1. Résumé exécutif
Le cœur de cette semaine réside dans le fait que l’IA est passée d’un « outil d’efficacité » à une base fondamentale qui détermine la « vitesse d’implémentation » elle-même dans la science, l’industrie et la société. L’intelligence collective des robots, les modèles dédiés à la découverte de médicaments, et les prévisions précises du climat et des infrastructures avancent en parallèle, redéfinissant les goulots d’étranglement de la recherche et du développement. En même temps, dans les entreprises et les établissements d’enseignement, la réussite ou l’échec de l’adoption de l’IA dépend fortement de la transformation organisationnelle et de la conception de la sécurité (gouvernance, infrastructure humaine des éducateurs), ce qui devient visible.
2. Les points clés de la semaine (3-5 sujets les plus importants)
1) Les robots collectifs entrent dans le domaine « sans plans détaillés »—connectés aux catastrophes et aux planètes via des systèmes autonomes
Aperçu Cette semaine, les essaims de robots autonomes inspirés par le comportement collectif des fourmis ont attiré l’attention. Dans une étude de l’université Harvard, un essaim de petits robots (RAnts) capable de construire et de déconstruire des structures en détectant les changements environnementaux, sans contrôle central ni plans détaillés, a été rapporté. Les robots générant un comportement complexe à partir de l’interaction avec l’environnement plutôt que de l’intelligence individuelle, cet approche est expliquée comme une « intelligence exsomatic (exbodied intelligence) », montrant la possibilité de réaliser des tâches même dans des environnements imprévisibles. En parallèle, l’université de Princeton a lancé la bannière de la « humanity-driven robotics » (robotique centrée sur l’humain), renforçant les partenariats avec les sciences sociales et les neurosciences au-delà des seules performances d’ingénierie. Le point important est que la connexion entre la technologie et la société commence à être traitée comme une exigence du développement de robots.
Domaine Robotique et agents autonomes
Contexte et historique Traditionnellement, les robots dépendaient de procédures de travail claires, de branchements conditionnels et de règles de contrôle « conçues ». Cependant, les sites réels (sous les décombres, communications coupées, variations de matériaux, etc.) ne peuvent pas être entièrement modélisés. La commande distribuée que démontrent les RAnts suppose que la « conception est incomplète » et la réduit à quelques paramètres ajustables, s’orientant ainsi vers l’auto-organisation. Autrement dit, l’accent passe d’une compétition en précision du calcul et de la modélisation à la conception des interactions. De plus, la robotique centrée sur l’humain représente une stratégie qui anticipe l’implémentation sociale en formalisant les exigences de « sens du comportement » et d’« acceptabilité » lors de l’interaction avec la société.
Impact technique et social Sur le plan technique, les systèmes distribués montrent qu’ils peuvent augmenter la robustesse en externalisant la « complexité » vers l’environnement plutôt que de l’internaliser. Sans contrôle central, les risques de points de défaillance uniques diminuent, et l’expansion des performances par augmentation du nombre d’unités devient plus facile. Sur le plan social, la réaction aux catastrophes et l’automatisation de la construction sont des domaines où la « sécurité et la responsabilité » ont un poids particulier. L’interface humain-machine mise en avant par la robotique centrée sur l’humain peut s’étendre à la compréhension des opérateurs, au soutien des jugements sur le terrain, et à l’explicabilité en cas d’accident. En conséquence, les robots autonomes se dirigent vers une conception qui ne les rend pas seulement « constructibles » mais aussi « confiables », ce qui émerge comme le message de cette semaine.
Perspectives futures Les prochains points d’attention sont : (1) la standardisation des indicateurs de performance en environnement réel (modes de défaillance, capacité de réparation, qualité du travail), (2) les méthodes d’évaluation répondant aux exigences centrées sur l’humain (acceptabilité, formation de consensus, responsabilité), (3) la clarification de la « limite entre IA et contrôle ». À mesure que l’intelligence collective s’amplifie, la boîte noire des règles de contrôle progresse aussi. Comment maintenir les avantages de l’intelligence externalisée tout en garantissant l’opérabilité et l’auditabilité sera probablement le centre des recherches et discussions de la semaine prochaine. Sources : Harvard University, Harvard SEAS, Princeton University, Harvard (URL redondante)
2) L’IA pour la découverte de médicaments vers « modèles spécialisés + base de validation »—réduisant non seulement le temps, mais aussi le taux d’échec
Aperçu Cette semaine, les progrès de l’IA pour la découverte de médicaments ont été décrits selon deux directions. Premièrement, OpenAI a lancé « GPT-Rosalind », un modèle de raisonnement spécialisé en biologie et découverte de médicaments, appuyant la génération d’hypothèses et l’analyse des chercheurs en se spécialisant dans le décodage et le raisonnement sur les structures moléculaires comme l’ADN et les protéines. Deuxièmement, dans le cadre du programme « Sovereign AI » du gouvernement britannique, la construction de BioFMs (modèles de base biologiques) et le soutien aux startups en découverte de médicaments progressent, avec pour objectif de raccourcir le processus de découverte de médicaments de « mois à semaines ». De plus, Insilico Medicine a intégré sa plateforme d’identification de cibles de découverte de médicaments en TargetPro (identification de candidats) et TargetBench (benchmark d’évaluation), abordant directement les questions de précision et de fiabilité. Ce qui est important est que ce n’est pas « générer et terminer », mais que les cadres garantissant l’évaluation et la reproductibilité sont au premier plan.
Domaine Sciences de la vie et IA pour la découverte de médicaments (et infrastructure de recherche associée)
Contexte et historique Le goulot d’étranglement de la découverte de médicaments réside dans la grande variabilité des candidats, avec des échecs répétés avant même d’atteindre les essais cliniques. Tandis que les LLM généralistes sont forts en raisonnement linguistique, la « validabilité » et la « conformité avec les systèmes de mesure » dans les domaines spécialisés constituent une question différente. L’émergence de modèles spécialisés prend donc tout son sens. La spécialisation de domaine comme GPT-Rosalind vise un raisonnement aligné avec les propriétés des données moléculaires et biologiques, accélérant la planification expérimentale et la priorisation des chercheurs. De plus, l’attitude montrée par Insilico d’intégrer TargetPro–TargetBench peut se lire comme visant à gérer strictement les résultats d’IA via un benchmark, créant une norme industrielle pour l’« IA validée ». Combinée au mouvement d’aménagement des infrastructures nationales via Sovereign AI, nous entrons dans une phase où non seulement le développement de modèles mais aussi les bases d’évaluation et d’exploitation se mettent en place simultanément.
Impact technique et social L’impact technique réside dans l’addition de la « réduction du temps » en R&D de découverte de médicaments par le traitement ingéniérique de la « certitude ». À mesure que les benchmarks se mettent en place, les comparaisons de performance deviennent possibles et la reproductibilité entre les chercheurs et les entreprises s’améliore. Ceci peut s’étendre au jugement d’investissement et à la conformité réglementaire. Socialement, dans le contexte de l’IA souveraine, la gestion des ressources informatiques et des données devient une stratégie d’État. La découverte de médicaments tend à être une compétition internationale, tout en soulevant également des questions d’éthique et de sécurité particulièrement fortes. La mise en place de bases de validation devient également un fondement pour la transparence et l’exploitation responsable.
Perspectives futures Les points d’attention futurs incluent : (1) la propagation de l’intégration des benchmarks (quels indicateurs d’évaluation deviennent la « monnaie »), (2) la standardisation du processus de recherche plutôt que les différences de performance des modèles (quand, qui et comment utilisent-ils pour obtenir la reproductibilité), (3) la connexion aux causes d’échec clinique (à quel stade une meilleure sélection de candidats a-t-elle un impact). L’IA pour la découverte de médicaments se déplace vers une « conception qui réduit les échecs » plutôt que simplement vers la « rapidité », et il est probable que les discussions sur les bases d’évaluation, la réglementation et la gouvernance augmentent de la semaine prochaine. Sources : UK Government, Fierce Biotech, EurekAlert! (Insilico)
3) « Disparité d’IA » et transformation organisationnelle—la conception du flux de travail, pas seulement la technologie, détermine les résultats
Aperçu Cette semaine, plusieurs informations sous différents angles ont montré que les gains de l’adoption de l’IA dans les entreprises ne sont pas uniformes. Dans l’étude PwC sur la performance de l’IA, environ 74% des bénéfices économiques générés par l’IA seraient concentrés dans les 20% supérieurs des entreprises ciblées. Le point clé est que les entreprises réussies n’ont pas simplement adopté des outils d’IA, mais ont fondamentalement repensé les flux de travail eux-mêmes pour utiliser l’IA, investissant dans la gouvernance de l’IA et l’automatisation de la prise de décision. De plus, une perspective de Gartner destinée aux CHRO indique que l’obtention de la valeur maximale de l’investissement en IA nécessite l’innovation des flux de travail et des rôles. En outre, depuis le domaine de la psychologie et des sciences cognitives, il est montré que « comment utiliser l’IA » peut affecter la confiance cognitive et l’agentivité des personnes, et que la qualité de l’utilisation (examen critique, révision et réexamen des résultats) est importante. Autrement dit, la transformation organisationnelle s’étend aussi à la conception de la participation humaine.
Domaine Gestion d’entreprise et théorie des organisations, psychologie et sciences cognitives (connexion à la pratique)
Contexte et historique Les échecs typiques de l’adoption de l’IA ne résident pas dans la « performance du modèle » mais dans l’insuffisance de la « conception opérationnelle ». La disparité montrée par PwC suggère que si la vitesse d’apprentissage organisationnel et la méthode de changement de prise de décision ne sont pas alignées, la valeur ne peut pas se manifester. La redéfinition des rôles et des flux de travail mentionnée par Gartner en est le noyau. De plus, la recherche de l’APA montre que l’acceptation aveugle de l’IA pourrait réduire la confiance des personnes dans leur propre réflexion, tandis que la participation à réexaminer la production tend à maintenir l’agentivité. Ceci se connecte directement à l’éducation et au développement des talents, renforçant que non seulement « utiliser l’IA » mais aussi « comment amener les gens à réfléchir » fait partie de la performance organisationnelle.
Impact technique et social Techniquement, à mesure que la gouvernance et l’automatisation de la prise de décision progressent, les frontières de responsabilité deviennent facilement floues, rendant les règles opérationnelles concurrentielles. Socialement, à mesure que la diffusion de l’IA progresse, se produit une « redéfinition du travail ». Dans les discussions économiques de cette semaine incluant les prédictions du NBER, il existe une marge pour l’amélioration de la productivité, mais aussi le risque d’une baisse du taux de participation au marché du travail. Autrement dit, il est possible que les voies de création de valeur par l’IA et les voies de participation au travail et à la société ne coïncident pas, nécessitant que la transformation organisationnelle soit conçue en parallèle avec une politique du personnel.
Perspectives futures Les prochains points de focus incluent : (1) comment intégrer l’IA dans les « fonctions » (conception des rôles, conception des autorités, systèmes d’évaluation), (2) les métriques mesurant la qualité de la participation humaine (comportements d’examen, journaux d’audit, effets d’apprentissage), (3) les lignes directrices ou les programmes d’éducation pour réduire la disparité de l’adoption de l’IA. À partir de la semaine prochaine, les annonces concernant la « conception de l’implémentation » plutôt que l’amélioration des modèles auront probablement une augmentation des normes et meilleures pratiques. Sources : PwC, Gartner (article source), APA, NBER
4) La prévision du climat et des infrastructures est mise à jour—typhons × surges de tempête × événements extrêmes ébranlent les critères de risque
Aperçu En ingénierie énergétique et sciences du climat, il s’est avéré que la « granularité » et la « gestion des interactions » des modèles de prévision changent les conclusions pratiques. Une étude d’Argonne National Laboratory a modélisé l’interaction entre l’élévation du niveau des mers et les typhons via une simulation avancée, pointant vers la possibilité que les calculs de niveau d’eau effectués séparément des marées et des surges de tempête traditionnelles contiennent 25-30% d’erreur. De plus, il a été rapporté que pour les sites candidats des centrales nucléaires sur la côte est de l’Inde, par exemple, le risque d’inondation extrême peu fréquente pourrait être 78% plus élevé que prévu précédemment, positionnant ce comme des données nécessaires pour la resélection des sites d’infrastructures de prochaine génération et la reconstruction des normes de sécurité. De plus, une étude d’UCL a rapporté que la combinaison de l’informatique quantique et de l’IA améliore considérablement la précision de prévision pour les systèmes complexes et chaotiques, avec des attentes de propagation à l’optimisation de la production d’énergie et à l’analyse des risques climatiques. La semaine a montré le mouvement de lier la prévision à l’amélioration opérationnelle, y compris la sélection des climatologues novateurs liés à la gestion thermique des centres de données et à la stabilisation du réseau.
Domaine Ingénierie énergétique et sciences du climat (aussi connecté à la science computationnelle et au calcul social)
Contexte et historique Le risque climatique et de catastrophe ne peut pas être géré par la simple extrapolation d’un facteur unique. Les phénomènes non linéaires comme les typhons donnent des résultats radicalement différents lorsqu’ils s’entrelacent avec les surges de tempête, les marées et l’élévation du niveau des mers. Capturer ces interactions via une simulation intégrée augmente la crédibilité de l’évaluation des risques dans une direction positive. Simultanément, l’IA quantique peut être positionnée comme une approche visant l’« estimation à long terme et haute précision » dans les domaines avec de grandes contraintes de ressources informatiques et de mémoire. L’amélioration de la précision de prévision change les conditions de la politique et du jugement d’investissement, ce qui élargit l’impact social.
Impact technique et social Techniquement, l’introduction de modèles intégrant les interactions pourrait faire passer la prise de décision de « avec erreur » à « avec interactions ». Puisque cela se connecte directement à la sélection des sites d’infrastructures critiques, la nécessité d’une conception conservatrice et d’une réévaluation émerge. Socialement, dans une phase où les normes de sécurité doivent être mises à jour, l’explicabilité (pourquoi ce risque augmente-t-il?) devient nécessaire. Plus l’IA est utilisée dans les prévisions, plus la présentation de ses fondements se connecte à la politique et à la réglementation.
Perspectives futures Le prochain centre d’attention comprend : (1) la validation des modèles et l’assimilation de données (conformité avec les observations), (2) le processus de mise à jour des critères de risque (connexion réglementaire, d’assurance et d’investissement), (3) la clarification des domaines où l’efficacité computationnelle de l’IA quantique ou de l’inférence d’IA sont implémentées. Si la prévision change, la carte des investissements infrastructurels change aussi. Le flux de cette semaine peut être lu comme un signe que l’IA progresse de l’« évaluation » à la « révision des critères ». Sources : Argonne National Laboratory, ScienceDaily (IA quantique), BloombergNEF (innovateurs climatiques)
5) Théorie de la conception en éducation et cognition—tuteurs IA sécurisés et risques d’intervention sur l’attention et la mémoire
Aperçu En ingénierie pédagogique, le gouvernement britannique a lancé un appel d’offres pour le développement d’outils de tutorat IA sûrs et personnalisés pour les élèves défavorisés. Sous la prémisse qu’ils fonctionnent sous la supervision d’enseignants, une conception interconnectée avec le curriculum national est montrée, visant à réduire les disparités éducatives. Parallèlement, la Fédération des scientifiques américains a souligné la nécessité de mettre en place une « infrastructure humaine » pour maintenir une base éducative centrée sur l’humain, transmettant que l’investissement dans les outils seul est insuffisant. D’autre part, dans le contexte de la psychologie et des sciences cognitives, il a été rapporté que les commutations d’attention et la vérification des smartphones, comme les interruptions, peuvent détruire la consolidation de la mémoire à court terme, replaçant l’impact de l’environnement numérique sur la cognition comme point focal. De plus, les données de l’étude ABCD reliant l’utilisation de marijuana chez les adolescents aux retards du développement cognitif ont été mentionnées, suggérant que l’intervention sur la cognition s’étend au-delà de la « technologie seule » aux modes de vie et à la conception environnementale.
Domaine Ingénierie pédagogique, psychologie et sciences cognitives (conception centrée sur l’humain)
Contexte et historique Les tuteurs IA promettent de réduire les disparités via la personnalisation et le soutien à l’apprentissage. Cependant, l’éducation est non seulement la transmission de connaissances mais aussi un lieu pour cultiver les stratégies d’apprentissage, le contrôle de l’attention et l’agentivité. Comme les recherches de l’APA le montrent, si la qualité de la participation aux résultats d’IA affecte l’agentivité humaine, les paramètres de classe doivent intégrer non seulement « montrer la réponse » mais aussi « maintenir le processus de réflexion ». Les données montrant que les interruptions gênent la consolidation de la mémoire pointent vers le risque inverse que, à mesure que l’IA supporte l’apprentissage, d’autres facteurs de dispersion d’attention (notifications, manipulation de l’appareil) peuvent aussi augmenter.
Impact technique et social Socialement, l’équité éducative ne dépend pas seulement de l’accès (distribution de terminaux) mais de l’exploitation (supervision des enseignants, transparence de l’algorithme, gestion de l’historique d’apprentissage). L’importance de l’infrastructure humaine est un message politique pour assurer la « profondeur de l’exploitation ». Techniquement, la conception de la sécurité (prévention de la mauvaise formation, de la déviation, de la dépendance) et la mise en place de méthodes d’évaluation deviennent nécessaires. Les résultats de la recherche en cognition montrant la fragilité de l’attention et de la mémoire doivent être incorporés comme exigences de conception pour les outils de soutien à l’apprentissage.
Perspectives futures À l’avenir, (1) la conception d’évaluation mesurant non seulement l’efficacité du tuteur IA mais aussi les « effets secondaires » (dispersion d’attention, dépendance, fixation des concepts erronés), (2) la faisabilité opérationnelle du côté enseignant (charge opérationnelle, normalisation des procédures de supervision), (3) la conception de l’interaction supportant l’agentivité de l’apprenant devient important. Le contexte éducatif constitue également un test de mise en œuvre finale de la technologie, de sorte que les résultats ici peuvent se propager à l’adoption globale de l’IA dans l’organisation. Sources : GOV.UK, FAS, EurekAlert! (mémoire et attention), EurekAlert! (développement cognitif connexe)
3. Résumé hebdomadaire par domaine
1. Robotique et agents autonomes
Les robots distribués inspirés par les essaims de fourmis ont montré qu’ils pouvaient basculer entre la construction et la déconstruction sans contrôle central. Le concept d’intelligence externalisée pousse son application à des environnements d’incertitude dans les catastrophes et sur les planètes.
2. Psychologie et sciences cognitives
La possibilité que la manière d’utiliser l’IA affecte l’agentivité a été montrée. De plus, les connaissances montrant que les interruptions d’attention entravent la consolidation de la mémoire à court terme renforcent l’importance de la conception de l’apprentissage dans les environnements numériques.
3. Économie et économie comportementale
Le NBER prédit à la fois la croissance apportée par l’IA et le risque de baisse du taux de participation au marché du travail. Cela indique que la conception des voies de participation, et pas seulement la productivité, sera un sujet d’attention futur.
4. Sciences de la vie et IA pour la découverte de médicaments
En plus des modèles spécialisés de domaine comme GPT-Rosalind, le mouvement d’établissement des « bases de validation » comme l’intégration TargetPro–TargetBench s’est renforcé. La direction d’atteindre à la fois la rapidité et la fiabilité est devenue claire.
5. Ingénierie pédagogique
L’appel d’offres pour les tuteurs IA pour les élèves défavorisés progresse, tandis que la mise en place d’une infrastructure humaine pour ne pas élargir les disparités éducatives est présentée comme un enjeu. L’exploitation sécurisée et le soutien aux processus d’apprentissage sont les clés.
6. Gestion et théorie des organisations
La disparité d’IA est dite pouvoir être réduite par la redéfinition du flux de travail et l’investissement en gouvernance plutôt que par l’adoption seule. Les perspectives du CHRO s’y alignent, renforçant la tendance à cultiver l’adaptation au changement comme compétence organisationnelle.
7. Science computationnelle sociale
Dans les intrants de cette semaine, il y a peu d’annonces nouvelles uniquement en science computationnelle sociale, mais la prédiction de transformation organisationnelle et de participation au travail (NBER) et l’impact comportemental de l’utilisation de l’IA se connectent à une modélisation sociale au sens large.
8. Ingénierie financière et finance computationnelle
Les nouvelles explicites en ingénierie financière étaient limitées dans les articles entrants. Cependant, il a été suggéré que la « disparité » de l’adoption de l’IA pourrait se propager aux modèles d’investissement et d’évaluation.
9. Ingénierie énergétique et sciences du climat
La simulation intégrée tenant compte des interactions entre les typhons et les surges de tempête a mis à jour les risques d’inondation des infrastructures critiques. Des approches comme l’IA quantique percant les contraintes de calcul apparaissent aussi, nous rapprochant de la révision des critères à partir de la prévision.
10. Ingénierie aérospatiale et sciences de l’espace
Une proposition d’IA utilisant la méthode des éléments finis comme substitut pour prédire rapidement l’impact des micrométéorites pour les bases lunaires a été rapportée, montrant la possibilité d’implémentation de l’évaluation environnementale en temps réel.
4. Analyse hebdomadaire des tendances
Le pattern le plus critique parcourant les 10 domaines de cette semaine est que « l’IA n’est devenue non seulement un appareil d’externalisation de la décision, mais aussi un moteur de transformation incluant le processus d’implémentation ». Dans les domaines de la recherche et du développement, le focus s’est déplacé de la compétition en performance des modèles génératifs vers les benchmarks, les bases d’évaluation, et la connexion entre les modèles et l’expérimentation ou le calcul. En découverte de médicaments, l’intégration TargetPro–TargetBench apparaît en tant qu’attitude soulevant le soutien à l’inférence simple vers une « sélection fiable ». En climat et infrastructures, les simulations intégrées traitant les interactions changent la structure d’erreur de l’évaluation des risques et connectent directement à la mise à jour des critères de sécurité. En robotique, l’accent a glissé de la conception de plans détaillés vers la conception des interactions, et le concept d’intelligence externalisée s’est manifesté en tant que compétence de travail réelle.
Simultanément, du côté social, il devient évident que la diffusion de l’IA affecte la cognition et l’agentivité humains, les flux de travail organisationnels, et l’équité éducative—des points devenant des « exigences de conception » au même niveau que la technologie. Les connaissances de l’APA suggèrent que l’examen critique et la correction des résultats d’IA peuvent maintenir l’agentivité, fournissant un matériel pour la conception pédagogique et de formation. Les résultats de PwC sur la disparité d’IA et la perspective du CHRO de Gartner montrent que l’IA génère de la valeur que si la redéfinition du processus métier et l’investissement en gouvernance sont simultanés. Le bilan bilateral du NBER de croissance et baisse du taux de participation au travail signifie que la conception de l’implémentation sociale nécessite des « vannes d’ajustement macroéconomique ». Autrement dit, la progression technologique seule n’engendre pas l’optimisation sociale ; les institutions, l’exploitation et l’évaluation doivent se transformer simultanément.
En termes d’impacts inter-domaines, la distribution autonome montrée en robotique, qui se base sur l’« externalisation », est applicable par analogie à la cognition humaine et à la prise de décision organisationnelle. La cognition et la prise de décision d’une personne sont également affectées non par la précision du modèle interne mais par l’interaction avec l’environnement (institutions, outils, exploitation). La mise en place de bases de validation en découverte de médicaments partage la même logique de conception que la gouvernance et la conception du journal d’audit en gestion. La mise à jour du risque en climat et infrastructures incite la mise à jour de la réglementation et du jugement d’investissement, au cours duquel l’éducation et la politique du personnel deviennent nécessaires—cette circulation apparaît comme l’image globale de cette semaine.
5. Perspectives futures
De la semaine prochaine, en gardant l’oeil sur les 3 points suivants, la lecture globale sera difficile à dévier. Premièrement, le poids se déplacera des développements de modèles vers la « standardisation de la validation et de l’exploitation », donc comment concevoir les benchmarks, les indicateurs d’évaluation, et l’auditabilité (journaux de supervision, explication, reproductibilité) va augmenter. Les sujets en découverte de médicaments et éducation anticipent déjà cette direction. Deuxièmement, les systèmes autonomes se concentreront probablement davantage sur la sécurité, la responsabilité, et les exigences centrées sur l’humain que sur la performance. L’intelligence externalisée comme les RAnts est puissante, mais l’exploitation sur place nécessite une explication immanquablement des modes de défaillance. Les cadres d’évaluation centrée sur l’humain deviendront le prochain goulot d’étranglement. Troisièmement, la discussion sur l’impact macroéconomique de l’IA (participation au travail, disparités) va progresser vers la politique et la stratégie de talent d’entreprise. Le risque de baisse du taux de participation au travail montré par le NBER agira en tant que pression pour accélérer la transformation organisationnelle (redéfinition des rôles, formation du personnel).
À moyen et long terme, l’IA devient une entité qui, plutôt que de « remplacer les tâches », raccourcit la « plage horaire entre la découverte scientifique et la prise de décision sociale », et en outre, « met à jour les critères eux-mêmes ». Le raccourcissement de la découverte de médicaments affectera-t-il la certitude jusqu’à la clinique? La mise à jour de la prévision climatique se reflètera-t-elle dans l’investissement et la réglementation? L’autonomie des robots satisfera-t-elle quels critères de sécurité? Les événements de cette semaine apportent du matériel pour porter ces réponses à la « phase suivante ».
6. Ouvrages de référence
Cet article a été généré automatiquement par LLM. Il peut contenir des erreurs.