Inria Chile reçoit 2,5 millions de dollars de Google.org pour développer un modèle IA dédié à l’océan

Inria Chile a été sélectionné par le Google.org Impact Challenge: AI for Science et recevra 2,5 millions de dollars pour développer MOFOMO, un modèle de fondation multimodal consacré à l’océan. Le projet doit agréger des données physiques, biologiques et génomiques afin de construire les briques d’un jumeau numérique de l’océan capable d’anticiper certains effets du changement climatique sur les écosystèmes marins.

Cette annonce compte parce que l’océan reste un angle mort majeur de la décision climatique, alors qu’il couvre plus de 70 % de la surface terrestre, absorbe l’essentiel de l’excès de chaleur lié au réchauffement et soutient des chaînes de valeur entières, de la pêche à l’aquaculture en passant par l’assurance et l’énergie offshore. Pour les acteurs de l’innovation, MOFOMO illustre une évolution stratégique de l’IA scientifique : passer de modèles génériques à des systèmes spécialisés, ouverts, évaluables et couplés aux lois physiques. La dotation n’est pas une levée de fonds, mais elle donne au projet des moyens significatifs pour structurer des données rares et fragmentées. Si les résultats sont au rendez-vous, ils pourraient accélérer la prévention des crises écologiques et économiques liées à la mer.

Un financement international pour un défi scientifique encore mal outillé

Le 14 octobre 2026, Inria a annoncé que son centre chilien faisait partie des 17 lauréats mondiaux du Google.org Impact Challenge: AI for Science, sélectionnés parmi plus de 3 000 candidatures issues de 30 pays. Inria Chile est la seule institution d’Amérique latine retenue dans ce programme, aux côtés d’universités et d’organismes de recherche internationaux. L’enveloppe attribuée, soit 2,5 millions de dollars, doit financer pendant 36 mois la construction de MOFOMO, pour Multimodal Ocean Foundation Models and Digital Twin.

L’enjeu dépasse la production d’un outil de recherche supplémentaire. Les données océaniques proviennent de satellites, de flotteurs autonomes, de campagnes en mer, de capteurs côtiers, d’images de plancton, de relevés chimiques ou encore de séquences génomiques. Elles sont souvent incomplètes, coûteuses à collecter, décrites avec des standards différents et difficiles à relier entre elles. Cette fragmentation limite la capacité à prévoir des phénomènes comme les efflorescences d’algues nuisibles, le blanchissement des coraux ou la dégradation de certaines pêcheries.

Pourquoi un modèle de fondation pour l’océan change l’approche

Un modèle de fondation est entraîné sur de grands volumes de données pour apprendre des représentations générales réutilisables dans plusieurs tâches. Dans le cas de MOFOMO, l’ambition est de combiner des observations très hétérogènes, par exemple la température, la salinité, les courants, les nutriments, la biodiversité ou les signatures génétiques, afin de produire une vision cohérente de l’état de l’océan. Le caractère multimodal est central : il s’agit d’éviter que chaque discipline travaille dans son propre silo de données.

Le projet ne mise pas seulement sur l’apprentissage statistique. Il prévoit de coupler l’IA à des modèles fondés sur la physique et l’écologie, ce qui est essentiel dans un domaine où les observations sont rares et où les prédictions doivent rester interprétables. Cette approche hybride vise à réduire les erreurs absurdes, à mieux quantifier l’incertitude et à rendre les résultats exploitables par des scientifiques, des autorités publiques et des entreprises exposées aux risques marins.

Des livrables prévus dès les premiers mois

La première phase, sur six mois, doit poser les fondations opérationnelles du programme. MOFOMO prévoit notamment un cadre de gouvernance, des accords de partage de données avec les partenaires, une version 0.1 d’un lac de données océaniques multimodal ouvert et la spécification d’un benchmark public. Ce benchmark est important : il doit permettre de comparer les performances de différents modèles d’IA appliqués à l’océan, avec des jeux de référence et des métriques partagées.

À l’issue des 36 mois, le consortium vise un ensemble plus complet : un lac de données harmonisé, le benchmark public, le modèle MOFOMO préentraîné à grande échelle, ainsi qu’une version hybride couplée à des modèles d’écosystèmes. Le projet prévoit aussi la publication du code, des poids du modèle et de la documentation sous licences permissives, un choix qui peut favoriser la réutilisation par des laboratoires, des start-up climat, des collectivités littorales et des industriels engagés dans la surveillance environnementale.

Deux cas d’usage orientés alerte précoce

MOFOMO doit déboucher sur deux services d’alerte précoce validés avec leurs utilisateurs finaux. Le premier concerne les efflorescences d’algues nuisibles, un risque particulièrement sensible pour l’aquaculture chilienne, qui peut entraîner des mortalités massives de poissons, des fermetures de zones de production et des pertes économiques importantes. Le second vise les récifs coralliens de Polynésie française, où la détection en amont des épisodes de stress thermique peut aider les gestionnaires à prioriser les mesures de protection.

Pour les marchés concernés, l’intérêt est concret. Les producteurs aquacoles peuvent mieux organiser leurs opérations, les assureurs affiner l’évaluation du risque, les pouvoirs publics déclencher des mesures de prévention et les acteurs de la conservation disposer d’indicateurs plus rapides. Un tel système ne remplace pas l’observation de terrain, mais il peut transformer des signaux dispersés en décisions plus précoces, à condition que la qualité des données et la calibration des incertitudes soient rigoureuses.

Un prolongement d’OcéanIA et un signal pour l’IA scientifique

MOFOMO s’inscrit dans la continuité d’OcéanIA, le défi de recherche d’Inria consacré à l’intelligence artificielle pour les sciences de l’océan. Inria Chile pilotera une équipe pluridisciplinaire répartie sur plusieurs continents, associant informatique, océanographie, biologie, génomique et modélisation physique. Cette organisation reflète une réalité souvent sous-estimée : dans les sciences du climat, la performance d’un modèle dépend autant de l’architecture d’IA que de la gouvernance des données, des protocoles de validation et du dialogue avec les utilisateurs.

Pour les entrepreneurs et directions innovation, ce projet montre où se déplacent les opportunités : infrastructures de données ouvertes, modèles spécialisés, outils d’aide à la décision, logiciels de simulation et services de surveillance environnementale. Il rappelle aussi une exigence clé pour toute IA appliquée à des systèmes critiques : la promesse commerciale ne suffit pas. Les modèles doivent être auditables, documentés, confrontés à des données indépendantes et capables d’expliquer leurs limites, surtout lorsqu’ils orientent des décisions touchant à la sécurité alimentaire, à la biodiversité et à l’adaptation climatique.