États-Unis : 5 Md$ pour propulser la science par l’IA

Genesis Mission : l’IA devient un instrument de puissance scientifique américaine

L’administration Trump a dévoilé les premiers financements de la Genesis Mission, une initiative qui place l’intelligence artificielle au centre de la politique américaine de recherche et d’innovation. Selon The Verge, qui a consacré à cette annonce un article intitulé “The tech-broification of American science has officially begun”, le programme doit orienter 5 milliards de dollars vers des centaines de projets scientifiques s’appuyant sur l’IA.

Le montant, comme le vocabulaire politique qui accompagne l’initiative, dépasse la seule question du soutien à des laboratoires. Il traduit une ambition plus large : faire de l’IA une infrastructure de recherche comparable, dans son importance stratégique, aux supercalculateurs, aux grands instruments scientifiques, aux réseaux d’énergie ou aux capacités industrielles. La Genesis Mission ne se présente donc pas simplement comme un programme de financement de plus. Elle marque l’intégration explicite de l’intelligence artificielle dans une stratégie nationale de production de connaissances, de compétitivité technologique et de puissance géopolitique.

La formule employée par The Verge, « tech-broification », est volontairement critique. Elle renvoie à une crainte désormais récurrente aux États-Unis : voir la recherche publique, ses priorités et ses méthodes de validation se rapprocher des intérêts, des rythmes et de la culture des grandes entreprises technologiques. L’expression ne signifie pas que les projets financés seraient privés ou qu’ils ne relèveraient plus de la recherche publique. Elle désigne plutôt une transformation des rapports de force : l’IA générative, les modèles de fondation, les infrastructures de calcul et les données scientifiques deviennent des ressources dont la maîtrise est largement concentrée dans un petit nombre d’acteurs industriels.

Dans ce contexte, l’annonce américaine doit être lue à plusieurs niveaux. Il y a d’abord la dimension budgétaire : 5 milliards de dollars constituent une enveloppe significative pour lancer ou accélérer des centaines de programmes. Il y a ensuite la dimension organisationnelle : mobiliser l’IA dans de nombreux domaines scientifiques suppose de coordonner données, laboratoires, calcul, logiciels, expertise disciplinaire et règles d’accès. Enfin, il y a une dimension géopolitique : Washington envoie le signal que la course à l’IA ne se limite pas aux assistants conversationnels, aux outils de programmation ou aux gains de productivité dans les entreprises. Elle concerne directement la capacité d’un pays à découvrir plus vite, à tester davantage d’hypothèses et à transformer ces découvertes en avantages industriels.

La science assistée par IA est déjà un champ très concret. Dans les sciences des matériaux, les modèles peuvent aider à explorer des combinaisons chimiques et à prioriser les candidats les plus prometteurs avant les expériences. En biologie, ils peuvent contribuer à l’analyse de séquences, d’images ou de jeux de données complexes. Dans les sciences du climat, de l’énergie, de la physique ou de l’ingénierie, l’IA peut accélérer le traitement de grands volumes de données, construire des modèles de substitution moins coûteux que certaines simulations, ou assister les chercheurs dans l’identification de motifs difficiles à isoler par des méthodes classiques.

Mais l’enjeu n’est pas seulement de « mettre de l’IA » dans les laboratoires. Un programme national de cette ampleur pose une question plus fondamentale : qui possède les capacités de calcul, les modèles, les données et les outils nécessaires pour faire de l’IA une méthode scientifique de masse ? La réponse américaine tend à associer plus étroitement État fédéral, agences scientifiques, laboratoires publics, universités et écosystème technologique. C’est cette articulation, bien davantage que le seul chiffre de 5 milliards de dollars, qui pourrait redessiner l’équilibre mondial de la recherche.

Une continuité américaine : de la recherche fédérale aux plateformes d’IA

La Genesis Mission ne surgit pas dans un vide institutionnel. Les États-Unis ont une longue tradition d’investissement fédéral dans les technologies considérées comme stratégiques. La création de la DARPA en 1958, dans le contexte du choc de Spoutnik, reste l’un des exemples les plus souvent cités : l’agence a soutenu des programmes à haut risque, des infrastructures numériques et des travaux ayant contribué à l’émergence de l’informatique moderne. La National Science Foundation, créée en 1950, constitue de son côté un pilier du financement de la recherche fondamentale américaine.

Le pays dispose également d’un réseau de laboratoires nationaux liés notamment au département de l’Énergie, ainsi que d’infrastructures de calcul de très haut niveau. Ces capacités ont rendu possible une tradition de recherche combinant physique, ingénierie, informatique et grands jeux de données. L’intelligence artificielle n’efface pas ce modèle : elle lui donne une couche supplémentaire. Là où les supercalculateurs étaient principalement associés aux simulations numériques, l’IA permet d’ajouter des modèles capables de classer, générer, prédire et optimiser à partir de données scientifiques.

Cette évolution s’inscrit aussi dans une période où l’IA est devenue un objet de concurrence industrielle internationale. Les grands modèles de langage et les modèles multimodaux ont mis en évidence l’importance des ressources matérielles : puces spécialisées, centres de données, électricité, interconnexions, stockage et ingénieurs capables de faire fonctionner ces systèmes. Les États-Unis concentrent une part essentielle des entreprises les plus visibles dans ce domaine, ainsi que des fournisseurs d’infrastructure cloud et des concepteurs de semi-conducteurs clés.

Pour la puissance publique américaine, soutenir la science par l’IA revient donc à s’appuyer sur un avantage déjà constitué, tout en cherchant à l’étendre. Les financements de Genesis Mission peuvent créer une demande publique structurée pour des outils d’IA scientifique, donner des cas d’usage aux infrastructures existantes et rapprocher encore les chercheurs des technologies développées par les entreprises. Cette logique est différente d’un programme qui se limiterait à financer des publications ou des équipements isolés. Elle favorise un écosystème dans lequel les découvertes, les logiciels et les infrastructures peuvent se renforcer mutuellement.

La notion de « mission » a également un poids politique particulier aux États-Unis. Elle évoque des programmes organisés autour d’objectifs identifiés, avec l’idée que la recherche ne doit pas seulement produire du savoir mais résoudre des problèmes jugés déterminants. Cette approche peut concerner l’énergie, la santé, les matériaux, la sécurité, l’industrie ou la résilience des infrastructures. Le fait que l’administration Trump place l’IA au cœur d’un tel dispositif revient à considérer cette technologie non comme un secteur autonome, mais comme un accélérateur transversal de la recherche scientifique.

Cette orientation n’est pas dénuée de tensions. La recherche publique fonctionne traditionnellement avec des temporalités longues, des méthodes d’évaluation par les pairs, des incertitudes et des résultats parfois difficilement valorisables à court terme. Les entreprises d’IA, en particulier celles actives dans les modèles généralistes, évoluent dans un environnement beaucoup plus rapide, concurrentiel et largement fondé sur la captation de ressources rares. Mettre ces deux mondes en relation peut faciliter les découvertes. Cela peut aussi accentuer les conflits autour de l’accès aux données, de la publication des méthodes, de la propriété intellectuelle et de la reproductibilité.

The Verge insiste précisément sur ce basculement culturel. Son titre ne décrit pas seulement une politique budgétaire ; il suggère que la science américaine pourrait être davantage façonnée par les codes de l’industrie technologique. Dans ce cadre, la question n’est pas de savoir si les chercheurs utiliseront des outils d’IA — c’est déjà le cas dans de nombreux domaines — mais selon quelles règles, avec quelles dépendances techniques et au bénéfice de quels acteurs.

Ce que financent les 5 milliards de dollars : une industrialisation de la recherche assistée

Les premiers financements annoncés pour la Genesis Mission doivent soutenir des centaines de projets scientifiques recourant à l’intelligence artificielle. La formulation est importante : elle met l’accent sur la multiplicité des projets plutôt que sur un unique programme phare. L’objectif semble être de diffuser l’IA dans le tissu scientifique américain, en créant un effet d’échelle. Au lieu de réserver les outils les plus avancés à quelques centres d’excellence, une telle approche vise à accélérer leur adoption dans un éventail plus large de disciplines et d’institutions.

Cette diffusion ne doit toutefois pas être confondue avec une démocratisation automatique. Déployer de l’IA dans la recherche exige des ressources qui restent inégalement réparties. Les laboratoires ont besoin de données exploitables, de compétences informatiques, de moyens de calcul, de personnels capables d’évaluer les résultats produits par les modèles et de procédures solides pour vérifier les conclusions. Une enveloppe nationale peut réduire une partie de ces obstacles, mais elle ne les supprime pas : les institutions déjà les mieux équipées sont souvent les plus à même de répondre rapidement à des appels à projets complexes.

Le chiffre de 5 milliards de dollars donne néanmoins une indication de l’échelle recherchée. Il ne s’agit pas d’un financement marginal destiné à quelques démonstrateurs. La Genesis Mission place l’IA parmi les instruments que l’État américain souhaite mobiliser pour orienter l’innovation scientifique. Dans une économie où les dépenses liées au calcul avancé et aux centres de données augmentent rapidement, le financement public peut jouer plusieurs rôles : absorber une partie du risque, créer des standards, soutenir des jeux de données spécialisés et rendre viable une recherche qui ne serait pas immédiatement rentable pour le secteur privé.

La logique de portefeuille, avec des centaines de projets, présente un autre intérêt. La recherche scientifique produit rarement des résultats homogènes. Certaines approches échouent, d’autres prennent plus de temps que prévu, et les avancées les plus importantes ne correspondent pas toujours aux hypothèses initiales. En soutenant un grand nombre de projets, une mission publique peut répartir le risque et laisser émerger des méthodes ou des applications inattendues. C’est particulièrement pertinent pour l’IA scientifique, où les performances dépendent fortement de la qualité des données, de la définition du problème et de l’intégration avec l’expérimentation réelle.

Il serait cependant trompeur de présenter l’IA comme un substitut complet à la méthode scientifique. Les modèles peuvent produire des prédictions utiles, mais ils peuvent aussi reproduire les biais des données disponibles, donner des résultats difficiles à interpréter ou échouer lorsqu’ils sont confrontés à des situations peu représentées dans leurs données d’entraînement. Dans les disciplines expérimentales, une hypothèse suggérée par un système d’IA doit toujours être confrontée à des mesures, à des expériences, à des contrôles et à l’expertise humaine.

La réussite de Genesis Mission dépendra donc moins de la capacité à multiplier les annonces que de la qualité de cette articulation entre calcul et validation. Un modèle peut accélérer le tri des pistes possibles ; il ne remplace ni les instruments, ni les protocoles, ni les infrastructures de mesure, ni le travail des équipes scientifiques. Le risque serait de confondre vitesse de génération d’hypothèses et vitesse de production de connaissances fiables. La valeur scientifique d’un système d’IA ne se mesure pas seulement à sa capacité à produire un résultat, mais à sa capacité à contribuer à un résultat vérifiable et réutilisable.

Cette distinction est centrale dans le débat sur l’ouverture de la recherche. Les modèles les plus puissants sont souvent coûteux à entraîner et à exploiter. Lorsqu’ils sont accessibles principalement via des services propriétaires, les chercheurs peuvent bénéficier d’outils performants tout en perdant une partie du contrôle sur les conditions techniques de leurs travaux. À l’inverse, des approches ouvertes peuvent améliorer l’auditabilité et la reproductibilité, mais elles exigent aussi des financements, des compétences et une gouvernance durable. La Genesis Mission, telle que rapportée par The Verge, cristallise cette tension entre efficacité, souveraineté scientifique et transparence.

Entre accélération technologique et dépendance : les questions de gouvernance

L’essor de l’IA dans la recherche ne pose pas uniquement un problème de financement. Il soulève aussi des enjeux de gouvernance qui détermineront la portée réelle des programmes publics. Qui choisit les domaines prioritaires ? Selon quels critères les projets sont-ils évalués ? Quelles données peuvent être partagées ? Quels résultats doivent être publiés ? Et dans quelles conditions des entreprises privées peuvent-elles intervenir dans des recherches financées par l’argent public ?

Ces questions ne sont pas abstraites. Dans l’IA contemporaine, l’accès aux capacités de calcul peut constituer une barrière aussi décisive que l’accès à un grand équipement scientifique. Les modèles de fondation nécessitent souvent des infrastructures que peu d’universités ou de laboratoires peuvent financer seuls. Dès lors, un programme comme Genesis Mission peut soit renforcer des capacités publiques propres, soit accroître la dépendance à des fournisseurs commerciaux, soit combiner les deux. Le choix entre ces voies détermine une part de l’autonomie future de la recherche.

La dépendance peut prendre plusieurs formes. Elle peut être matérielle, lorsque les chercheurs dépendent de puces, de services cloud ou de centres de données contrôlés par un nombre réduit d’entreprises. Elle peut être logicielle, lorsque les outils essentiels reposent sur des modèles fermés dont les paramètres, les données d’entraînement ou les modalités de fonctionnement ne sont pas accessibles. Elle peut enfin être économique, lorsqu’un laboratoire devient captif d’une tarification, d’une interface ou d’un fournisseur auquel il est difficile de substituer une solution équivalente.

Pour un programme financé publiquement, ces sujets sont particulièrement sensibles. Les États-Unis disposent d’un avantage objectif dans les infrastructures et l’industrie de l’IA, ce qui peut rendre le recours à des acteurs privés à la fois efficace et difficile à éviter. Mais cet avantage nourrit aussi la critique formulée par The Verge : lorsque les entreprises technologiques deviennent indispensables à la conduite de la science, la frontière entre soutien public à la recherche et consolidation de positions privées devient plus difficile à tracer.

La question de la publication est tout aussi importante. La science repose sur la possibilité de vérifier, de critiquer et de reproduire les résultats. Or les grands modèles, en particulier lorsqu’ils sont fermés, compliquent parfois cette exigence. Un chercheur peut obtenir une sortie convaincante sans pouvoir examiner totalement les conditions de son obtention. Les modifications successives d’un modèle accessible par service en ligne peuvent également rendre plus difficile la reproduction exacte d’une expérience à plusieurs mois d’intervalle.

Il ne s’agit pas d’un argument pour exclure les outils commerciaux de la recherche. Les logiciels propriétaires sont déjà présents dans de nombreux secteurs scientifiques, et les collaborations public-privé ont historiquement contribué à des avancées importantes. Mais la généralisation de l’IA oblige à repenser les garanties associées aux financements publics : conservation des données, documentation des modèles, traçabilité des calculs, accès aux infrastructures et conditions de réutilisation des résultats.

La Genesis Mission peut ainsi être interprétée comme un test institutionnel. Les États-Unis cherchent à accélérer la science grâce à des capacités technologiques qu’ils dominent largement. La question sera de savoir si cette accélération s’accompagne d’un renforcement des biens communs scientifiques — données, outils, infrastructures et résultats accessibles — ou si elle installe durablement une recherche plus dépendante de plateformes industrielles. Les deux dynamiques peuvent coexister, mais leur équilibre ne sera pas neutre pour les universités, les petites équipes de recherche et les autres pays.

L’Europe face à une décision stratégique sur la souveraineté scientifique

Pour l’Europe, l’annonce américaine ne peut pas être réduite à une comparaison de budgets. Elle met en évidence un problème de structure : les États-Unis peuvent articuler des financements publics importants avec un secteur privé qui concentre une grande part des modèles, des infrastructures cloud et des semi-conducteurs les plus visibles du marché de l’IA. L’Union européenne possède des centres de recherche de premier plan, des universités reconnues, des industriels spécialisés et une tradition de coopération scientifique. Mais elle doit encore faire converger ces forces avec une capacité de calcul, de financement et de déploiement à l’échelle nécessaire.

Horizon Europe, le programme-cadre européen pour la recherche et l’innovation sur la période 2021-2027, dispose d’un budget de 95,5 milliards d’euros. Cette enveloppe couvre cependant un champ très vaste : santé, climat, numérique, mobilité, industrie, sciences fondamentales et bien d’autres priorités. Elle ne constitue donc pas un équivalent direct aux 5 milliards de dollars de Genesis Mission consacrés, selon The Verge, à des centaines de projets scientifiques mobilisant l’IA. La comparaison pertinente porte moins sur le montant brut que sur la capacité à concentrer rapidement des ressources autour d’une ambition technologique précise.

L’Europe a également développé des instruments dédiés au calcul intensif, notamment autour de l’entreprise commune EuroHPC. Ces infrastructures sont essentielles, car une stratégie d’IA scientifique ne peut pas reposer uniquement sur des règlements, des principes éthiques ou des subventions fragmentées. Elle requiert des machines, de l’électricité, des réseaux, des équipes d’exploitation, des logiciels et des modalités d’accès adaptées aux chercheurs. La souveraineté ne signifie pas nécessairement l’autarcie ; elle implique de pouvoir choisir ses dépendances au lieu de les subir.

La France se trouve directement concernée. Son écosystème combine des organismes de recherche majeurs, des universités, des écoles d’ingénieurs, des acteurs du calcul haute performance et une communauté de start-up en IA. Les applications scientifiques de l’IA peuvent concerner aussi bien la médecine, les matériaux, l’énergie, le climat que l’industrie. Mais l’existence de compétences nationales ne garantit pas, à elle seule, une maîtrise des couches technologiques les plus coûteuses. Les modèles, les accélérateurs matériels et les services de calcul restent des ressources mondialisées, où les acteurs américains occupent une place déterminante.

Le cadre réglementaire européen ajoute une autre dimension. L’AI Act, dont l’entrée en vigueur a commencé le 1er août 2024, vise à encadrer les risques liés aux systèmes d’IA dans l’Union européenne. Ce texte n’est pas une politique scientifique ou industrielle au sens strict, mais il influence l’environnement dans lequel les outils seront développés et déployés. La difficulté européenne consiste à éviter une opposition simpliste entre régulation et innovation. Une gouvernance exigeante peut renforcer la confiance, à condition qu’elle soit accompagnée d’infrastructures, de compétences et de financements capables de donner aux chercheurs et entreprises européens des alternatives crédibles.

Genesis Mission rappelle que la bataille se joue désormais sur cette combinaison. Des règles sans capacités techniques peuvent laisser les utilisateurs européens dépendre de solutions conçues ailleurs. Des capacités sans règles peuvent fragiliser l’acceptabilité des usages et la protection des données. Des financements sans stratégie d’accès aux infrastructures risquent de soutenir des projets dont la valeur créée se concentrera chez les fournisseurs de modèles et de cloud. La réponse européenne ne peut donc pas être seulement défensive ou réglementaire : elle doit lier la recherche fondamentale, les données scientifiques, le calcul et les conditions de diffusion des résultats.

Une course longue, au-delà des annonces budgétaires

La portée réelle de la Genesis Mission ne se mesurera pas uniquement à l’annonce des premiers financements. Elle dépendra de la capacité des projets soutenus à produire des avancées vérifiées, à former des chercheurs, à créer des outils réutilisables et à maintenir une continuité financière au-delà de la première phase. Dans l’IA scientifique, les effets les plus importants peuvent prendre du temps : les modèles doivent être adaptés aux disciplines, confrontés aux expériences et intégrés dans les pratiques quotidiennes des équipes.

Les 5 milliards de dollars signalent néanmoins un changement de priorité. L’administration Trump traite l’IA comme un levier direct de la science nationale, et donc comme un élément de la compétition entre puissances. Cette approche pourrait favoriser une accélération des recherches dans les domaines où les États-Unis disposent déjà de données, de calcul et de capacités industrielles. Elle pourrait aussi attirer davantage de talents, de partenariats et de capitaux vers les institutions américaines, renforçant un cercle où l’infrastructure attire les projets et les projets justifient de nouvelles infrastructures.

Pour les écosystèmes francophones et européens, le défi est moins de reproduire mécaniquement le modèle américain que de définir les ressources à préserver et à construire. La recherche ouverte, les infrastructures publiques de calcul, les données de qualité, les modèles auditables et les coopérations européennes peuvent constituer des avantages stratégiques si elles sont financées à une échelle suffisante. À l’inverse, une dépendance durable à des plateformes étrangères pourrait limiter la capacité des laboratoires à fixer leurs propres priorités scientifiques et à contrôler les conditions de production de leurs résultats.

La Genesis Mission ouvre ainsi une séquence où la politique de l’IA ne se jouera plus seulement dans les ministères du numérique, les autorités de concurrence ou les débats sur les contenus générés. Elle se jouera aussi dans les laboratoires, les centres de calcul, les organismes de financement et les chaînes d’approvisionnement en matériel informatique. Le pays qui maîtrisera ces différentes couches ne disposera pas seulement de meilleurs assistants numériques : il pourra potentiellement accélérer sa capacité à produire des découvertes, à les industrialiser et à orienter les standards de la science de demain.