La vie sous-marine révélée par l’intelligence artificielle

Pourquoi l’intelligence artificielle (IA) se retrouve-t-elle mêlée à des coraux, des éponges et des plaines abyssales que presque personne ne verra jamais ? L’idée, assez simple, consiste à utiliser des algorithmes pour repérer et compter automatiquement des formes de vie dans des images et des vidéos sous-marines, afin de transformer un amas d’archives visuelles en connaissances exploitables.

Quelque part dans l’Atlantique Nord, à plus d’un kilomètre sous la surface, un récif de coraux d’eau froide s’étire sur un mont sous-marin qui n’apparaît même pas sur les cartes. Il pousse lentement, d’un centimètre ou deux par an, et sert d’abri et de garde-manger à des dizaines d’espèces. Il a traversé des âges glaciaires, mais sa survie face à la pêche industrielle, à l’exploitation minière des grands fonds et au changement climatique dépend aussi d’une chose très terre à terre : disposer de données pour prouver qu’il existe, et pour le protéger.

Imaginez une bibliothèque où des cartons entiers de photos et de films auraient été déposés pendant des années, sans que personne n’ait le temps de les trier. Les trésors sont là, mais “invisibles” faute de classement. L’IA joue alors le rôle d’un assistant documentaliste : elle ouvre les cartons, repère des motifs récurrents, colle des étiquettes, et permet enfin de retrouver rapidement ce qui compte.

Pourquoi l’océan profond reste-t-il un angle mort ?

Depuis deux décennies, des véhicules sous-marins robotisés et autonomes filment les fonds marins à grande échelle. Le paradoxe, c’est que cette abondance d’images crée un goulot d’étranglement : moins de la moitié de ces archives auraient été analysées. Et la raison est pratique, pas théorique : une seule plongée peut demander deux mois de travail à un analyste humain entraîné. Multipliez ce délai par des milliers de plongées, et l’on comprend pourquoi tant d’informations restent “verrouillées”.

La promesse, portée par un projet comme Deep Vision, consiste à “relire” ces archives à la vitesse des machines. L’enjeu n’est pas de produire une jolie carte pour la forme : il s’agit de dresser, à partir de milliers d’heures de séquences, des cartes complètes d’écosystèmes marins vulnérables à l’échelle d’un bassin entier. Ce basculement de méthode est au cœur de l’exploration des grands fonds, parce qu’il relie directement science descriptive et décisions de protection.

Comment une IA “voit” des coraux et des éponges ?

Le principe est moins mystérieux qu’il n’y paraît. Une IA n'”observe” pas comme un biologiste : elle repère des régularités dans des pixels. On lui montre des exemples (des images annotées où des humains ont indiqué “corail”, “éponge”, “sédiment”, ou tel organisme indicateur), puis elle apprend à associer certaines textures, formes et contrastes à ces catégories. Une fois entraînée, elle applique ces règles apprises à de nouvelles images, à grande vitesse.

Ce saut d’échelle change la nature du travail scientifique. Dans une recherche publiée en 2022, une équipe a montré qu’un modèle pouvait analyser plus de 58 000 images des grands fonds en moins de dix jours, et cartographier la répartition d’un xénophyophore (un organisme unicellulaire géant) à 1 200 mètres de profondeur dans l’Atlantique nord-est. Ce qui aurait pris des mois à une personne a été fait en quelques jours, ce qui permet d’itérer, de vérifier, puis d’améliorer.

Un autre point, moins intuitif, concerne la cohérence. Deux experts ne classent pas toujours un même spécimen de la même façon, et une même personne peut être plus ou moins stricte selon le moment, la fatigue, ou la qualité de l’image. Une machine se trompe aussi, mais elle se trompe de manière répétable. Cette répétabilité permet de repérer les biais, de les mesurer, puis de les corriger ou de les intégrer dans l’incertitude des résultats.

Attention, ce n’est pas une baguette magique qui “découvre” toute seule des espèces et qui remplace le jugement biologique. Sans images de référence bien annotées, l’IA apprend mal. Si la caméra est mal orientée, si l’éclairage écrase les reliefs, ou si certaines espèces sont rarement filmées, le modèle risque de sous-détecter ou de confondre. Le gain réel vient plutôt d’un partage des rôles : la machine traite le volume, les humains contrôlent la qualité, affinent les catégories, et décident de ce qui compte écologiquement.

À quoi servent ces cartes, concrètement ?

Deep Vision se concentre sur des “taxons indicateurs” d’écosystèmes vulnérables, par exemple les coraux profonds et les éponges. Dans un monde sans plantes, ces organismes jouent un rôle de “forêts” : ils structurent l’habitat. Retirez-les, et l’écosystème peut s’effondrer. Une fois les observations extraites des images, la suite consiste à construire des modèles d’aptitude de l’habitat : des cartes prédictives qui extrapolent au-delà des zones filmées, en estimant où ces organismes ont de fortes chances d’être présents.

Ces modèles deviennent alors des outils de gestion spatiale. Ils peuvent aider à décider où placer des zones protégées, ou quelles zones méritent une vigilance accrue quand d’autres activités s’intensifient. Mais la chaîne reste aussi solide que son maillon le plus faible : la qualité des données de fond (relief, nature des substrats, couverture d’images) conditionne directement la fiabilité des prédictions. Autrement dit, l’IA accélère, mais elle n’abolit pas le besoin d’observer correctement.

Pourquoi s’intéresser à une éponge à deux kilomètres de profondeur ?

La question revient souvent, et elle est légitime. La réponse n’est pas seulement morale (“préserver le vivant”), elle est fonctionnelle : ces organismes recyclent des nutriments essentiels et participent au cycle du carbone, avec des effets qui nous concernent tous. L’océan ressemble à la salle des machines d’un système de support de vie planétaire : quand on comprend mal ce qui s’y passe, on gère à l’aveugle. Dans ce cadre, accélérer la connaissance n’est pas un luxe, c’est un prérequis.

Cette capacité à rendre des problèmes “traitables” illustre bien certains bénéfices de l’intelligence artificielle : elle ne crée pas la réalité, elle augmente notre capacité à trier, détecter et décider quand l’information dépasse l’échelle humaine. On est d’accord avec l’idée que l’intérêt principal n’est pas l’effet spectaculaire, mais la transformation de tâches impossibles à la main en tâches enfin faisables.

Si la méthode fonctionne à l’échelle de l’Atlantique, elle pourrait se répliquer ailleurs : Pacifique, océan Indien, océan Austral. Les obstacles se ressemblent : immensité, rareté des observations, coûts élevés, et urgence écologique. À noter que la démarche est aussi rendue possible par des financements ciblés, comme celui reçu via le Bezos Earth Fund (AI for Climate and Nature Grand Challenge), ce qui rappelle qu’une innovation scientifique dépend souvent de choix d’investissement autant que de prouesses techniques.

La fiche mentale à garder en tête tient en peu de mots : beaucoup d’images dorment dans des archives ; l’analyse humaine est lente ; l’IA accélère et standardise ; les cartes prédictives aident à protéger, à condition que les données et la validation suivent. Cette trajectoire rend l’océan profond un peu moins “invisible”, sans prétendre le rendre simple.

Est-ce que cette explication a clarifié ce que l’IA change vraiment dans l’exploration des grands fonds : le regard scientifique, la vitesse d’analyse, ou le passage des images à la décision de protection ?