Une main qui touche, un robot qui plonge, des chiffres qui mentent.

Une prothèse de main qui apprend enfin à distinguer la douceur du dur

Tenir un verre à vin sans le briser — c'est trivial pour vous, et ça reste l'un des défis majeurs de la prothétique depuis cinquante ans.

La main Hannes, développée à Gênes, est l'une des prothèses myoélectriques les plus avancées du marché. Elle attrape. Mais jusqu'ici, elle ne « sentait » rien. Une équipe vient d'y intégrer des capteurs piézoélectriques — de petits éléments qui génèrent un signal électrique quand on les comprime, comme le mécanisme d'un briquet à gaz qui produit une étincelle sous la pression — et un réseau de neurones entraîné à interpréter ces signaux en temps réel. Résultat concret : 64 capteurs couvrent les doigts et la paume. L'algorithme distingue la dureté d'un objet saisi avec 91,4 % de précision en moins d'un quart de seconde. Un retour électrotactile — une légère stimulation sur la peau du bras — signale ensuite à l'utilisateur ce que la main « perçoit ». Pourquoi ça compte ? La différence entre attraper et toucher, c'est un peu celle entre fermer les yeux et passer de gros gants de ski : vous pouvez tenir un objet, mais vous avez perdu toute l'information sur ce qu'il est. Cette équipe ne résout pas tout, mais elle montre qu'un réseau de neurones embarqué sur un dispositif de la taille d'une main peut, en temps réel, transformer du bruit électrique en information tactile utile. Le hic : les tests ont eu lieu en laboratoire, avec des objets de dureté standardisée et des conditions contrôlées. La vraie vie — une tasse froide, un verre de vin, un tournevis — est bien plus complexe. La question du confort au port prolongé reste entière. C'est un premier pas solide, pas encore la main bionique des films de science-fiction.

Un robot sous-marin autonome cartographie les zones vivantes des récifs coraliens

Explorer un récif coralien en plongée, c'est regarder par le trou d'une serrure — lent, local, et impossible à répéter à grande échelle.

Une équipe de chercheurs a déployé un véhicule sous-marin autonome sur deux sites coraliens — Joel's Shoal et Lameshur Bay — avec une mission : localiser et cartographier les zones de forte activité biologique, les « hotspots », sans intervention humaine en temps réel. Le robot combine deux capteurs : une caméra orientée vers le bas qui compte les poissons via un algorithme de détection d'objets (YOLO, l'équivalent d'un logiciel de reconnaissance faciale mais pour les poissons), et un hydrophone — un microphone sous-marin — qui identifie les appels acoustiques de poissons. En croisant cette carte sonore avec une carte de rugosité du récif (les zones les plus accidentées sont les plus riches en cachettes), l'engin identifie automatiquement où la vie se concentre. Neuf expériences de navigation autonome ont été conduites, dont un suivi de barracuda en temps réel. Pourquoi ça compte ? Surveiller des écosystèmes sous-marins manuellement est lent, coûteux, et difficile à reproduire d'une saison à l'autre. Un robot peut couvrir des surfaces bien plus grandes, avec des données comparables entre missions. C'est la promesse d'un suivi écologique que des plongeurs humains ne peuvent pas assurer à l'échelle nécessaire face au blanchissement des coraux. Le hic, et il est réel : ce que nous avons ici, c'est un dépôt de données sur Zenodo accompagnant un article de Science Robotics. Les chiffres précis — taux de détection, performances du suivi autonome — sont dans le papier complet, que je n'ai pas pu consulter directement. Je simplifie donc sur la base des métadonnées disponibles. Neuf expériences, c'est prometteur ; ce n'est pas encore un système validé pour des déploiements à grande échelle.

97 % de précision cardiaque grâce à l'IA — mais les données sont en grande partie inventées

96,89 % de précision pour diagnostiquer des arythmies cardiaques avec un dispositif portable — le genre de chiffre qui circule vite sur LinkedIn.

Une équipe propose ECG-GenoNet : un système qui combine quatre sources de données — un électrocardiogramme, des marqueurs génomiques, une échographie et des analyses de sang — pour diagnostiquer automatiquement des arythmies cardiaques. Le modèle a été entraîné sur la base MIT-BIH, une référence de 47 patients et 3 533 segments d'ECG. Les chiffres annoncés sont spectaculaires : jusqu'à 96,89 % de précision. Sauf qu'il y a un problème fondamental dans la cuisine. Trois des quatre modalités — les données génomiques, les données d'échographie, les analyses de sang — ont été entièrement générées de manière synthétique, avec des valeurs délibérément corrélées aux classes de diagnostic. Imaginez tester si votre recette de tarte aux cerises est bonne, mais en utilisant des cerises en plastique dont la couleur indique déjà exactement leur saveur. Évidemment, la tarte « réussit ». Il y a aussi un problème de découpe : les données d'entraînement et de test ont été séparées au niveau des segments individuels, pas des patients. Des segments du même patient peuvent donc se retrouver des deux côtés de la barrière — le modèle a potentiellement simplement mémorisé certains patients. C'est ce qu'on appelle la fuite de données. Pourquoi en parler quand même ? Parce que c'est exactement le type de papier qui circule vite. Apprendre à lire un chiffre d'AUC comme on lit une étiquette nutritionnelle — en regardant d'abord les ingrédients — est une compétence utile. La conception du modèle (un VAE multi-expert) est réellement intéressante. Mais sans données réelles pour chaque modalité et sans validation externe, ces résultats ne disent rien de ce que ferait le système dans une vraie clinique.

Ces trois histoires parlent de la même tension : l'IA qui essaie de fonctionner dans le monde physique, et tout ce que ça coûte en termes de données réelles, de capteurs fiables, et d'environnements non coopératifs. La prothèse montre que c'est faisable en temps réel, embarqué dans un dispositif tenu dans la main. Le robot récifal montre que c'est faisable dans l'un des milieux les plus hostiles qui soit. Et ECG-GenoNet nous rappelle que la promesse ne suffit pas : sans données réelles pour chaque modalité, sans validation sur une cohorte externe, les chiffres impressionnants ne franchissent pas les murs d'un hôpital. Ce n'est pas du catastrophisme. C'est juste que les vrais obstacles ne sont plus algorithmiques — ils sont dans les capteurs, dans les données de terrain, dans la validation rigoureuse. L'IA physique avance. Mais elle avance centimètre par centimètre, et c'est exactement comme ça que ça devrait marcher.

La conférence ICRA 2026 (International Conference on Robotics and Automation) se tient en ce moment même — c'est le bon endroit pour voir si des résultats quantitatifs sur le robot récifal de Science Robotics seront présentés ou discutés. Pour les prothèses, la question ouverte qui m'intéresse : est-ce que les utilisateurs finaux — les personnes amputées — trouvent le retour électrotactile utile au quotidien, ou est-ce qu'il se retrouve désactivé après quelques semaines ? C'est ce genre d'étude d'usage réel qui manque systématiquement à ce stade.

• Physionet — Base MIT-BIH Arrhythmia Database (référence standard pour l'évaluation des modèles cardiaques)
• Science Robotics — journal source du papier sur le robot récifal
• Wikipédia — Prothèse de membre (contexte sur l'état actuel de la prothétique)