L'académicien 鄂维南 : le plus grand point faible de l'IA chinoise est la « pensée de rattrapage », ce qui nous empêche de devenir des pionniers

(Origine : Turing Artificial Intelligence)

Reproduit du Congrès mondial de l’intelligence artificielle, uniquement pour partage académique. Toute violation sera supprimée.

E WeiNan

• Membre de l’Académie chinoise des sciences

• Directeur du Conseil académique de l’Institut d’innovation en algorithmes de Shanghai

• Directeur du Centre de recherche en apprentissage automatique international de l’Université de Pékin

Il a introduit les méthodes d’intelligence artificielle dans le domaine du calcul scientifique, favorisant la formation du paradigme de recherche « AI for Science ». Il a reçu le prix Collatz de l’Union internationale des mathématiques industrielles et appliquées (ICIAM) en 2003, le prix Gordon-Bell de l’ACM en 2020, le prix Maxwell de l’ICIAM en 2023, et en 2025, il a été honoré du premier prix Lin Jiaqiao lors de la Conférence mondiale des mathématiciens chinois (ICCM).

Voici quelques extraits des points de vue exclusifs d’E WeiNan :

La Chine possède un avantage initial, mais pourrait être détrônée par une « pensée de poursuite »

« Si nous restons immergés dans cette mentalité, il sera difficile de devenir un leader. »

/ 01

Avantage initial de l’AI4S

Manque de soutien pour les jeunes chercheurs

Le marché des capitaux stimule la compétition

Attention à la « pensée de poursuite »

Si le monde des mathématiques ne change pas, il sera marginalisé

« L’intelligence artificielle pose manifestement des exigences totalement nouvelles aux mathématiques. »

/ 02

Situation actuelle des mathématiques

Les mathématiques stagnent au rythme de l’époque de Newton

Manque de reviewers innovants

Le plus grand problème de l’IA, c’est l’absence de fondement théorique

« Cela nuit non seulement au développement à long terme de l’IA, mais crée aussi des barrières élevées et un gaspillage de ressources. »

/ 03

La connotation mathématique de l’apprentissage profond : nous traitons des problèmes « de mille ou de dix mille dimensions »

« En essence, c’est une méthode pour traiter des problèmes à haute dimension. »

/ 04

De nombreux problèmes en suspens

« Nous ne comprenons pas encore bien comment les méthodes d’entraînement peuvent surmonter la malédiction de la dimension, surtout pour des entraînements à grande échelle. Des structures récentes comme l’espace d’état ou le populaire Mamba, peuvent-elles vraiment résoudre le problème de dépendance à long terme ? La réponse reste encore floue. »

Pourquoi le succès d’AlphaFold est-il difficile à reproduire ?

« C’est le résultat d’une conjonction de facteurs favorables. »

/ 05

Ceux qui font de l’IA ne comprennent souvent pas les questions scientifiques

« Un risque majeur est que beaucoup de chercheurs en IA manquent de respect pour la science. »

/ 06

Briser le dogme du « seul le papier compte » : une donnée de haute qualité est la contribution scientifique la plus importante

« Les nouvelles idées, les données générées, les outils développés, tout cela doit être considéré comme une réalisation scientifique. »

/ 07

Mécanisme d’évaluation multidimensionnel

En parlant d’ouverture des données, E WeiNan pense que le problème de la mécanisme d’évaluation est plus critique que la culture scientifique elle-même. « Notre système actuel d’évaluation de la recherche tourne presque entièrement autour des publications. Les scientifiques hésitent à rendre leurs données totalement publiques, principalement parce qu’en contrôlant les données, ils peuvent continuer à produire la publication suivante. » Il faut briser cette situation. « Une donnée de haute qualité est déjà l’une des contributions scientifiques les plus importantes. À l’avenir, nous devons établir un système d’évaluation multidimensionnel, ne pas se limiter uniquement aux publications. »

La recherche en « petits ateliers » est dépassée

Concernant la culture scientifique, il pense que nous n’avons pas encore créé une atmosphère véritablement ouverte et partagée. « Il ne s’agit pas seulement des publications, mais aussi des idées de recherche, des données, des outils, qui doivent tous être ouverts pour permettre une communication efficace et rapide. » Il compare le passé et l’avenir : « Fondamentalement, notre recherche d’autrefois était un modèle de ‘petits ateliers’, où un professeur encadrait quelques étudiants. Mais ce n’est plus le cas. La recherche entre dans une ‘voie rapide’, et notre culture d’échange doit évoluer en conséquence. Les nouvelles idées, les données générées, les outils développés, tout cela doit être considéré comme des résultats de recherche, intégrés dans la communication académique. »

Aux jeunes : devenez des apprenants à vie, développez trois compétences clés

« Se contenter de dire que votre article a été cité 50 fois, ce n’est pas suffisant. »

/ 08

Avec ces trois compétences, vous n’aurez pas à craindre d’être remplacé par l’IA

La réponse d’E WeiNan est très claire : « Chacun doit devenir un apprenant à vie, continuer à apprendre de nouvelles connaissances, élargir ses idées, améliorer ses capacités. » Il définit le « leader » de demain par trois compétences essentielles : première, la pensée basée sur les principes fondamentaux — la capacité à percevoir la logique sous-jacente des choses ; deuxième, la capacité à saisir les vrais problèmes — à identifier les défis clés dans le développement social et technologique, ce qui est justement ce qui manque le plus dans notre éducation actuelle ; troisième, la capacité d’ingénierie — juger la distance entre une idée et sa réalisation concrète, et la pousser à aboutir.

Les jeunes enseignants ne doivent pas se contenter de publier un seul article lors de conférences

« Je souhaite qu’ils puissent avoir un impact substantiel sur le développement de l’intelligence artificielle. » Il donne l’exemple de son équipe : « Nos travaux sur des algorithmes fondamentaux, des plateformes open source, la station spatiale de Bohr, etc., ont tous un impact visible et tangible. Certains disent même que le ‘Plan de la Genèse’ lancé par les États-Unis, c’est comme ‘tenter de traverser la rivière à tâtons’. » Il laisse une question en suspens : « Nous devons nous demander : quel impact votre travail a-t-il réellement ? Qu’il soit grand ou petit, a-t-il vraiment fait progresser la science ? Se contenter de dire que votre article a été cité 50 fois, ce n’est pas suffisant. »