Moonshot AI réoriente Kimi du code vers la science : analyse de gènes en 90 minutes au lieu de 4 heures
Moonshot AI constate que les modèles ne progressent presque plus vite en programmation et réoriente Kimi vers la biologie et la pharma. L'assistant BioMaster, qui repose sur Kimi K3.1 Pro, a analysé en 90 minutes les données de 3 696 cellules de souris et signalé 100 gènes candidats. Un humain y consacrerait environ quatre heures. C'est comme confier à une IA le premier tri des logs et laisser les conclusions à l'ingénieur. À ce stade, l'IA ne fait pas de découvertes sans l'humain.
Traité par IA depuis The Decoder ; édité par Hamidun News
La start-up chinoise Moonshot AI, qui développe la famille de modèles de langage Kimi, a décidé de quitter la course aux meilleurs résultats en programmation. Dans ce domaine, chaque nouvelle amélioration coûte de plus en plus cher, pour un gain à peine visible sur les tests. L'entreprise oriente donc Kimi vers la biologie, la chimie et la recherche pharmaceutique.
Un exemple concret existe déjà : l'assistant de recherche BioMaster, dans lequel la société pékinoise DP Technology a intégré le modèle Kimi K3.1 Pro, a analysé en 90 minutes les données génétiques de 3 696 cellules de pancréas de souris et signalé 100 gènes candidats. D'après les estimations, un humain aurait eu besoin d'environ quatre heures pour le même travail.
Imaginez un développeur dont l'IA a dépouillé en une heure et demie, au lieu de quatre, un énorme volume de logs et isolé une centaine d'endroits suspects : un humain devra quand même tous les vérifier, mais le point de départ arrive bien plus vite. Pour ceux qui construisent des produits sur des LLM, c'est un signal sur la direction que pourrait prendre la prochaine vague de demande.
Pourquoi Moonshot s'éloigne du code
Giacomo Ficari, directeur international de Moonshot AI, a déclaré au Web Summit de Lisbonne que la science exigeait des modèles plus intelligents que le droit, la finance ou la programmation. Le raisonnement : si un assistant pour le code ou les documents juridiques est déjà assez bon pour la plupart des tâches, les améliorations suivantes apportent de moins en moins de bénéfice visible. En recherche, la barre est plus haute, et il reste donc de la marge pour se démarquer des concurrents.
Il ne s'agit pas d'abandonner le code en tant que tel, mais de changer de priorité. La start-up parie que les problèmes scientifiques complexes deviendront un nouveau terrain d'essai et un nouveau marché pour Kimi.
Ce que BioMaster a réellement montré
Il faut bien comprendre ce qui a été accéléré. Le modèle n'a pas fait de découverte : il a passé au crible un jeu de données génétiques et proposé une liste de 100 candidats, que le biologiste vérifie ensuite lui-même. C'est le rôle habituel d'un assistant : prendre en charge le traitement préliminaire de routine et raccourcir le chemin vers une hypothèse pertinente. Le gain, de quatre heures à 90 minutes, soit plus d'un facteur deux, est appréciable, mais il provient d'un test unique et ne prouve pas que tout un laboratoire fonctionnerait ainsi. Le temps humain est ici une estimation, et non une mesure issue d'une comparaison contrôlée.
Où se situe le plafond, et pourquoi la pharma ne se précipite pas
Les percées entièrement autonomes de l'IA sont encore loin. Sur TCSExam, un benchmark de 100 problèmes d'informatique théorique, les meilleurs modèles ont produit des preuves vérifiables, mais n'ont résolu seuls aucune conjecture ouverte. Ils travaillent avec assurance là où le chemin est connu et ne sortent pas, pour l'instant, des limites du connu.
Les concurrents américains constatent des limites similaires. Claude, d'Anthropic, a trouvé en septembre un système enzymatique, mais les annonces d'OpenAI sur des percées en mathématiques et en physique ont suscité les critiques de mathématiciens : certains résultats sont impressionnants, mais les affirmations contestées ne sont pas moins nombreuses.
La pharma elle-même n'est pas convaincue. Selon un sondage Citi de juin auprès de 50 responsables de départements de recherche aux États-Unis, 72 % utilisent déjà largement l'IA, mais seulement 24 % s'attendent à ce qu'elle améliore sensiblement la part de réussite dans le développement de médicaments. L'IA est adoptée comme outil de travail, mais pas comme garantie que les médicaments arriveront plus souvent.
Ce que cela signifie en pratique
Premièrement, il ne faut pas compter que la qualité des modèles sur les benchmarks de code continue de progresser au même rythme : les développeurs eux-mêmes parlent d'un ralentissement. Deuxièmement, les assistants scientifiques spécialisés comme BioMaster semblent constituer une niche réaliste : domaine bien défini, métrique mesurable (les heures de travail d'un spécialiste) et données prêtes à l'emploi. Troisièmement, ces produits gagnent à être vendus comme des accélérateurs de tâches de routine, et non comme des « scientifiques automatiques » : c'est l'accélération qui a un effet vérifiable, et le scepticisme du secteur est confirmé par les chiffres du sondage.
Réserve : l'essentiel des informations provient de l'intervention d'un représentant de l'entreprise et de comptes rendus de presse, et le résultat de BioMaster repose sur un seul test, sans vérification indépendante. La direction n'en est pas moins révélatrice : la lutte pour le leadership dans les LLM glisse peu à peu de la question « qui écrit le mieux du code » vers « qui est le plus utile en science réelle ».
- 18 nov. 2026Une seule virgule chinoise a fait basculer DeepSeek en chinois dans 94% des réponses
- 18 nov. 2026Hugging Face route les requêtes LLM via OpenRouter : 46% d'erreurs de capacité en moins
- 18 nov. 2026Les modèles d'OpenAI réduisent de 10–13% la surface des blocs de Jalapeño et améliorent jusqu'à 14% le GPU d'AMD
- 18 nov. 2026Revolut accélère le développement de fonctionnalités de 30–60% et confie la vérification des paiements à un agent IA
Questions clés sur cet article
Pourquoi Moonshot s'éloigne du code?
Giacomo Ficari, directeur international de Moonshot AI, a déclaré au Web Summit de Lisbonne que la science exigeait des modèles plus intelligents que le droit, la finance ou la programmation. Le raisonnement : si un assistant pour le code ou les documents juridiques est déjà assez bon pour la plupart des tâches, les améliorations suivantes apportent de moins en moins de bénéfice visible. En recherche, la barre est plus haute, et il reste donc de la marge pour se démarquer des concurrents.
Que sait-on sur Ce que BioMaster a réellement montré ?
Il faut bien comprendre ce qui a été accéléré. Le modèle n'a pas fait de découverte : il a passé au crible un jeu de données génétiques et proposé une liste de 100 candidats, que le biologiste vérifie ensuite lui-même. C'est le rôle habituel d'un assistant : prendre en charge le traitement préliminaire de routine et raccourcir le chemin vers une hypothèse pertinente.
Que sait-on sur Où se situe le plafond, et pourquoi la pharma ne se précipite pas ?
Les percées entièrement autonomes de l'IA sont encore loin. Sur TCSExam, un benchmark de 100 problèmes d'informatique théorique, les meilleurs modèles ont produit des preuves vérifiables, mais n'ont résolu seuls aucune conjecture ouverte. Ils travaillent avec assurance là où le chemin est connu et ne sortent pas, pour l'instant, des limites du connu. Les concurrents américains constatent des limites similaires.
Test Frontier LLMs & Autonomous Agents in One Workspace
Run Claude Opus 5.5, GPT-6, Gemini 3.1, and DeepSeek side-by-side in Nomad AI (nomadnet.ai) — unified model routing, deep research, and multimodal workflows under one subscription.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.