La convergence des technologies fait progresser l’innovation et donne lieu à de nouvelles approches, de nouvelles méthodes de production, de nouvelles applications, mais aussi de nouveaux défis en matière de gouvernance. Cette évolution est notamment visible dans quatre domaines technologiques importants : la biologie de synthèse, les neurotechnologies, les technologies quantiques et l’observation de la Terre depuis l’espace. La convergence des technologies, si elle peut être appréhendée en termes de produits ou d’applications technologiques, peut également être comprise comme un processus d’intégration, non seulement des technologies, mais aussi des disciplines et des communautés. Partout dans le monde, les responsables de l’action publique la favorisent en concevant des « espaces de convergence », c’est-à-dire des institutions et des programmes qui réunissent, en les associant, démarches scientifiques, infrastructures techniques et compétences interdisciplinaires. L’intention est de libérer tout le potentiel génératif de la pluridisciplinarité et de l’interdisciplinarité poussées. L’examen des quatre domaines technologiques susmentionnés montre que les possibilités de convergence constituent une force générative dans chaque domaine, et met en exergue les nouvelles difficultés et opportunités pour l’action publique relative aux technologies émergentes.
Science, technologie et innovation : Perspectives de l'OCDE 2025
Description
La convergence des technologies, si elle peut être appréhendée en termes de produits ou d’applications technologiques, peut également être comprise comme un processus d’intégration faisant intervenir différentes disciplines et communautés. Les transformations de la société nécessitent que l’on exploite au mieux la dynamique de cette convergence, une tendance qui se dessine avec une force particulière dans les contextes de l’IA, des neurotechnologies, de la biologie de synthèse, des technologies quantiques et de l’observation de la Terre depuis l’espace.
Il est possible de renforcer la convergence en concevant des « espaces de convergence », c’est-à-dire des infrastructures et des plateformes physiques, numériques et technologiques qui favorisent l’intégration des outils, des disciplines et de l’expertise humaine. Prendre en compte les considérations de nature réglementaire, éthique, juridique et sociale peut aussi aider à façonner les résultats de la convergence de telle sorte que l’innovation soit en phase avec les réglementations en vigueur et les valeurs de la société et soit sensible aux préoccupations et aux risques.
Afin de promouvoir une convergence des technologies qui suscite des changements porteurs de transformation dans l’économie, les pouvoirs publics pourraient mener les actions suivantes :
concevoir des espaces de convergence, grâce à des institutions et des programmes bien conçus, de manière à encourager des formes plus poussées de recherche, d’ingénierie et d’innovation interdisciplinaires ;
prendre simultanément en compte les évolutions de la technologie et de la réglementation, puisque les effets souvent complexes de la convergence sur la réglementation exigent d’intégrer l’analyse éthique, juridique et sociale au bouquet interdisciplinaire de l’espace de convergence ;
analyser la faisabilité et les effets possibles de la convergence des technologies dans des secteurs clés, en s’appuyant sur les contributions de parties prenantes représentant le personnel, les entreprises et d’autres instances de la société civile ;
mettre à profit une diversité de modèles de financement, de règles d’accès et de structures de transfert de technologie pour façonner les plateformes technologiques et collaboratives nécessaires à la convergence ;
identifier des approches réglementaires agiles et promouvoir le renseignement stratégique pour mieux anticiper et prendre en compte les moteurs et les impacts de la convergence, en faisant fond sur le Cadre de l’OCDE relatif à la gouvernance anticipative des technologies émergentes.
Les transformations de la société nécessitent d’exploiter au mieux le dynamisme de la convergence des technologies. Cette tendance, observée de longue date dans les communautés d’action de la science et de la technologie, est en passe d’acquérir une force particulière dans les contextes de l’intelligence artificielle (IA) et de la transformation numérique, des biotechnologies avancées et de la science des matériaux. Selon de nombreuses analyses, la convergence des technologies promet des synergies puissantes à même d’accélérer la mise au point et d’améliorer les fonctionnalités des technologies, des outils et des produits. Le phénomène est visible dans les universités comme dans les entreprises. De fait, désireux d’élargir leurs domaines de connaissances, de nombreux acteurs de l’industrie s’éloignent des modèles conventionnels de développement d’une seule technologie au profit d’une convergence technologique plus interdisciplinaire et polyvalente (Ma et Wu, 2024[1]). L’IA, en particulier, est une technologie hautement générique qui devrait donner un coup d’accélérateur à l’intégration à grande échelle des technologies numériques. Sous l’effet de la transformation numérique et de l’IA, qui joue un rôle important sans être le seul facteur, un large éventail de filières clés de technologies émergentes – robots apprenants, biotechnologies, science et technologie quantiques ou encore systèmes satellites – sont devenues le lieu d’une intégration poussée des outils, des méthodes, des disciplines et des technologies.
La convergence, peut-être parce qu’elle est pour les politiques d’innovation une source de possibilités et de difficultés spécifiques du fait de la synergie entre des domaines jusque-là distincts, est devenue l’un des thèmes centraux des stratégies en faveur de la technologie et de l’innovation (Sick et Bröring, 2022[2]). L’intégration technologique fait émerger de nouvelles dimensions de l’action publique et des défis inédits en matière de gouvernance, dont il s’agit de tenir compte pour que les technologies réalisent tout leur potentiel, mais la base empirique des instruments d’action disponibles, même si elle grossit peu à peu, est sans doute encore limitée.
Le présent chapitre se propose d’étudier le phénomène de convergence dans le contexte de quatre nouveaux domaines technologiques importants : la biologie de synthèse, les neurotechnologies, les technologies quantiques et l’observation de la Terre depuis l’espace. La combinaison de technologies autrefois perçues comme distinctes fait progresser l’innovation et donne lieu à de nouvelles approches, de nouvelles méthodes de production, de nouvelles applications, mais aussi de nouveaux défis en matière de gouvernance. La position avancée dans ce chapitre est que la convergence des technologies, si elle peut être appréhendée en termes de produits ou d’applications technologiques, peut également être comprise comme un processus d’intégration, non seulement des technologies, mais aussi des disciplines et des communautés. Ce processus est mû par des logiques et des facteurs technologiques internes. Pour autant, les responsables de l’action publique ont entrepris de favoriser la convergence en concevant ce que l’on pourrait appeler des « espaces de convergence », c’est-à-dire des institutions et des programmes qui réunissent, en les associant, démarches scientifiques, infrastructures techniques et compétences interdisciplinaires. En examinant la convergence dans quatre filières en particulier, on se propose d’illustrer la diversité des produits qui se font jour à l’intersection de plusieurs domaines technologiques, ainsi que le rôle des espaces de convergence. Les phénomènes de convergence qui se produisent à l’échelle et autour de ces quatre filières créent de nouveaux défis et de nouvelles opportunités pour l’action publique relative aux technologies émergentes.
La convergence en tant que produit
La convergence des technologies est un terme générique dont la définition s’est élargie depuis sa popularisation au début des années 2000. Dans son premier sens le plus étroit, ce terme était utilisé pour décrire l’association entre nanotechnologies, biotechnologies, technologies de l’information et des communications (TIC) et technologies cognitives, qui a donné naissance à des produits tels que les microsystèmes électromécaniques (MEMS) – utilisés dans les capteurs et les actionneurs de l’automobile, des consoles de jeux et des téléphones cellulaires – mais aussi à l’informatique génomique et à la nanoélectronique. Dans cette acception, la convergence des technologies peut être comprise en termes de combinaison ou d’hybridation d’une ou de plusieurs technologies (OCDE, 2014[3]). Aujourd’hui, les principaux produits de la convergence sont notamment les interfaces cerveau-machine (ICM), les biocapteurs quantiques et les dispositifs de bioproduction, tous issus de l’interaction entre biologie de synthèse, neurotechnologies, technologies quantiques, technologies spatiales et intelligence artificielle. Quand on s’intéresse au concept sous cet angle, la convergence est principalement située dans les produits, c’est-à-dire les technologies résultantes elles-mêmes. Ces produits de la convergence sont conçus pour être mis à la disposition immédiate d’un marché de consommation, d’une clientèle ou d’une patientèle, ou pour être utilisés comme des outils de recherche.
La convergence en tant que processus
Si la convergence en tant qu’outil est un cadre familier qui permet de rendre compte d’aspects clés du phénomène, elle peut aussi être comprise comme un processus – dépendant de l’agentivité humaine, de technologies et de systèmes – susceptible de faire émerger de nouveaux produits, de nouvelles filières et de nouvelles disciplines de recherche-développement (R-D). La création des produits de la convergence est le fruit d’une diversité d’efforts d’intégration interdisciplinaires et intersectoriels. Dans ce sens, la convergence des technologies renvoie à un ensemble de processus que l’on a tendance à répartir entre coévolution et fusion. La coévolution désigne le processus de développement concomitant de plusieurs technologies, chacune contribuant à l’évolution de l’autre. Par exemple, les progrès du matériel informatique rendent l’IA de plus en plus puissante, tandis que les réseaux 5G amplifient l’échelle et la vitesse de fourniture des services fondés sur l’IA.
Pour sa part, la fusion dépasse la seule combinaison pour désigner le processus consistant à intégrer complètement des outils et des connaissances scientifiques jusqu’à ouvrir des champs d’innovation entièrement nouveaux. En 2014, des spécialistes travaillant sous l’égide des Académies nationales des États-Unis ont défini le concept comme le fait de combiner des disciplines pour en créer de nouvelles (US National Academies, 2014[4]). En d’autres mots, ce concept
recouvre le fait d’amalgamer des idées, des approches et des technologies issues de domaines de connaissances très divers jusqu’à atteindre un très haut niveau d’intégration. [Il s’agit d’] une stratégie cruciale pour résoudre des problèmes complexes et traiter des questions intellectuelles difficiles dans des disciplines émergentes (p. 20, traduction libre).
Le processus ne peut être décrit comme la réunion de deux parties en un tout. Au contraire, comme l’explique Brew, « les disciplines sont davantage assimilables à de l’eau qu’à de la terre, en ce sens qu’elles peuvent être séparées, mais aussi se rencontrer, se mélanger, fusionner et se recombiner d’un nombre presque infini de manières » (Brew, 2007[5]), traduction libre). La fusion peut se produire à des degrés variables, allant de l’ensemble complet des infrastructures et des réseaux de communication jusqu’aux produits et services en aval destinés aux utilisateurs, en passant par les jeux de données et l’analytique.
L’élément humain de la convergence se retrouve dans la conception, dans l’application de l’expertise et du jugement, dans le contexte institutionnel et dans les conditions-cadres propices au développement et à la diffusion. Dans son acception sans doute la plus large, le processus de convergence est appréhendé comme un phénomène d’« interaction croissante et transformative entre des disciplines scientifiques, des technologies, des communautés et des domaines de l’activité humaine apparemment distincts » (Roco et al., 2013[6]), traduction libre). En ce sens, la convergence est une véritable collaboration entre la créativité humaine et la logique technologique (Bijker, Hughes et Pinch, 1987[7]). Cette façon d’appréhender les choses, en plus de nous rappeler la nature intrinsèquement sociale du changement technologique, crée la possibilité d’une intégration normative qui puisse aller au-delà des fractures technologiques et sociales. Par exemple, la convergence peut aider à intégrer aux technologies des normes telles que « la protection de la vie privée dès la conception », et favoriser une innovation responsable.
Espaces de convergence et actifs interdisciplinaires
À un certain niveau, la convergence des technologies semble se produire de manière organique, sous l’effet d’une logique purement technologique. Pourtant, les sociologues de la science et de la technologie montrent depuis des décennies le rôle de l’agentivité humaine dans la science et l’innovation (Latour, 2005[8]). La question se pose donc de savoir comment les pouvoirs publics et les autres bailleurs de fonds peuvent contribuer à créer des conditions à même de favoriser la convergence et de l’orienter vers les principaux problèmes scientifiques, techniques et sociétaux.
Pour instaurer un environnement propice à la convergence, il peut être nécessaire de créer les conditions optimales dont ont besoin les établissements de R-D, les actifs infrastructurels, les compétences humaines et les réseaux pour créer des synergies et développer des sciences et technologies inédites – autrement dit, des « espaces de convergence ». L’OCDE définit ces espaces de convergence comme des lieux physiques et/ou matériels réunissant une diversité d’éléments – acteurs, disciplines et technologies – d’une manière qui favorise la convergence (Winickoff et al., 2021[9]). Les espaces de convergence s’apparentent à des « écosystèmes d’innovation ». Cependant, alors que cette notion d’écosystème d’innovation est axée sur les réseaux d’institutions, celle d’espace de convergence met en avant l’objectif d’intégrer des approches, des compétences et des savoirs scientifiques et techniques, en faisant fond sur, et en visant à instaurer, une interdisciplinarité poussée. L’intention est ici de libérer le potentiel génératif des actifs interdisciplinaires réunis dans les espaces de convergence. De ce fait, ces espaces peuvent produire de nouveaux types de valeurs, de produits, de technologies, de modes de formation et de démarches de réglementation. Conçus de la bonne manière, ils peuvent aider à optimiser la valeur matérielle et immatérielle, à mettre au point des modèles de durabilité, à encourager la collaboration et à promouvoir l’intégration technologique. Le programme israélien de bioconvergence en est un exemple (voir l’encadré 5.1).
Le programme national de bioconvergence d’Israël a été stratégiquement conçu pour transcender les secteurs et les disciplines en réunissant les sciences de la biologie, de l’ingénierie et de l’informatique, et stimuler l’innovation dans les domaines de la santé, de l’agroalimentaire, de l’industrie manufacturière et de l’environnement. Lancé en 2022, il associe plusieurs instances de l’administration chargées de la STI, la santé, la finance et la défense, ainsi que le monde universitaire, ce qui permet un alignement global des politiques et du soutien aux écosystèmes. Il est prévu que l’investissement public dans le programme s’élève à environ 400 millions USD sur dix ans, avec autour de 200 millions USD de plus grâce à l’effet de levier du secteur privé, partenariats internationaux compris (par exemple, un programme international axé sur les défis de la bioconvergence). Étant donné les défis de la bioconvergence, le programme s’articule autour de cinq piliers :
Recherche – Investissement de fonds nationaux dans la recherche appliquée pluridisciplinaire, soutenue par des infrastructures et des services de recherche de haut niveau.
R-D interdisciplinaire – Plus de 80 millions USD d’investissement public dans la R-D industrielle, des startups et des consortiums, afin de combler les déficits de financement et de développer des écosystèmes en y associant des dizaines de nouvelles entreprises. Les thèmes clés sont notamment les biopuces, les tissus artificiels, les plastiques biosourcés et les solutions de bioéconomie circulaire.
Infrastructure – Investissement public important dans la création de laboratoires de services de R-D autonomes destinés à soutenir l’innovation dans la biologie de synthèse, la mise au point et le développement à grande échelle de la fermentation de précision, et le prototypage et la production à petite échelle de biopuces/dispositifs.
Capital humain – Affectation de plus de 2 millions USD à divers programmes pluridisciplinaires de formation, d’amélioration des compétences et de cohésion d’équipe dans les milieux universitaire et industriel, qui devraient concerner plus de 1000 personnes.
Réglementation facilitatrice – Élaboration, en collaboration avec le ministère de la Santé, d’un cadre de réglementation favorable pour orienter les entreprises tout au long des processus réglementaires applicables aux technologies complexes de la santé et de l’agroalimentaire issues de la bioconvergence, l’objectif étant la première approbation mondiale de lait et de viande bovins cultivés.
Pour obtenir un modèle simplifié du processus, on peut répartir trois aspects de la convergence des technologies (les technologies génériques, les disciplines de R-D et les diverses compétences techniques) autour d’une roue mobile (voir le graphique 1.2), le processus d’intégration des disciplines et des infrastructures de la connaissance ayant lieu dans des espaces de collaboration et d’échange.
Source : Élaboré par les auteurs.
La convergence peut répondre à des besoins définis du marché ou de la société de manière à rendre possible l’émergence de nouveaux secteurs et domaines de recherche. Ce processus peut favoriser la mise au point de produits nouveaux et hybrides, l’ouverture de nouveaux champs de recherche, et la création de nouvelles opportunités industrielles.
Dans cette section, on se propose d’examiner la convergence dans quatre domaines technologiques importants – la biologie de synthèse, les neurotechnologies, les technologies quantiques et l’observation de la Terre depuis l’espace. L’examen de ces quatre cas révèle tout ce que la force générative de la convergence permet d’obtenir dans chaque domaine. Ce faisant, on pourra observer la convergence sous ses deux formes : les produits très divers qui naissent à l’intersection de plusieurs technologies, et les espaces de convergence, illustrés par des exemples dans les encadrés ci-après.
La convergence en biologie de synthèse
La biologie de synthèse apporte une méthode d’ingénierie interdisciplinaire aux biotechnologies, ce qui contribue à réunir la biologie, le numérique, l’ingénierie, l’IA et l’automatisation. En l’absence de définition internationalement reconnue, on entend par biologie de synthèse la conception, la fabrication et la mise à l’échelle de composants et de systèmes biologiques – en particulier des portions d’ADN – puis leur intégration à des applications utiles1. La biologie de synthèse a pour finalité globale de tirer parti de systèmes vivants au bénéfice de la recherche, du développement de produits et de la fourniture de solutions commerciales. Elle consiste à construire des systèmes vivants à plusieurs échelles, des molécules aux organismes, pour faciliter la recherche et le développement de produits dans des domaines tels que les produits chimiques, les nouveaux matériaux et les combustibles biosourcés. Elle fait fond sur tout un éventail d’approches et d’outils scientifiques et technologiques, comme décrit ci-après, et sa convergence trouve son expression la plus tangible dans les infrastructures connues sous le nom de biofonderies, qui sont des actifs interdisciplinaires par excellence.
Comprendre et concevoir les systèmes biologiques et les structures protéiques
Domaine important de la science et de l’ingénierie apparu avant l’IA, la biologie de synthèse a vu sa convergence avec les outils d’IA (apprentissage automatique, grands modèles de langage, etc.) et avec les technologies numériques et l’automatisation connexes, accélérer grandement son rythme d’innovation. L’association entre biologie de synthèse et IA, en particulier l’apprentissage automatique, s’avère un moyen puissant de concevoir et d’optimiser des systèmes biologiques. En effet, on peut utiliser des algorithmes d’apprentissage automatique pour analyser de grandes quantités de données expérimentales, par exemple des profils d’expression génique ou des flux métaboliques, afin d’identifier des schémas récurrents et de prédire le comportement d’un système biologique (Vindman et al., 2024[10]). En entraînant des réseaux de neurones profonds sur de grands ensembles de données de relations génotype-phénotype, les équipes de recherche peuvent créer des modèles capables de prédire avec exactitude les résultats de modifications génétiques telles que des invalidations (knock-out) ou des mutations. On peut ensuite appliquer ces modèles pour orienter la conception rationnelle d’organismes modifiés, l’expérimentation empirique devenant ainsi moins nécessaire, et pour piloter la mise au point de circuits génétiques, de voies métaboliques et d’organismes de synthèse nouveaux ayant les propriétés souhaitées (Iram, Dong et Ignea, 2024[11]). Ce type d’approche trouve une grande variété d’applications dans le domaine de la recherche ainsi que dans divers secteurs économiques, notamment celui des outils de prédiction informatique.
Les outils de prédiction informatique peuvent fournir des informations nouvelles ou plus rapides de nature à accélérer le travail des équipes de recherche. Comprendre les structures protéiques à l’échelle moléculaire est une innovation biotechnologique fondamentale, en particulier pour le développement de nouvelles thérapies. Il a récemment été montré que les outils d’IA tels que l’apprentissage profond peuvent aider à prédire les structures protéiques avec la même exactitude que les méthodes expérimentales. L’outil AlphaFold de Google DeepMind, à l’origine de l’attribution d’un prix Nobel de chimie partagé, est un exemple éloquent d’application réussie de la convergence autour de la biologie de synthèse. En faisant fond sur des données publiquement disponibles relatives à des séquences et structures protéiques connues (obtenues de manière expérimentale), le modèle d’IA peut, avec exactitude et efficacité, prédire la structure tertiaire de protéines sur la seule base de leur séquence d’acides aminés. La toute dernière version du modèle, AlphaFold 3, peut même aller plus loin et prédire les interactions entre des protéines et d’autres molécules du vivant telles que l’ADN et l’ARN, ainsi que les structures associées. Auparavant, de telles analyses avaient tendance à être longues et coûteuses, ce qui constituait un obstacle majeur à l’innovation.
Produits chimiques et matériaux
La biologie de synthèse augmentée par l’IA, en permettant la synthèse durable et transposable à grande échelle d’un large éventail de substances, est également sur le point de transformer la production des matériaux et des produits chimiques. Elle rend désormais possible de construire les micro-organismes dont on a besoin pour obtenir certains composés, ce qui constitue une alternative à la synthèse chimique conventionnelle souvent fondée sur les combustibles fossiles et à l’origine de sous-produits dangereux.
Produits chimiques de haute valeur, par exemple arômes, parfums et produits pharmaceutiques, par fermentation microbienne. En construisant de nouvelles voies métaboliques microbiennes, les équipes de recherche peuvent créer des plateformes efficaces et durables de production de ces composés. Les outils d’IA peuvent être utiles à chaque étape du processus, de la conception à l’extraction, par exemple en aidant à concevoir les séquences géniques utilisées ou à optimiser et dimensionner les systèmes de production (García Martín, Mazurenko et Zhao, 2024[12]).
Plastiques et résines biosourcés. Des équipes de recherche ont réussi à développer des voies métaboliques de synthèse dans certaines bactéries et levures pour convertir des matières premières renouvelables comme le sucre ou l’huile végétale en monomères qu’il est ensuite possible de polymériser en plastiques biodégradables. De tels plastiques biosourcés pourraient remplacer ceux qui sont dérivés du pétrole et nous aider ainsi à réduire notre dépendance aux combustibles fossiles et à créer des matériaux sûrs dès la conception, qui atténuent les impacts environnementaux des déchets plastiques (Adkins et al., 2012[13]). À cet effet, les réseaux de neurones de l’IA sont utilisés pour prédire les caractéristiques des bioplastiques recherchés, et pour trouver des substituts commerciaux viables aux produits non biodégradables, qui puissent ensuite être produits par synthèse microbienne (Kuenneth et al., 2022[14]).
Autoassemblage et autoréparation de matériaux de pointe. Les scientifiques savent également construire des bactéries permettant de produire des biofilms utilisables comme matériaux vivants dans des applications telles que la filtration de l’eau ou la biodépollution. On peut programmer ces matériaux vivants pour qu’ils remplissent des fonctions spécifiques, par exemple la liaison sélective à certains contaminants ou la dégradation de produits polluants. Cependant, le rejet ou la fuite de tels organismes vivants dans l’environnement pourrait présenter un risque pour les communautés microbiennes naturelles.
Les biofonderies, un exemple d’espace interdisciplinaire
Les technologies convergentes tendent à émerger en même temps que d’autres infrastructures qui tirent parti de la convergence et la favorisent, voire l’alimentent. En biologie de synthèse, ce processus est visible dans ce que l’on appelle les « biofonderies », à savoir des installations automatisées de pointe conçues pour accélérer la recherche en biologie de synthèse et la bioproduction grâce à l’intégration d’outils de robotique à haut débit, d’automatisation et de conception assistée par l’IA. Dans le champ de la biologie de synthèse, les biofonderies et les institutions, disciplines et compétences réunies autour d’elles fonctionnent comme de puissants espaces de convergence. En catalysant le développement de produits potentiels, les biofonderies peuvent améliorer et faire émerger de nouveaux produits et savoirs. Dans le champ des biotechnologies, la convergence avec l’IA commence tout juste à monter en puissance.
Les biofonderies mettent à profit l’apprentissage automatique et les grands modèles de langage pour accélérer la conception et la fabrication de produits biosourcés et réduire les coûts de main-d’œuvre grâce à l’automatisation. Une étude de l’Université du Wisconsin à Madison a montré que l’ingénierie des protéines autonome fondée sur l’IA pourrait obtenir des résultats trois à six fois plus vite que les équipes de recherche (humaines) universitaires (Rapp, Bremer et Romero, 2024[15]). Les biofonderies exigent d’importants investissements initiaux, mais c’est leur coût d’exploitation à long terme (dépenses de personnel et de maintenance des équipements, notamment) qui menace le plus leur durabilité. En particulier, la nécessité de disposer d’une main-d’œuvre qualifiée capable de combiner des connaissances en IA, en automatisation et en biologie moléculaire est un sérieux goulet d’étranglement : on constate en effet que, si les outils et les technologies convergent, les programmes de formation à l’intention des personnels chercheur et technicien sont encore principalement monodisciplinaires.
Possibilités et défis pour l’action publique
La convergence de la biologie de synthèse, de l’intelligence artificielle et de l’automatisation soulève des questions pour l’action publique :
Optimisation du cadre de réglementation. Les évolutions technologiques peuvent être source de difficultés pour les régimes de réglementation, qui pourraient être de moins en moins adaptés à mesure que les technologies convergent. Dans le cas de la biologie de synthèse fondée sur l’IA, ces problèmes sont exacerbés non seulement par la rapidité du développement technologique, mais aussi par la complexité des combinaisons possibles entre IA, biologie de synthèse, automatisation, etc. Ce champ de convergence doit faire avec une diversité de régimes de réglementation recouvrant la recherche-développement, la conception de nouveaux produits biosourcés, l’utilisation de l’IA dans ce contexte, et la réglementation sur la sécurité des produits eux-mêmes. Cela suppose de prendre en compte simultanément les évolutions technologiques et les considérations réglementaires, et confirme la nécessité d’inclure des analyses des facteurs éthiques, juridiques et sociaux dans le bouquet interdisciplinaire de l’espace de convergence.
Accès aux moyens et liberté d’action. Il est indispensable de trouver le juste équilibre entre science ouverte et sécurité dans le domaine de la biologie de synthèse fondée sur l’IA, compte tenu des possibles conséquences de certaines applications en termes de biosécurité ; tout aussi important est l’arbitrage entre accès ouvert et applications commerciales, puisqu’il est fondamental, d’une part, de favoriser la confiance dans les biodonnées et les algorithmes mobilisés et, d’autre part, de protéger la propriété intellectuelle et d’assurer la compétitivité économique. Autrement dit : comment les acteurs de l’innovation peuvent-ils faire preuve de transparence et instaurer la confiance tout en visant la sécurité et la rentabilité ?
Harmonisation et partage des données biologiques. La biologie de synthèse fondée sur l’IA dépend de la mobilisation de grandes quantités de biodonnées destinées à être traitées à l’aide d’algorithmes. Pour autant, la nature des infrastructures de données – qu’il s’agisse de leur forme ou de l’autorité qui les contrôle – n’est pas encore claire. Le risque d’émergence d’un monopole industriel des biodonnées et l’absence de normes de contrôle de la qualité, d’interopérabilité, et de règles de partage des données créent un problème évident de gouvernance. Dans le même ordre d’idée, il est fréquent qu’on en sache trop peu sur la construction des bases de (bio)données (que contient le jeu de données et d’où viennent les données ?), sur les moyens de stockage des données (qui en est propriétaire et quelles sont les modalités de gestion ?) et sur la qualité des algorithmes (que signifie réellement le résultat des algorithmes ?). Cela, aussi, pose un gros problème de gouvernance.
Difficultés de surveillance quand l’humain n’est pas dans la boucle. Remplacer les personnes par l’IA, l’automatisation et la robotique rend possibles des procédés de plus en plus complexes et chronophages de développement en biologie de synthèse. Cependant, s’assurer que l’agentivité humaine conserve une place significative dans les flux de travaux préserve les possibilités de jugements de valeur au cours du processus de recherche-développement, ainsi que le contrôle et l’assurance de la qualité, la cybersécurité, et même la responsabilité juridique et morale. Il est également indispensable de prendre en compte le droit des travailleurs à être consultés, à participer et à être protégés contre le chômage. La promesse de cycles de conception, de construction, d’essai et d’apprentissage de plus en plus autonomes nous amène à nous interroger : quel est le meilleur équilibre entre les systèmes autonomes et les systèmes avec l’humain dans la boucle ?
Accès aux chaînes d’approvisionnement et résilience. La pandémie de COVID-19 a mis au jour les pressions qui s’exercent sur les principales chaînes d’approvisionnement de la recherche-développement en biologie de synthèse. Avec l’intérêt croissant porté à la souveraineté technologique et la montée des tensions géopolitiques, bâtir la résilience de ces chaînes d’approvisionnement mondiales de la biologie de synthèse est un défi majeur pour l’avenir. On en aura tout particulièrement besoin si l’on veut que se réalise la promesse d’une fabrication distribuée rendue possible par la biologie de synthèse fondée sur l’IA, quand il est impératif d’avoir accès à des réactifs chimiques spécifiques pour conduire de la R-D, du fait des ressources locales, des pressions démographiques et de l’impact en termes de durabilité. Au-delà des risques pour l’approvisionnement observés lors des crises sanitaires avec la fermeture des frontières, les pressions que la biologie de synthèse fait peser sur les chaînes d’approvisionnement viennent aussi du remplacement du pétrole par des sucres d’origine végétale ou dérivés de déchets. Les risques de fermeture des frontières sont une chose, mais il sera également essentiel de repenser les réseaux d’approvisionnement en matières premières afin de rendre le secteur durable.
La cyberbiosécurité, un enjeu clé pour la sécurité de la recherche. L’intégration croissante de la recherche biologique et de l’automatisation a accru l’importance de la cyberbiosécurité, située à l’intersection de la cybersécurité et des sciences de la biologie. Les cyberattaques, par exemple par rançongiciel ou déni de service distribué (DDoS), qui visent les installations de recherche biologique et de bioproduction présentent des risques importants de perturbations économiques (retards d’exploitation, espionnage industriel, etc.), de dommages environnementaux (explosions accidentelles, relâchement de substances dangereuses, etc.), et de menaces pour la santé publique (par exemple, propagation non intentionnelle d’agents infectieux). Or, la plupart de nos infrastructures de recherche biologique et de bioproduction n’ont pas été conçues au départ dans une optique de résilience aux cybermenaces. Cette vulnérabilité est particulièrement prononcée dans les communautés en manque de ressources, qui dépendent souvent de marchés secondaires sur lesquels on trouve plus souvent des équipements plus anciens et potentiellement moins sûrs. Par conséquent, il pourrait être nécessaire de renforcer les mécanismes de surveillance et de contrôle afin d’évaluer ces vulnérabilités de façon systématique et d’élaborer des stratégies d’atténuation efficaces (Robinson et Nadal, 2025[16]). Il est essentiel de mener davantage de recherches interdisciplinaires et d’élaborer plus d’initiatives publiques pour renforcer les cadres de cyberbiosécurité et assurer la résilience des infrastructures de recherche biologique et de bioproduction face à l’évolution des cybermenaces.
Manque de données écologiques pour les applications avec dispersion dans l’environnement. Compte tenu de la cadence d’apparition de nouvelles applications innovantes de la biologie de synthèse prévoyant une dispersion, il y aura de plus en plus de cas où la possibilité de conduire une évaluation solide des risques sera entravée par le manque de données écologiques relatives à l’environnement récepteur. Renforcer dans le même temps la recherche sur la biodiversité permettra de lever cet obstacle et d’utiliser ces technologies.
La convergence en neurotechnologie
On entend par neurotechnologies les « dispositifs et procédures utilisés pour accéder au fonctionnement ou à la structure des systèmes neuronaux de personnes [physiques] et [permettant] de l’étudier, de l’évaluer, de le [ou la] modéliser, d’exercer une surveillance ou d’intervenir sur son activité » (OCDE, 2019[17]). Cette discipline est caractérisée par une convergence croissante des technologies des composants, des connaissances scientifiques et des savoir-faire : on peut citer à titre d’exemple l’IA ou les interfaces cerveau-machine, ou même les nouvelles technologies immersives. Les approches et les technologies convergent à la fois au sens de la coévolution et au sens de la fusion, et offrent des possibilités de réparer, mais aussi d’améliorer, le fonctionnement des neurones (García et Winickoff, 2022[18]). Cependant, cette convergence a aussi pour effet d’exacerber les conséquences éthiques, juridiques et sociales préexistantes et d’en créer de nouvelles (García et Winickoff, 2022[18]).
Rassembler institutions, acteurs et outils autour du cerveau humain
La complexité et l’importance du cerveau humain – du fait du champ d’étude et d’ingénierie qu’il représente et de l’éventail de compétences et de disciplines qu’il suppose – ouvrent la voie à des formes d’innovation profondément interdisciplinaires, translationnelles et porteuses de transformations. De fait, le cerveau humain est à l’origine du rassemblement actif d’un vaste panel d’acteurs, d’approches et d’institutions autour du projet de mise au point de nouvelles thérapies, applications et solutions. Les nouvelles institutions axées sur les neurotechnologies tirent parti du pouvoir fédérateur de ce champ d’étude pour produire de nouveaux modes de compréhension des processus neuronaux et d’intervention sur ces processus. Le Centre Wyss de Genève (voir l’encadré 5.2) en est un excellent exemple. Les interfaces cerveau-machine (ICM) sont des mécanismes technologiques permettant une communication directe entre le cerveau et des dispositifs externes. Elles offrent la possibilité d’améliorer les fonctions cognitives en influant sur l’activité neuronale responsable de l’attention, de la mémoire et des fonctions exécutives sans recourir à la chirurgie.
Le Centre Wyss de bioingénierie et de neuroingénierie (Wyss Center for Bio and Neuroengineering) est un centre de recherche translationnelle et un « studio de startups » (venture builder) indépendant à but non lucratif, dont la mission est de faire progresser les innovations de rupture dans le domaine de convergence des neurotechnologies. Espace de convergence prototypique, il s’appuie sur les compétences et les connaissances de son personnel, sur une infastructure de pointe et sur des partenariats d’innovation avec des entreprises pour produire de nouvelles solutions au service de la santé mentale et cérébrale.
Fondé en 2014 avec le soutien de l’entrepreneur et philanthrope suisse Hansjörg Wyss, il réunit des spécialistes de domaines très divers : neurosciences, ingénierie, logiciels, analytique des données, neurochirurgie, affaires réglementaires et cliniques, assurance qualité, production manufacturière et développement d’entreprises. Ensemble, ces spécialistes appliquent des démarches de recherche et d’ingénierie axées sur les défis pour mieux comprendre le cerveau humain, mais participent aussi à des projets translationnels axés sur la patientèle et à des activités commerciales – création d’entreprises dérivées, octroi de licences, création de coentreprises et transaction d’actifs. Le portefeuille diversifié du Centre Wyss comprend des interfaces cerveau-machine, des avancées en neurochirurgie, la neuromodulation fondée sur l’IA, des percées en imagerie neuronale, des études de l’axe intestin-cerveau, la gestion de l’épilepsie et des applications cliniques de l’optogénétique.
À titre d’exemple de programme, on peut citer le Campus Biotech Lighthouse Partnership for AI-Guided Neuromodulation, d’un montant 23 millions USD : il s’agit une collaboration interinstitutionnelle destinée à accélérer la recherche-développement de type translationnel dans le domaine des neurotechnologies et de l’intelligence artificielle. L’excellence interdisciplinaire sera mise au service de l’exploration de nouvelles solutions neurotechnologiques implantables pour l’enregistrement de l’activité du cerveau, le décodage guidé par l’IA in silico de l’activité neuronale en signaux électriques, et la stimulation de précision de la moelle épinière.
Source : Élaboré par les auteurs; Centre Wyss [site web et communication personnelle].
Les systèmes d’IA sont des systèmes automatisés qui, pour des objectifs explicites ou implicites, déduisent, à partir d’entrées reçues, comment générer des résultats en sortie tels que des prévisions, des contenus, des recommandations, ou des décisions qui peuvent influer sur des environnements physiques ou virtuels (OCDE, 2024[19]). Enfin, les technologies immersives, souvent désignées sous le nom de réalité augmentée, créent des environnements qui mêlent des réalités numériques à la réalité physique à divers degrés (OCDE, 2025[20]). Les principaux types de technologies immersives sont les suivants : environnements numériques entièrement immersifs remplaçant l’environnement physique de la personne, ce qu’on appelle « réalité virtuelle » (Turan et Karabey, 2023[21]) ; éléments numériques superposés au monde physique, afin de compléter l’expérience vécue dans le monde réel par des informations numériques, ce qu’on appelle « réalité augmentée » (Samuel, 2022[22]) ; et combinaison de ces deux aspects, avec des superpositions numériques modifiées par des caractéristiques physiques telles que l’éclairage, ce qu’on appelle « réalité mixte » (OCDE, 2025[20]).
Les trois domaines qu’on vient de mentionner s’aident mutuellement à accélérer leurs trajectoires respectives et s’intègrent pour donner naissance à de nouvelles applications. L’IA peut renforcer l’expérience vécue avec les technologies immersives en fournissant des réponses intelligentes, des contenus personnalisés et des environnements adaptatifs fondés sur les comportements et les préférences de la personne. L’interface cerveau-machine rend possible une communication directe entre le cerveau et des dispositifs ou logiciels externes, ce qui permet à une personne de contrôler un ordinateur ou un appareil par la pensée. L’ICM peut aussi favoriser des interactions plus naturelles et intuitives en environnement immersif, par exemple quand il s’agit de contrôler des objets ou un environnement virtuels grâce à des commandes mentales. À l’avenir, les technologies immersives pourraient servir de plateformes d’intégration de l’IA et de l’ICM, et nous permettre de vivre des expériences qui évoluent de façon intelligente en fonction de nos commandes et de nos états cognitifs. Mais ces mêmes convergences peuvent soulever des préoccupations concernant l’autonomie humaine et la protection de la vie privée.
Par exemple, Forsland et al. décrivent un système d’ICM conçu pour la réalité augmentée, dont il est montré qu’il a le potentiel d’intégrer les impulsions neuronales de façon fluide à des environnements créés avec les technologies immersives (Forsland et al., 2021[23]). Cette convergence permet des interactions plus naturelles et intuitives dans l’environnement immersif, par exemple quand il s’agit de contrôler des objets virtuels ou de s’orienter dans l’environnement numérique grâce à des commandes mentales. Les commandes mentales peuvent remplacer ou compléter les commandes conventionnelles, ce qui est particulièrement utile dans des situations où les mouvements physiques sont limités ou non souhaitables (Forsland et al., 2021[23]).
La convergence entre les neurotechnologies et l’IA donne naissance à de nouveaux produits et ouvre de nouvelles pistes de recherche. Selon certaines estimations, le marché mondial des interfaces cerveau-machine augmentera pour atteindre 6.2 milliards USD à l’horizon 20302. Les conséquences sont considérables pour les secteurs des soins de santé et des produits de consommation, ce qui exige une double réflexion éthique et stratégique. Cette section illustre les principales évolutions intervenues à l’intersection de l’IA, de l’ICM et des technologies immersives, examine les considérations éthiques qu’il faut impérativement prendre en compte, et met en évidence les grands défis que cela soulève pour l’action publique.
Convergence des technologies médicales
En 2021, plus de trois milliards de personnes (soit plus de 40 % de la population mondiale) vivaient avec une pathologie neurologique (Steinmetz et al., 2024[24]). Or, le secteur des soins de santé connaît actuellement une importante transformation numérique : l’IA est intégrée à de nombreux aspects des soins, ce qui promet de réduire les coûts et les risques associés aux thérapies (Al Kuwaiti et al., 2023[25]). En santé neurologique, l’IA redessine le paradigme des réalisations, des résultats pour la patientèle et de la recherche médicale. La convergence qui s’opère autour des neurotechnologies se retrouve dans diverses disciplines de la médecine :
Médecine de précision. Les algorithmes d’IA peuvent analyser de grandes quantités de données, notamment génétiques, relatives aux patients, ce qui permet d’adapter les traitements aux besoins de chaque personne. Associés aux technologies ICM, ils permettent un suivi et un ajustement en temps réel des thérapies sur la base du neurofeedback. Par exemple, dans le cas de la maladie de Parkinson, des systèmes de stimulation cérébrale profonde (SCP) en boucle fermée alimentés par l’IA peuvent ajuster les paramètres de stimulation en temps réel en fonction du neurofeedback, ce qui permet une gestion plus efficace des symptômes (Denison et Morrell, 2022[26]).
Chirurgie robotique. Les robots chirurgicaux fondés sur l’IA deviennent de plus en plus sophistiqués, avec des interfaces immersives offrant au personnel chirurgien des moyens améliorés de visualisation et de contrôle. On étudie aussi la possibilité d’utiliser des ICM pour permettre un contrôle plus intuitif de ces robots, ce qui pourrait améliorer la précision chirurgicale et réduire la fatigue. Parmi les avancées récentes, on peut citer l’intégration de la rétroaction haptique aux systèmes robotiques chirurgicaux, qui permet au chirurgien ou à la chirurgienne de « percevoir » les propriétés des tissus à travers une interface cerveau-machine, et donc d’agir avec beaucoup plus de précision lors de procédures peu invasives (Qu et al., 2022[27]).
Rééducation neurologique. En combinant des environnements virtuels contrôlés par ICM avec des technologies immersives, on peut créer des programmes de rééducation très motivants et efficaces pour les personnes atteintes de déficiences motrices. Fondés sur l’IA, ces systèmes s’adaptent en temps réel en fonction du neurofeedback, et permettent ainsi d’améliorer le processus de rééducation (Vourvopoulos et al., 2019[28]). Des études récentes montrent que les systèmes de rééducation associant ICM et réalité virtuelle induisent une plus grande neuroplasticité que les thérapies conventionnelles, ce qui permet d’obtenir de meilleurs résultats fonctionnels chez les patients et patientes ayant subi un AVC (Aderinto et al., 2023[29]). L’un des exemples notables est l’utilisation de systèmes de réalité virtuelle contrôlés par ICM pour la rééducation des membres supérieurs de victimes d’AVC : les résultats sont prometteurs, ce qui donne à penser que ces techniques peuvent améliorer la fonction motrice au-delà du niveau obtenu avec les thérapies conventionnelles (Zhang et al., 2020[30]).
Entraînement cognitif. Pour les personnes atteintes de déficiences cognitives, les systèmes immersifs avec ICM peuvent fournir des exercices d’entraînement cognitif personnalisés qui ajustent la difficulté en fonction de l’activité neuronale en temps réel, d’où, potentiellement, une plus grande efficacité de rééducation cognitive. Des algorithmes d’IA analysent les profils de performance cognitive et d’activité neuronale afin d’adapter les programmes d’entraînement de manière à ce qu’ils ciblent des domaines cognitifs spécifiques, aux fins de maximiser l’efficacité thérapeutique (Maggio et al., 2023[31]).
Marchés de consommation
Il existe un important potentiel de convergence des neurotechnologies dans le secteur de la grande consommation, compte tenu de leur adoption rapide et généralisée et de leur profonde intégration à la vie quotidienne. Au contraire des applications spécialisées ou industrielles, les applications grand public de la convergence ont le pouvoir de remodeler à grande échelle les normes sociales, les habitudes personnelles et même les processus cognitifs. Le marché de consommation des technologies convergentes est en rapide évolution, avec l’apparition de produits tels que les casques de méditation fondés sur l’électroencéphalogramme (EEG) ou les lunettes de réalité augmentée avec interfaces neuronales. Ces technologies trouvent leur application dans les secteurs du jeu, du divertissement et de l’éducation, qui représentent un potentiel économique important.
Le marché de consommation des produits de la neurotechnologie connaît un essor rapide, avec au premier plan l’amélioration des performances cognitives, la régulation émotionnelle et le bien-être général. De nombreuses entreprises donnent un coup d’accélérateur aux ICM non ou peu invasives à destination des consommateurs et consommatrices. Ces technologies tendent à sortir de leurs marchés de niche pour se faire connaître du grand public, sous l’effet des progrès de la miniaturisation, des algorithmes d’IA et de la conception de l’expérience utilisateur. En parallèle, d’autres entreprises étudient d’autres solutions d’ICM de grande consommation. Le brevet attribué à l’entreprise Cognixion (Forsland et al., 2021[23]) décrit un système d’ICM avec réalité augmentée, qui vise à surmonter les limites des connexions filaires pour être utilisable à l’extérieur des laboratoires médicaux. L’accent mis sur le traitement de l’IA hors ligne et l’intégration possible à des lunettes ou des lentilles de contact intelligentes laisse entrevoir un avenir dans lequel les interfaces cerveau-machine pourraient devenir aussi omniprésentes et discrètes que les smartphones actuels. Parmi les exemples notables, on peut citer le casque de détection de l’activité cérébrale développé par Neurable, qui utilise l’EEG pour mesurer la concentration et fournir une expérience audio personnalisée, ou encore le kit de développement mis au point par NextMind, qui permet à la personne utilisatrice de contrôler une interface numérique par la pensée.
L’intégration de l’EEG aux appareils portables du quotidien – dont témoigne la demande de brevet déposée par Apple pour des écouteurs EEG (Azemi et al., 2023[32]) – représente un grand pas en avant vers la neurotechnologie ubiquitaire. Cette tendance qui pourrait déboucher sur une neurotechnologie discrète et conviviale est également illustrée par des entreprises comme Sens.AI, dont le brevet (Telfer et al., 2023[33]) décrit un appareil portable de photobiomodulation transcrânienne en boucle fermée, qui utilise des applications lumineuses pour améliorer le fonctionnement du cerveau et traiter des troubles mentaux tels que la dépression. De telles technologies brouillent la frontière entre produits de bien-être et dispositifs médicaux, et pourraient finir par mettre à la disposition du grand public des moyens d’améliorer ses capacités cognitives.
Dans le contexte de la convergence entre lA, ICM et technologies immersives, on appelle technologies grand public des produits et services conçus à l’intention des membres du public pour leur usage personnel, par opposition aux applications médicales ou industrielles. L’objectif de ces technologies est d’améliorer la vie quotidienne, la productivité, le divertissement et le développement personnel. Les principaux domaines d’application sont les suivants :
Divertissement et jeu. Dans le secteur du jeu, la convergence IA-ICM-immersion donne naissance à une technologie immersive sans précédent et à des expériences de divertissement adaptatives. Par exemple, Forsland et al. décrivent un système d’ICM conçu pour la réalité augmentée, dont il est montré qu’il a le potentiel d’intégrer les impulsions neuronales de façon fluide à des environnements de réalité augmentée (Forsland et al., 2021[23]). La capacité de l’IA à s’adapter à l’environnement de jeu en temps réel en fonction des réactions physiologiques et neurologiques pourrait être à l’origine d’expériences véritablement uniques pour chaque individu.
Productivité et travail. L’intégration d’interfaces contrôlées par ICM à des assistants d’IA en environnement immersif promet de révolutionner le travail à distance et les espaces virtuels de collaboration. L’internet des objets (IdO) pourrait aider à faire le lien entre les réalités physique et numérique dans le « métavers » en permettant un contrôle fluide des environnements de travail (Li et al., 2023[34]). Cette convergence pourrait améliorer la productivité et la collaboration, en favorisant des interactions plus intuitives et efficaces avec les outils numériques et les collègues à distance. Par exemple, la capacité à manipuler des visualisations de données par la seule pensée ou à accéder instantanément à des informations, puis à les partager, par l’intermédiaire d’interfaces neuronales, pourrait transformer la nature du travail.
Éducation et acquisition de compétences. En combinant des systèmes d’apprentissage adaptatifs fondés sur l’IA avec des environnements immersifs et les données d’entrée d’ICM, on pourrait créer des expériences éducatives hautement personnalisées et efficaces. Le système d’IA pourrait analyser les états cognitifs de la personne apprenante grâce aux données d’entrée fournies par l’ICM, et adapter le rythme, le style et le contenu de l’enseignement en temps réel en environnement immersif.
Interactions sociales. Des plateformes sociales avec médiation assurée par l’IA en environnement immersif amélioré par des contributions de l’ICM pourraient permettre une communication numérique plus nuancée et empathique.
Développement personnel et bien-être. La convergence IA-ICM-immersion laisse entrevoir de nouvelles approches en matière de santé mentale et d’amélioration cognitive. Par exemple, un système de photobiomodulation transcrânienne en boucle fermée utilisant des tests cognitifs a montré comment l’IA peut être utilisée pour optimiser la neuromodulation non invasive en temps réel (Telfer et al., 2023[33]). Ces technologies offrent la possibilité d’interventions personnalisées au service de la santé mentale et de l’amélioration cognitive. L’IA pourrait analyser les profils de l’activité neuronale, les données comportementales et les facteurs environnementaux pour proposer des interventions personnalisées par l’intermédiaire de l’ICM.
Possibilités et défis pour l’action publique
La convergence des neurotechnologies et de l’IA offre des possibilités d’augmentation de l’être humain, sous réserve que les responsables de l’action publique prennent en compte les considérations éthiques et mettent en place des stratégies de gouvernance adaptées. De même, les technologies immersives, qui reposent sur certains leviers technologiques (modèles d’apprentissage automatique, données, puissance de calcul, etc.), offrent des possibilités de progrès considérables si leur développement et leur utilisation ont lieu de manière responsable. Dans le même temps, l’intégration des neurotechnologies et de l’IA soulève de nouvelles questions éthiques tout en exacerbant les problèmes qui existent déjà. Plus urgent encore, ces nouveaux domaines de recherche et les produits technologiques qui en résultent présentent des risques pour la protection de la vie privée et l’intégrité mentale des individus : les procédures de consentement éclairé doivent être actualisées en conséquence, et les cadres de protection qui sont ambigus doivent explicitement être étendus aux données neurologiques afin d’éviter tout accès non autorisé à un nouveau type de données susceptibles de révéler les pensées et les émotions personnelles. Un tel accès pourrait entraîner des manipulations ou des contrôles à des fins marketing ou politiques, privant les individus de leur autonomie et de leur liberté de pensée, ou donnant lieu à du cyberharcèlement ou du harcèlement. De plus, comme beaucoup d’avancées technologiques, l’innovation dans le domaine convergent des neurotechnologies et de l’IA pourrait ne pas être accessible de manière équitable. Le coût élevé et la disponibilité limitée des produits pourraient rendre l’accès à l’innovation très inéquitable, selon que les systèmes de santé couvrent ou non les nouvelles applications. Enfin, les produits destinés à augmenter les capacités cognitives sur les marchés de consommation pourraient également accentuer les préoccupations en matière d’équité.
La perspective de l’amélioration cognitive ravive la question de la définition de l’humanité – notamment sa finalité et ses limites – qui ne peut être traitée que par le dialogue et la délibération fondés sur un large éventail de points de vue. L’identité, la personnalité, la société et la culture sont des concepts spécifiquement humains dont les définitions peuvent varier d’une tradition à une autre ; c’est pourquoi il est nécessaire de leur porter une attention particulière et pluraliste avant de choisir une orientation technologique.
D’une manière générale, les responsables de l’action publique devraient envisager de renforcer les mécanismes de contrôle agile de la réglementation (en portant une attention accrue aux possibilités de double usage), étendre la protection des données, élaborer des normes plurisectorielles et internationales, déployer des stratégies en faveur de la généralisation et de l’équité de l’accès, et organiser des occasions régulières de participation du public. La convergence entre IA et neurotechnologies suscite également des besoins particuliers en matière d’action publique :
Repenser la responsabilité. Les produits à l’interface de l’IA et des neurotechnologies soulèvent des questions concernant l’agentivité et la responsabilité individuelles, en particulier quand des systèmes d’IA interviennent dans les processus de décision par l’intermédiaire d’interfaces neuronales. Les responsables de l’action publique doivent déterminer la façon dont il convient d’attribuer la responsabilité dans de tels scénarios.
Déployer des stratégies de gouvernance anticipative. L’évolution rapide de la convergence entre IA et neurotechnologies exige des approches réglementaires flexibles et adaptatives. Pour ne pas se faire distancer par les progrès technologiques, les autorités de réglementation pourraient étudier des modèles tels que les « bacs à sable réglementaires », c’est-à-dire des environnements contrôlés où les entreprises peuvent tester leurs produits dans des conditions réglementaires assouplies et sous la supervision étroite des autorités de réglementation. Les processus d’examen itératifs qui peuvent rapidement prendre en compte les nouvelles découvertes scientifiques et évolutions technologiques sont également des outils efficaces.
Adapter les catégories de financement, d’assurance et de réglementation. Les produits neuro-IA tels que les implants neuronaux enrichis par l’IA combinent du matériel, des logiciels et des composants d’IA. Du fait de cette hybridation, ils relèvent souvent de plusieurs catégories réglementaires, ce qui fait qu’il est plus difficile de déterminer le contrôle approprié. Les responsables de l’action publique pourraient envisager les options suivantes :
Créer une nouvelle structure organisationnelle de financement pour mettre à profit et combiner les programmes existants, ce qui pourrait conduire à la découverte de synergies de financements ou d’objectifs à même d’améliorer l’affectation des financements.
Obtenir des compagnies d’assurance qu’elles soutiennent les entreprises technologiques avec des remboursements et des solutions d’accessibilité pour les patients. En nouant une relation solide avec les compagnies d’assurance, ces entreprises attireraient davantage de possibilités d’investissement à mesure que le développement et le déploiement des produits se stabiliseraient. Du point de vue de la patientèle, une police d’assurance plus complète garantirait de meilleures possibilités d’accès.
Repenser la dichotomie entre secteur médical et secteur de la consommation pour, à la place, privilégier une classification fondée sur le risque ou une approche indifférente à la finalité, par exemple.
Plateformes de données transnationales. Comme les neurotechnologies améliorées par l’IA génèrent de grandes quantités de données, les responsables de l’action publique devraient se coordonner à l’échelle internationale pour créer des plateformes de partage de données et établir des cadres de gouvernance. Un tel processus nécessite la prise en compte de perspectives culturelles diverses concernant la protection des données, les pratiques de recherche et l’utilisation des technologies.
Au fur et à mesure de la convergence entre les neurotechnologies et l’IA, il sera indispensable de relever ces défis en matière d’action publique pour favoriser une innovation qui protège et promeut nos valeurs fondamentales. Dans cet ordre d’idées, la Recommandation du Conseil de l’OCDE sur l’innovation responsable dans le domaine des neurotechnologies (OCDE, 2019[35]), première norme internationale dans ce domaine, a pour objet d’aider les pouvoirs publics et les innovateurs à anticiper et relever les défis soulevés par les nouvelles neurotechnologies dans les domaines juridique, social et de l’éthique, tout en favorisant l’innovation dans ce secteur.
La convergence en technologie quantique
La science quantique a vu le jour dans la première moitié du XXe siècle, alors que les spécialistes de la physique tentaient de comprendre des phénomènes que la physique classique n’était pas en mesure d’expliquer. Les premières découvertes – souvent réunies sous le terme de première révolution quantique – sont associées à des personnalités scientifiques de renom telles que Niels Bohr, Albert Einstein et Erwin Schrödinger, pour ne citer que quelques noms. La première révolution quantique a permis de mettre au jour un monde quantique qui contraste fortement avec celui de la physique classique et de notre expérience quotidienne. Elle a révélé une réalité régie par d’autres règles : l’action de mesurer influe sur la mesure obtenue ; des particules quantiques peuvent être corrélées ou intriquées de telle sorte que l’état de l’une modifie l’état d’une autre, quelle que soit la distance qui les sépare ; les systèmes quantiques peuvent exister simultanément dans plusieurs états (on parle de « superposition ») jusqu’au moment où ils sont mesurés ; et les particules peuvent traverser des objets sans entrave (« tunnel quantique »). La première révolution quantique a aussi fait émerger une première génération de technologies quantiques, dont beaucoup sont au cœur de la science et de la société contemporaines : transistors et semi-conducteurs, lasers, diodes électroluminescentes (LED) et appareils d’imagerie par résonance magnétique (IRM).
La « deuxième révolution quantique », quant à elle, désigne la phase actuelle de l’évolution technologique qui, en s’appuyant sur les percées initiales, vise à exploiter le potentiel de phénomènes quantiques tels que la superposition, l’intrication ou l’effet tunnel pour faire advenir des technologies nouvelles encore plus puissantes (OCDE, 2025[36] ; OCDE, à paraître[37]).
Trois technologies clés de la deuxième révolution quantique
Les technologies clés de la deuxième révolution quantique sont l’informatique quantique, la détection quantique et la communication quantique (OCDE, 2025[36]).
L’informatique quantique promet de révolutionner le calcul à haute performance à moyen et à long terme, en repoussant les limites de ce qui est actuellement considéré comme « calculable ». Un transistor conventionnel oscille entre l’état « off », qui représente le 0, et l’état « on » qui représente le 1. Au contraire, un ordinateur quantique utilise des bits quantiques (qubits) qui peuvent se trouver à l’état 0, à l’état 1 ou dans toute combinaison probabiliste des états 0 et 1 (par exemple, 0 avec 20 % de probabilité et 1 avec 80 % de probabilité). Ces qubits peuvent interagir avec d’autres qubits par l’intermédiaire de ce qu’on appelle l’intrication quantique, ce qui permet un traitement parallèle. Les algorithmes conçus pour être exécutés sur des ordinateurs quantiques peuvent en principe exceller à résoudre des problèmes spécifiques tels que la décomposition de grands nombres en facteurs (algorithme de Shor), la recherche dans des bases de données (algorithme de Grover) et la simulation de systèmes où les effets quantiques sont importants.
La détection quantique a le potentiel de faire considérablement progresser les capacités de mesure, en autorisant une sensibilité et une précision de même ordre que les plus petites perturbations observables dans la nature (Degen, Reinhard et Cappellaro, 2017[4]). Les capteurs quantiques, à mesure que leurs performances s’améliorent, pourraient permettre la mesure de phénomènes tels que le temps, la gravitation, le magnétisme, la température et l’analyse du champ électromagnétique à des échelles et avec des degrés d’exactitude que les méthodes classiques ne peuvent pas atteindre (Ezratty, 2023[38]). Les applications sont notamment les suivantes : une meilleure imagerie médicale (si les processus d’imagerie sont synchronisés par des horloges atomiques de nouvelle génération) ; des moyens facilités de cartographier le fond de l’océan ou de détecter les caractéristiques du sous-sol terrestre (grâce aux gravimètres), comme on le verra également dans la section suivante consacrée aux observations de la Terre par satellite ; et de nouveaux modes de navigation (fondés sur la mesure ultra-précise du champ magnétique terrestre).
La communication quantique est une technologie émergente qui utilise les propriétés de systèmes quantiques pour transmettre et agir sur des informations via des réseaux quantiques. L’application la plus connue en est la distribution quantique de clés (QKD). La QKD utilise des états quantiques (généralement des photons) pour permettre à deux parties de générer une clé aléatoire secrète partagée. C’est la loi de la physique elle-même qui assure la sécurité, puisque la mesure d’un état quantique le modifie irrévocablement. Les clés sécurisées de cette manière ne peuvent pas être interceptées sans que cela ne soit détecté. C’est pourquoi elles diffèrent des clés de chiffrement classiques, qui peuvent être craquées avec une puissance de calcul suffisante (Wikipédia, 2025[39]).
Ces trois technologies sont émergentes. La plus avancée des trois est celle de la détection quantique, et la moins avancée celle des ordinateurs quantiques. Il reste encore des problèmes importants à résoudre, sur le plan technique comme sur le plan de la recherche. Cela étant, si des systèmes techniquement et commercialement viables étaient mis au point, cela pourrait venir perturber de nombreux secteurs de la vie économique et sociale. Les sections suivantes décrivent trois axes de la science et de la technologie qui ont convergé ou sont en voie de converger avec les technologies quantiques : l’intelligence artificielle, la biologie et l’ingénierie.
Convergence des technologies quantiques avec l’intelligence artificielle
L’intelligence artificielle est de plus en plus utilisée dans toutes les disciplines et à toutes les étapes du processus scientifique (OCDE, 2023[40]). Comme n’importe quel autre domaine de recherche, la science quantique en bénéficie, que ce soit à travers la revue automatisée de la littérature scientifique ou encore pour la conception d’expériences assistée par la machine.
L’IA contribue également à la science et à la technologie quantiques de plusieurs manières spécifiques. Par exemple, des techniques d’apprentissage automatique sont utilisées pour décoder et corriger les erreurs dans les qubits (Usman, 2024[41]). L’apprentissage par renforcement peut aider à concevoir un contrôle optimal des opérations sur les qubits (Wolf, 2024[42]). Comme chaque dispositif quantique est légèrement différent, l’apprentissage par renforcement peut aussi servir à analyser une machine et ses profils et ainsi à mieux ajuster spécifiquement les algorithmes au dispositif considéré (Vicentini, 2024[43]) (Padavic-Callaghan, 2024[44]). De plus, l’IA devrait pouvoir contribuer à la détection quantique, en aidant à distinguer le bruit des signaux faibles, et à comprendre les données collectées par les capteurs.
Une grande attention est également accordée à la possibilité d’utiliser des ordinateurs quantiques pour renforcer les systèmes d’IA, même si cette possibilité est encore largement théorique à ce jour. Des algorithmes hybrides associant l’IA et la technologie quantique ont été testés sur de petits problèmes, et des entreprises étudient l’application de réseaux de neurones quantiques à des tâches telles que le traitement du langage naturel (Quantinuum, 2025[45]). Un autre axe de recherche important concerne la possibilité d’utiliser des ordinateurs quantiques pour réduire la complexité et le coût des modèles d’IA. L’idée est d’avoir recours à des ordinateurs quantiques pour décrire les caractéristiques complexes d’un système d’intérêt tel qu’une réaction chimique de façon plus simple (c’est-à-dire, avec moins de paramètres) que les systèmes classiques, avant d’appliquer l’IA (Brooks, 2023[46]).
Vicentini (2024[43]) fait état d’une baisse récente des attentes des équipes de recherche concernant l’IA quantique. Selon lui, les ordinateurs quantiques pourraient ne pas beaucoup faire progresser l’IA parce qu’ils ont du mal à traiter les grandes quantités de données issues des réseaux de neurones. Pour l’heure, on ne sait maintenir la cohérence entre qubits que pendant quelques fractions de seconde, ce qui veut dire que les seuls calculs possibles sont ceux qui sont très courts. Selon Vicentini, les ordinateurs quantiques auront des difficultés continuelles à exécuter des algorithmes d’IA sur de grands ensembles de données du fait de ces temps de cohérence très courts. Tenter d’augmenter la vitesse à laquelle les données entrent ou sortent du système introduirait davantage d’erreurs de calcul. Cependant, Vicentini et d’autres sont optimistes quant au fait que les ordinateurs quantiques seront très utiles pour les applications qui nécessitent peu de données d’entrée et de sortie mais beaucoup de puissance de calcul.
Les progrès de l’exploitation des effets quantiques au service de l’IA se heurtent à plusieurs obstacles. Tout d’abord, il faut de nouveaux algorithmes. Les ordinateurs quantiques calculent des résultats probabilistes – la réponse à un même problème peut varier à chaque fois que la machine fait le calcul – qui ne sont pas directement compatibles avec les pipelines de données conventionnels, et les capteurs quantiques produisent de nouveaux types de données qui nécessitent de nouvelles techniques de traitement par l’IA. Par ailleurs, l’expertise interdisciplinaire est rare. Les scientifiques spécialistes de l’informatique sont souvent peu au fait des développements théoriques de l’informatique quantique, ou peinent à en suivre les évolutions. Pour que l’intégration des technologies quantiques et de l’IA soit efficace, il faut une collaboration étroite entre les spécialistes de la physique quantique et les équipes de recherche en IA.
Convergence des technologies quantiques avec la biologie
Depuis quelques années, on assiste à la croissance rapide d’une discipline scientifique nommée « biologie quantique ». La biologie quantique étudie la convergence des principes de la physique quantique avec les systèmes biologiques, dans le but de chercher à comprendre comment les mécanismes du vivant peuvent fonctionner à l’échelle quantique et comment la sélection naturelle a débouché sur des solutions quantiques adaptées à différentes niches écologiques.
La biologie quantique trouve son origine dans une conférence de Niels Bohr de 1932, intitulée Light and Life, dans laquelle il examine entre autres la sensibilité des cellules de la rétine à l’échelle atomique (Bohr, 1933[47]). Plus récemment, les scientifiques ont établi, sur la base d’éléments factuels, que des mécanismes de mécanique quantique sous-tendent probablement des processus et fonctions tels que la photosynthèse, la navigation chez les oiseaux, et le sens de l’odorat (Al-Khalili et McFadden, 2014[48]).
En plus d’aider à expliquer le monde naturel, la biologie quantique produit des connaissances technologiques. Par exemple, la vitesse à laquelle les plantes convertissent l’énergie solaire en glucides – 1 million de milliardièmes de seconde – minimise la quantité d’énergie dissipée sous forme de chaleur. Cet accomplissement est resté un mystère jusqu’en 2007, date à laquelle des spécialistes de la biophysique ont montré que les plantes utilisent une forme d’informatique quantique (Biello, 2007[49]). Selon le raisonnement de ces scientifiques, les mécanismes que les plantes appliquent pour récupérer l’énergie dont elles ont besoin avec une efficacité presque parfaite pourraient être imités dans des systèmes artificiels de production et de stockage de l’énergie. De fait, une équipe de recherche en chimie expérimentale s’est appuyée sur cette connaissance pour construire des réseaux de collecte de la lumière sur le modèle des plantes. (Romero, Novoderezhkin et van Grondelle, 2017[50])
La biologie quantique pourrait aussi apporter des éclairages utiles sur le plan technologique pour la mise au point de biocapteurs quantiques (voir l’encadré 5.3).
Les scientifiques étudient actuellement des capteurs quantiques construits à partir de matériaux biologiques. Par exemple, une équipe de recherche a récemment construit une protéine fluorescente à partir d’une méduse luminescente. Cette protéine, que l’on peut produire dans des cellules vivantes, peut détecter de minuscules variations dans son environnement avec bien plus de sensibilité qu’un capteur standard (Wilkins, 2025[51]). Les applications possibles sont notamment le suivi de signaux biochimiques ou de marqueurs précoces de maladie depuis l’intérieur même des cellules.
Une autre expérience en laboratoire a permis de montrer qu’une protéine naturelle qu’on trouve dans les yeux des rouges-gorges fonctionne comme un magnétorécepteur sensible au champ magnétique terrestre. Cela suggère que ces oiseaux pourraient utiliser pour s’orienter ce qui est essentiellement un capteur quantique biologique (Offord, 2021[52]). De fait, de récentes recherches montrent que de tels capteurs magnétiques biologiques fonctionnent tout près de la limite de ce qui est physiquement possible en termes de volume de capteur et de temps et de certitude de mesure (Wright, 2025[53]). Bien qu’il n’existe encore aucun appareil quantique biomimétique dans le commerce, de telles découvertes orientent les recherches en conception de magnétomètres quantiques fabriqués en laboratoire, qui permettraient peut-être de créer des boussoles ultra-sensibles ou des systèmes d’imagerie médicale fondés sur la biologie.
Source : Élaboré par les auteurs.
Systèmes quantiques fondés sur des protéines
On sait depuis longtemps, par l’observation, que des phénomènes quantiques se produisent dans les protéines (réactions enzymatiques faisant intervenir l’effet tunnel et protéines photoréceptrices montrant une cohérence). Mais le fait d’utiliser des protéines comme appareils quantiques est un développement récent. Il y a dix ans, des équipes de recherche ont commencé à étudier des systèmes quantiques fondés sur des protéines, c’est-à-dire dans lesquels ce sont les protéines elles-mêmes qui font office de vecteurs d’information quantique. Ce champ de recherche consacré à l’informatique fondée sur des protéines est exploratoire, et on est encore loin des applications pratiques. Cependant, quelques progrès déterminants donnent à voir le potentiel de ce concept. Par exemple, une équipe de recherche de l’Université de Beijing a récemment montré que l’ADN peut servir d’élément de stockage et de calcul dans des appareils quantiques (SciTech, 2025[54]).
Convergence entre la recherche quantique et l’ingénierie
Au-delà des technologies quantiques à proprement parler, la révolution quantique dépend des progrès réalisés dans plusieurs domaines technologiques génériques, dont beaucoup ont des utilisations en dehors du domaine quantique. Leurs progrès seront principalement le fait de l’ingéniosité de spécialistes en génie chimique, électrique et mécanique (voir par exemple l’encadré 5.4). Deux exemples moins connus sont les tubes à vide et les câbles.
Situé près de Chicago aux États-Unis, le Laboratoire national d’Argonne est un centre de recherche scientifique et technique interdisciplinaire de premier plan fondé en 1946. Rattaché à ce laboratoire, l’Institut quantique d’Argonne réunit une expertise en informatique quantique, technologie des capteurs, photonique, communication, science des matériaux et calcul à haute performance. Il bénéficie d’un écosystème interdisciplinaire intégré, comprenant des installations nationales telles que l’Advanced Photon Source et le Center for Nanoscale Materials.
En juin 2025, Argonne a célébré le franchissement de plusieurs étapes importantes du point de vue quantique, dans les domaines de l’informatique, de la communication, de la technologie des capteurs et de l’amélioration des matériaux : création et caractérisation de matériaux quantiques, exploitation du supercalcul pour faire progresser l’informatique quantique, construction de réseaux quantiques sur une plage de distances, mise au point de capteurs pour la science, renforcement de la chaîne d’approvisionnement en matériaux destinés aux appareils et systèmes quantiques, soutien de l’écosystème quantique par l’intermédiaire de partenariats (Argonne National Laboratory, 2025[56]).
Argonne pilote aussi le Centre Q NEXT du ministère de l’Énergie, établi en 2020. Ce centre a pour ambition de réunir des spécialistes de renom de laboratoires nationaux, d’universités et d’entreprises technologiques en vue de résoudre des problèmes inédits en science de l’information quantique. Les partenariats qu’il noue avec l’industrie sont un moyen d’accélérer les transferts du laboratoire vers la commercialisation. Le Laboratoire national d’Argonne est également un partenaire fondateur de Duality, le premier programme des États-Unis consacré à l’accélération des startups axées sur la science et la technologie quantiques (Argonne National Laboratory, 2021[57]).
Plusieurs facteurs expliquent le succès de l’Institut d’Argonne. Premièrement, la coordination et le financement ont lieu au niveau national. Le ministère de l’Énergie soutient cinq centres nationaux de recherche en science de l’information quantique dans le pays, dont Q NEXT, au service de la recherche fondamentale et de sa traduction appliquée de manière complémentaire. Le Bureau de la science de ce ministère a récemment annoncé la mise à disposition de 625 millions USD à l’appui de ces centres (Trueman, 2025[58]). Deuxième facteur de succès, l’Institut a accès à des installations de premier plan : sources de photons, centres axés sur les nanomatériaux, fonderies quantiques polyvalentes, environnements dédiés au calcul à haute performance, entre autres, permettant de conduire des expériences de pointe dans le domaine quantique. Enfin, Argonne se caractérise également par des pipelines bien structurés entre acteurs industriels, universités et laboratoires : cela permet la création d’écosystèmes de collaboration entre universités, laboratoires et secteur privé, ce qui favorise les essaimages, la formation des chercheurs et chercheuses, et la transformation de prototypes en produits prêts pour la commercialisation.
Composants à vide. Les technologies du vide, qui permettent de réduire le risque de perturbations des qubits, sont indispensables à certaines formes d’informatique quantique. De récents travaux théoriques donnent à penser que des tubes à vide conçus et disposés de manière appropriée pourraient aussi transporter des photons – qui contiennent des données quantiques – sur des milliers de kilomètres sans atténuation (Williams, 2024[55]).
Câbles. Les câbles jouent un rôle clé, en particulier dans le cas des qubits à l’état solide. Les câbles utilisés doivent transporter des informations quantiques délicates entre différentes parties d’un ordinateur quantique ou entre des nœuds d’un réseau quantique, tout en protégeant l’informatique quantique des perturbations provenant de sources externes telles que la chaleur, le rayonnement électromagnétique, les vibrations et le froid extrême. Les câbles supraconducteurs coûtent cher, aux alentours de 3 000 EUR par mètre, et proviennent d’un seul fournisseur japonais (Ezratty, 2023[38]).
Mettre le froid de l’espace intersidéral au service de l’informatique
L’une des technologies les plus importantes de la sphère quantique est la cryogénie. La cryogénie est une branche de la physique qui étudie le comportement des matériaux à des températures extrêmement basses, généralement inférieures à -150 °C (-238 °F). Elle est indispensable à de nombreux secteurs et domaines scientifiques, dont l’exploration spatiale, la médecine et les technologies de l’énergie. Par exemple, le télescope spatial James Webb utilise le refroidissement cryogénique pour détecter les signaux infrarouges faibles provenant de l’espace. En médecine, la cryogénie aide à préserver cellules, tissus, embryons et organes. Enfin, dans le secteur de l’énergie, les piles à combustible et les systèmes de stockage reposent sur de l’hydrogène cryogénique (Connor, 2010[59]).
La cryogénie fait fond sur plusieurs disciplines scientifiques, en particulier la physique et la science des matériaux. La conception pratique des systèmes cryogéniques s’appuie aussi sur certaines filières techniques, notamment le génie mécanique, le génie électrique et le génie chimique. L’informatique quantique supraconductrice, une architecture utilisée par des entreprises comme IBM et Google, ne pourrait pas fonctionner sans la cryogénie (Pakin et Coles, 2019[60]). Aux températures les plus basses, les électrons peuvent circuler sans résistance dans des circuits métalliques, ce qui permet d’obtenir les états quantiques précis nécessaires pour le calcul. Le froid extrême aide aussi à isoler le système quantique de son environnement : en prolongeant ainsi la durée pendant laquelle les qubits maintiennent leurs états quantiques, on rend possible l’exécution d’algorithmes quantiques plus complexes.
Cela étant, il est très difficile sur le plan technique d’atteindre des températures ultra-basses (Gainey, 2019[61]). De plus, un autre problème se pose, à savoir celui d’intégrer des environnements cryogéniques à des systèmes de contrôle électronique : cela nécessite des matériaux et des conceptions qui puissent fonctionner de manière fiable dans des conditions aussi extrêmes.
La cryogénie est un domaine mature de la science et de la technologie ; pour autant, des progrès sont nécessaires dans plusieurs domaines, et de nombreux travaux de recherche sont en cours. Par exemple, il faudrait des systèmes plus économes en énergie, étant donné l’importante consommation énergétique des méthodes actuellement appliquées pour atteindre des températures ultra-basses. Des percées dans le domaine de la miniaturisation des systèmes de refroidissement permettraient également à la cryogénie de proposer des solutions plus concrètes au service des applications de l’informatique quantique, avec une efficacité et une fiabilité accrues.
Possibilités et défis pour l’action publique
La section précédente a souligné la relation étroite entre recherche, ingénierie et expérimentation. Les institutions qui peuvent renforcer ces interactions sont susceptibles d’être particulièrement efficaces pour stimuler les progrès de la science et de la technologie quantiques. De fait, au moins une percée récemment annoncée par le secteur privé dans la filière du développement de puces quantiques a été imputée, en partie, au fait que la grande entreprise technologique concernée avait mis en place le procédé de fabrication en interne, facilitant ainsi les interactions nécessaires (Waters, 2024[62]).
Plusieurs établissements de recherche et grandes entreprises cherchent à faciliter l’interaction entre équipes de recherche fondamentale, équipes de recherche appliquée et ingénieurs de recherche. À titre d’exemple, on peut citer la Princeton Quantum Initiative, un programme interdisciplinaire de l’Université de Princeton, décrit comme « proposant un environnement de recherche intégré à Princeton où expérimentateurs, ingénieurs et théoriciens peuvent travailler en étroite collaboration » (traduction libre). Le site web de Princeton poursuit ainsi : « Cette collaboration interdisciplinaire accélère le développement des technologies de l’informatique et de la détection quantiques de la prochaine génération en réunissant, dans un même cycle, la théorie, le génie des matériaux et les appareils de mesure » (Princeton Quantum Initiative, s.d.[63]).
Dans le secteur privé, l’une des plus grandes sociétés d’informatique quantique du monde, Quantinuum, est née fin 2021 de la fusion d’une société de systèmes d’exploitation et de logiciels quantiques, Cambridge Quantum, et d’un développeur de matériel quantique, Honeywell Quantum Solutions. Cette fusion a permis de regrouper plus de 370 scientifiques et ingénieurs au sein de la même organisation. Faisant office d’exemple du type d’espace de convergence décrit au début de ce chapitre, la création de Quantinuum a mis en avant la valeur du regroupement d’une équipe unifiée d’ingénieurs en matériel informatique, de spécialistes des logiciels et de scientifiques.
L’action publique peut contribuer à accroître les possibilités d’échanges du type de ceux décrits ci-dessus. Par exemple, le Japon et le Royaume-Uni ont axé une partie de leur stratégie quantique nationale sur le financement de pôles d’innovation quantique spécifiquement conçus pour faciliter la collaboration entre le monde universitaire et le secteur privé. Il ne s’agit pas exactement de réunir toutes les compétences pertinentes sous le même toit ; cela étant, le fait de favoriser la consitution de noyaux d’institutions possédant une expertise pluridisciplinaire est un pas dans la bonne direction.
Comme on l’a vu tout au long de ce chapitre, les mesures en faveur de l’enseignement interdisciplinaire sont fondamentales. Les employeurs recherchent de plus en plus des personnes qui maîtrisent la science et la technologie quantiques sans nécessairement en être spécialistes, ainsi que des titulaires de diplômes en science, technologie, ingénierie ou mathématiques (STIM) avec des compétences complémentaires adaptées à l’industrie quantique (White House OSTP, 2022[64]). La nature interdisciplinaire des technologies quantiques – qui recouvrent des domaines tels que le génie mécanique, le génie optique, le génie des systèmes et le développement d’applications – montre combien il est nécessaire que les établissements universitaires proposent des programmes de master qui cadrent avec les exigences de l’industrie. De plus, il y aurait un intérêt à ce que les universités ouvrent des programmes de formation de troisième cycle plus courts ou de formation continue dont une partie du cursus porterait sur les technologies quantiques. De tels programmes permettraient de répondre à la demande croissante d’amélioration et de diversification des compétences des personnes apprenantes adultes. (Goorney et al., 2024[65]).
Convergence dans le domaine de l’observation spatiale de la Terre
L’observation de la Terre (OT) depuis l’espace désigne la collecte d’informations concernant la surface terrestre, l’atmosphère et l’océan à l’aide de satellites équipés de capteurs capables de détecter l’énergie réfléchie ou émise dans diverses bandes du spectre électromagnétique. Les produits mis au point dans ce domaine fournissent des renseignements qui étayent la prise de décision dans de nombreux secteurs, ainsi que les politiques économiques, environnementales et de sécurité. Les données sont collectées par des satellites publics et commerciaux ; les programmes des États-Unis et de l’Union européenne tendent à fournir des données ouvertes avec une couverture nationale et mondiale, tandis que les programmes des fournisseurs commerciaux, élaborés en étroite collaboration avec des agences gouvernementales, sont axés sur une imagerie plus spécialisée avec une résolution ou des périodes de revisite plus élevées3.
La nécessité accrue de disposer d’informations actualisées, exactes et exploitables pour la prise de décision dans les domaines de l’action publique, de l’économie et de la sécurité favorise la convergence des différentes technologies d’observation de la Terre. Cette convergence peut être constatée au travers de l’intégration de multiples systèmes et disciplines. Les nouveaux systèmes d’OT s’appuient non plus seulement sur les progrès de l’ingénierie des satellites, mais aussi sur les progrès de l’optique, des lasers, de l’infonuagique, de l’informatique en périphérie, de l’intelligence artificielle, des technologies quantiques, de la robotique et des réseaux de capteurs in situ. Cette intégration donne naissance à des moyens de collecter, de traiter et de diffuser des données en temps quasi réel, tout en permettant la prise en charge d’applications de surveillance météorologique, d’intervention en cas de catastrophe ou encore de renseignement stratégique (OCDE, 2023[66]). À mesure que ces domaines coévoluent, l’OT se met à faire partie d’un écosystème technologique plus vaste et interconnecté où l’innovation dans un domaine, comme l’analytique fondée sur l’IA, accélère directement les capacités dans les autres.
Des centres d’innovation interdisciplinaires et des plateformes de données en guise d’espaces de convergence
Les centres d’innovation interdisciplinaires et les plateformes de données avancées sont désormais au cœur de la convergence technologique qui sous-tend l’observation moderne de la Terre (OCDE, 2020[67]). Au sein de la communauté spatiale, des pôles d’innovation comme le Φ-lab de l’Agence spatiale européenne ou le Jet Propulsion Laboratory (JPL) de la NASA favorisent la collaboration entre spécialistes de l’OT, équipes de recherche en IA et spécialistes de l’optique, de la robotique et des technologies quantiques, à l’appui de la mise au point de nouvelles applications et de nouveaux systèmes spatiaux qui ne pourraient pas voir le jour isolément.
Cette convergence est renforcée par des plateformes collaboratives axées sur l’analytique et le partage de données, parmi lesquelles Destination Terre (DestinE) de l’UE, l’Earth Observatory de la NASA, le programme de diffusion de données ouvertes de la National Oceanic and Atmospheric Administration (NOAA) aux États-Unis, Digital Earth en Australie, satellittdata.no en Norvège, le portail de données satellite aux Pays-Bas, et le Copernicus Data Space Ecosystem en Europe (T Systems, 2024). Agissant comme des interfaces opérationnelles, ces initiatives s’appuient de plus en plus sur des plateformes infonuagiques et des jumeaux numériques pour fusionner les images satellite avec les données ouvertes fournies par les capteurs in situ, les réseaux de l’internet des objets et les modèles météorologiques. Soutenues par les moyens du calcul à haute performance et de l’intelligence artificielle, elles peuvent transformer des ensembles de données massifs et complexes en informations actualisées et concrètes, qui sont ensuite utilisées et transformées plus avant par des parties prenantes publiques et privées (par exemple, Google Maps).
Ces espaces d’innovation interdisciplinaire et ces plateformes de données publiques avancées sont en passe de devenir non seulement des catalyseurs techniques, mais aussi des actifs stratégiques pour la convergence, puisqu’ils permettent non seulement le partage de données, mais aussi l’accélération de l’innovation numérique dans tous les secteurs qui dépendent de renseignements fiables concernant la Terre.
Convergence avec les systèmes optiques et les technologies laser
Les systèmes optiques d’observation de la Terre depuis l’espace sont principalement le fruit de progrès réalisés dans des domaines tels que l’astronomie, la défense, la fabrication de précision et la médecine. Des technologies initialement mises au point pour les télescopes, l’imagerie spatiale et la reconnaissance militaire ont été adaptées aux fins de la création d’instruments satellites légers, à haute résolution et multispectraux. De même, les systèmes laser tels que les appareils de télédétection par laser (LiDAR) et les altimètres laser découlent d’avancées enregistrées en photonique et en optique quantique, et les sources laser à haute stabilité sont issues de la recherche scientifique et d’applications industrielles.
Cette convergence présente cependant plusieurs problèmes. Les instruments optiques et laser doivent avoir une précision et une stabilité extrêmes pour fonctionner dans les conditions difficiles de l’espace, ce qui nécessite un contrôle thermique avancé, des dispositifs d’atténuation des vibrations et des composants résistant aux rayonnements. L’intégration d’appareils optiques de pointe sur des plateformes de satellites soulève également des problèmes de taille et de masse et impose des contraintes de puissance, ce qui peut limiter le déploiement des capteurs les plus avancés sur les satellites plus petits. De plus, le rythme rapide de l’innovation technologique dans les domaines de l’optique et du laser dépasse celui des cycles conventionnels de développement de satellites, ce qui fait qu’il est difficile d’exploiter en permanence les dernières avancées sans repenser les architectures de mission. En dépit de ces problèmes, la convergence de l’OT avec les filières optique et laser continue de faire émerger des améliorations porteuses de transformations pour ce qui concerne la résolution spatiale, l’exactitude, et l’éventail des variables environnementales mesurables.
Convergence avec l’intelligence artificielle
Les technologies d’observation de la Terre depuis l’espace convergent également avec les progrès de l’intelligence artificielle. Leur champ d’application et leur impact ont considérablement évolué au fil du temps : on est passé d’applications expérimentales à des utilisations opérationnelles courantes, et des signaux à l’ingénierie et la fabrication de satellites (y compris de très petits satellites et capteurs), sans oublier l’amélioration du traitement des données.
À la fin des années 90 et dans les années 2000, la révolution des petits satellites s’est produite parallèlement à l’essor de l’intelligence artificielle appliquée à l’observation de la Terre : nouveaux procédés de fabrication de sous-systèmes spatiaux, et techniques d’apprentissage automatique telles que les réseaux de neurones ou les séparateurs à vaste marge pour une meilleure classification de la couverture du sol et une meilleure détection des nuages dans les applications d’OT.
Dans les années 2010, la multiplication des données à haute fréquence issues de satellites tels que ceux du programme européen Sentinelle ou du programme américain Landsat, associée à l’informatique en nuage, a permis le développement d’applications d’IA de surveillance environnementale à grande échelle et de détection des changements dans l’environnement. Par exemple, dans le cadre de son initiative Global Agriculture Monitoring, le Groupe intergouvernemental sur l’observation de la Terre a combiné des données d’OT, des informations météorologiques et des modèles entraînés par l’IA pour prédire la nature des cultures, et où et quand elles poussent dans le monde, afin de favoriser la transparence des marchés et de pouvoir déclencher rapidement l’alerte en cas de déficit de production (GEO, 2024[68]).
Enfin, depuis le début des années 2020, l’utilisation concomitante de capteurs par satellite fondés sur une nouvelle forme d’optique, de l’apprentissage profond et de l’IA embarquée ouvre la voie à l’OT autonome, avec des satellites capables d’assurer en orbite et en temps réel le prétraitement, la priorisation et la prise en compte des observations, à l’appui des interventions en cas de catastrophe et de la fusion de données multidomaine. Par exemple, le satellite Φ-sat-1 de l’Agence spatiale européenne est doté d’un processus de traitement embarqué qui utilise l’IA pour rejeter les images nuageuses, afin de réduire le nombre de liaisons descendantes nécessaires (ESA, 2024[69]).
L’émergence de modèles de fondation fondés sur des données d’observation de la Terre pourrait marquer un tournant, et le début d’une utilisation plus poussée des données d’imagerie par satellite, attendu que ces modèles réduisent les obstacles à l’accès – à l’expertise technique avancée comme aux jeux de données d’entraînement – tout en renforçant les capacités d’analyse. En 2023-24, un partenariat conduit par la NASA et IBM donnait naissance aux modèles Prithvi d’observation de la Terre, des conditions météorologiques et du climat (Hugging Face, 2024[70]). Le modèle NASA/IBM Prithvi 2.0 d’OT, préentraîné sur quelques 4.2 millions de points de données issus des jeux de données mondiaux harmonisés Landsat et Sentinel-24, propose des applications pour l’estimation des flux de carbone, la détection des glissements de terrain, l’estimation de l’intensité des feux, l’identification des caractéristiques des cultures, la cartographie des inondations, etc. L’une de ses fonctionnalités importantes est un système d’imputation (Multi-Temporal Cloud Gap Imputation) qui comble les lacunes causées par la couverture nuageuse dans les images satellite, un problème auquel les observations par satellite sont régulièrement confrontées (NASA, 2024[71] ; IBM, 2024[72]).
Convergence avec les technologies quantiques
Comme on l’a vu dans les sections précédentes, l’une des applications clés des technologies quantiques est l’amélioration de la télédétection. Les progrès futurs de l’observation de la Terre depuis l’espace sont de plus en plus liés à la convergence avec les technologies quantiques, qui promettent des percées dans les domaines de la détection, des communications et de la navigation.
Des satellites équipés de gravimètres et de magnétomètres quantiques pourraient détecter de minuscules variations des champs gravitationnel et magnétique de la Terre, ce qui permettrait de surveiller avec plus de précision les eaux souterraines, la fonte des masses de glace et les structures en subsurface. L’une des technologies étudiées pour ces différents types de mesure du champ gravitationnel est l’interférométrie à atomes froids, qui a été testée à bord de la station spatiale internationale dans le Cold Atom Lab financé par la NASA. Le programme de recherche Horizon Europe finance également le développement technologique dans ce domaine. À cela viennent s’ajouter les horloges et les systèmes de communication quantiques, grâce auxquels on peut effectuer des synchronisations ultra-précises et une transmission sécurisée des données, ce qui est un moyen d’améliorer la fiabilité des réseaux d’OT et l’intégration des systèmes de géolocalisation. En 2012, la NASA a établi un laboratoire sur l’intelligence artificielle quantique (Quantum Artificial Intelligence Laboratory) en vue de faire progresser le développement du matériel informatique quantique et de mieux déterminer où et comment l’application de l’informatique quantique pourrait être bénéfique (NASA, 2024[73]).
Malgré cela, cette convergence est confrontée à des défis de taille : les capteurs quantiques sont très sensibles aux perturbations environnementales telles que les fluctuations de température et les rayonnements, ce qui rend la qualification spatiale complexe ; leur miniaturisation en vue de leur déploiement à bord de satellites est encore à l’étude ; et l’utilisation de ces instruments de pointe lors de missions opérationnelles d’observation de la Terre nécessite de repenser les architectures satellitaires et les pipelines de traitement des données. Malgré ces obstacles, la fusion des technologies quantiques et de l’observation de la Terre devrait être en mesure de transformer les capacités mondiales de surveillance mises au service de la science, de la sécurité et de la gestion des ressources de la Terre et de l’océan.
Possibilités et défis pour l’action publique
L’utilisation de l’imagerie par satellite est associée à des gains de productivité et à une amélioration de la qualité des produits dans les secteurs public et privé (OCDE (2023[66] ; 2024[74]). La convergence de ce domaine avec les technologies optiques et laser, l’IA, les technologies quantiques et d’autres encore, au travers d’espaces de convergence tels que des centres d’innovation et des plateformes de données interdisciplinaires, donne aux pays de l’OCDE les moyens de diffuser des images satellite publiques au service de l’innovation et de la croissance économique.
Cependant, tout en accroissant la valeur et la portée mondiale de l’observation de la Terre depuis l’espace, cette convergence a des conséquences importantes pour l’action publique, auxquelles les décisionnaires doivent accorder une attention particulière :
Exacerbation des problèmes de sécurité. La disponibilité accrue de données de plus haute résolution amplifie les problèmes de sécurité liés à une exploitation malveillante des informations sur les mouvements militaires, les infrastructures physiques, les feux de forêt, etc. Un petit nombre de pays membres de l’OCDE se sont dotés d’une réglementation explicite des données d’observation de la Terre (Allemagne, Canada, États‑Unis, France et Japon) (Harris et Baumann, 2021[75]). Ces réglementations fixent les conditions de déclaration et/ou de diffusion de données du secteur privé à des fins de sécurité nationale, en tenant généralement compte de caractéristiques techniques telles que la résolution temporelle, spatiale et spectrale, les domaines de fréquences, etc. Au Japon, par exemple, il existe des seuils d’octroi de licence liés à l’« exactitude de distinction de la cible », notamment s’agissant des véhicules ou des navires ; pour les capteurs optiques, cette exactitude ne doit pas excéder 2 mètres. En 2020, les États-Unis ont mis en place un nouveau processus d’octroi de licence à plusieurs niveaux pour les systèmes d’observation de la Terre du secteur privé, qui associe la rigueur de l’exigence à l’existence d’une concurrence étrangère ainsi qu’à ses capacités technologiques (Harris et Baumann, 2021[75]).
Utilisation éthique de l’imagerie par satellite. On s’interroge également de plus en plus sur l’utilisation éthique des données d’observation de la Terre, en lien avec la collecte, le partage et la propriété des données. La question principale n’est pas nécessairement celle de la confidentialité des données individuelles (d’autres technologies sont généralement moins coûteuses), mais celle des défis liés aux phénomènes physiques à plus grande échelle. Par exemple, l’asymétrie d’accès à l’information concernant les caractéristiques physiques d’un environnement (par exemple, niveaux d’eau) pourrait créer des avantages économiques injustes dans les transactions foncières (NSpC UAG Climate and Societal Benefits Subcommittee, 2023[76]).
IA et confiance. L’utilisation des données d’observation de la Terre par d’autres entités que les services de l’administration publique s’est jusqu’à présent révélée difficile pour de multiples raisons, parmi lesquelles le coût élevé des investissements (OCDE, 2024[74]), la nécessité de traiter et de calibrer ces données par rapport à d’autres jeux de données (CEE-ONU, 2019[77]), et l’absence de jeux de données de référence ou leur mauvaise qualité (par exemple, études économiques dans les pays à faible revenu) pour la validation des modèles fondés sur les satellites (Burke et al., 2021[78]). De ce fait, les utilisateurs potentiels, qui manquent des moyens, du savoir-faire ou des données de référence nécessaires pour tester correctement les prédictions, n’ont pas confiance dans la technologie. L’introduction de modèles d’IA pourrait renforcer encore la méfiance à l’égard de ces technologies, en particulier puisqu’il semble qu’on a de plus en plus recours, pour l’observation de la Terre, à des méthodes d’IA qui nécessitent des recherches itératives aléatoires et ne sont pas entièrement répétables (Pesaresi et al., 2024[79] ; Gevaert, 2022[80]). Les efforts visant à appliquer des modèles interprétables, tels que ceux employés par le Centre commun de recherche de l’UE pour établir la couche mondiale des établissements humains, sont donc particulièrement importants.
Les transformations de la société nécessiteront que l’on exploite au mieux le dynamisme de la convergence des technologies, une tendance qui se dessine avec une force particulière dans le contexte de l’IA et de la transformation numérique, de la biologie de synthèse, des technologies quantiques et de l’observation de la Terre depuis l’espace. Ce chapitre a présenté une définition et un modèle conceptuel de la convergence : cette notion peut décrire tout aussi bien la confluence de technologies qu’un processus. Pour renforcer la convergence, on peut concevoir des « espaces de convergence », c’est-à-dire des infrastructures et des plateformes physiques, numériques et technologiques qui favorisent l’intégration des outils et des disciplines et les échanges entre les différents personnels compétents. Bien conçus, ces espaces peuvent aider à optimiser la valeur matérielle et immatérielle, encourager la collaboration et promouvoir l’intégration technologique, par exemple pour renforcer la durabilité. La mise en application de la convergence résulte d’une diversité d’efforts d’intégration interdisciplinaires et intersectoriels tout au long du processus de développement, et donne lieu à de nouvelles applications, de nouvelles filières et des champs inédits de recherche-développement.
Pour faire tenir ensemble ces assemblages d’actifs interdisciplinaires, il faut parfois des forces et des incitations, qui peuvent être financières, institutionnelles ou liées à la gouvernance. Ce chapitre a montré la façon dont des défis techniques communs peuvent aussi aider à créer des espaces de convergence, en particulier dans quatre domaines : le génome, le cerveau, l’atome et l’espace. Chacun de ces champs de réflexion – et les défis connexes à relever pour mieux les appréhender, leur donner du poids et concevoir grâce à eux – est perçu comme nécessitant des actifs interdisciplinaires qui permettront d’augmenter leur visibilité et de les ouvrir à l’intervention et à l’exploitation. Tous quatre aident à dessiner des espaces de convergence et des zones d’échange au sein desquels les parties peuvent conclure des contrats concernant l’accès aux ressources, les découvertes actuelles et les interventions en aval. En définitive, les résultats obtenus tels que les nouveaux savoirs, les nouvelles méthodes et les nouveaux partenariats peuvent être réinjectés dans les plateformes, ce qui renforce leur valeur.
Ces quatre domaines technologiques – la biologie de synthèse, les neurotechnologies, la science et la technologie quantiques, et l’observation de la Terre depuis l’espace – présentent une diversité de caractéristiques, d’enjeux et de possibilités de convergence :
En biologie de synthèse, la conception de protéines fondée sur l’IA peut nous aider à créer des molécules aux propriétés inédites et à réduire les délais et les coûts de recherche, avec en perspective la possibilité de créer des thérapies personnalisées, mais aussi de nouveaux défis à relever. Par exemple, l’efficacité obtenue grâce à la convergence est la cause même de l’aggravation du risque d’utilisation abusive potentielle, par exemple pour la construction de virus.
En neurotechnologie, la convergence avec les technologies immersives et l’IA ouvre la voie, notamment, au traitement de maladies mentales et à l’amélioration du bien-être, mais les nouvelles puissances permettant d’exploiter de vastes jeux de données soulèvent des questions essentielles touchant à la sécurité, la confiance de la société, la protection de la vie privée, l’équité et la lutte contre la discrimination.
En quantique, la recherche se développe en faisant fond sur des synergies potentiellement précieuses entre la science et la technologie quantiques et l’IA ou même la biologie, entre autres domaines. Des innovations techniques utiles dans de nombreux secteurs, comme les composants à vide et les câbles, aident à faire progresser les technologies quantiques, mais il est encore trop tôt pour percevoir l’impact tangible de ces interactions en termes de commercialisation de produits technologiques.
En observation spatiale de la Terre, la convergence entre l’IA et les technologies numériques, d’une part, et les technologies d’imagerie par satellite, d’autre part, a fait émerger beaucoup d’applications nouvelles allant d’appareils de surveillance de la sécurité alimentaire jusqu’à des dispositifs d’alerte en cas d’émission de méthane. Mais elle crée aussi des problèmes qu’il convient de résoudre, notamment la possibilité d’utilisations malveillantes, des risques pour la sécurité nationale ou la confiance, et des accès potentiellement asymétriques à l’information.
Les études de cas présentées ici montrent clairement que l’IA est actuellement un moteur essentiel, mais pas le seul, de la convergence, que ce soit en termes de produits (contribution additive de l’IA aux technologies existantes et émergentes) ou en termes de processus (intégration au développement technologique lui-même). L’IA exerce une influence dans tous ces domaines, en même temps que le numérique transforme la science, la technologie, l’innovation et la société. Elle promet de nous aider à tirer parti d’environnements d’innovation riches en données grâce à ses capacités nouvelles et puissantes d’apprentissage, d’optimisation et de production de nouveaux contenus et processus. De nombreuses voix s’expriment pour établir un lien direct entre l’essor de l’IA dans la STI et les processus de convergence, en faisant remarquer la façon dont l’IA a réuni des domaines technologiques jusqu’alors distincts de manière à favoriser une convergence plus rapide et plus poussée (Ma et Wu, 2024[1]). Cette évolution peut s’observer dans les procédés industriels comme en science, même si la diffusion de l’IA dans l’industrie est parcellaire et concentrée. De plus, la convergence entre l’IA et d’autres domaines technologiques devrait s’accélérer à mesure que sont développées des IA qui peuvent travailler sur de plus petits jeux de données, ce qui devrait donner naissance à davantage d’applications de niche. La logique et les premiers retours d’expérience soutiennent cette conclusion, même si mieux comprendre le rôle de l’IA en tant que moteur de la convergence des technologies demeure un champ de recherche à défricher.
Dans le même temps, la convergence des technologies présente des défis spécifiques en matière d’action publique et de gouvernance, qu’il s’agit de relever pour que les technologies réalisent tout leur potentiel. S’agissant de la convergence entre la biologie de synthèse et l’IA, par exemple, les différentes réglementations applicables prévoient des exigences différentes. La biologie de synthèse tend à être régie par une réglementation stricte, héritée d’une longue histoire, tandis que l’IA est encadrée moins par des dispositions légales obligatoires que par des codes de bonnes pratiques et le principe de l’autorégulation, qui jouent un rôle beaucoup plus important dans sa gouvernance dans de nombreux pays de l’OCDE. Par conséquent, l’entrepreneuriat dans l’espace de convergence IA-biologie pourrait être confronté à des réglementations beaucoup plus exigeantes puisque les produits de l’IA et de la biologie de synthèse sont soumis à de multiples régimes réglementaires. De fait, la nature hybride des technologies convergentes soulève des questions éthiques et des enjeux stratégiques spécifiques dans la mesure où il peut être difficile de classer ces technologies dans l’une des catégories éthiques ou juridiques traditionnelles (par exemple, relèvent-elles du médical ou de la grande consommation, de la thérapie ou de l’amélioration). Dans ces cas, il faut adapter la gouvernance pour faciliter l’utilisation au service de la recherche, les applications cliniques et la diffusion sur le marché, tout en limitant les nouveaux risques que cela pose pour la vie privée, la sécurité et l’autonomie.
Si de nombreuses approches de la gouvernance mettent l’accent sur la nécessité d’atténuer les risques, sur les préjudices intentionnels et non intentionnels, et sur la sécurité et la protection des consommateurs, il est tout aussi important de tenir compte des avantages potentiels dans l’analyse des risques et l’évaluation technologique. En ces temps de crises multiples, il est souhaitable d’orienter les technologies vers les domaines qui ont le plus d’impact positif. La question se pose donc de savoir comme ancrer au mieux cette dimension dans des cadres de gouvernance agiles et anticipatifs. Le Cadre relatif à la gouvernance anticipative des technologies émergentes (OCDE, 2024[19]) peut être l’une des approches envisageables, car il définit les priorités, aide à tracer des « lignes rouges » et oriente les pratiques de déploiement, mais il exige d’identifier un ensemble de valeurs de départ dont il conviendra de débattre dans le cadre de forums multipartites inclusifs.
Quel rôle pour les pouvoirs publics ?
Face à ces tendances et aux perspectives d’évolution du phénomène général de la convergence des technologies, les pouvoirs publics pourraient prendre un certain nombre de mesures pour aider à la fois à maximiser les effets positifs de la convergence et à en limiter les risques. Ces mesures sont les suivantes.
Investir dans des formes plus poussées de recherche interdisciplinaire. Il s’agit de soutenir des approches qui visent à faire la synthèse de connaissances, méthodes et démarches technologiques diverses, de cultures universitaires issues des sphères des sciences de la vie, de l’écologie, de la physique, des sciences humaines, des sciences informatiques, des mathématiques, de l’ingénierie, et d’autres, et de la recherche sur l’évaluation des technologies.
Bâtir des espaces de convergence avec des plateformes technologiques et collaboratives. Les pouvoirs publics doivent mettre à profit une diversité de modèles de financement, de règles d’accès et de structures de transfert de technologie pour façonner les plateformes technologiques et collaboratives à même de donner naissance à des technologies convergentes. Il convient aussi d’investir dans des bases de données et d’autres infrastructures partagées qui permettent de tirer parti de l’IA et d’autres technologies génériques. Il n’y a pas d’approche universelle, mais les politiques institutionnelles peuvent façonner les espaces de convergence de manière à optimiser l’innovation.
Déployer une gouvernance anticipative. Il s’agit d’utiliser le Cadre de l’OCDE relatif à la gouvernance anticipative des technologies émergentes, présenté lors de la Réunion ministérielle de l’OCDE sur la politique scientifique et technologique, tenue en 2024. Les outils sont notamment les suivants :
Renseignement stratégique. L’action publique axée sur les technologies convergentes devrait favoriser des formes partagées de renseignement stratégique, faisant intervenir l’analyse exhaustive des trajectoires possibles de ces technologies, des enjeux économiques et des conséquences sociétales. Compte tenu de la nature imprévisible des technologies convergentes, des outils robustes tels que l’analyse ou l’étude prospective et l’évaluation de technologies devraient être employés pour anticiper les défis à venir, étayer les stratégies de gouvernance et aider à l’élaboration de stratégies d’aide (voir le chapitre 7).
Réglementation agile. Pour exploiter au mieux tout le potentiel de la convergence, les responsables de l’action publique devraient mettre au point des systèmes adaptatifs qui puissent suivre le rythme rapide des évolutions technologiques. Ces systèmes adaptatifs devraient intégrer des processus d’expérimentation des politiques qui accordent une place plus importante à des outils tels que les laboratoires d’innovation en matière d’action publique et les bacs à sable réglementaires (voir le chapitre 7).
Références
[29] Aderinto, N. et al. (2023), « Exploring the efficacy of virtual reality-based rehabilitation in stroke: a narrative review of current evidence », Annals of Medicine, vol. 55/2, https://doi.org/10.1080/07853890.2023.2285907.
[13] Adkins, J. et al. (2012), Engineering microbial chemical factories to produce renewable “biomonomers.”.
[25] Al Kuwaiti, A. et al. (2023), « A Review of the Role of Artificial Intelligence in Healthcare », Journal of Personalized Medicine, vol. 13/6, p. 951, https://doi.org/10.3390/jpm13060951.
[48] Al-Khalili, J. et J. McFadden (2014), Life on the Edge: The Coming of Age of Quantum Biology, Penguin Random House.
[56] Argonne National Laboratory (2025), « Six ways Argonne is advancing quantum information research », Feature Story, https://www.anl.gov/article/six-ways-argonne-is-advancing-quantum-information-research (consulté le 25 July 2025).
[57] Argonne National Laboratory (2021), « Argonne National Laboratory a founding partner in nation’s first startup accelerator program dedicated exclusively to quantum », Communiqué de presse, https://www.anl.gov/article/argonne-national-laboratory-a-founding-partner-in-nations-first-startup-accelerator-program (consulté le 25 July 2025).
[32] Azemi, E. et al. (2023), Biosignal Sensing Device Using Dynamic Selection of Electrodes..
[49] Biello, D. (2007), When It Comes to Photosynthesis, Plants Perform Quantum Computation, https://www.scientificamerican.com/article/when-it-comes-to-photosynthesis-plants-perform-quantum-computation/.
[7] Bijker, W., T. Hughes et T. Pinch (1987), The Social Construction of Technological Systems: New Directions in the Sociology and History of Technology, MIT Press.
[47] Bohr, N. (1933), https://www.nature.com/articles/131457a0, https://www.nature.com/articles/131457a0.
[5] Brew, A. (2007), « Disciplinary and interdisciplinary affiliations of experienced researchers », Higher Education, vol. 56/4, pp. 423-438, https://doi.org/10.1007/s10734-007-9102-4.
[46] Brooks, M. (2023), Towards quantum machine learning, https://www.nature.com/articles/d41586-023-01718-2.
[78] Burke, M. et al. (2021), « Using satellite imagery to understand and promote sustainable development », Science, vol. 371/6535, p. eabe8628, https://doi.org/10.1126/science.abe8628.
[77] CEE-ONU (2019), Étude approfondie de l’utilisation de l’imagerie satellitaire et des autres technologies d’observation de la Terre dans les statistiques officielles, Document établi par le Canada et le Mexique, Commission économique pour l’Europe : Conférence des statisticiens européens, https://unece.org/sites/default/files/datastore/fileadmin/DAM/stats/documents/ece/ces/2019/ECE_CES_2019_16-1906490F.pdf.
[59] Connor, S. (2010), Why the world is running out of helium, https://www.the-independent.com/news/science/why-the-world-is-running-out-of-helium-2059357.html#:~:text=Liquid%20helium%20is%20critical%20for,explosive%20fuel%20from%20its%20rockets.
[26] Denison, T. et M. Morrell (2022), « Neuromodulation in 2035 », Neurology, vol. 98/2, pp. 65-72, https://doi.org/10.1212/wnl.0000000000013061.
[69] ESA (2024), « New satellite to show how AI advances Earth observation », Site web, ESA, 2 juillet, Agence spatiale européenne, https://www.esa.int/Applications/Observing_the_Earth/Phsat-2/New_satellite_to_show_how_AI_advances_Earth_observation.
[38] Ezratty, O. (2023), Understanding Quantum Technologies, https://www.oezratty.net/wordpress/2023/understanding-quantum-technologies-2023/.
[23] Forsland et al. (2021), Brain Computer Interface for Augmented Reality..
[61] Gainey, C. (2019), Racing toward Absolute Zero, The Fourth Estate, https://thefourthestate.net/12400/feature/racing-toward-absolute-zero-scientific-american-blog-network/#:~:text=Quantum%20mechanics%20also%20means%20that,team%20is%20in%20the%20process.
[12] García Martín, H., S. Mazurenko et H. Zhao (2024), « Special Issue on Artificial Intelligence for Synthetic Biology », ACS Synthetic Biology, pp. 408–410.
[18] García, L. et D. Winickoff (2022), Brain-computer interfaces and the governance system : Upstream approaches, Éditions OCDE, Paris, https://doi.org/10.1787/18d86753-en.
[68] GEO (2024), Harnessing AI for earth observations for all, webpage, 04 June, Group on Earth Observations, https://earthobservations.org/news/harnessing-ai-earth-observations-all.
[80] Gevaert, C. (2022), « Explainable AI for earth observation: A review including societal and regulatory perspectives », International Journal of Applied Earth Observation and Geoinformation, vol. 112, p. 102869, https://doi.org/10.1016/j.jag.2022.102869.
[65] Goorney, S. et al. (2024), « A framework for curriculum transformation in quantum information science and technology education », European Journal of Physics, vol. 45/6, p. 065702, https://doi.org/10.1088/1361-6404/ad7e60.
[75] Harris, R. et I. Baumann (2021), « Satellite Earth Observation and National Data Regulation », Space Policy, vol. 56, p. 101422, https://doi.org/10.1016/j.spacepol.2021.101422.
[70] Hugging Face (2024), IBM-NASA Prithvi Models Family, https://huggingface.co/ibm-nasa-geospatial.
[72] IBM (2024), Photos: How IBM and NASA’s new geospatial model is changing our view of the world, Communiqué de presse, 6 décembre, https://research.ibm.com/blog/prithvi2-geospatial.
[11] Iram, A., Y. Dong et C. Ignea (2024), Synthetic biology advances towards a bio-based society in the era of artificial intelligence. Current Opinion in Biotechnology..
[14] Kuenneth, C. et al. (2022), « Bioplastic design using multitask deep neural networks », Nature.
[8] Latour, B. (2005), Reassembling the Social, Oxford University PressOxford, https://doi.org/10.1093/oso/9780199256044.001.0001.
[34] Li, K. et al. (2023), « When Internet of Things Meets Metaverse: Convergence of Physical and Cyber Worlds », IEEE Internet of Things Journal, vol. 10/5, pp. 4148-4173, https://doi.org/10.1109/jiot.2022.3232845.
[1] Ma, D. et W. Wu (2024), « Does artificial intelligence drive technology convergence? Evidence from Chinese manufacturing companies », Technology in Society, vol. 79, p. 102715, https://doi.org/10.1016/j.techsoc.2024.102715.
[31] Maggio, M. et al. (2023), « Computer-assisted cognitive rehabilitation in neurological patients: state-of-art and future perspectives », Frontiers in Neurology, vol. 14, https://doi.org/10.3389/fneur.2023.1255319.
[71] NASA (2024), « Expanded AI Model with Global Data Enhances Earth Science Applications », Communiqué de presse, 4 décembre, https://science.nasa.gov/science-research/ai-geospatial-model-earth/.
[73] NASA (2024), NASA Quantum Artificial Intelligence Laboratory (QuAIL), Page web, US National Aeronautics and Space Administration, https://www.nasa.gov/intelligent-systems-division/discovery-and-systems-health/nasa-quail/.
[81] NGAC (2020), Landsat data: Community standard for data calibration, US National Geospatial Advisory Committee, https://www.fgdc.gov/ngac/meetings/october-2020/ngac-paper-landsat-data-community-standard-for.pdf.
[76] NSpC UAG Climate and Societal Benefits Subcommittee (2023), « Space Data Ethics: The Next Frontier in Responsible Leadership », United States National Space Council Users’ Advisory Group Climate and Societal Benefits Subcommittee, https://www.nasa.gov/wp-content/uploads/2024/02/white-paper-space-data-ethics-2023-12-01-final-002.pdf?emrc=65d8fcfdca26.
[36] OCDE (2025), « A quantum technologies policy primer », Documents de travail de l’OCDE sur l’économie numérique, n° 371, Éditions OCDE, Paris, https://doi.org/10.1787/fd1153c3-en.
[20] OCDE (2025), « An immersive technologies policy primer », Documents de travail de l’OCDE sur l’économie numérique, n° 373, Éditions OCDE, Paris, https://doi.org/10.1787/cf39863d-en.
[19] OCDE (2024), « Cadre relatif à la gouvernance anticipative des technologies émergentes », n° 165, Éditions OCDE, Paris, https://doi.org/10.1787/a48858ef-fr.
[74] OCDE (2024), The Economics of Space Sustainability: Delivering Economic Evidence to Guide Government Action, Éditions OCDE, Paris, https://doi.org/10.1787/b2257346-en.
[40] OCDE (2023), Artificial Intelligence in Science: Challenges, Opportunities and the Future of Research, Éditions OCDE, Paris, https://doi.org/10.1787/a8d820bd-en.
[66] OCDE (2023), The Space Economy in Figures: Responding to Global Challenges, Éditions OCDE, Paris, https://doi.org/10.1787/fa5494aa-en.
[67] OCDE (2020), « Space economy for people, planet and prosperity », background paper for the G20 Space Economy Leaders’ Meeting, 20-21 September, Rome, Italy, https://www.oecd.org/sti/inno/space-forum/space-economy-for-people-planet-and-prosperity.pdf (consulté le 4 février 2022).
[35] OCDE (2019), Recommandation du Conseil de l’OCDE sur l’innovation responsable dans le domaine des neurotechnologies, OECD, Paris, https://legalinstruments.oecd.org/en/instruments/OECD-LEGAL-0457.
[17] OCDE (2019), « Recommandation du Conseil sur l’innovation responsable dans le domaine des neurotechnologies », p. OECD/LEGAL/0457.
[3] OCDE (2014), Challenges and Opportunities for Innovation through Technology: The Convergence of Technologies., https://one.oecd.org/document/DSTI/STP(2013)15/endf.
[37] OCDE (à paraître), OECD Quantum science and technology, OCDE, Paris.
[52] Offord, C. (2021), New Study Fuels Debate About Source of Birds’ Magnetic Sense, https://www.the-scientist.com/new-study-fuels-debate-about-source-of-birds-magnetic-sense-68917.
[44] Padavic-Callaghan, K. (2024), AI found a new way to create quantum entanglement, https://www.newscientist.com/article/2459102-ai-found-a-new-way-to-create-quantum-entanglement/.
[60] Pakin, S. et P. Coles (2019), The Problem with Quantum Computers, Scientific American, https://www.scientificamerican.com/blog/observations/the-problem-with-quantum-computers/#:~:text=program,chance%20to%20run%20to%20completion.
[79] Pesaresi, M. et al. (2024), « Advances on the Global Human Settlement Layer by joint assessment of Earth Observation and population survey data », International Journal of Digital Earth, vol. 17/1, https://doi.org/10.1080/17538947.2024.2390454.
[63] Princeton Quantum Initiative (s.d.), Quantum Materials Spectroscopy, https://quantum.princeton.edu/research/quantum-materials-science/quantum-materials-spectroscopy#:~:text=Collaborative%20work%20at%20Princeton%20aims,and%20directed%20improvements%20in%20materials (consulté le 12 March 2025).
[45] Quantinuum (2025), Quantum Computers Will Make AI Better, Quantinuum, https://www.quantinuum.com/blog/quantum-computers-will-make-ai-better#:~:text=Enter%20quantum%20computing,limitations%20of%20today%27s%20classical%20systems.
[27] Qu, Z. et al. (2022), « Review of Innovative Immersive Technologies for Healthcare Applications », Innovations in Digital Health, Diagnostics, and Biomarkers, vol. 2/2022, pp. 27-39, https://doi.org/10.36401/iddb-21-04.
[15] Rapp, J., B. Bremer et P. Romero (2024), « Self-driving laboratories to autonomously navigate the protein fitness landscape. », Nat Chem Eng, vol. 1, pp. 97-107.
[16] Robinson, D. et D. Nadal (2025), Synthetic biology in focus: Policy issues and opportunities in engineering life, Éditions OCDE, Paris, https://doi.org/10.1787/3e6510cf-en.
[6] Roco et al. (2013), Convergence of Knowledge, Technology and Society: Beyond Convergence of Nano-Bio-Info-Cognitive Technologies.
[50] Romero, E., V. Novoderezhkin et R. van Grondelle (2017), Quantum design of photosynthesis for bio-inspired solar-energy conversion, pp. 355-365, https://doi.org/10.1038/nature22012.
[22] Samuel, S. (2022), « Immersive Technologies in the Healthcare Space », dans Studies in Computational Intelligence, Augmented Intelligence in Healthcare : A Pragmatic and Integrated Analysis, Springer Nature Singapore, Singapore, https://doi.org/10.1007/978-981-19-1076-0_22.
[54] SciTech (2025), Forget Silicon – DNA Might Be the Future of Quantum Computing, https://scitechdaily.com/forget-silicon-dna-might-be-the-future-of-quantum-computing/.
[2] Sick, N. et S. Bröring (2022), « Exploring the research landscape of convergence from a TIM perspective: A review and research agenda », Technological Forecasting and Social Change, vol. 175, p. 121321, https://doi.org/10.1016/j.techfore.2021.121321.
[24] Steinmetz et al. (2024), « Global, regional, and national burden of disorders affecting the nervous system, 1990–2021: a systematic analysis for the Global Burden of Disease Study 2021 », The Lancet Neurology, vol. 23/4, pp. 344 - 381, https://doi.org/10.1016/S1474-4422(24)00038-3.
[33] Telfer et al. (2023), Method and Apparatus for Wearable Device for Closed-Loop Transcranial Photobiomodulation Simulation using Cognitive Testing.
[58] Trueman, C. (2025), US Department of Energy announces $625 million funding opportunity to establish five new quantum research centers, https://www.datacenterdynamics.com/en/news/us-department-of-energy-announces-625-million-funding-opportunity-to-establish-five-new-quantum-research-centers/#:~:text=The%20US%20Department%20of%20Energy%E2%80%99s%20Office%20of%20Science,additional%20Nationa (consulté le 25 July 2025).
[21] Turan, Z. et S. Karabey (2023), « The use of immersive technologies in distance education: A systematic review », Education and Information Technologies, vol. 28/12, pp. 16041-16064, https://doi.org/10.1007/s10639-023-11849-8.
[4] US National Academies (2014), Convergence: Facilitating Transdisciplinary Integration of Life Sciences, Physical Sciences, Engineering, and Beyond, https://nap.nationalacademies.org/catalog/18722/convergence-facilitating-transdisciplinary-integration-of-life-sciences-physical-sciences-engineering.
[41] Usman, M. (2024), Artificial intelligence could help make quantum computers a reality, PhysOrg, https://phys.org/news/2024-07-artificial-intelligence-quantum-reality.html#:~:text=New%20research%20from%20Australia%27s%20national,world%20problems.
[43] Vicentini, F. (2024), Informatique quantique et IA : moins compatibles que prévu ?, Institut Polytechnique de Paris, https://www.polytechnique-insights.com/tribunes/science/informatique-quantique-et-ia-moins-compatibles-que-prevu/.
[10] Vindman, C. et al. (2024), The Convergence of AI and Synthetic Biology: The Looming Deluge. arXiv preprint arXiv:2404.18973.
[28] Vourvopoulos, A. et al. (2019), « Effects of a Brain-Computer Interface With Virtual Reality (VR) Neurofeedback: A Pilot Study in Chronic Stroke Patients », Frontiers in Human Neuroscience, vol. 13, https://doi.org/10.3389/fnhum.2019.00210.
[62] Waters, R. (2024), Scientific breakthrough gives new hope to building quantum computers, https://www.ft.com/content/f1d26918-67c5-4b11-b47b-4904606a002f.
[64] White House OSTP (2022), Quantum Information Science and Technology Workforce Development National Strategic Plan: A Report by the Subcommittee on Quantum Information Science Committee on Science of the National Science & Technology Counci, https://www.quantum.gov/wp-content/uploads/2022/02/QIST-Natl-Workforce-Plan.pdf.
[39] Wikipédia (2025), Quantum key distribution, https://en.wikipedia.org/wiki/Quantum_key_distribution#:~:text=An%20important%20and%20unique%20property,a%20certain%20threshold%2C%20a%20key (consulté le 14 March 2025).
[51] Wilkins, A. (2025), Glowing biological quantum sensor could track how cells form, https://www.newscientist.com/article/2461697-glowing-biological-quantum-sensor-could-track-how-cells-form/.
[55] Williams, S. (2024), From Sci-Fi to Reality: Vacuum Tubes Could Revolutionize Quantum Networking, https://scitechdaily.com/from-sci-fi-to-reality-vacuum-tubes-could-revolutionize-quantum-networking/.
[9] Winickoff, D. et al. (2021), « Collaborative platforms for emerging technology: Creating convergence spaces », OECD Science, Technology and Industry Policy Papers, n° 109, OECD Publishing, Paris, https://doi.org/10.1787/ed1e030d-en.
[42] Wolf, M. (2024), Enabling Quantum Computing with AI, Nvidia Developer, https://developer.nvidia.com/blog/enabling-quantum-computing-with-ai/#:~:text=of%20noise%20can%20corrupt%20a,possible%20from%20a%20quantum%20processor.
[53] Wright, K. (2025), « Biological Magnetic Sensing Comes Close to Quantum Limit », Physics, vol. 18, https://physics.aps.org/articles/v18/s8#:~:text=Researchers%20find%20that%20two%20types,made%20devices.
[30] Zhang, X. et al. (2020), « The combination of brain-computer interfaces and artificial intelligence: applications and challenges », Annals of Translational Medicine, vol. 8/11, pp. 712-712, https://doi.org/10.21037/atm.2019.11.109.
← 1. Le Groupe d’experts techniques ad hoc sur la biologie de synthèse (AHTEG) de la Convention sur la diversité biologique a élaboré la définition opérationnelle suivante de la biologie de synthèse : « un développement ultérieur et une nouvelle dimension de la biotechnologie moderne qui combine science, technologie et ingénierie pour faciliter et accélérer la compréhension, la conception, la reconfiguration, la fabrication et/ou la modification de matériels génétiques, d’organismes vivants et de systèmes biologiques ».
← 2. Voir https://www.weforum.org/stories/2024/06/the-brain-computer-interface-market-is-growing-but-what-are-the-risks.
← 3. La période de revisite est le temps qui s’écoule entre deux observations d’un même point de la Terre.
← 4. Les jeux de données ouvertes en accès libre du programme américain Landsat et du programme européen Copernic sont les piliers de l’analyse de données fondée sur le numérique. Ils fournissent des normes de facto de calibrage géométrique (heure et localisation), spectral (couleur) et radiométrique (intensité de la couleur), ce qui permet une détection exacte des variations (NGAC, 2020[81]). Ils sont à l’origine de la vague actuelle d’innovation fondée sur l’IA dans les applications et les modèles de fondation.