Micro-réacteur nucléaire transporté par avion - Actualités Technologiques (23 févr. 2026)

On commence par l’énergie, parce que c’est devenu le nerf de la guerre de l’IA. Les analystes le répètent: entre la production et la capacité d’acheminement, les réseaux électriques peinent à suivre la multiplication des nouveaux data centers. Et même quand l’électricité arrive, il y a des pertes structurelles: aux États‑Unis, l’administration de l’énergie estime en moyenne les pertes transport‑distribution autour de 5% par an — et c’est parfois davantage ailleurs. Autrement dit, à l’échelle des hyperscalers, ce n’est pas un détail.

Dans ce contexte, Microsoft met en avant une piste plutôt ambitieuse pour la distribution électrique à l’intérieur — et autour — des data centers: remplacer une partie du cuivre par des câbles supraconducteurs HTS. L’idée est simple sur le papier: le cuivre résiste, chauffe, et impose des limites en intensité; un supraconducteur, lui, peut transporter un courant massif avec une résistance quasi nulle… à condition de rester très froid. « Haute température » dans ce domaine veut dire: moins extrême que les supraconducteurs historiques, mais toujours cryogénique. Microsoft a investi 75 millions de dollars dans Veir, qui travaille sur des conducteurs à base de rubans REBCO — un film céramique supraconducteur déposé sur un support métallique, puis renforcé pour devenir utilisable sur le terrain. Veir propose un refroidissement en boucle fermée à l’azote liquide, une ressource relativement abondante et déjà courante en industrie. Le frein reste le coût: matériaux, cryogénie, intégration. Leur argument, c’est que ça devient intéressant là où l’espace, le poids, la chute de tension et la chaleur sont les vraies contraintes — exactement le profil des campus IA qui cherchent à densifier toujours plus.

Et puisqu’on parle d’énergie « transportable », voici le fait du jour: le Département de la Défense américain a réalisé ce qu’il présente comme une première mondiale logistique — l’acheminement aérien d’un réacteur nucléaire complet de 5 MW. Le 15 février 2026, trois C‑17 ont transporté un micro‑réacteur Ward250, non alimenté en combustible, découpé en huit modules, dans le cadre du programme Janus et d’une opération baptisée Windlord. Le message est clair: démontrer qu’on peut déplacer un réacteur modulaire comme un équipement standard, le reconstituer, le charger en combustible, et le mettre en service rapidement — avec un objectif d’exploitation dès le 4 juillet 2026, selon l’article. Techniquement, on parle d’un réacteur à gaz haute température, refroidi à l’hélium, utilisant du combustible TRISO à base de HALEU. L’enjeu, au‑delà du militaire, c’est aussi la résilience: moins dépendre de chaînes d’approvisionnement en carburant longues et vulnérables, et disposer d’une production stable dans des sites isolés.

On enchaîne avec un autre moteur de transformation: les agents logiciels. Stripe publie une deuxième note très concrète sur ses « minions », des agents de code capables de travailler de bout en bout sans supervision constante. Chiffre marquant: plus de 1 300 pull requests par semaine seraient aujourd’hui entièrement produites par ces agents — des humains relisent et valident, mais n’écrivent pas le code. Le point clé, c’est l’infrastructure. Stripe s’appuie sur des environnements de développement standardisés, des “devboxes” sur AWS EC2, isolés et remplaçables, conçus pour laisser un agent automatisé manipuler un dépôt sans exposer l’ordinateur d’un ingénieur ni des identifiants sensibles. Et Stripe veut des devboxes prêtes en une dizaine de secondes grâce à un pool préchauffé: dépôts clonés, caches prêts — y compris pour Bazel et la vérification de types — et services de fond déjà lancés. Côté orchestration, Stripe parle de “blueprints”: une sorte de machine à états qui mélange des étapes déterministes — linters, push — et des boucles plus flexibles — implémenter une tâche, réparer la CI. Cela réduit le coût en tokens et augmente la fiabilité. Stripe mentionne aussi MCP, le Model Context Protocol, et un serveur interne baptisé Toolshed qui répertorie près de 500 outils. Mais, volontairement, les minions n’en voient qu’un petit sous‑ensemble par défaut, avec des garde‑fous de sécurité et des environnements QA sans données réelles.

Dans la même veine, GitHub présente une idée en préversion: des “Agentic Workflows” qui exécutent des agents de code directement dans GitHub Actions. L’objectif: automatiser des tâches de maintenance — tri d’issues, analyse d’échecs CI, documentation, tests — via des workflows décrits en Markdown plutôt qu’un labyrinthe de YAML. GitHub insiste sur les garde‑fous: lecture seule par défaut, et toute action d’écriture passe par des sorties « sûres » et explicitement approuvées. C’est encore tôt, mais on voit la direction: une couche de “Continuous AI” qui vient compléter la CI/CD classique, pas la remplacer.

Et du côté d’OpenAI, un portrait de l’équipe Codex décrit une organisation « AI-native »: peu de hiérarchie, peu de réunions, et une utilisation de l’IA dans presque tout — du tri du feedback à l’onboarding, jusqu’aux refactorings avec sous‑agents. Détail qui frappe: une équipe d’environ 40 personnes soutenue par… un seul product manager et deux designers, avec un PM qui s’appuierait sur Codex pour absorber le flux et arbitrer en temps réel. Le tableau général, c’est celui d’équipes plus petites, mais augmentées par des boucles outillées et rapides.

Justement, MCP devient un point de friction: plus on a d’outils, plus on « mange » la fenêtre de contexte. Cloudflare propose une approche radicale avec son nouveau serveur MCP pour toute l’API Cloudflare: au lieu d’énumérer des milliers d’opérations, l’agent n’a que deux outils — search() et execute(). Il écrit du JavaScript contre un SDK typé, exécuté dans un environnement isolé, et l’OpenAPI complet n’est jamais injecté dans le contexte du modèle. Cloudflare avance un chiffre: pour une API de très grande taille, on passerait à peu près à une empreinte fixe autour de 1 000 tokens, là où un serveur MCP « natif » détaillant chaque opération monterait à plus d’un million de tokens. Le tout avec sandbox, permissions OAuth 2.1 ajustées, et des restrictions d’exécution pour limiter fuites de données et prompt injection. C’est une tendance intéressante: moins de descriptions en langage naturel, plus de code exécutable et contrôlé.

Parlons maintenant de perception et d’adoption. Un article souligne un contraste: l’industrie présente l’IA comme une révolution imminente — « la nouvelle électricité », voire « plus grand que le feu » — mais le public reste méfiant, et les entreprises ne voient pas toujours l’impact. Des sondages cités évoquent des craintes existentielles chez une part notable des répondants, et une réticence à payer plus pour des fonctions « IA ». Même côté productivité, une enquête du NBER rapporterait que 80% des entreprises ne constatent pas d’effet sur productivité ou emploi. Et pourtant, la course continue. Google a prévisualisé Gemini 3.1 Pro, orienté raisonnement multi‑étapes, avec une progression marquée sur des benchmarks de raisonnement abstrait. Le signal ici n’est pas seulement un nouveau modèle: c’est l’effort pour faire de l’IA une couche de résolution de problèmes, plus agentique, plus intégrée aux outils — des notebooks à l’entreprise, jusqu’aux API pour développeurs.

Cette accélération technologique amène aussi des questions sociales plus lourdes. Un nouveau livre, What We Inherit, met en garde contre la commercialisation d’outils génétiques — notamment les scores polygéniques — et leurs usages potentiels, jusqu’au tri d’embryons. Le rappel est important: ces scores sont probabilistes, souvent peu précis, et encore moins fiables hors populations européennes, car les jeux de données sont majoritairement européens. Le livre pointe deux mythes persistants: celui du « destin génétique », qui isole abusivement gènes et environnement, et celui de la « race », qui imagine des catégories biologiques nettes là où la réalité est faite d’ascendances qui se recouvrent. L’inquiétude centrale: une sélection d’embryons qui s’installerait « par la porte de derrière » via le marketing, avec des gains réels faibles et incertains, mais un risque d’inégalités renforcées — voire d’une classe « optimisée » surtout par l’accès, pas par une biologie miraculeuse. Dans beaucoup de pays, ces pratiques sont interdites ou strictement encadrées; aux États‑Unis, l’article décrit un terrain plus flou, souvent rangé dans le “wellness”.

On termine avec l’espace — et une bonne nouvelle pour les robots. NASA a mis à jour Perseverance avec une capacité de localisation autonome sur Mars. Pas de satellites de navigation là‑bas, donc historiquement les rovers combinent odométrie, images et confirmations depuis la Terre. Problème: les erreurs s’accumulent, et sur de longs trajets, le rover peut douter de sa position à des dizaines de mètres, au point de s’arrêter en attendant une vérification. Le nouveau logiciel, Mars Global Localization, fait correspondre des panoramas pris par le rover avec des cartes de terrain orbitales embarquées, et calcule sa position en environ deux minutes avec une précision annoncée autour de 25 centimètres. Résultat attendu: des trajets quotidiens plus longs, moins d’arrêts prudents, et plus de science par sol. C’est un pas de plus vers l’exploration autonome — surtout après une démonstration récente où un trajet avait été planifié par IA générative.

Toujours en orbite, l’Allemagne affirme vouloir renforcer sa posture de défense spatiale. L’idée est double: moderniser une flotte de satellites jugée vieillissante, et bâtir une dissuasion crédible, y compris via des moyens non cinétiques — brouillage, “dazzling” — qui dégradent des capacités sans forcément détruire un satellite. Berlin parle aussi résilience et communications, avec SATCOMBw Stage 4, et regarde de près les constellations en orbite basse, plus difficiles à neutraliser qu’un petit nombre de gros satellites. Enfin, côté industrie spatiale, un essai sur SpaceX insiste sur une explication moins “personnage” et plus “système”: verticalisation, standardisation et réutilisation comme machine à réduire le coût par kilo en orbite. Le texte rappelle l’écart: cadence de lancement très élevée, boosters réutilisés de nombreuses fois, et un effet d’apprentissage qui rend la marche difficile à suivre pour les concurrents.

Avant de conclure, un rappel utile sur les risques des agents… en production. Un commentaire relayant des informations du Financial Times explique que des outils « IA » internes chez AWS auraient été impliqués dans au moins deux incidents, dont un où un outil aurait supprimé puis recréé un environnement de façon inattendue, avec une panne rapportée de 13 heures. Le débat ici est très concret: l’automatisation agentique n’est pas toujours déterministe, et plus on empile de complexité sur des systèmes déjà immenses, plus le risque opérationnel monte — surtout si les permissions et les garde‑fous ne sont pas au cordeau.