Un pipeline national pour l’« AI for Science »
Le Japon ne présente plus l’intelligence artificielle comme un simple outil de productivité pour chercheurs pressés. Il la transforme en architecture nationale de recherche. Selon Science Japan, publication de la Japan Science and Technology Agency, le ministère japonais de l’Éducation, de la Culture, des Sports, des Sciences et de la Technologie, le MEXT, prévoit d’inscrire dans son prochain budget la construction d’une infrastructure de nouvelle génération dédiée à l’« AI for Science ». L’objectif est explicite : relier données, calcul, réseaux, laboratoires automatisés et agents d’IA dans un pipeline cohérent, capable d’accélérer la production scientifique japonaise.
Cette source est institutionnelle et de premier rang : Science Japan est publiée par la JST, agence nationale de science et technologie. Elle est donc précieuse pour comprendre la stratégie officielle, mais elle porte aussi un biais naturel de communication publique : le récit insiste sur la relance, l’urgence et la capacité de l’État à coordonner l’écosystème. L’annonce doit donc être lue comme un signal politique autant que comme une description opérationnelle.
Au cœur du dispositif se trouvent deux programmes complémentaires. ARiSE, pour AI to Redesign Scientific Exploration, est conçu comme le programme phare. D’après la JST, il vise des investissements concentrés sur des « cibles stratégiques » exploitant les forces du Japon, avec deux axes : des projets orientés vers des objectifs nationaux et des projets internationaux ou interdisciplinaires. Les candidatures ARiSE ont été ouvertes le 12 mai 2026, avec une période de dépôt jusqu’au 30 juin 2026.
SPReAD, de son côté, fonctionne comme une politique de diffusion massive. Le site dédié du MEXT présente SPReAD 1000 comme un programme destiné à soutenir environ 1 000 projets par an, y compris des chercheurs débutants en IA, avec financement rapide, accompagnement et construction de communautés. La logique est claire : ARiSE fabrique les locomotives, SPReAD élargit les rails.
Une réponse à l’érosion de la puissance scientifique japonaise
Le mot important dans l’annonce n’est pas seulement « IA », mais « renaissance ». Le Japon part d’un diagnostic difficile. Les analyses du National Institute of Science and Technology Policy, relayées par Science Japan, indiquent que le pays demeure une grande puissance de publication, mais que sa présence dans les articles les plus cités s’est affaiblie : dans les données récentes, le Japon reste cinquième pour le volume global d’articles, mais se situe autour de la treizième place pour les articles du top 10 % et de la douzième pour le top 1 %. Nature avait déjà résumé ce malaise en 2023 en écrivant que la contribution japonaise à la recherche de classe mondiale continuait de décliner.
Ce contexte explique le caractère top-down de la stratégie. Le MEXT ne cherche pas seulement à financer quelques modèles ou à distribuer des licences logicielles. Il veut modifier les conditions matérielles de la recherche : calcul partagé, stockage, données structurées, connectivité, sécurité, authentification, laboratoires automatisés et règles de gouvernance. Science Japan mentionne des cibles chiffrées ambitieuses : multiplier par cinq la capacité du NII Research Data Cloud d’ici l’exercice 2030, doubler la vitesse de SINET d’ici 2028 et multiplier par au moins dix les ressources de calcul partagées pour l’« AI for Science » d’ici 2030.
Le rôle du National Institute of Informatics est stratégique. Le NII Research Data Cloud, en exploitation complète depuis 2021, combine des services de gestion, publication et découverte des données de recherche. SINET, réseau académique national, connecte plus de 1 000 universités et organismes de recherche japonais. Autrement dit, le Japon possède déjà une ossature numérique publique. La nouveauté est de l’orienter explicitement vers une science assistée par IA, avec des agents, des modèles scientifiques spécialisés et des boucles données-expériences-calcul.
ARiSE pour l’élite, SPReAD pour la base
La combinaison ARiSE-SPReAD est le point le plus intéressant. Beaucoup de politiques d’innovation échouent parce qu’elles choisissent entre excellence et diffusion. Le Japon tente de faire les deux.
ARiSE est le haut de la pyramide. Il concentre des montants importants sur des projets de trois ans, avec des objectifs susceptibles de produire des résultats scientifiques visibles à l’échelle mondiale. Le communiqué de la JST parle de modèles de fondation scientifiques, d’agents d’IA et de systèmes de laboratoire de nouvelle génération. Ce vocabulaire rapproche ARiSE des ambitions de la robotique scientifique et des laboratoires autonomes : formuler une hypothèse, planifier une expérience, exécuter un protocole, analyser les données, réviser l’hypothèse.
SPReAD est la base de la pyramide. Son intérêt n’est pas seulement financier. Le MEXT insiste sur l’accompagnement : aider les chercheurs à choisir les modèles, préparer les données, accéder au calcul, comprendre les risques et partager les pratiques entre disciplines. C’est une réponse à un problème très concret : l’IA pour la science ne se résume pas à brancher ChatGPT sur un laboratoire. Les données sont hétérogènes, souvent sensibles, parfois impossibles à publier telles quelles. Les modèles peuvent reconstruire des informations d’entraînement ou créer des fuites de propriété intellectuelle. Les revues scientifiques imposent aussi leurs propres règles d’usage de l’IA.
Cette dimension de gouvernance est renforcée par les documents de SPReAD, qui mentionnent des plans de gestion des données, des listes de vérification et des exigences de conformité. Elsevier, dans son rapport Researcher of the Future, observe d’ailleurs que seuls 27 % des chercheurs interrogés estiment avoir une formation suffisante à l’IA et que 32 % jugent la gouvernance institutionnelle satisfaisante. Le MEXT semble avoir compris que la barrière n’est pas seulement technologique : elle est organisationnelle.
Trois modèles mondiaux : marché américain, État japonais, règles européennes
La stratégie japonaise s’inscrit dans une course mondiale où les infrastructures de science deviennent des infrastructures de souveraineté. Le modèle américain, même lorsqu’il est piloté par l’État, reste fortement articulé avec le secteur privé et les laboratoires nationaux. Le Department of Energy a annoncé plus de 320 millions de dollars pour accélérer les capacités d’IA de la Genesis Mission, avec l’American Science Cloud, des consortiums de modèles, de la robotique et des projets de données scientifiques. Washington cherche à relier supercalculateurs, données fédérales, laboratoires et partenaires industriels pour doubler l’impact de ses investissements scientifiques en dix ans.
Le Japon adopte une approche plus administrative et intégrée. Il ne mise pas d’abord sur la domination d’hyperscalers ou de grands laboratoires privés d’IA, mais sur la coordination d’un système national : ministère, JST, NII, universités, RIKEN, réseaux académiques et programmes de financement. C’est une gouvernance de pipeline : l’État définit les priorités, équipe l’infrastructure, sélectionne les projets, normalise les données et encadre les usages.
L’Europe, elle, avance par une autre voie : fédération et régulation. La Commission européenne a lancé sa stratégie européenne pour l’IA dans la science, avec RAISE, un institut virtuel destiné à mutualiser talent, données, calcul et financements. Elle s’appuie aussi sur l’European Open Science Cloud, conçu comme un environnement ouvert et distribué pour les données de recherche. Mais cette ambition se déploie dans l’ombre du règlement européen sur l’IA, que le Conseil de l’Union européenne présente comme la première loi globale sur l’intelligence artificielle, structurée par niveaux de risque, obligations de transparence et supervision humaine.
La comparaison est éclairante. Les États-Unis veulent accélérer par la puissance de calcul et l’écosystème privé. Le Japon veut orchestrer par l’État. L’Europe veut fédérer tout en encadrant. Aucun modèle n’est parfait. Le modèle américain peut concentrer le pouvoir dans quelques plateformes. Le modèle japonais peut manquer d’agilité si la bureaucratie ralentit l’expérimentation. Le modèle européen peut produire de la confiance, mais risque de souffrir d’une fragmentation des ressources.
Ce que cela change pour la science
Si le pipeline japonais fonctionne, son impact dépassera la simple productivité. L’IA pourrait modifier la manière dont les disciplines se forment. Un historien pourra utiliser SPReAD pour annoter des manuscrits; un biologiste, pour réentraîner un modèle moléculaire; un physicien, pour structurer des journaux d’expérience; un laboratoire de matériaux, pour simuler des combinaisons avant de lancer des essais. Ce passage de l’IA comme outil individuel à l’IA comme infrastructure collective est fondamental.
Mais la réussite dépendra de trois conditions. Premièrement, la qualité des données : sans métadonnées, provenance, formats réutilisables et droits clairs, les modèles scientifiques resteront fragiles. Deuxièmement, l’accès réel au calcul : multiplier les ressources annoncées ne suffira pas si l’accès est trop complexe ou réservé aux grands centres. Troisièmement, la confiance : les agents scientifiques devront être auditables, reproductibles et compatibles avec les exigences des revues, des financeurs et de la sécurité économique.
Le Japon joue donc une carte audacieuse. Il ne prétend pas seulement « utiliser l’IA »; il veut reconstruire l’appareil scientifique autour d’elle. ARiSE et SPReAD incarnent une stratégie à deux vitesses : produire des champions tout en transformant la pratique quotidienne de milliers de chercheurs. Dans la course mondiale à l’IA pour la science, ce n’est pas le modèle le plus spectaculaire. Mais c’est peut-être l’un des plus cohérents : faire de l’IA non pas un produit, mais une politique industrielle de la connaissance.