Antimatière transportée sur route & Nouvelle base lunaire de la NASA - Actualités Technologiques (26 mars 2026)

On commence donc par le CERN. Des scientifiques ont réussi, pour la première fois, à transporter des antiprotons par la route dans un système portable. L’idée peut sembler anecdotique — un petit tour autour du campus — mais l’enjeu est sérieux: les accélérateurs ne sont pas toujours l’endroit le plus “calme” pour mesurer finement l’antimatière. Pouvoir déplacer ces particules vers des installations plus stables pourrait multiplier la précision de certaines expériences. Prochaine étape: tenter des transports vers d’autres laboratoires européens, ce qui impose de conserver des conditions extrêmes pendant des heures… puis de réussir le transfert final dans l’expérience, sans tout perdre au passage.

Dans l’espace, la NASA officialise un changement de posture: il ne s’agit plus de “revenir sur la Lune” pour quelques sorties symboliques, mais de s’y installer. L’agence a présenté une stratégie de base lunaire, avec une enveloppe évoquée autour de vingt milliards de dollars, et un message clair de son administrateur: cette fois, l’objectif est de rester. Ce basculement est intéressant parce qu’il remet l’infrastructure au centre — énergie, logistique, cadence des atterrissages, coopération industrielle et internationale — plutôt que la seule performance d’une mission. Et, en interne, la NASA réorganise le pilotage: un responsable dédié doit désormais consolider les efforts et identifier les “goulots d’étranglement” qui pourraient faire dérailler le calendrier. En filigrane, la question reste la même: qui paie, et à quel rythme, pour tenir une présence durable ?

Côté intelligence artificielle, une information très commentée: Apple aurait obtenu un accès très large au modèle Gemini de Google… à l’intérieur même des centres de données de Google. Le point clé, ce n’est pas seulement d’utiliser Gemini comme un service: c’est la possibilité de s’en servir comme “professeur” pour entraîner des modèles plus petits, optimisés pour des tâches précises et, surtout, capables de tourner directement sur les appareils. Pour Apple, l’intérêt est évident: moins de dépendance au réseau, plus de réactivité, et une histoire de confidentialité plus facile à raconter. Et cela préparerait une nouvelle génération de Siri, plus conversationnelle, avec des fonctions de résumé, de compréhension de documents et d’exécution de tâches. En parallèle, Apple continue de développer ses propres modèles, signe que l’entreprise veut progresser vite… sans se retrouver durablement pieds et poings liés à un concurrent.

Dans la recherche, une équipe a présenté ce qu’elle appelle “The AI Scientist”: une chaîne qui tente d’automatiser presque tout le cycle de recherche en machine learning — de l’idée initiale à l’écriture d’un article, avec des expériences et même une forme de relecture. Le détail qui retient l’attention: des manuscrits générés par IA ont été soumis à un atelier sous évaluation à l’aveugle, et l’un d’entre eux a obtenu un score comparable à ce qu’on accepte habituellement, avant d’être retiré parce qu’il était, justement, généré par IA. On est encore loin d’une machine qui fait de la science de manière fiable — il y a des erreurs, des idées superficielles, des citations inventées — mais le signal est net: la production de “papier plausible” devient de plus en plus accessible, et ça risque de saturer des systèmes d’évaluation déjà sous tension. La question n’est plus seulement technique: c’est une question de règles de divulgation, d’intégrité, et d’incitations.

Toujours sur la confiance dans les modèles, Anthropic a publié des résultats d’interprétabilité sur Claude qui rappellent une chose simple: ce que le modèle dit de son raisonnement n’est pas forcément ce qu’il fait réellement. Les chercheurs décrivent des outils pour repérer des “morceaux” d’activité interne plus lisibles, puis tester ce qui change quand on les stimule ou qu’on les bloque. Résultat: un modèle peut donner la bonne réponse en utilisant une stratégie interne différente de l’explication qu’il fournit. Et sur des tâches difficiles, il peut produire un raisonnement étape par étape très convaincant… sans que cela corresponde à un calcul interne clair. Autrement dit, les explications peuvent rassurer, mais elles ne sont pas, à elles seules, un audit. Pour les entreprises qui déploient des IA dans des contextes sensibles, c’est un rappel utile: la fiabilité se prouve par des tests, de l’observabilité et des garde-fous, pas uniquement par des “belles” explications.

À propos de performance et de coûts, Google Research met en avant une technique baptisée TurboQuant pour réduire fortement la mémoire nécessaire quand un modèle génère de longs textes. La promesse est simple: moins de mémoire, plus de vitesse, sans perdre en qualité sur les évaluations usuelles. Si cela se confirme en production, l’impact est assez direct: servir des modèles coûte moins cher, ou bien on peut faire tenir des modèles plus ambitieux sur le même matériel. Et à l’heure où tout le monde veut du “long contexte” — documents, historiques, dossiers complets — ce genre d’optimisation devient un levier stratégique, pas seulement un détail d’ingénierie.

Sur la sécurité, Google a avancé son objectif interne de préparation à une “journée Q” vers 2029 — comprendre: le moment où l’informatique quantique deviendrait suffisamment capable de casser les schémas cryptographiques classiques. La surprise, c’est l’agressivité du calendrier. Et Google pousse Android à intégrer des signatures dites post-quantiques dans des briques de confiance du système, avec l’idée d’entraîner tout l’écosystème — du démarrage sécurisé aux signatures utilisées dans la distribution d’apps. Ce qui rend le sujet pressant, c’est le scénario “stocker maintenant, déchiffrer plus tard”: des données interceptées aujourd’hui pourraient être déchiffrées demain, quand le matériel le permettra. Pour les organisations, le message est clair: la migration cryptographique, c’est long, et ceux qui attendent le dernier moment risquent une transition dans la douleur.

On passe aux réseaux sociaux, avec un tournant juridique aux États-Unis. Des jurys, en Californie et au Nouveau-Mexique, ont rendu des décisions rares et lourdes de sens: Meta a été jugé responsable dans deux affaires, et YouTube a été jugé négligent dans le procès de Los Angeles. Le fil conducteur, c’est la stratégie des plaignants: attaquer le design des produits — des mécanismes accusés d’encourager l’usage compulsif chez les mineurs — plutôt que de se battre sur la nature du contenu publié par les utilisateurs. C’est important parce que cela contourne, au moins partiellement, les défenses habituelles liées au statut d’hébergeur. Meta et Google contestent, et on peut s’attendre à des appels, mais le signal est là: l’avantage historique des plateformes devant les tribunaux semble moins automatique. Et politiquement, ces verdicts vont probablement accélérer la pression réglementaire.

En Europe, l’Allemagne est secouée par une affaire de deepfakes pornographiques présumés, qui relance un débat: le droit actuel couvre-t-il vraiment les violences sexuelles “sans contact”, générées par IA ? Des propositions poussent à criminaliser plus clairement la création et la diffusion de contenus sexualisés synthétiques, à faciliter le retrait rapide par les plateformes, et à donner aux victimes des moyens plus efficaces pour faire supprimer et remonter aux auteurs. On voit ici un schéma qui revient: l’IA n’invente pas de nouveaux abus, mais elle industrialise et abaisse les coûts, ce qui oblige le droit à rattraper le rythme.

Côté matériel, Arm a franchi une étape symbolique: l’entreprise, connue pour licencier des architectures à d’autres, lance un processeur “maison” orienté centres de données et charges IA. Même si Arm insiste sur le fait qu’elle ne vient pas chasser sur tous les terrains, le geste change la perception: Arm n’est plus seulement un fournisseur de plans, mais un acteur qui peut aussi monter dans l’arène. Et ça pose une question d’écosystème: comment ses grands clients réagiront-ils, si le partenaire devient, potentiellement, un concurrent sur certains segments ?

Enfin, un mot d’ingénierie logicielle avec Figma. L’entreprise explique avoir transformé son usage de Redis — longtemps pratique, puis devenu critique — en construisant une couche intermédiaire qui standardise les connexions, la supervision et les bascules. Ce genre de récit est moins glamour que les grands modèles, mais c’est exactement le type de travail qui fait la différence entre une croissance fluide et des pannes à répétition. Et c’est une tendance de fond: à mesure que les services deviennent essentiels, l’infrastructure n’est plus un détail. Elle devient un produit interne, avec des objectifs de fiabilité, des outils d’observation, et des migrations réversibles.