Le secteur de l’intelligence artificielle à Hong Kong en 2026 affiche une explosion à haute densité. Si le plan de subvention de 3 milliards de HKD pour la puissance de calcul mentionné dans le budget du mois dernier a été comme un coup de fouet pour l’industrie, alors les récentes percées académiques majeures et les dialogues avec l’industrie de haut niveau, qui se sont succédé ces derniers jours, marquent une étape où l’IA à Hong Kong passe rapidement de la phase d’« infrastructure » à celle de « déploiement pratique » dans ses eaux profondes.
Hier (3 mars), alors que la plupart des observateurs du marché se concentraient encore sur l’inflation de la puissance de calcul du dernier GPU d’NVIDIA ou sur le lancement d’un nouveau modèle général à paramètres impressionnants par OpenAI, l’équipe dirigée par le professeur Guo Yike, vice-président principal de HKUST, a lancé une bombe dans le monde académique et industriel : GrainBot.
Ce n’est pas seulement une nouvelle boîte à outils pour l’IA, c’est un exemple typique de la transition de « l’IA pour la science » (AI4S) du concept à la concrétisation industrielle. En tant qu’observateur de longue date des secteurs de la technologie quantitative et de la Deep Tech, je pense que l’émergence de GrainBot marque un changement de centre de gravité dans le développement de l’IA à Hong Kong, passant du « chat généraliste » à la « découverte verticale ». Pour les professionnels de la finance, comprendre la logique derrière GrainBot, c’est saisir l’Alpha des investissements en technologies dures pour les cinq prochaines années.
(Source de l’image : analyticalscience.wiley.com)
Pour saisir la valeur de GrainBot, il faut d’abord comprendre les « points douloureux » de la science des matériaux.
Dans la haute technologie de fabrication, comme les semi-conducteurs, les batteries pour l’énergie nouvelle ou les panneaux photovoltaïques, la performance des matériaux détermine souvent le succès ou l’échec du produit. Et cette performance — qu’il s’agisse de conductivité, de résistance ou de résistance à la corrosion — dépend en grande partie de leur microstructure, c’est-à-dire de la taille, de la forme et de la distribution des « grains ». Depuis longtemps, les scientifiques des matériaux ressemblent à une troupe d’artisans munis de loupes. Ils utilisent des microscopes électroniques à balayage (SEM) ou des microscopes à force atomique (AFM) pour prendre des milliers d’images, puis, pendant des centaines d’heures, des doctorants ou chercheurs identifient, dessinent et annotent manuellement les frontières de chaque grain. Non seulement cette méthode est extrêmement lente, mais elle est aussi sujette à des erreurs subjectives humaines.
L’émergence de GrainBot revient à équiper le microscope d’un « cerveau autonome de niveau L4 ».
Selon les résultats de recherche récemment publiés dans la revue phare de Cell Press, « Matter », GrainBot utilise des techniques avancées de vision par ordinateur (CV) et d’apprentissage profond pour réaliser automatiquement la segmentation d’image, l’extraction de caractéristiques et l’analyse quantitative. Il n’a plus besoin d’intervention humaine pour identifier précisément les frontières des grains et calculer des paramètres géométriques complexes tels que la surface, la géométrie des rainures ou le volume des reliefs.
Plus important encore, GrainBot n’est pas simplement un « compteur ». Il possède une capacité d’analyse relationnelle, permettant de relier ces données microstructurales aux performances macroscopiques du matériau. Lors de tests sur une couche mince de pérovskite — un matériau clé considéré comme la prochaine génération de cellules solaires à haute efficacité — GrainBot a réussi à constituer une base de données contenant des milliers de grains annotés, révélant des relations structure-performance auparavant difficiles à quantifier. Lors de la conférence de presse, le professeur Guo Yike a fait une déclaration très visionnaire : « À mesure que les flux de travail scientifiques deviennent plus automatisés et axés sur les données, ce type d’outils deviendra le moteur clé des ‘laboratoires autonomes’ de demain. »
Pour le capital financier, l’émergence de résultats comme GrainBot signifie qu’il faut réviser 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 principalement concentré sur les « grands modèles généralistes » et les SaaS applicatifs. La logique d’évaluation reposait principalement sur le MAU (utilisateurs actifs mensuels), le ARR (revenu récurrent annuel) et la consommation de tokens. Cependant, avec la diminution des effets marginaux des modèles généralistes, les capitaux commencent à chercher de nouvelles sources de croissance. L’AI for Science (AI4S) propose 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 la découverte de nouveaux matériaux.
Prenons l’exemple de GrainBot : si cet outil peut réduire le cycle de développement des cellules solaires à base de pérovskite de 3 ans à 6 mois, ou aider CATL à découvrir un nouveau matériau cathodique avec une densité d’énergie supérieure de 10 %, la valeur économique générée serait exponentielle.
Il s’agit d’une logique « propriété intellectuelle industrielle ». Les futurs licornes de l’IA ne seront peut-être plus des entreprises développant des chatbots, mais celles qui maîtrisent des données et des algorithmes clés dans des domaines verticaux spécifiques (matériaux, biopharmacie, chimie), capables de produire en masse des brevets technologiques dans un « laboratoire numérique ».
Dans cette optique, l’avantage des universités hongkongaises est considérablement amplifié. Contrairement à la Silicon Valley, dominée par des ingénieurs logiciels, Hong Kong bénéficie d’une densité exceptionnelle d’experts en matériaux, chimie et biomédecine. La percée de HKUST est le résultat d’une collaboration profonde entre la science informatique (équipe de Guo Yike) et le génie chimique (professeur Zhou Yuanyuan). Cette combinaison de « IA + connaissance du domaine » constitue une barrière à la copie difficile à reproduire par des entreprises purement internet.
GrainBot n’est pas une exception. En élargissant la perspective, on constate que Hong Kong construit un nouveau paradigme de recherche basé sur des « laboratoires autonomes ». Ces laboratoires autonomes utilisent la robotique et l’IA pour automatiser entièrement la conception, l’exécution, l’analyse des données et l’optimisation itérative des expériences. Dans ce cycle fermé, l’IA (comme GrainBot) « voit » et « pense », tandis que les robots « font ». Cette tendance a des implications profondes pour la transformation économique de Hong Kong. Longtemps considéré comme un centre financier et portuaire, Hong Kong a souvent été perçue comme manquant de « jambes » dans la R&D en haute technologie. Cependant, avec l’avènement de l’ère AI4S, la forme même de la recherche et du développement change : elle devient plus numérique et intelligente. Hong Kong n’a pas besoin, comme la Chine continentale, de vastes terrains pour construire des usines ; il lui suffit d’exploiter ses infrastructures de puissance de calcul et ses cerveaux de recherche de premier ordre pour devenir un centre mondial d’« innovation en matériaux » et de formules de nouveaux composés.
Imaginez un futur où le parc scientifique de Hong Kong ne serait pas seulement constitué de bureaux, mais aussi de centaines, voire de milliers, de « laboratoires sans personnel » fonctionnant 24h/24 et 7j/7. Ces laboratoires ingurgitent continuellement des données, analysent les résultats avec des outils comme GrainBot, ajustent automatiquement les paramètres expérimentaux, et finissent par produire des formules brevetables de grande valeur. Ces formules pourraient être licenciées aux usines de la région de la Grande Baie pour une production en masse. C’est la version 2.0 de « R&D à Hong Kong + fabrication dans la région ».
Bien sûr, en tant qu’observateur rationnel, il ne faut pas non plus ignorer les problèmes et les risques.
Le principal obstacle à l’AI for Science reste les données. Contrairement à l’entraînement de ChatGPT avec une masse énorme de textes issus d’Internet, les données scientifiques de haute qualité (par exemple, des images microscopiques parfaitement annotées) sont extrêmement rares. La réussite de GrainBot repose aussi sur le fait que l’équipe a consacré beaucoup d’efforts à constituer un jeu de données initial de haute qualité. De plus, l’effet d’isolement des données scientifiques est encore plus marqué que sur Internet. Chaque entreprise de matériaux ou chaque laboratoire détient des données qui sont des secrets industriels. La question cruciale pour la commercialisation est de savoir comment établir un mécanisme de partage sécurisé des données (peut-être en combinant Web3 ou des techniques de calcul confidentiel) pour permettre aux modèles d’IA de « manger à tous les râteliers » et de grandir.
Au printemps 2026, lorsque nous serons sur le campus de HKUST, regardant la baie de Clear Water, ce que nous verrons ne sera pas seulement un paysage, mais aussi la génération suivante de paradigmes de recherche.
Le lancement de GrainBot symbolise la parfaite alliance entre « l’esprit hacker » (rapide itération, algorithmes) et « l’esprit artisanal » (observation minutieuse, façonnage des matériaux). Pour les investisseurs, l’attention ne doit plus se limiter à savoir qui possède le plus de cartes NVIDIA, mais à qui pourra utiliser l’IA pour résoudre les problèmes physiques les plus concrets.
Sur cette nouvelle voie, Hong Kong a déjà pris un bon départ. GrainBot n’est peut-être qu’un début : au-delà du champ de vision du microscope, un marché de la découverte de matériaux par IA, d’un trillion de dollars, se déploie lentement mais sûrement.
