédictives.

Des instruments automatisés à une installation autonome

Le projet de développement d’une installation de recherche sans personnel réunit l’Institut des sciences de Tokyo, RIKEN et Epistora. Selon l’annonce du projet par Epistora, le professeur Genki Kanda, de l’Institut des sciences de Tokyo, dirige les recherches. Les codirecteurs sont Koichi Takahashi, directeur de projet au sein du programme de développement de modèles fondamentaux scientifiques de RIKEN, et Yosuke Ozawa, PDG d’Epistora.

Le projet relève de l’objectif stratégique 3, consacré à l’optimisation des opérations, à l’automatisation, au fonctionnement autonome et à l’amélioration de la planification des expériences et de l’analyse des données dans les grandes installations de recherche. Il développera et testera des agents d’IA et des modèles fondamentaux reliant les plans de recherche, les équipements expérimentaux et les données qui en résultent.

La différence entre un instrument automatisé et une installation autonome est concrète. Un robot peut réaliser une expérience, mais il peut toujours être nécessaire que des personnes préparent les équipements, déplacent les échantillons, réapprovisionnent les stocks, planifient l’utilisation des instruments et interviennent en cas d’interruption. ARiSE entend prendre en charge ces tâches annexes, en plus de l’expérience elle-même.

L’installation envisagée comporte trois éléments interconnectés. Ses systèmes d’information géreront les objectifs de recherche, les hypothèses, les protocoles expérimentaux, les analyses et les décisions concernant les expériences suivantes. Les systèmes opérationnels répartiront les équipements, le temps et les matériaux. Les systèmes physiques automatiseront le transport, le réapprovisionnement et la remise en état.

Les personnes superviseraient le processus sans avoir à gérer chaque étape individuellement. L’installation doit soutenir des recherches continues sur le cancer, l’immunité, les vaccins, le vieillissement et la médecine régénérative. Epistora affirme mener depuis une dizaine d’années des recherches associant IA et robotique, notamment pour optimiser les conditions permettant de transformer des cellules souches pluripotentes induites en cellules de l’épithélium pigmentaire rétinien, qui soutiennent la rétine.

Kurohashi a indiqué que les échéances envisagées pour ces installations, initialement situées autour de 2050, s’étaient rapprochées de 2040, puis d’environ 2030 avec les progrès de l’IA et de la robotique. Il s’agit d’une estimation qui évolue, et non de la garantie qu’une installation entièrement autonome sera opérationnelle avant la fin du financement d’ARiSE, en mars 2029.

La théorie scientifique intégrée à l’IA

La catégorie « International et interdisciplinaire » propose une autre voie pour renforcer l’IA scientifique. L’approche d’Ueda intègre la théorie scientifique à la structure, aux représentations et aux principes d’apprentissage des modèles, au lieu de s’en servir uniquement comme d’une règle limitant un modèle par ailleurs classique.

Les connaissances concernées incluent la symétrie, l’invariance, la causalité, les conditions aux limites et les lois d’échelle. En termes simples, elles décrivent les relations qui doivent rester valables lorsqu’un système change, les liens de cause à effet et les conditions dans lesquelles un modèle scientifique s’applique. Intégrer ces connaissances à l’IA doit améliorer son raisonnement lorsque les données sont rares ou que les conditions diffèrent de celles rencontrées lors de l’entraînement.

Un projet sélectionné associe physique mathématique et IA pour produire des hypothèses scientifiques et en vérifier la validité à l’aide de théories mathématiques et physiques. Il vise à réduire l’écart entre la formulation d’une affirmation plausible et la démonstration de sa justesse. La vérification autonome est un objectif de recherche, et non une capacité déjà démontrée par le programme.

Un autre projet se concentre sur les réseaux métallo-organiques, ou MOF, des matériaux poreux étudiés notamment pour l’adsorption et la séparation des gaz. Leurs propriétés peuvent varier selon les conditions de synthèse et d’expérimentation. Le projet combine l’évolution des représentations scientifiques, le raisonnement contrefactuel et les retours des chercheurs pour étudier comment la modification d’une condition pourrait changer le résultat.

Le raisonnement contrefactuel consiste à se demander ce qui se passerait dans des conditions différentes, plutôt qu’à simplement repérer des tendances dans les observations existantes. Les chercheurs évalueront les hypothèses et le raisonnement, puis transmettront leurs appréciations à l’IA. Ce projet maintient donc une participation humaine directe, tandis que celui de l’installation sans personnel vise une autonomie opérationnelle bien plus poussée.

La recherche sur le cancer au-delà de la reconnaissance de tendances

Un autre projet sur le cancer associera la structure des tissus, la forme des cellules, l’expression des gènes et les interactions entre cellules cancéreuses, cellules immunitaires et autres cellules environnantes. Il vise à créer des modèles capables de raisonner sur les mécanismes de la maladie, plutôt que de simplement reconnaître les caractéristiques associées au cancer.

Les recherches relieront deux échelles d’observation. À partir de l’organisation d’un tissu, le modèle déduirait le comportement des cellules individuelles. À partir de ces comportements, il prévoirait l’évolution de l’état du tissu. L’étude de l’espace et du temps pourrait aider les chercheurs à examiner le développement du cancer au sein de son environnement biologique.

Les applications envisagées comprennent la découverte des mécanismes de la maladie, la prévision du pronostic et l’exploration de traitements. Il s’agit de résultats de recherche attendus. La sélection par ARiSE ne démontre pas l’efficacité clinique du projet et ne signifie pas qu’un outil de diagnostic ou de traitement est prêt à être utilisé sur des patients.

L’accès aux capacités de calcul et le partage façonneront le déploiement

ARiSE exige que les équipes prévoient leurs besoins informatiques dès le dépôt de leur proposition, car l’entraînement et l’exécution des modèles peuvent absorber une part importante des financements de recherche. La JST entend mobiliser les ressources des universités, des établissements publics de recherche, des entreprises et de RIKEN, tout en autorisant le recours à des capacités de calcul commerciales à l’étranger lorsque cela est pertinent.

Les sources divergent sur le nom du superordinateur d’IA de RIKEN envisagé : l’une le désigne sous le nom de RIKEN, tandis que le compte rendu de la réunion d’information d’octobre l’appelle 理究. Elles s’accordent sur l’intention de combiner les capacités de calcul nationales avec d’autres ressources. Aucune répartition définitive des capacités de calcul entre les projets n’a été précisée.

Le programme entend également diffuser les modèles, agents, outils et méthodes d’évaluation utiles au-delà des équipes sélectionnées. La JST prévoit des liens avec le réseau universitaire SINET du NII et son infrastructure de données de recherche NII RDC. Ces connexions doivent permettre aux chercheurs de tout le Japon d’accéder aux résultats et favoriser les échanges entre les projets sur les matériaux, les sciences de la vie et les installations.

Le partage ne signifie pas que tout sera publié. Les données ou résultats nécessitant une protection pour des raisons de concurrence ou de sécurité pourront rester confidentiels. Les exigences de sécurité de la recherche s’appliquent dès la sélection ; le projet sur le génome est également soumis à des obligations spécifiques en matière de biosécurité et de sûreté des modèles.

Les responsables de programme devraient examiner l’avancement et accompagner les ajustements, notamment l’élargissement des travaux de recherche, l’ajout de partenaires internationaux et l’organisation d’événements communs. Cette souplesse répond au risque qu’un plan fixé en 2026 soit dépassé en 2029. Les informations disponibles ne précisent ni la date de début de chaque contrat, ni le montant définitif des subventions, ni la répartition des capacités de calcul, ni le calendrier détaillé de publication des modèles.

Le principal enjeu est de savoir si les projets pourront associer les atouts scientifiques du Japon à des systèmes d’IA opérationnels, à des expériences reproductibles et à des ressources réellement utilisables par d’autres chercheurs. ARiSE trace cette voie, mais les découvertes promises, les capacités autonomes et les plateformes partagées restent à développer et à démontrer.

À retenir

• ARiSE dispose de 32 milliards de yens pour la période allant approximativement d’octobre 2026 à mars 2029.
• La JST a sélectionné 31 projets sur 203 candidatures, soit un taux de sélection d’environ 15,3 %.
• La catégorie « Objectifs stratégiques » compte 12 projets ; la catégorie « International et interdisciplinaire » en compte 19.
• Parmi les grands projets figurent une plateforme d’IA pour les matériaux, un modèle génomique d’environ quatre milliards de paramètres et une installation de recherche sans personnel.
• Les recherches sélectionnées portent également sur la physique mathématique, les MOF, les mécanismes du cancer et un modèle mondial des tsunamis.
• Les capacités de calcul nationales et les infrastructures de recherche partagées sont prioritaires ; le recours à des ressources étrangères reste possible lorsque cela est pertinent.
• La date de démarrage de chaque projet dépendra des contrats et des préparatifs ; les installations autonomes et les applications scientifiques restent des objectifs à développer.