En 2026, le paysage de l'intelligence artificielle à Hong Kong présente une dynamique d'« explosion à haute densité ». Si le plan de subvention de 3 milliards de dollars HK pour la puissance de calcul, mentionné le mois dernier dans le budget, a injecté un coup de fouet à l'industrie, les percées académiques majeures et les dialogues industriels de haut niveau qui se sont succédé ces derniers jours marquent une accélération de l'IA à Hong Kong, passant de la phase de « construction des infrastructures » à celle de « mise en application » en eaux profondes.
Hier (3 mars), alors que la plupart des observateurs du marché avaient encore les yeux rivés sur l'inflation de la puissance de calcul de la dernière génération de GPU de NVIDIA, ou sur le dernier modèle générique à paramètres impressionnants publié par OpenAI, l'équipe dirigée par le professeur Guo Yike, vice-recteur en chef de HKUST, a fait l'effet d'une bombe dans les milieux académiques et industriels — GrainBot.
Ce n'est pas seulement une nouvelle boîte à outils d'IA ; c'est un exemple type de passage de l'« IA pour la Science » (AI4S) du concept à la mise en œuvre industrielle. En tant qu'observateur de longue date des domaines de la technologie quantitative et de la technologie de pointe (Deep Tech), je considère que l'émergence de GrainBot indique que le centre de gravité du développement de l'IA à Hong Kong est en train de passer du « dialogue générique » à la « découverte verticale ». Pour les professionnels de la finance, comprendre la logique derrière GrainBot, c'est comprendre où se trouve l'Alpha des investissements dans les technologies de pointe pour les cinq prochaines années.
(Source de l'image : analyticalscience.wiley.com)
Pour comprendre la valeur de GrainBot, nous devons d'abord comprendre les « points sensibles » de la science des matériaux.
En amont de la fabrication de pointe, comme les semi-conducteurs, les batteries pour énergies nouvelles ou les panneaux photovoltaïques, les performances des matériaux déterminent souvent la vie ou la mort d'un produit. Et ces performances — qu'il s'agisse de la conductivité électrique, de la résistance ou de la résistance à la corrosion — dépendent largement de leur microstructure, c'est-à-dire de la taille, de la forme et de la distribution des « grains ». Pendant longtemps, les scientifiques des matériaux ont été comme des artisans armés de loupes. Ils utilisaient des microscopes électroniques à balayage (MEB) ou des microscopes à force atomique (AFM) pour prendre des milliers d'images, puis comptaient sur des doctorants ou des chercheurs pour identifier, décrire et annoter manuellement les limites de chaque grain, ce qui prenait des centaines d'heures. Non seulement cela était très inefficace, mais cela était aussi entaché d'erreurs subjectives humaines.
L'émergence de GrainBot équivant essentiellement à doter le microscope d'un « cerveau de conduite autonome de niveau 4 ».
Selon les dernières recherches publiées dans la revue phare de Cell Press, « Matter », GrainBot utilise des algorithmes avancés de vision par ordinateur (CV) et d'apprentissage profond pour effectuer automatiquement la segmentation d'images, l'extraction de caractéristiques et l'analyse quantitative. Il n'a plus besoin d'intervention humaine pour identifier avec précision les limites des grains et calculer des paramètres géométriques complexes tels que la surface, la géométrie des rainures ou le volume des convexités/concavités.
Plus important encore, GrainBot n'est pas qu'un simple « compteur ». Il possède une capacité d'analyse corrélative, lui permettant de relier directement ces données microstructurales aux performances macroscopiques des matériaux. Dans le cadre de la validation sur des films de pérovskite aux halogénures métalliques — un matériau clé pour les cellules solaires de nouvelle génération à haut rendement — GrainBot a réussi à construire une base de données contenant des milliers de grains annotés, révélant des relations structure-performance auparavant difficiles à quantifier. Une déclaration du professeur Guo Yike lors de la présentation était particulièrement visionnaire : « Alors que les flux de travail scientifiques deviennent plus automatisés et riches en données, ce type de boîte à outils deviendra le moteur clé des futurs 'laboratoires autonomes'. »
Pour le capital-investissement, l'émergence de résultats comme GrainBot signifie que nous devons réajuster nos modèles d'évaluation des projets d'IA. Au cours des deux dernières années (2024-2025), l'engouement du marché pour l'IA s'est concentré principalement sur les « modèles génériques de grande taille » et les « SaaS de couche application ». Sa logique d'évaluation reposait principalement sur le MAU (utilisateurs actifs mensuels), l'ARR (revenu annuel récurrent) et la consommation de tokens. Cependant, avec la diminution de l'effet marginal des modèles génériques, le capital commence à chercher de nouveaux relais de croissance. L'IA pour la Science (AI4S) offre une logique totalement différente : sa valeur ne réside pas dans le « nombre de personnes servies », mais dans la « réduction des cycles de R&D » et le « nombre de nouveaux matériaux découverts ».
Prenez GrainBot par exemple : s'il peut réduire le cycle de R&D des cellules solaires à pérovskite de 3 ans à 6 mois, ou aider CATL (Contemporary Amperex Technology Co. Limited) à découvrir un nouveau matériau de cathode augmentant la densité énergétique de 10 %, la valeur économique générée serait exponentielle.
C'est une logique de « propriété intellectuelle industrielle ». Les futures licornes de l'IA ne seront peut-être plus des entreprises développant des chatbots, mais plutôt des « laboratoires numériques » maîtrisant les données et algorithmes clés de domaines verticaux spécifiques (comme les matériaux, les biotechnologies, la chimie) et capables de produire en masse des technologies brevetées.
Dans cette logique, l'avantage des universités de Hong Kong est considérablement amplifié. Contrairement à l'écosystème de la Silicon Valley dominé par les ingénieurs logiciels, Hong Kong possède une densité extrêmement élevée d'experts en science des matériaux, chimie et biomédecine. La percée de HKUST est le résultat d'une intersection profonde entre l'informatique (l'équipe du professeur Guo Yike) et le génie chimique (l'équipe du professeur Zhou Yuanyuan). Cette combinaison « IA + Connaissances du domaine » constitue un rempart difficile à reproduire pour les pure players du web.
GrainBot n'est pas un cas isolé. Si nous élargissons notre perspective, nous verrons que Hong Kong est en train de construire un nouveau paradigme de recherche basé sur les « laboratoires autonomes ». Un laboratoire autonome utilise la robotique et l'IA pour automatiser l'ensemble du processus : conception expérimentale, exécution, analyse des données et optimisation itérative. Dans cette boucle fermée, l'IA (comme GrainBot) est responsable de « voir » et de « penser », tandis que les robots sont responsables de « faire ». Cette tendance a une signification profonde pour la transformation structurelle de l'économie de Hong Kong. Longtemps considérée comme un centre financier et un port de commerce, Hong Kong était souvent perçue comme ayant « un pied boiteux » en matière de R&D de technologies de pointe. Cependant, avec l'avènement de l'ère AI4S, la forme de la R&D change — elle devient plus numérique, plus intelligente. Hong Kong n'a pas besoin de vastes terrains pour construire des usines comme le continent chinois ; elle doit simplement utiliser au mieux son infrastructure de calcul et ses cerveaux scientifiques de premier plan pour devenir l'exportateur mondial de « toutes sortes de formulations de nouveaux matériaux ».
Imaginez le futur Hong Kong Science Park : il pourrait non seulement abriter des bureaux, mais aussi des centaines de « laboratoires sans personnel » fonctionnant 24h/24 et 7j/7. Ils ingèrent constamment des données, analysent les résultats via des outils comme GrainBot, ajustent automatiquement les paramètres expérimentaux et, finalement, produisent des formulations brevetées à haute valeur ajoutée. Ces formulations pourraient être licenciées aux sites de production de la Grande Baie pour la fabrication. C'est la version 2.0 du « R&D à Hong Kong + Fabrication dans la Grande Baie ».
Bien sûr, en tant qu'observateurs rationnels, nous ne pouvons ignorer les problèmes et les risques potentiels.
Le plus grand goulot d'étranglement pour l'IA pour la Science reste les données. Contrairement aux textes massifs d'Internet utilisés pour entraîner ChatGPT, les données scientifiques de haute qualité (comme des images de microscope parfaitement annotées) sont extrêmement rares. Le succès de GrainBot est dû aux efforts considérables déployés par l'équipe pour construire le jeu de données initial de haute qualité. De plus, « l'effet silo » des données scientifiques est plus grave que sur Internet. Les données de chaque entreprise de matériaux, de chaque laboratoire, sont confidentielles. La mise en place d'un mécanisme de partage de données sécurisé (peut-être en combinant le Web3 ou les technologies de calcul confidentiel), permettant aux modèles d'IA de « se nourrir de multiples sources », est la clé de la prochaine étape de commercialisation.
Au printemps 2026, alors que nous nous tenons sur le campus de HKUST et regardons la baie de Clear Water, nous ne voyons pas seulement un paysage, mais aussi un changement de génération dans le paradigme de la recherche.
La publication de GrainBot symbolise la poignée de main parfaite entre « l'esprit hacker » (itération rapide, pilotage par algorithme) et « l'esprit artisanal » (observation fine, travail méticuleux des matériaux). Pour les investisseurs, l'accent ne devrait plus se limiter à qui possède le plus de cartes graphiques NVIDIA, mais plutôt à qui peut utiliser l'IA pour résoudre les problèmes les plus concrets du monde physique.
Sur cette nouvelle piste, Hong Kong a pris un bon départ. GrainBot n'est peut-être qu'un début. En dehors du champ du microscope, un marché de la découverte de matériaux par IA de billions de dollars se déploie progressivement.
