/// Signal

Une IA qui prétend faire parler les plantes : le papier scientifique d’Electric Plant, déposé la veille de l’exclusivité, est plus prudent que l’annonce

Le fait : TechCrunch a publié le 20 octobre 2026 une exclusivité sur Electric Plant, société de San Francisco qui a levé 11,2 millions de dollars d’amorçage pour vendre des capteurs et un modèle d’intelligence artificielle, Bombadil, censés lire les signaux électriques des plantes. L’article annonce un modèle capable d’interpréter les signaux électriques d’environ 125 espèces, des capteurs à quelques dizaines de dollars quand les outils existants coûtent des milliers, et, selon le PDG Justin Mast, un système qui peut augmenter les rendements tout en réduisant la consommation d’eau de 20 % ou plus. Or la société avait déposé la veille, le 19 octobre, sa propre prépublication scientifique : 4 millions d’heures-électrode d’enregistrements, 100 espèces, sept indicateurs de stress, et des corrélations de suivi qui vont de 0,269 à 0,707. Ce document ne contient ni le chiffre de 20 %, ni celui de 125 espèces. Il ne dit pas la même chose que l’annonce : il mesure autre chose, et c’est cette différence qui est le sujet.

La société, d’abord, telle qu’elle se présente. Sa FAQ se décrit comme un « frontier AI lab in San Francisco » et vend deux choses : un capteur, Bud, « a low-cost probe that attaches to a plant in minutes and streams its electrical signals continuously », et un modèle, Bombadil. L’origine de l’aventure, Mast la raconte à TechCrunch : il lit un jour de la littérature scientifique et tombe sur des travaux où une plante d’intérieur, posée sur un support motorisé, voit des signaux électriques traverser ses tissus vivants lorsqu’elle réclame plus de lumière, une carte de contrôle détectant le courant et avançant le pot vers la source lumineuse. « I’m like, what the heck? » résume-t-il. Il fonde ensuite la société avec Lee von Kraus, un neuroscientifique qui a travaillé avec la DARPA, et devient PDG. Le tour de table annoncé est de 11,2 millions de dollars d’amorçage, mené par Onto Ventures et Climactic, avec Ponderosa, Endeavor Catalyst, Ludlow, Michigan Rise, The Fund, Schox VC et Dug Song. Puis vient le chiffre que l’article met en avant, et le journal prend soin de l’attribuer nommément à Mast : « Mast claims such a system can boost yields while reducing water use by 20% or more. » Ce chiffre, et la hausse de rendement qui l’accompagne, ne figurent nulle part dans le document scientifique de la société.

Ce document, justement, est public et lisible en intégralité. C’est une prépublication déposée sur arXiv le 19 octobre 2026 sous la référence 2610.26597, signée de James Kirk, Piotr Bednarski, Filip Twardy, Justin Mast et Lee von Kraus, et reproduite sur le site de la société. Elle décrit un objet qui n’est pas exactement celui qu’annonce la presse : TechCrunch parle d’un « large language model », le papier décrit un Transformer à tronc commun et têtes spécialisées, pré-entraîné sans étiquettes par masquage de segments de signal ; ce qu’il ingère, ce sont des statistiques par minute de tension mesurée sur des électrodes, pas du texte. Les chiffres du corpus donnent la mesure de l’effort : plus de 4 millions d’heures-électrode de signal brut, provenant de plus de 1 400 plantes individuelles, sur 100 espèces, enregistrées sur dix sites entre novembre 2024 et juillet 2026 — laboratoires, serres, vergers commerciaux et forêts naturelles. S’y ajoute un corpus étiqueté d’environ 1 million d’heures-électrode, plus de 400 plantes et 35 espèces, adossé à plus de 41 000 lectures d’un fluorimètre portatif, le MultispeQ, qui sert de vérité terrain. Deux appareils maison captent le signal : le Bud, qui échantillonne une paire d’électrodes à 1 Hz, transmet en LoRaWAN et fonctionne sur batterie ; et le Stem, huit paires à 120 Hz en Wi-Fi, pour le laboratoire et la serre. Les électrodes sont enfoncées assez profondément pour atteindre le xylème et le phloème — vis en acier inoxydable sur les tiges ligneuses, fil de calibre 28 sur les tiges charnues.

Ce que le modèle mesure, ensuite, est plus étroit que ce qu’il promet de lire. Il ne restitue pas les besoins de la plante en clair : il estime sept indicateurs physiologiques — cinq issus de la fluorescence chlorophyllienne (ΦII, ΦNPQ, ΦNO, Fv′/Fm′, LEF) et deux de la thermique foliaire (LTD, CWSI) — dont la vérité terrain sort du MultispeQ. Autrement dit, Bombadil apprend à reproduire les lectures d’un instrument portatif à partir de signaux électriques. Les résultats, sur les six espèces les mieux étiquetées, sont donnés sans fard : la corrélation de trajectoire va de 0,269 sur le CWSI à 0,707 sur le LEF, et le papier écrit que « between 9 and 25 percent of sensors track negatively » — jusqu’à un capteur sur quatre évolue dans le sens inverse de la mesure. Trois des sept indicateurs, ΦII, LTD et CWSI, font moins bien qu’un modèle sans compétence sur la métrique RMSE-sσ ; le papier ajoute aussitôt qu’en soustrayant le décalage propre à chaque capteur, tous les trois passeraient devant. Ce décalage explique 42 % à 54 % de l’erreur quadratique, et l’équipe le contourne en partie en fusionnant les deux capteurs de chaque plante : ils partagent presque le même décalage — corrélation de 0,913 à 0,954 — si bien que la moyenne n’en retire que quelques pour cent, ce qui, dit-elle, « raises the performance floor without raising the ceiling ». Sur une espèce, Codiaeum variegatum, le modèle ne retrouve rien : « reading at or below zero on every stress factor » — avec une réserve que les auteurs écrivent eux-mêmes, l’évaluation ne portant que sur quatre plantes et huit capteurs, et la contre-performance pouvant être « an anomaly of those particular plants and sensors ».

Trois écarts séparent enfin l’exclusivité du document que la société a déposé la veille. Le premier est le nombre d’espèces : TechCrunch écrit « about 125 different species », puis, plus loin, parle des « first hundred-plus species » de Bombadil ; la FAQ de la société écrit « more than 125 species » ; le papier, lui, compte 100 espèces et ne donne nulle part le nombre de 125 espèces. Nous ne savons pas ce qui explique l’écart, et nous ne le tranchons pas. Le deuxième est le chiffre vedette : les 20 % d’eau et la hausse de rendement sont attribués par le journal au seul Mast, et le papier ne contient ni la chaîne 20 percent, ni la séquence 20 pour cent. Le mot yield y figure quatre fois : trois fois comme terme photochimique — les trois termes qui se partagent la lumière absorbée, ΦII, ΦNPQ et ΦNO — et une fois dans la bibliographie, où il désigne le rendement en fibres d’une étude citée sur la ramie. Aucune formule du type boost yields : le mot yields au pluriel n’apparaît pas une seule fois dans le papier. Le troisième est l’état de la preuve : le papier est une prépublication, non évaluée par les pairs, produite et signée par l’entreprise qui vend le produit. Et du PDG, TechCrunch ne tire aucun nom de client : « Mast wouldn’t disclose who Electric Plant’s initial customers are ». Les auteurs eux-mêmes bornent leurs résultats : aucune plante n’est enregistrée plus de trois mois, aucun site n’est tenu à l’écart de l’entraînement, aucune espèce n’est enregistrée sur plus d’un site, et les étiquettes du modèle ne couvrent que la sécheresse et l’arrosage normal.

Ce qui tient, en revanche, et que l’annonce ne dit pas non plus. Sur le signal lui-même, le modèle reconstruit les segments masqués avec une erreur de 0,343 là où une interpolation linéaire atteint 0,390, et prévoit la journée masquée à 0,912 contre 1,011 pour la référence saisonnière. Sur une autre espèce, Coleus scutellarioides, ses estimations ont bougé dans le sens attendu sous deux stress pour lesquels il n’a aucune étiquette, sel et glyphosate, avec des tailles d’effet (d de Cohen) qui culminent entre 1,42 et 2,03 — mais il s’agit d’un jeu de données antérieur à l’usage du MultispeQ, sans aucune vérité terrain à quoi comparer les estimations, et les auteurs en donnent eux-mêmes quatre bornes. Et le papier revendique qu’une espèce peut être lue sans aucune étiquette, la calibration ne servant ensuite qu’à améliorer les indicateurs — de façon mesurable sur quatre des sept, l’intervalle de confiance traversant zéro sur les trois autres. C’est là la vraie nouveauté, et elle est méthodologique : les modèles antérieurs, que le papier cite, étaient le plus souvent entraînés pour une seule tâche, sur une seule espèce, dans un seul environnement.

Notre lecture. Le gain est réel mais étroit, et il faut le lire en valeurs absolues : sur l’ensemble des espèces étiquetées — 91 plantes, 182 capteurs —, la concordance (CCC) passe d’un tronc aléatoire au modèle pré-entraîné de 0,092 à 0,193 sur ΦII, et de 0,217 à 0,283 sur LEF, la référence sans compétence valant 0. Doubler un plancher proche de zéro n’est pas la même chose que lire une plante. Le gain hors des six espèces les mieux étiquetées, 2,7 fois plus grand qu’à l’intérieur, porte en outre sur la CCC seulement : la corrélation de suivi ne progresse guère, de 0,025 sur les six espèces et de 0,024 sur les autres, et le papier le résume par « Across a wider population, the foundation model buys position, not movement ». Autrement dit, le modèle sait de mieux en mieux situer une plante par rapport aux autres ; il suit à peine mieux son évolution. Un plafond, enfin, borne la lecture : la corrélation de suivi ne peut pas dépasser 0,91 à 0,97 sur les facteurs de fluorescence — les étiquettes elles-mêmes ne sont pas reproductibles au-delà —, ni 0,75 sur LTD ; le CWSI, lui, n’a pas de plafond, et c’est justement lui qui donne le 0,269 de notre dernière question. Laquelle reste ouverte : quel cultivateur paiera des capteurs dont le papier mesure la corrélation à 0,27 sur un indicateur, et qui publiera la première comparaison indépendante avec les instruments que son PDG dit dépasser ?