WAIC 2026 AI Mixer : L’IA peut-elle passer des démonstrations intelligentes aux applications réelles ?

Introduction

Depuis plusieurs années, le secteur de l’IA démontre que les modèles peuvent répondre à des questions plus complexes, générer des contenus médiatiques de meilleure qualité, écrire davantage de code et produire des performances impressionnantes dans des démonstrations contrôlées.

La question suivante est plus pratique :

L’IA est-elle déjà assez intelligente — mais peut-elle agir de manière fiable ?

C’est précisément cette interrogation qui était au cœur d’une rencontre informelle sur l’IA, organisée le soir de l’ouverture de la Conférence mondiale sur l’intelligence artificielle 2026 à Shanghai. Cette réunion hors les murs rassemblait des développeurs travaillant sur les agents d’IA, l’infrastructure de mémoire, la génération 3D, l’intelligence incarnée et les modèles du monde.

Plutôt que d’ajouter une énième conférence préparée, les organisateurs souhaitaient aborder ce qui se passe après la démonstration : le déploiement dans des flux de travail réels, l’exécution continue, l’interaction avec le monde physique, les coûts, la fiabilité, et la difficile transition de la prédiction à l’exécution.

De « montrer l’intelligence » à « accomplir une tâche »

Les halls de la WAIC présenteront des modèles de base plus puissants, des démonstrations produit soignées, des systèmes autonomes et des robots humanoïdes aux capacités croissantes.

Ces présentations révèlent ce que l’IA peut faire dans des conditions préparées. Elles ne montrent pas toujours ce qu’il advient du même système lorsqu’il intègre une véritable entreprise, usine, studio ou équipe de développement.

L’environnement de production impose des exigences différentes :

• L’agent doit comprendre une requête incomplète.
• Il doit obtenir le contexte et les autorisations appropriés.
• Il doit utiliser des outils sans endommager les données ou le système.
• Il doit continuer à fonctionner après un échec ponctuel.
• Il doit savoir quand une approbation humaine est nécessaire.
• Il doit produire une sortie compatible avec les flux de travail existants.
• Il doit fonctionner à un coût acceptable pour le client.
• Son comportement doit être traçable et vérifiable.

Ainsi, l’écart entre une démonstration convaincante et un produit fiable ne tient pas seulement à la qualité du modèle. Il concerne les systèmes, les produits, l’exploitation et la confiance.

Cet événement explore cette transition à travers deux grandes tendances :

1. Les agents sortent du cadre de la conversation pour entrer dans les flux de travail réels.
2. L’IA se dirige vers le monde physique, où elle doit comprendre et interagir avec son environnement.

Ces deux voies sont étroitement liées. Toutes deux exigent que l’IA dépasse le stade de la simple génération de réponses pertinentes et commence à assumer la responsabilité d’une série d’actions.

Aperçu de l’événement

Élément	Détails
Nom de l’événement	Soirée IA de la Conférence mondiale sur l’intelligence artificielle 2026
Thème central	L’IA est-elle prête à passer des démonstrations de compétences aux actions concrètes ?
Date	Vendredi 17 juillet 2026
Horaire	19h30–21h30
Lieu	Un café du district de Pudong, Shanghai
Format	Brève discussion suivie d’échanges libres
Domaines d’intérêt	Agents d’IA, systèmes de mémoire, modèles 3D, intelligence incarnée, modèles du monde
Public cible	Développeurs, chercheurs, professionnels du secteur et investisseurs
Inscription	Inscription préalable obligatoire via le lien de l’événement fourni par l’organisateur

La page publique de l’événement mentionne uniquement le lieu comme étant un café du district de Pudong, sans divulguer l’adresse complète.

Cet événement est une rencontre indépendante organisée le soir de l’ouverture de la Conférence mondiale sur l’intelligence artificielle 2025, et n’est pas lié aux forums officiels de la conférence.

Programme de l’événement

19h00-20h00 : Accueil et échanges libres

Cette première tranche horaire est réservée à l’enregistrement et aux interactions informelles.

Pour une petite rencontre technique, ce moment est aussi précieux que les discussions formelles. Les participants incluent des créateurs de produits, des chercheurs, des évaluateurs d’investissement et des personnes cherchant à intégrer des systèmes d’IA dans des institutions réelles.

Questions brise-glace suggérées :

• Quel type de système d’IA construisez-vous ou déployez-vous actuellement ?
• Quels éléments fonctionnent bien en démonstration mais échouent en production ?
• Quelle est la principale source de coût ou de latence pour vos agents ?
• Comment vos clients définissent-ils la réussite d’une tâche ?
• Quelles étapes d’approbation humaine ne peuvent-elles pas encore être remplacées ?

20h00-20h30 : Les agents sont-ils vraiment sortis du cadre du dialogue ?

La première discussion se concentre sur la question de savoir si les agents d’IA sont passés de démonstrations d’outils impressionnantes à des rôles stables dans le travail réel.

Intervenants listés dans les documents de l’événement :

• Zhang Haoyang, fondateur et PDG d’EvoMap
• Li Zhiyu, cofondateur et CTO de MemTensor

Ce thème intègre deux aspects centraux du développement des agents : l’apprentissage par l’expérience et le maintien efficace de la mémoire.

Un agent capable d’utiliser des outils pour effectuer des tâches à court terme n’est pas nécessairement capable de travailler en continu. Les applications à long terme soulèvent des questions plus profondes :

• Comment éviter que les expériences utiles ne soient noyées dans le bruit ?
• Une même solution peut-elle être réutilisée entre différents modèles ou environnements ?
• Comment la mémoire doit-elle être vérifiée, hiérarchisée, mise à jour et supprimée ?
• Un agent peut-il se remettre d’un échec plutôt que de simplement redémarrer ?
• Comment une équipe audite-t-elle ce qu’un agent a appris ?
• Quand l’autonomie améliore-t-elle l’efficacité, et quand crée-t-elle un nouveau travail de supervision ?

EvoMap se présente comme une infrastructure d’auto-évolution pour l’IA. Son protocole d’évolution génomique vise à transformer les comportements réussis des agents en actifs de compétences réutilisables et traçables.

MemTensor se concentre sur l’infrastructure mémoire pour les grands modèles et les agents. Ses recherches portent sur la manière dont les systèmes peuvent gérer une mémoire multimodale, permettant la mise à jour et la réutilisation des connaissances sans dépendre de prompts plus longs ou d’un entraînement répété.

Ces deux approches convergent vers une définition pratique de l’agent de travail :

Un agent utile n’est pas seulement un modèle capable d’exécuter une opération unique, mais un système capable, dans des limites claires, de mémoriser, d’améliorer, de vérifier et de répéter un travail réussi.

Ce que « être officiellement en poste » signifie pour un agent d’IA

Le sujet chinois de cet événement, si on le traduit littéralement, signifie examiner si les agents passent de l’interface de chat à un « emploi officiel ».

Cette formulation est délibérément provocatrice. Les systèmes d’IA ne sont pas des employés au sens juridique ou humain. La valeur de cette analogie est de forcer les équipes à définir clairement :

Les normes opérationnelles attendues pour un système en fonctionnement.

Un agent déployable doit posséder :

Un périmètre de responsabilité clair

Un agent a besoin d’un champ d’action défini. « Aider au marketing » est trop vague. « Préparer un rapport hebdomadaire sur la concurrence à partir de sources spécifiées, en laissant un brouillon pour révision » est mesurable.

L’accès au contexte approprié

Un modèle puissant dépourvu de données pertinentes ne produira toujours pas de bons résultats. Un agent de production nécessite un accès contrôlé aux documents, bases de données, applications, API et à l’état historique des tâches.

Une capacité fiable d’utilisation des outils

L’agent doit appeler les outils avec les bons paramètres, identifier les pannes, éviter les opérations destructrices répétées et générer des enregistrements d’audit traçables.

Une définition du critère d’achèvement

Le système doit comprendre ce que signifie « terminé ». Une tâche ne doit pas se terminer simplement parce que l’agent a généré un paragraphe plausible ou effectué quelques opérations.

Des règles d’escalade

L’agent doit savoir quand il doit consulter un humain. Les décisions financières, les communications externes, la suppression de données, les transactions d’achat, les déploiements en production et la vérification d’identité, lorsqu’ils sont incertains, doivent faire l’objet d’une approbation explicite.

Un mécanisme d’évaluation continue

Un succès unique ne suffit pas. Les équipes doivent mesurer la précision, le taux d’achèvement, le temps de révision, le coût, la capacité de récupération après échec et la valeur commerciale des tâches accomplies.

20h30-21h00 : Les modèles peuvent-ils passer de GitHub au monde physique ?

La deuxième discussion portera sur la transition des entrepôts de recherche et des publications de modèles vers l’interaction avec l’environnement réel.

Intervenants listés selon le post source et l’affiche du programme :

• Ding Liang, directeur technique de VAST
• Lu Hongyuan, fondateur de Face Mind
• Chen Tianrun, président de Magic Core Technology (selon l’affiche)

La discussion reliera la génération 3D, les modèles du monde, l’intelligence spatiale et les systèmes incarnés.

Un modèle peut générer des scènes visuellement réalistes, tout en restant incapable de comprendre comment les objets se déplacent, entrent en collision, se déforment ou réagissent aux actions. Un robot peut identifier un objet, mais échouer à le saisir en toute sécurité dans un environnement inconnu.

Le passage de la sortie numérique à l’action physique nécessite une collaboration à plusieurs niveaux :

1. Perception : comprendre les images, vidéos, informations de profondeur, sons et données des capteurs
2. Représentation du monde : maintenir un modèle utilisable des objets, de l’espace et des relations
3. Prédiction : estimer comment l’environnement changera après une action
4. Planification : comparer les séquences d’actions possibles
5. Contrôle : traduire un plan de haut niveau en instructions exécutables pour un robot ou un dispositif
6. Retour d’information : observer le résultat réel et corriger l’étape suivante
7. Sécurité : prévenir les comportements dangereux ou irréversibles
8. Apprentissage : utiliser l’expérience validée pour améliorer les décisions futures

VAST est connu pour la génération de contenu 3D par IA et le produit Tripo, connectant ainsi les modèles génératifs à la création d’actifs et d’environnements 3D exploitables.

Face Mind se consacre publiquement aux systèmes multimodaux et aux modèles du monde, incluant des technologies qui aident l’IA à comprendre et raisonner sur le monde au-delà de l’écran statique.

Magic Core Technology a débuté avec l’impression 3D grand public, avant de s’étendre à l’intelligence spatiale et aux modèles du monde interactifs. Cette voie établit une connexion directe entre la génération numérique et la fabrication physique.

De la démonstration GitHub au déploiement réel

Publier un modèle ou un entrepôt est une étape importante, mais cela ne signifie pas déployer un système complet.

Un entrepôt peut montrer :

• L’architecture du modèle.
• Le code d’entraînement ou d’inférence.
• Des exemples de résultats.
• Les performances de référence.
• Une démonstration interactive limitée.

Un déploiement réel doit en outre traiter :

• Différences matérielles.
• Erreurs de capteurs.
• Interruptions réseau.
• Environnement non structuré.
• Contraintes de latence.
• Politiques de sécurité.
• Opérations à long terme.
• Formation des utilisateurs.
• Maintenance et mises à jour.
• Responsabilité en cas d'erreur opérationnelle.

Ces différences sont particulièrement marquées dans les domaines de la robotique et de l'intelligence incarnée.

Un modèle du monde peut prédire des vidéos réalistes, mais ne fournit toujours pas les représentations d'état précises nécessaires au contrôle. Un modèle vision-langage-action peut réussir une tâche en laboratoire, mais échoue lorsque l'éclairage, la disposition des objets ou le matériel changent.

Par conséquent, la question clé n'est pas de savoir si le modèle peut produire un résultat impressionnant, mais si le système environnant peut boucler la boucle de manière répétée :

Observer → Comprendre → Prédire → Planifier → Exécuter → Vérifier → Apprendre

21h00–21h30 : Discussion libre

La dernière partie est réservée aux échanges informels.

Cet événement s'adresse à ceux qui souhaitent explorer les décisions et les contraintes généralement ignorées lors des lancements de produits.

Les domaines de discussion potentiels incluent :

• Le client paie-t-il pour un résultat autonome ou seulement pour une fonctionnalité d'assistance IA ?
• Quelles tâches des agents sont déjà en production fiable ?
• Comment fixer le prix des tâches d'agents à long terme ?
• Les systèmes de mémoire améliorent-ils les performances ou introduisent-ils de nouveaux risques pour la vie privée ?
• Comment les modèles du monde doivent-ils être évalués au-delà de la qualité visuelle ?
• Quand un robot a-t-il besoin d'un modèle du monde, d'une stratégie VLA ou des deux ?
• Comment collecter en toute sécurité des données d'interaction réelles ?
• Quelles parties ne peuvent toujours pas se passer de supervision humaine ?
• Dans le marché actuel des agents, qu'est-ce qui est une véritable infrastructure et qu'est-ce qu'une enveloppe temporaire ?
• Les utilisateurs font-ils davantage confiance aux systèmes qui agissent de manière proactive plutôt qu'à ceux qui se contentent de suggérer ?

Développeurs invités

Zhang Haoyang — EvoMap

EvoMap construit une infrastructure pour les agents IA, leur permettant de partager, valider et hériter de capacités réutilisables.

Son protocole d'évolution génomique représente l'expérience des agents à travers des structures comme les gènes, les capsules et les événements, dans le but de rendre le processus d'amélioration des agents plus traçable qu'un tas de modifications de prompts non documentées.

La question plus large est de savoir si un réseau d'agents peut apprendre les uns des autres tout en évitant de propager des comportements faibles, manipulés ou non validés. L'auto-évolution nécessite des mécanismes d'évaluation et d'audit robustes, et pas seulement davantage d'actifs générés.

Li Zhiyu — MemTensor

Li Zhiyu est co-fondateur et CTO de MemTensor, une entreprise spécialisée dans les systèmes de mémoire pour grands modèles et agents.

Pour les agents opérant sur de longues périodes, la mémoire est cruciale. Le système doit se souvenir de faits utiles et de résultats antérieurs, tout en évitant les informations obsolètes, redondantes, privées ou trompeuses.

Les choix de conception importants incluent :

• Quelles informations doivent être stockées ?
• Où doivent-elles être stockées ?
• Comment les récupérer ?
• Qui peut y accéder ?
• Comment corriger les souvenirs obsolètes ?
• Comment évaluer la mémoire indépendamment du style de réponse du modèle ?

Liang Ding — VAST

Liang Ding est CTO de VAST, la société derrière la plateforme de génération 3D Tripo.

Les actifs 3D générés par l'IA peuvent soutenir les jeux, le design, la simulation, le commerce, la robotique et les environnements d'entraînement. Le défi est de passer d'un objet visuellement attrayant à un actif avec une géométrie, une topologie, un matériau, une échelle et des propriétés physiques utilisables.

Cette transition reflète le thème plus large de l'événement : passer d'un résultat qui a l'air intelligent à un résultat qui peut participer à un flux de travail réel.

Lu Hongyuan — Lianpu Mind

Lianpu Mind est lié à la recherche sur les modèles multimodaux, spatiaux et du monde.

Les modèles du monde tentent de représenter comment l'environnement change au fil du temps et comment il réagit aux actions. Ils peuvent soutenir la simulation, la planification, la génération vidéo, les environnements interactifs et, finalement, les systèmes incarnés.

Une question ouverte est de savoir à quel point les prédictions générées doivent correspondre à la réalité physique pour être utiles à la prise de décision pratique.

Chen Tianrun — Moxin Technology

Chen Tianrun et Moxin Technology opèrent à l'intersection de l'IA, de l'impression 3D et de l'intelligence spatiale.

La transition de l'entreprise de l'impression 3D grand public aux modèles du monde illustre comment le déploiement physique modifie les questions de recherche. Un système qui génère du contenu numérique est jugé différemment d'un système connecté à un processus de fabrication ou à une machine physique.

Qui devrait participer ?

Cet événement est le plus pertinent pour :

• Fondateurs d'agents IA et équipes produit.
• Développeurs construisant des agents utilisant des outils ou fonctionnant à long terme.
• Chercheurs travaillant sur la mémoire, les systèmes multimodaux, les modèles du monde ou l'IA incarnée.
• Équipes de robotique et d'intelligence spatiale.
• Décideurs en entreprise évaluant le déploiement d'agents.
• Investisseurs étudiant l'infrastructure et les applications de l'IA.
• Développeurs assistant à la WAIC et préférant des discussions techniques en petits groupes.
• Chefs de produit responsables de la transformation de démos IA en flux de travail fiables.

Pour ceux qui recherchent des discours liminaires de conférence formelle, des sessions de formation structurées ou une introduction aux bases de l'IA, cet événement pourrait être moins pratique.

Questions à préparer avant l'événement

Les événements en petit comité sont plus précieux lorsque les participants viennent avec des questions spécifiques.

Pour les constructeurs d'agents

• Quelles tâches l'agent accomplit-il sans avoir besoin d'instructions humaines continues ?
• Comment le succès est-il vérifié ?
• Quel pourcentage d'exécutions nécessite une correction humaine ?
• Combien coûte l'exécution d'une tâche ?
• Quelles pannes se répètent le plus fréquemment ?
• Quelle mémoire est conservée entre les tâches ?
• Quelles opérations nécessitent une approbation ?

Pour les équipes d'IA incarnée

• En dehors du laboratoire, quelle partie tombe en panne en premier ?
• Le goulot d'étranglement est-il la perception, la prédiction, la planification, le contrôle ou le matériel ?
• Comment la simulation est-elle corrélée aux performances réelles ?
• Quelles données sont collectées après le déploiement ?
• Comment le système se comporte-t-il en cas d'incertitude ?
• Quelle couche de sécurité peut empêcher les comportements dangereux ?

Pour les investisseurs et acheteurs en entreprise

• Le produit vend-il un modèle, un flux de travail ou un résultat complet ?
• Qu'est-ce qui empêche les concurrents d'entrer ?
• Le fournisseur du modèle de base peut-il reproduire la fonctionnalité ?
• Quelle quantité d'intégration est nécessaire avant que la valeur ne soit évidente ?
• Des données ou des apprentissages défendables sont-ils générés lors de l'utilisation ?
• Quelle est la marge brute après déduction des coûts d'inférence et d'infrastructure ?
• Qui assume la responsabilité lorsque l'agent commet une erreur majeure ?

Informations d'inscription

• Date : Vendredi 17 juillet 2026
• Heure : 19h30
• Lieu : District de Pudong, Shanghai
• Type de lieu : Café
• Lien d'inscription : S'inscrire à la rencontre sociale IA WAIC

Le lien d'inscription est une URL courte. Les places disponibles, la capacité et le lieu exact de l'événement peuvent changer. Les participants sont invités à consulter la page d'inscription et les notifications de l'organisateur pour obtenir les informations les plus récentes.

Foire aux questions

La rencontre sociale IA est-elle un forum officiel de la WAIC ?

Les sources indiquent qu'il s'agit d'un événement parallèle organisé pour la soirée d'ouverture de la WAIC. Il est lié à la communauté de la conférence mais n'est pas répertorié comme forum officiel dans le programme principal de la WAIC.

Quand et où a lieu l'événement ?

L'événement a lieu le vendredi 17 juillet 2026 à 19h30 dans un café du district de Pudong à Shanghai. Les informations publiques ne contiennent pas l'adresse complète.

De quoi discutera-t-on lors de l'événement ?

Les deux thèmes principaux sont : les agents IA sont-ils déjà entrés dans les flux de travail réels, et les modèles peuvent-ils passer du dépôt de code et des environnements simulés à l'interaction avec le monde physique.

Quels sont les intervenants annoncés ?

Les documents mentionnent Zhang Haoyang d'EvoMap, Li Zhiyu de MemTensor, Liang Ding de VAST, Lu Hongyuan de Lianpu Mind et Chen Tianrun de Moxin Technology.

L'événement est-il adapté aux débutants ?

L'événement est ouvert aux développeurs, chercheurs, praticiens de l'industrie et investisseurs, mais les sujets sont davantage destinés à ceux qui s'intéressent déjà aux agents IA, aux modèles du monde, à l'IA incarnée ou au déploiement de produits.

L'inscription à la rencontre sociale IA inclut-elle l'entrée à la WAIC ?

L'avis de l'événement n'indique pas que l'inscription inclut un billet pour la conférence WAIC. L'entrée à la WAIC et les événements parallèles doivent être considérés comme nécessitant une inscription séparée.

Y a-t-il une diffusion en ligne ?

L'avis public de l'événement ne promet pas de diffusion en direct. QbitAI a annoncé séparément des plans de couverture et de diffusion en direct du site de la WAIC, mais il ne faut pas supposer que cela couvre l'intégralité du contenu de la rencontre sociale IA.

Dois-je m'inscrire à l'avance ?

L'organisateur fournit un lien d'inscription dédié et décrit l'événement comme une rencontre sur inscription. Comme la capacité du lieu est probablement limitée, veuillez vous inscrire avant d'y assister.

Outils connexes

• WAIC 2026 : Site officiel de la Conférence mondiale de l'intelligence artificielle de Shanghai.

EvoMap : Infrastructure d'auto-évolution et de partage de compétences pour agents IA, avec traçabilité complète.

• EvoMap Evolver : Moteur d'évolution d'agents IA open source basé sur GEP.
• MemTensor : Entreprise dédiée au développement d'infrastructures de mémoire et de systèmes d'exploitation mémoire pour grands modèles et agents intelligents.
• Tripo AI : Plateforme de VAST générant des modèles 3D à partir de texte et d'images.
• QbitAI :

Média tech organisant et couvrant les événements AI Mixer.

Liens connexes

• Reproduction par BAAI Hub : Page source simplifiée citée dans cet article.
• Site officiel de WAIC 2026 : Dates officielles, inscriptions, informations sur les conférences et détails des organisateurs.
• Plan de couverture de WAIC 2026 par QbitAI : Informations sur le stand, la couverture, le live streaming et l'événement AI Mixer de QbitAI.
• Aperçu des activités de WAIC 2026 : Résumé de la taille de la conférence, des domaines de l'ordre du jour, des exposants et des dates.
• Site officiel de MemTensor : Informations officielles sur les recherches et produits de système mémoire de cette entreprise.
• Documentation d'EvoMap : Documentation sur l'infrastructure d'auto-évolution et le protocole d'évolution génomique d'EvoMap.
• Tripo AI : Portail officiel des produits de génération 3D par IA de VAST.

Résumé

Le AI Mixer de WAIC 2026 s'articule autour d'une question simple mais exigeante : l'intelligence artificielle peut-elle dépasser les démonstrations impressionnantes pour effectuer un travail fiable et concret ?

La première discussion s'est concentrée sur la voie permettant aux agents d'intégrer des flux de travail réels via la mémoire, l'apprentissage, l'utilisation d'outils et l'exécution reproductible. La seconde s'est orientée vers les systèmes 3D, les modèles du monde et l'IA incarnée — une IA qui doit interagir avec l'environnement, et non se contenter de générer du contenu à son sujet.

L'événement se tiendra le 17 juillet à 19h30 dans le district de Pudong à Shanghai, destiné aux constructeurs, chercheurs, professionnels du secteur et investisseurs souhaitant échanger de manière plus restreinte et directe, en dehors du hall principal de l'exposition.

La prochaine phase de l'IA ne sera pas seulement jugée par le degré d'intelligence démontré par ses modèles, mais surtout par la praticité, la fiabilité, la sécurité et la viabilité économique de ses comportements.