Comment Zhipu AI, la BAAI et l’AISI dessinent la prochaine phase de l’IA chinoise

Le changement essentiel consiste à ne plus vendre uniquement un accès à un modèle, mais à bâtir tout un cycle produit autour de celui-ci. Ce cycle peut inclure des API, des outils de programmation, l’exécution d’agents, des flux de travail d’entreprise et des applications générant de l’usage et des revenus. La publication des poids peut élargir les tests externes et les développements en aval, tandis que les services commerciaux contribuent à financer la poursuite des travaux sur les modèles et l’infrastructure.

L’autonomie technologique ne se résume donc pas à posséder les poids d’un modèle. Elle suppose aussi des systèmes d’entraînement et d’inférence, des chaînes de données, des méthodes de post-entraînement, des frameworks d’agents, une distribution auprès des développeurs et un accès fiable à la puissance de calcul. Un modèle devient réellement durable sur le plan stratégique lorsqu’il fait émerger un écosystème autour de toutes ces couches.

BAAI : le pont entre recherche ouverte et intelligence incarnée

La BAAI, ou Beijing Academy of Artificial Intelligence, a progressivement élargi ses travaux sur les modèles fondamentaux de la série WuDao vers la famille WuJie, consacrée notamment au multimodal, aux modèles du monde et à l’IA incarnée. Des comptes rendus récents de conférences décrivent WuJie·Physis comme un modèle du monde latent physique et WuJie·RoboBrain Orca comme un système en développement reliant raisonnement linguistique, prédiction visuelle et décisions d’action.

Cette orientation est importante car l’intelligence dans le monde physique exige des capacités qu’un modèle uniquement textuel ne fournit pas à lui seul. Un robot doit percevoir son environnement, anticiper son évolution, planifier, contrôler ses mouvements et composer avec des conditions physiques changeantes. Les modèles du monde et les systèmes incarnés cherchent précisément à représenter ces environnements et à y agir, plutôt qu’à simplement les décrire.

Le rôle de la BAAI est également institutionnel. Son programme met l’accent sur les modèles open source, les agents, les écosystèmes logiciels et matériels fondamentaux, ainsi que sur la coopération entre recherche et industrie. Selon le compte rendu de sa conférence de 2026, l’institut avait rendu plus de 200 modèles disponibles en open source et enregistré plus d’un milliard de téléchargements dans le monde. Ces chiffres, communiqués par les organisateurs, doivent être compris comme des indicateurs de diffusion et non comme une mesure directe de la qualité des modèles.

Pour l’écosystème chinois, la valeur d’un institut comme la BAAI tient ainsi à la création d’infrastructures de recherche réutilisables et de filières de formation. Des modèles ouverts, des benchmarks, des outils et des plateformes robotiques peuvent fournir aux universités, aux start-up et aux industriels un point de départ commun pour leurs propres développements.

AISI : quand l’IA devient une méthode de recherche et d’ingénierie

L’AISI aborde l’IA sous un angle différent. Créé en septembre 2021, l’institut présente sa mission comme l’association de l’intelligence artificielle et de la recherche scientifique, avec la construction d’infrastructures dédiées à l’« AI for Science », c’est-à-dire l’IA appliquée aux sciences.

Son cadre des « quatre poutres et N piliers » rassemble les algorithmes et logiciels de modélisation, les bases de données et systèmes de connaissances scientifiques, la caractérisation expérimentale à haute efficacité et l’infrastructure informatique intégrée. L’objectif est de faire évoluer la recherche, souvent organisée en processus isolés et très spécialisés, vers un modèle de plateforme plus connecté.

Bohrium illustre cette logique. Cette plateforme de recherche en ligne est présentée comme un environnement reliant littérature scientifique, connaissances, modèles, calcul, analyse de données et expérimentations. Il ne s’agit pas seulement de demander à une IA de produire une réponse, mais d’aider les chercheurs à passer d’une question à une simulation, puis à une expérience et à de nouvelles données vérifiées.

Cette boucle est particulièrement importante dans la science des matériaux et la recherche moléculaire. Un grand modèle atomique comme DPA4 peut soutenir la découverte et la simulation de matériaux ; sa valeur pratique augmente lorsque ses prédictions sont confrontées à des expériences et que les observations obtenues améliorent les modèles futurs. Un rapport publié en 2026 indique qu’une version améliorée de DPA4 s’est classée première selon des indicateurs agrégés sur un classement international de la découverte de matériaux. Une performance sur un classement ne suffit toutefois pas à établir un impact scientifique concret dans le monde réel.

Les travaux liés à l’AISI sur les moteurs-fusées offrent un exemple plus tangible de validation physique. Les articles décrivent une chaîne allant de la conception générative à la simulation de combustion, à la fabrication additive, à la mesure et au contrôle automatisés, puis aux essais. Un démonstrateur à échelle réduite aurait achevé une validation en boucle fermée. Ces projets sont importants parce qu’ils confrontent les résultats de l’IA aux contraintes de l’ingénierie et aux tests physiques, au lieu de s’arrêter à un benchmark logiciel.

Pourquoi l’écosystème compte davantage qu’un modèle vedette

Les performances de pointe évoluent très vite

Les classements de modèles et les avantages produits peuvent changer en quelques mois. À l’inverse, les communautés de développeurs, les bases scientifiques, les équipements expérimentaux, les standards et l’expérience du déploiement s’accumulent sur des périodes bien plus longues. Ces actifs rendent les prochaines améliorations de modèles plus utiles et moins dépendantes d’une seule version.

Chaque domaine demande une forme d’intelligence différente

Un agent de programmation, un contrôleur robotique, un simulateur moléculaire et un système d’analyse de la littérature scientifique ne répondent pas au même problème technique. Une stratégie nationale ou industrielle de l’IA a donc intérêt à combiner des modèles spécialisés et des infrastructures partagées, plutôt qu’à attendre d’un système généraliste qu’il fasse tout correctement.

La recherche ouverte élargit la base d’innovation

Les poids, outils, benchmarks et plateformes ouverts permettent aux chercheurs et aux entreprises de tester, d’adapter et de prolonger les travaux des autres. L’orientation open source de la BAAI peut soutenir cette couche, tandis que des entreprises commerciales comme Zhipu AI peuvent transformer les capacités techniques en produits et en revenus.

La validation scientifique crée une boucle de progrès plus solide

Dans l’IA appliquée aux sciences, les systèmes les plus précieux pourraient être ceux qui relient prédiction, simulation, expérimentation et mesure. Chaque résultat validé peut améliorer les données et les modèles utilisés lors du cycle suivant. Le niveau d’exigence est supérieur à celui d’une réponse simplement plausible, mais la voie vers une valeur industrielle est aussi plus lisible.

L’indépendance est une architecture complète

Une IA capable de résister aux ruptures dépend de compétences réparties entre algorithmes, logiciels, données, calcul, talents, outils et déploiement. Diversifier ces couches peut réduire la dépendance à un fournisseur ou à une seule approche technique. Cela rend aussi l’ensemble plus robuste lorsqu’un modèle déçoit ou que les contraintes extérieures évoluent.

Le paysage stratégique

Zhipu AI, la BAAI et l’AISI occupent des positions différentes au sein d’un même système émergent :

• Zhipu AI apporte l’impulsion commerciale grâce aux modèles généralistes, aux outils de codage, aux agents et aux produits destinés aux développeurs.
• La BAAI fournit de la recherche ouverte, des réseaux de talents, des modèles fondamentaux et une trajectoire vers l’intelligence multimodale et incarnée.
• L’AISI fournit une infrastructure scientifique reliant modèles, connaissances, calcul, expériences et validation technique.

Leur importance est donc complémentaire, et non interchangeable. Zhipu AI montre comment des modèles de pointe peuvent devenir des plateformes. La BAAI montre comment la recherche ouverte peut diffuser des capacités dans une communauté plus vaste. L’AISI montre comment intégrer l’IA à des processus dont le succès se mesure par un matériau, une expérience ou un système industriel fonctionnel.

L’interprétation la plus solide de la prochaine phase de l’IA chinoise n’est pas qu’un modèle aurait déjà réglé la compétition mondiale. C’est plutôt que l’avantage concurrentiel pourrait de plus en plus provenir de la mise en réseau de pôles de recherche originaux, de plateformes commerciales, de capacités techniques indépendantes et d’applications interdisciplinaires. Autrement dit, la course ne se joue peut-être plus seulement sur la taille ou le classement d’un modèle, mais sur la capacité à transformer ces briques en un écosystème industriel ouvert et coopératif.