Le Zhejiang étend son initiative AI-for-Science à la recherche, à l’industrie et aux services publics

Le Zhejiang a relancé ses efforts pour intégrer l’intelligence artificielle à la recherche scientifique, malgré un large écart entre les ambitions politiques et les résultats vérifiés. Une dépêche de 36Kr diffusée par RSSHub a mis en lumière le soutien de la province aux modèles fondamentaux scientifiques et aux découvertes assistées par l’IA dans plusieurs disciplines.

L’annonce donne l’impression d’un nouveau tournant politique. Il est plus juste de la considérer comme le dernier signal d’un programme déjà déployé à travers plusieurs niveaux de la planification provinciale. En 2025, le Zhejiang a publié un plan d’action dédié à l’IA pour la science, avant de renforcer cette orientation dans son programme gouvernemental de 2026.

L’enjeu réel n’est donc pas une nouvelle déclaration de soutien gouvernemental à l’IA. Le Zhejiang cherche à transformer sa concentration exceptionnelle de développeurs de modèles, d’universités, de laboratoires, de fabricants et de communautés open source en une infrastructure de recherche partagée.

Cette stratégie fait apparaître une tension vérifiable. Les documents de politique publique promettent un accès étendu, une collaboration ouverte et une accélération des découvertes scientifiques. Les progrès réels dépendront d’un travail difficile sur les données de recherche, les capacités de calcul, la validation scientifique, la sécurité et les incitations à coopérer entre institutions.

La dépêche RSSHub-36Kr reflète un programme politique plus vaste

Le dernier titre est important, car il relie le programme économique du Zhejiang à un plan de mise en œuvre de l’IA pour la science déjà existant.

La dépêche indique que les dirigeants de la province soutiennent l’utilisation de l’IA dans la découverte scientifique et l’innovation technologique. Elle décrit également un programme plus large d’« IA Plus » couvrant l’industrie, la consommation, la culture, les services publics et la gouvernance sociale.

RSSHub est le canal de diffusion associé à l’article, tandis que 36Kr est la plateforme de publication. Aucune de ces deux organisations n’est à l’origine de la politique. L’acteur concerné est le gouvernement provincial du Zhejiang, et le programme en question dépasse largement le cadre d’une simple mise à jour médiatique.

Cette distinction est importante pour les lecteurs qui arrivent via le mot-clé principal rsshub 36kr. La dépêche fournit un signal événementiel concis, mais elle ne présente ni l’historique complet de la politique, ni ses objectifs, ni les questions de mise en œuvre encore non résolues.

Le plan d’action scientifique du Zhejiang a été publié en juillet 2025 par douze départements provinciaux. Il couvre la période allant de 2025 à 2027.

Le plan définit l’IA pour la science comme l’utilisation de l’intelligence artificielle pour soutenir la recherche scientifique et accélérer les découvertes. Il se concentre sur trois priorités provinciales : l’intelligence artificielle, la santé et les sciences de la vie, ainsi que les nouveaux matériaux et l’énergie.

D’ici 2027, le Zhejiang souhaite mettre en place les fondations informatiques, de données et de modèles nécessaires à la recherche assistée par l’IA. Ces différents niveaux sont liés, mais chacun soulève un problème de mise en œuvre distinct.

L’infrastructure informatique fournit la capacité de traitement nécessaire à l’entraînement des modèles, à l’exécution de simulations et à l’analyse de jeux de données scientifiques. L’infrastructure de données couvre la collecte, la gouvernance, l’annotation, l’accès et la réutilisation des données entre organisations.

L’infrastructure de modèles désigne les modèles fondamentaux scientifiques. Ces systèmes sont entraînés sur des informations propres à chaque domaine et adaptés à des tâches telles que la prédiction moléculaire, la conception de matériaux ou l’analyse de la littérature scientifique.

La province s’est fixé plusieurs objectifs mesurables pour 2027. Elle prévoit de développer au moins quatre modèles fondamentaux scientifiques et de créer au moins huit scénarios d’application de référence.

Le plan prévoit également plus de vingt cas représentatifs liés à la propriété intellectuelle des données scientifiques. Il vise à soutenir plus de 1 000 entreprises technologiques dans le cadre du programme plus large.

Ces objectifs rendent l’initiative plus concrète que ne le laisse entendre la courte dépêche. Ils offrent également un moyen de distinguer les infrastructures déjà achevées des annonces promotionnelles.

Le rapport de travail 2026 du Zhejiang ajoute un autre niveau. Il soutient le développement de modèles fondamentaux scientifiques au Zhejiang Lab ainsi que la création d’une communauté internationale open source autour de ModelScope.

Le rapport appelle également à mettre en place des scénarios intégrés dans l’industrie manufacturière, les transports et les services publics. Cela montre que le Zhejiang considère les modèles scientifiques comme une composante d’un système régional d’IA plus vaste.

La province ne part pas d’une carte institutionnelle vierge. Hangzhou accueille d’importants acteurs du développement de modèles, du cloud computing, du commerce électronique, de la robotique et de la recherche.

Cependant, la concentration géographique ne produit pas automatiquement de collaboration scientifique. Les laboratoires, les entreprises, les hôpitaux et les universités stockent souvent leurs données selon des règles techniques, juridiques et institutionnelles incompatibles.

Le premier défi de la politique est donc la coordination. Le Zhejiang doit transformer des organisations proches géographiquement en un réseau de recherche fonctionnel, sans affaiblir les normes scientifiques ni les protections légitimes des données.

La politique d’IA du Zhejiang met les infrastructures de recherche sous pression

Le plan du Zhejiang exerce la pression la plus forte sur les institutions de recherche qui contrôlent des données précieuses, mais ne disposent d’aucune incitation à les rendre réutilisables.

L’IA scientifique repose sur bien plus que des modèles de langage généralistes. Les chercheurs ont besoin de jeux de données de qualité, d’outils spécialisés, d’expériences reproductibles et d’experts capables d’identifier des résultats plausibles, mais incorrects.

Un modèle de matériaux ne peut pas produire de découvertes utiles à partir de mesures incohérentes auxquelles manquent les conditions expérimentales. Un modèle biomédical ne peut pas combiner des données hospitalières en toute sécurité sans règles claires en matière de confidentialité, de consentement et de contrôle des accès.

Les objectifs de la province en matière de données reconnaissent une partie du problème. Toutefois, le décompte des cas de propriété intellectuelle liés aux données ne permet pas de savoir si les scientifiques peuvent réellement découvrir, comprendre et réutiliser les informations sous-jacentes.

Les données de recherche sont souvent produites dans des formats conçus pour un laboratoire ou un instrument particulier. Les métadonnées peuvent être incomplètes, la terminologie peut varier et les résultats expérimentaux négatifs peuvent ne jamais être versés dans des dépôts partagés.

Ces limites affectent la qualité des modèles. Un modèle fondamental scientifique peut reproduire les lacunes et les biais de ses données d’entraînement, même lorsque ses résultats semblent techniquement sophistiqués.

Le problème s’aggrave lorsque les institutions considèrent les données comme un actif stratégique. Les universités recherchent la reconnaissance liée aux publications, les entreprises protègent leurs secrets commerciaux, les hôpitaux protègent les informations des patients et les laboratoires se livrent concurrence pour obtenir des financements.

La stratégie open source du Zhejiang tente de réduire certains de ces obstacles. Les modèles ouverts peuvent limiter la dépendance à un fournisseur unique et permettre aux chercheurs d’inspecter ou de modifier certaines parties d’un système.

L’accès ouvert n’élimine pas les coûts. Les chercheurs ont toujours besoin de ressources informatiques, d’ingénierie des données, d’évaluations menées par des spécialistes, de cybersécurité et de personnel capable de maintenir les modèles une fois le projet pilote terminé.

Les petites entreprises sont confrontées à la même tension. L’accès aux poids des modèles peut réduire les barrières logicielles, mais l’exécution d’un système spécialisé peut toujours nécessiter du matériel coûteux et des compétences scientifiques rares.

La province a déjà associé le développement de l’IA aux communautés open source et à des mécanismes de soutien. Les programmes locaux ont notamment inclus des bons de calcul et des subventions en jetons pour certains développeurs.

De telles mesures peuvent aider les équipes à lancer des expérimentations. Elles ne garantissent pas qu’un prototype survivra aux procédures d’achat, à l’examen réglementaire, à l’intégration ou à une validation indépendante.

La pression s’exercera également sur les financeurs de la recherche. Ils devront décider s’il faut soutenir de nouvelles plateformes d’IA, des projets scientifiques individuels, des jeux de données partagés ou des travaux de réplication.

Le financement de modèles visibles peut produire des annonces rapides. Le financement du nettoyage des données, de la conception de benchmarks et de la documentation des expériences infructueuses est moins médiatique, mais crée souvent une valeur scientifique plus durable.

Les universités doivent elles aussi revoir leurs mécanismes d’incitation. Les chercheurs sont généralement récompensés pour leurs articles, leurs brevets, leurs subventions et leurs citations, et non pour la maintenance de jeux de données ou l’évaluation du modèle d’une autre équipe.

Une politique efficace du Zhejiang en matière d’IA doit corriger ce décalage. Dans le cas contraire, les institutions annonceront des collaborations tout en conservant les pratiques qui empêchent un véritable partage.

Les développeurs doivent vérifier si la province publie des interfaces techniques, des règles de licence, des jeux de données de référence et des protocoles d’évaluation. Ces détails détermineront si des équipes extérieures peuvent participer.

Les acheteurs du secteur doivent rechercher des preuves que les modèles fonctionnent entre différentes institutions. Les performances au sein d’un seul laboratoire disent peu de choses sur la fiabilité du système avec d’autres instruments, d’autres populations ou d’autres conditions d’utilisation.

Les travailleurs du savoir devraient s’y intéresser, car le même problème d’infrastructure se retrouve dans les organisations ordinaires. L’IA devient plus utile lorsque les informations sont structurées, traçables, à jour et reliées à leur contexte d’origine.

La pression ne concerne donc pas uniquement les scientifiques. Le Zhejiang cherche à déterminer si une politique régionale peut coordonner le travail informationnel peu visible, mais indispensable au fonctionnement d’une IA utile.

Les modèles fondamentaux scientifiques ont besoin de plus qu’un accès ouvert

Le compromis central est clair : le Zhejiang veut un accès étendu aux modèles, mais la fiabilité scientifique exige des contrôles plus stricts que le déploiement ordinaire de chatbots.

Les modèles fondamentaux scientifiques apprennent des régularités à partir de vastes ensembles de données de recherche. Ils peuvent ensuite soutenir des tâches spécialisées grâce à l’adaptation, à l’utilisation d’outils ou à des connexions avec des systèmes expérimentaux.

Dans la recherche sur les matériaux, un modèle peut classer des composés candidats avant leur synthèse en laboratoire. En médecine, il peut organiser la littérature ou repérer des tendances à soumettre à un examen clinique approfondi.

Dans le domaine de l’énergie, les modèles peuvent contribuer aux prévisions, à la simulation et à l’optimisation des systèmes. En sciences de la Terre, ils peuvent traiter des observations qui dépasseraient les capacités de l’analyse manuelle.

Ces usages peuvent réduire les coûts de recherche et aider les chercheurs à hiérarchiser les expériences. Ils ne transforment pas pour autant les résultats d’un modèle en preuves scientifiques.

Une prédiction ne devient utile qu’après une validation appropriée. Selon le domaine, celle-ci peut nécessiter des expériences contrôlées, des jeux de données externes, des mesures physiques, une évaluation par les pairs ou des essais cliniques prospectifs.

Cela crée une tension directe avec le déploiement rapide. Les programmes publics récompensent souvent le nombre de modèles, de projets pilotes, d’utilisateurs ou d’entreprises participantes.

La science, elle, valorise les preuves qui résistent aux tentatives de réfutation. Un modèle largement déployé peut néanmoins être scientifiquement fragile si les équipes ne testent pas ses hypothèses et ses modes de défaillance.

L’accès open source peut améliorer l’examen critique, car davantage de chercheurs peuvent inspecter les composants et reproduire les résultats. Il peut également diffuser des systèmes avant que des dispositifs de protection et une documentation adéquate ne soient disponibles.

La bonne comparaison ne se situe pas entre l’ouvert et le fermé pris isolément. Elle oppose plutôt une infrastructure transparente et testable à des systèmes dont les limites restent mal définies.

Le Zhejiang a des raisons pratiques de privilégier l’ouverture. La province regroupe de grandes entreprises technologiques, des fabricants de plus petite taille, des universités et des développeurs indépendants disposant de capacités techniques très différentes.

Une couche commune de modèles et d’outils peut réduire le travail redondant. Des composants partagés peuvent également aider les petites organisations à adapter des systèmes de recherche sans devoir tout entraîner depuis le début.

La province doit toutefois définir ce que recouvre le terme « ouvert ». Les poids des modèles, le code d’entraînement, la documentation des jeux de données, les résultats d’évaluation, les licences et les rapports de sécurité offrent des formes d’accès différentes.

Publier les poids sans documenter les données d’entraînement limite l’interprétabilité scientifique. Publier un benchmark sans cas d’échec représentatifs peut donner une confiance trompeuse.

Il existe également un risque d’optimisation des métriques. Les équipes peuvent ajuster les systèmes pour obtenir de bonnes performances lors d’évaluations publiques sans améliorer leur fiabilité dans des contextes de recherche inhabituels.

Une évaluation indépendante devient essentielle. Les concepteurs des tests devraient être séparés sur le plan organisationnel des développeurs de modèles lorsque les résultats influencent le financement, les achats ou les déclarations publiques.

Des recherches récentes étayent cette prudence. Un benchmark de sécurité en laboratoire a évalué dix-neuf modèles avancés de langage et de vision-langage sur des tâches liées à la sécurité scientifique.

Aucun des modèles évalués n’a dépassé 70 % de précision dans l’identification des dangers. L’étude portait sur 765 questions à choix multiple, 404 scénarios réalistes et 3 128 tâches ouvertes.

Ces résultats ne remettent pas en cause la recherche assistée par l’IA. Ils montrent pourquoi un modèle fluide ne devrait pas contrôler des procédures de laboratoire à conséquences importantes sans supervision experte ni dispositifs de sécurité spécialisés.

Une analyse des risques distincte décrit les vulnérabilités touchant les modèles, la planification, les outils, les actions et la mémoire. Ces risques deviennent plus sérieux lorsque les systèmes d’IA peuvent agir sur des expériences physiques.

Les erreurs factuelles peuvent orienter les chercheurs vers des hypothèses invalides. Les défaillances des outils peuvent corrompre les analyses, tandis que des agents mal contrôlés peuvent effectuer des actions dépassant le périmètre prévu.

Les données scientifiques sensibles constituent une autre source d’exposition. Les dossiers biomédicaux, les procédés chimiques propriétaires et les découvertes non publiées peuvent être divulgués en raison de contrôles d’accès insuffisants ou des interactions avec les modèles.

Le plan du Zhejiang nécessite donc un modèle de gouvernance à plusieurs niveaux. L’assistance bibliographique à faible risque ne devrait pas être soumise aux mêmes contrôles que l’expérimentation chimique ou biologique autonome.

La supervision humaine doit rester réelle. Un scientifique qui se contente d’approuver une recommandation opaque sans disposer du temps ni des éléments nécessaires pour l’évaluer n’assure pas une surveillance efficace.

La traçabilité est tout aussi importante. Les chercheurs devraient pouvoir identifier les données, la version du modèle, les prompts, les outils et les transformations à l’origine d’un résultat.

Sans cette trace, les équipes ne peuvent ni reproduire les résultats ni enquêter sur les défaillances. L’IA scientifique devient alors un générateur de résultats plutôt qu’un instrument de recherche fiable.

Le langage employé dans la politique de la province soutient la découverte scientifique, mais il ne devrait pas être interprété comme la preuve que les modèles de fondation scientifiques découvrent déjà des connaissances validées.

Ces modèles sont des candidats au rôle d’infrastructure. Leur valeur dépendra des normes d’évaluation, de la qualité de la documentation, de leur intégration aux expériences et de la volonté de publier les résultats négatifs.

La promesse d’une découverte accélérée se heurte à un agenda de recherche plus étroit

L’IA peut accroître la production scientifique tout en concentrant discrètement l’attention sur les questions que les données existantes rendent les plus faciles à étudier.

C’est le risque le plus important absent d’un simple résumé rsshub 36kr. Accélérer la recherche ne produit pas automatiquement une science plus vaste ou plus originale.

Les systèmes d’IA sont plus performants lorsque les données d’entraînement sont abondantes, numérisées et compatibles. Cela peut orienter les ressources vers des domaines établis aux résultats mesurables.

Les problèmes liés à des pathologies rares, à des matériaux inhabituels, à des archives incomplètes ou à des expériences physiques coûteuses risquent de recevoir moins d’attention. Leurs données fournissent des signaux plus faibles aux modèles actuels.

Les chercheurs peuvent également converger vers les mêmes outils et jeux de données. Lorsque de nombreuses équipes utilisent le même modèle de fondation, ses présupposés peuvent influencer les hypothèses qui semblent prometteuses.

Une étude de Nature publiée en 2026 a examiné la recherche augmentée par l’IA à partir d’un vaste corpus d’articles en sciences naturelles. Elle a constaté une hausse de l’impact scientifique, parallèlement à une contraction du champ des recherches.

La leçon n’est pas que les scientifiques devraient éviter l’IA. C’est que les indicateurs de productivité peuvent masquer une diminution de la diversité des questions explorées.

Les objectifs du Zhejiang mettent l’accent sur les modèles, les scénarios d’application, les cas de données et les entreprises accompagnées. Ces indicateurs mesurent l’activité, mais pas entièrement l’originalité scientifique.

La province devrait également déterminer si les systèmes financés produisent des hypothèses inédites, des réplications indépendantes, des résultats négatifs utiles et des découvertes dans des domaines sous-représentés.

La diversité scientifique exige davantage que des sorties de modèles diversifiées. Elle suppose que différentes institutions, méthodes, jeux de données et traditions intellectuelles puissent conserver un espace pour le désaccord.

Cette question est directement liée au financement. Si les subventions privilégient les projets produisant rapidement des résultats générés par l’IA, les chercheurs pourraient éviter les questions plus lentes associées à des jeux de données incertains.

Les achats peuvent créer une pression similaire. Les institutions peuvent se standardiser autour d’un seul modèle parce que son intégration est plus simple, même si d’autres approches renforceraient la résilience scientifique.

Les systèmes open source peuvent réduire la concentration entre les mains des fournisseurs. Pourtant, un écosystème officiellement ouvert peut tout de même se concentrer autour d’un modèle dominant, d’une plateforme cloud ou d’un benchmark.

La propre base technologique du Zhejiang rend cette préoccupation particulièrement pertinente. DeepSeek et Qwen donnent à la région des atouts reconnaissables dans le domaine des modèles, tandis que ModelScope fournit un canal de distribution et de collaboration.

Ces atouts peuvent accélérer l’adoption. Ils peuvent aussi rendre les institutions locales moins disposées à tester des architectures ou des méthodes de recherche fondamentalement différentes.

La réponse appropriée n’est pas la fragmentation artificielle. La province devrait soutenir l’interopérabilité, les benchmarks indépendants et les subventions comparant plusieurs approches techniques.

L’évaluation doit également inclure des experts du domaine qui ne construisent pas de modèles. Un modèle peut obtenir de bons scores techniques tout en produisant des résultats que les scientifiques jugent triviaux, dangereux ou impossibles à valider.

Les liens avec l’industrie manufacturière offrent une voie vers des tests plus robustes. La base industrielle du Zhejiang crée des environnements réels pour la recherche sur les matériaux, les procédés, l’énergie et le contrôle qualité.

Par exemple, la province a créé en mars 2026 une alliance pour l’IA et l’industrie des nouveaux matériaux. Ses objectifs annoncés comprennent une base de données provinciale sur les matériaux et au moins trois modèles de conception.

L’alliance prévoit également de soutenir au moins vingt projets de recherche et de commercialisation. Ces projets peuvent vérifier si les modèles partagés dépassent le stade des démonstrations pour s’inscrire dans un travail industriel reproductible.

La commercialisation n’est pas synonyme de réussite scientifique. Les environnements opérationnels mettent néanmoins au jour des problèmes liés à l’incohérence des données, aux variations des équipements, à la latence, à la maintenance et à l’adoption par les utilisateurs.

Les meilleures preuves combineront des mesures scientifiques et opérationnelles. Un modèle utile pour les matériaux devrait améliorer la sélection des candidats tout en préservant la traçabilité et en fonctionnant dans différents établissements.

La réplication indépendante est ici essentielle. Les résultats rapportés par un développeur de modèle ou une entreprise participante devraient être considérés comme des affirmations tant que d’autres équipes ne les ont pas reproduits.

La même exigence s’applique aux projets pilotes soutenus par les pouvoirs publics. Le soutien officiel peut fournir des ressources et faciliter la coordination, mais il ne peut remplacer la vérification scientifique.

Il existe également une concurrence régionale plus large. Shanghai, le Jiangsu, le Guangdong et d’autres juridictions chinoises développent leurs propres programmes et plateformes d’application consacrés à l’IA pour la science.

Cette concurrence peut susciter davantage d’expérimentations. Elle peut aussi favoriser les objectifs d’affichage et la duplication des infrastructures au détriment de normes compatibles et de données probantes partagées.

L’avantage du Zhejiang ne viendra pas de l’annonce d’un modèle supplémentaire. Il viendra de la capacité à démontrer que les institutions de recherche et les entreprises peuvent réutiliser des systèmes validés au-delà des frontières organisationnelles.

Cette issue reste incertaine. Les documents actuels définissent une orientation, des échéances et des objectifs chiffrés, mais fournissent peu de preuves publiques sur les performances interinstitutionnelles.

Les lecteurs doivent donc distinguer trois étapes : l’engagement politique, le déploiement opérationnel et la contribution scientifique validée. Le Zhejiang a clairement atteint la première et progresse dans la deuxième.

La troisième étape exige des preuves publiées. Sans elles, le nombre de modèles et les annonces de projets pilotes restent des indicateurs d’activité, et non des preuves de découvertes.

Ce qu’il faut surveiller après le titre de la dépêche RSSHub 36Kr

Trois signaux montreront si le Zhejiang construit une infrastructure scientifique ou assemble une collection de projets pilotes d’IA éphémères.

Le premier signal sera constitué par les preuves techniques publiques relatives aux modèles de fondation scientifiques de la province. L’objectif fixé par le Zhejiang pour 2027 — au moins quatre modèles — crée une échéance claire.

Surveillez la publication de fiches détaillées sur les modèles, de descriptions des jeux de données, de licences, de méthodes d’évaluation, de cas d’échec et de réplications indépendantes. Une annonce de modèle dépourvue de ces éléments offre peu de bases pour une évaluation scientifique.

Des preuves provenant de plusieurs institutions renforceraient l’argumentaire en faveur de la politique menée. Si les bonnes performances ne sont rapportées que par le développeur, le problème central de la vérification resterait entier.

Le deuxième signal sera de savoir si les huit scénarios d’application de benchmark prévus dépassent le stade des démonstrations financées. Les cas les plus solides relieront les modèles à de véritables expériences ou à des systèmes opérationnels.

Recherchez une utilisation répétée, des gains de recherche mesurés et une adoption en dehors de l’équipe du projet initial. Un projet pilote qui s’achève avec sa subvention affaiblirait les affirmations concernant une infrastructure partagée.

La recherche sur les matériaux constitue un test précoce utile. Le Zhejiang dispose déjà d’une demande industrielle, d’organismes de recherche, de développeurs de modèles et d’une nouvelle alliance destinée à coordonner les données et la commercialisation.

Les sciences de la vie constitueront un test plus exigeant, car la confidentialité, la sécurité et les preuves cliniques augmentent le coût des erreurs. Les progrès dans ce domaine devront être évalués avec davantage de prudence.

Le troisième signal sera de savoir si le Zhejiang publie des règles opérationnelles concernant l’accès aux données et leur attribution. Les vingt cas de propriété intellectuelle liés aux données prévus par le plan d’action constituent un point de départ.

Des règles utiles doivent préciser qui peut accéder aux jeux de données scientifiques, dans quelles conditions et avec quels contrôles d’audit. Elles doivent également définir la reconnaissance et la rémunération des contributeurs de données.

Si les institutions peuvent partager des informations sans perdre leur reconnaissance ni leurs droits commerciaux légitimes, la couche de données pourra s’étendre. Si les règles restent floues, les jeux de données de valeur resteront isolés.

Ces signaux doivent être interprétés ensemble. Les modèles ne peuvent pas progresser sans données accessibles, et les scénarios d’application ne peuvent pas passer à l’échelle sans modèles dignes de confiance.

Le titre de la dépêche rsshub 36kr constitue donc un signal utile, et non une preuve définitive. Il attire l’attention sur une expérience provinciale à la portée institutionnelle exceptionnellement large.

Pour les développeurs, la question immédiate est de savoir si le Zhejiang publiera des composants que des acteurs extérieurs pourront tester et étendre. L’accès doit inclure de la documentation, et pas seulement des fichiers téléchargeables.

Pour les acheteurs professionnels, la question clé est celle de la portabilité. Un système qui ne fonctionne qu’au sein d’une démonstration subventionnée crée un risque d’intégration plutôt qu’une capacité réutilisable.

Pour les chercheurs, la question décisive est celle de la valeur scientifique. Des revues bibliographiques ou des classements de candidats plus rapides sont utiles, mais ils ne remplacent ni les hypothèses originales ni les résultats validés.

Pour les travailleurs du savoir, l’expérience du Zhejiang offre une leçon plus large. Les performances de l’IA dépendent de la qualité, de la provenance, des autorisations et de la structure des connaissances qui entourent un modèle.

La province a fixé des objectifs chiffrés et intégré l’IA à son agenda d’innovation. Elle doit désormais fournir des preuves transparentes que ces objectifs produisent une capacité de recherche fiable.

Le Zhejiang publiera-t-il suffisamment de données d’évaluation pour permettre à des chercheurs externes de vérifier ses affirmations, ou les progrès resteront-ils principalement visibles à travers le nombre de modèles et les mises à jour des politiques ? C’est la question à suivre au-delà de la prochaine dépêche RSSHub 36Kr.