Il s’appelle Gathin et pourrait être votre voisin. Le téléviseur de ses parents affichait une publicité en plein écran avant qu’ils puissent accéder à Netflix. Dans son témoignage, il raconte comment, avec Claude Code (un assistant de programmation fondé sur un grand modèle de langage, ou LLM), il a pu examiner ce qui tournait sur la TV de papa et maman et comment, avec son LLM préféré, il a repéré les logiciels indésirables, puis désactivé les paquets « coupables », sans les désinstaller. Il a ensuite créé, toujours avec son assistant IA dévoué, un écran d’accueil simplifié inspiré d’Apple TV et permettant à ses parents de naviguer sans être entravés par la pub. Pour info, Gathin partage désormais le prompt, les instructions destinées à l’IA, et son outil sous le nom CleanYourTV, sur cleanyour.tv.1

C’est toute la chaîne de création de valeur qui en est impactée. Ce qui était jusqu’ici imposé par l’appareil (et son fabricant) devient modifiable par l’utilisateur. Encore plus fort, un développeur s’est récemment attaqué à un autre sujet d’agacement pour beaucoup : la dépendance à des solutions propriétaires dont les conditions d’abonnement et de résiliation ne nous laissent que peu de marge de manœuvre (en gros, soit on paye, soit on doit tout réapprendre). Brandon Thomas (c’est son nom) a ainsi décidé de s’attaquer frontalement à Adobe et sa très renommée suite logicielle (Photoshop, Acrobat, Illustrator, et tous les autres !). Ce développeur, qui revendique quinze ans de métier, a entrepris avec Claude (encore lui !) de reconstruire des alternatives aux logiciels de la suite propriétaire susnommée. Loin de les garder pour lui, il a décidé de partager, gracieusement en open source, le résultat de son travail, ainsi que sa méthode de réimplémentation, dans le cadre du projet ArtCraft. PhotoCraft reprend la retouche d’image, VectorCraft le dessin vectoriel, FilmCraft le montage vidéo… On reconnaît sans effort les modèles tant les noms ne cherchent pas vraiment à entretenir le mystère. Selon le projet, ces applications sont réécrites à partir de leur fonctionnement observable et des spécifications publiques, sans reprendre le code propriétaire. Une autre voie que la récupération du code d’origine, donc (mais pas un passe-droit qui ferait disparaître toutes les questions de licences et de propriété intellectuelle).2

À ce jour, PhotoCraft n’est pas encore prêt à remplacer Photoshop dans tous les usages professionnels, mais qu’un développeur puisse engager un chantier aussi vaste avec l’aide d’une IA donne déjà matière à réfléchir. Combien d’outils que nous pensions devoir accepter tels quels pourrons-nous demain adapter, ou reconstruire à notre convenance ?

Ces exemples ne nous rendent pas tous, de facto, experts en électronique ou en programmation, mais ils montrent une autre manière d’aborder un objet : demander à l’IA de nous aider à comprendre ce qui existe pour le modifier, plutôt que de nous résigner à son fonctionnement. L’exploration et la rétro-ingénierie deviennent accessibles à un public plus large. Mais jusqu’où peut-on aller dans cette quête de reprise en main d’un système mis à notre disposition ? Aujourd’hui, le hack (détournement) ou la réimplémentation d’un logiciel peut devenir un chantier envisageable pour une petite équipe, voire un seul individu chevronné, là où il aurait fallu des moyens bien plus importants il y a encore peu. Mais quid des systèmes plus complexes ? Et si on pouvait reprogrammer le vivant ?

Le vivant commence à devenir plus lisible

Avec AlphaFold, le passage à la biologie a déjà un point d’appui. Cet outil (pour ceux qui ne l’auraient pas vu passer) prédit la forme des protéines, ce qui, pour vulgariser, aide à comprendre leur rôle. En juillet 2022, Demis Hassabis (le dirigeant de DeepMind et l’un des papas d’AlphaFold) annonçait, avec l’Institut européen de bioinformatique, une base ouverte et gratuite de plus de 200 millions de structures prédites, couvrant presque toutes les protéines alors cataloguées.3 En 2026, l’institut recensait plus de 3,4 millions d’utilisateurs de cette base dans 190 pays.4 Les experts auront noté qu’il ne s’agit pas de mesures réalisées en laboratoire, mais cela reste des représentations utilisables pour orienter les expériences et rechercher, par exemple, où un médicament pourrait agir.

Il ne s’agit pas tant d’accélérer la recherche, même si, de fait, c’est ce qui se passe, mais surtout de l’orienter. En effet, disposer d’une piste avant de commencer change radicalement la nature de ce qu’on ose chercher. Des questions trop coûteuses à explorer peuvent par conséquent devenir aujourd’hui abordables. Même si AlphaFold n’est pas un outil permettant de tout comprendre du fonctionnement d’une protéine, il représente quand même une avancée importante. AlphaFold 2 prédit notamment des structures statiques, pas, par défaut, les changements de forme qui accompagnent leur activité.5 On pourrait se risquer à dire qu’AlphaFold est au vivant ce que le projet ArtCraft est à Adobe : une approche permettant à des personnes compétentes, assistées d’outils puissants, de comprendre et de déchiffrer des systèmes complexes (toutes proportions gardées).

Hassabis, d’ailleurs, dans cette même publication de 2022, proposait de voir la biologie comme un système de traitement de l’information extraordinairement complexe, auquel l’IA pourrait être particulièrement adaptée.3 Sa proposition n’est évidemment pas à prendre pour argent comptant, mais elle a le mérite (ou pas) de nous donner envie d’imaginer ce qu’on pourrait comprendre du vivant dans dix ans, au-delà de frontières qui nous semblaient jusque-là infranchissables.

De la compréhension à la conception, il y a un pas qu’AlphaGenome propose d’aider à franchir. Présenté en 2025, ce modèle prédit certains effets des modifications de l’ADN sur l’activité des gènes. Ses auteurs envisagent ainsi de guider la conception d’ADN capable, par exemple, d’activer un gène dans des cellules nerveuses, mais pas musculaires. C’est une application de recherche envisagée, pas un résultat thérapeutique : partir d’une fonction souhaitée, puis chercher quelle organisation biologique pourrait la produire. Dit comme ça, c’est un peu abscons, mais en gros, ça élargit sensiblement le champ des possibles dans le domaine de la génétique.6

Et si l’intelligence améliorait aussi le laboratoire ?

Qu’est-ce qu’on ne saura pas faire demain grâce aux « superintelligences » ? Les puissants, les chercheurs, et aussi vous et moi ? Je parle bien sûr d’IA aux capacités scientifiques très supérieures aux nôtres, pas simplement des assistants actuels avec une nouvelle étiquette. À entendre les réactions de Cédric Villani et d’Hugo Duminil-Copin aux avancées récentes en mathématiques, on mesure déjà l’ampleur du bouleversement ! On parle d'un bouleversement pour la discipline, à en faire pleurer Duminil-Copin, devant les résultats revendiqués par OpenAI (dont la vérification représente elle-même un travail monumental).7

Logiquement, on peut admettre qu'on peut d'ores et déjà, au minimum, identifier des corrélations dans l'énorme bassin de données scientifiques existantes. A terme, pourquoi pas concevoir des molécules ou des fonctions biologiques !

Et c’est là que ça devient intéressant : Avec de meilleures observations, on pourrait mieux nourrir les modèles et, de fil en aiguille, on pourrait apprendre, au hasard, à réparer le corps humain ou ralentir certaines dégradations liées à l’âge. Et si la singularité n’était plus une perspective aussi lointaine ? Dans The Singularity Is Nearer, publié en 2024, Ray Kurzweil reprend son pari : une intelligence artificielle de niveau humain en 2029, puis une fusion croissante entre nos capacités biologiques et celles des machines, jusqu’à la singularité qu’il situe toujours en 2045.8 Avec, dans l’intervalle, l’espoir de repousser les limites du vieillissement. De quoi regarder autrement les dix prochaines années !

Reste à savoir avec quels outils. Dans un entretien de mai 2026, Yann LeCun rappelle que les LLM sont très utiles pour manipuler le langage, le code ou les mathématiques, mais qu’ils ne constituent pas, selon lui, la voie vers une intelligence de niveau humain. Il travaille sur des modèles du monde capables d’apprendre le fonctionnement du réel et de prévoir les conséquences d’une action. Ça replace l’ambition sur l’ensemble de la recherche, depuis la question jusqu’à l’expérience, et pas uniquement sur une machine qui devinerait tout sans rencontrer le réel.9

Reprendre la main, mais avec les moyens de qui ?

Quelques acteurs concentrent aujourd’hui une grande partie des moyens de calcul et de développement de l’IA, et il y a fort à parier que ceux qui contrôleront les moyens de tester et de produire pèseront aussi sur les maladies à étudier et les personnes qui recevront ces soins expérimentaux. Le vivant pourrait devenir plus accessible à leur intelligence, mais pas au plus grand nombre. Et si nous ne pouvions jamais vérifier les réponses des grands acteurs en situation d’oligopole, faute de posséder nos propres outils, la dépendance serait aussi une dépendance de savoir. C’est un des enjeux de l’open source.

Au final, rien n’est une fatalité. La base ouverte AlphaFold montre qu’un progrès peut être largement partagé. Oui, des systèmes d’intelligence artificielle plus puissants pourraient contribuer à rendre les instruments moins coûteux et les résultats plus faciles à expliquer, mais sans une diffusion à grande échelle des moyens d’observer, de vérifier et d’intervenir, on ne saurait s’approcher réellement d’une promesse scientifique à l’image de la liberté retrouvée par Gathin et la TV de ses chers parents.

Et quand bien même, la réussite d’une telle entreprise ouvrirait d’autres questions dont les implications seraient loin d’être triviales : prolonger la vie en bonne santé serait une conquête immense, certes. Mais réservée uniquement à certains, cette possibilité ne ferait qu’accentuer la polarisation de nos sociétés. Et quand bien même l’IA pourrait nous éclairer quant à la bonne marche à suivre, elle ne saurait supprimer les problèmes inhérents au partage des richesses et du savoir.

De la même manière, un organisme conçu pour remplir une fonction agricole pourrait réussir sa tâche tout en perturbant le milieu où il serait introduit. Les personnes qui décident d’intervenir aujourd’hui ne sont pas nécessairement celles qui en subiront toutes les conséquences.

Quel pari sur l’avenir ?

J’ai toujours été aussi mauvais en prospective que pour les paris sportifs. Du coup, je ne parie jamais. J’aimerais pourtant parier sur un vivant beaucoup plus compréhensible et sur l’éradication des maladies de Parkinson, d’Alzheimer et d’autres maladies neurodégénératives, car cette capacité croissante à déchiffrer des systèmes complexes en donne l’espoir (ou l’illusion). AlphaFold apporte un appui scientifique à cette ambition de compréhension, et si rien ne prouve que les prévisions d’un Kurzweil ou d’un Hassabis se réaliseront, la complexité actuelle ne suffit plus à clore la discussion face aux progrès récents des systèmes d’intelligence artificielle.

Une chose est sûre, il faudra que les moyens de tester, de produire et de vérifier soient partagés équitablement, à défaut de quoi mon « nous saurons faire » désignera surtout ce que d’autres sauront faire pour nous, ou sur nous, mais pas nous. Le meilleur des mondes est-il encore si loin de nous ? Tout dépend duquel on parle !

Sources et références

  1. Gathin, témoignage « (Re)introducing CleanYourTV » ; site CleanYourTV et dépôt officiel du projet. ↩

  2. ArtCraft, catalogue des applications et PhotoCraft : présentation, méthode et limites. Christian Hintze, Photoshop, Premiere & more: Experienced Rust developer recreates Adobe suite with AI assistance as open source, Notebookcheck, 8 octobre 2026. ↩

  3. Demis Hassabis, AlphaFold reveals the structure of the protein universe, DeepMind, 28 juillet 2022. ↩ ↩

  4. EMBL-EBI, Millions of protein complexes added to AlphaFold Database shed light on how proteins interact, 2026, page mise à jour le 19 mai 2026. EMBL-EBI est l’Institut européen de bioinformatique, rattaché au Laboratoire européen de biologie moléculaire. ↩

  5. EMBL-EBI, Strengths and limitations of AlphaFold 2. ↩

  6. Žiga Avsec et Natasha Latysheva, AlphaGenome: AI for better understanding the genome, Google DeepMind, 25 juin 2025 ; documentation officielle AlphaGenome. ↩

  7. Franceinfo, « J’en ai même pleuré » : pourquoi les progrès de l’intelligence artificielle plongent les mathématiciens dans « une crise existentielle », octobre 2026. ↩

  8. Ray Kurzweil, The Singularity Is Nearer: When We Merge with AI, 2024. Voir aussi son entretien de 2025 avec Manoush Zomorodi, TED Radio Hour, NPR, où il maintient 2029 pour l’intelligence artificielle générale et expose sa perspective de fusion avec les machines. ↩

  9. Yann LeCun, entretien avec Jacob Effron, Ep 86: Yann LeCun on Leaving Meta, Breaking The LLM Paradigm, & Why Hinton is Wrong, Unsupervised Learning, 15 mai 2026. Transcription publique du début de l’entretien : utilité et limites des LLM vers 2 min 25, langage, code et mathématiques vers 3 min 19, puis recherche sur les modèles du monde. ↩