Le satellite qui n'a plus besoin de la Terre pour comprendre la Terre

En avril 2026, un satellite a regardé la Terre, a trouvé exactement ce qu'on lui avait demandé de chercher, et a répondu en anglais — le tout sans qu'un seul humain ne touche les images au sol.

Pendant soixante ans, un satellite d'observation a été une chose simple : un appareil photo très cher qui prenait des clichés et les renvoyait à des analystes sur Terre. Cette logique vient de se fissurer. À bord du vaisseau YAM-9 de la société Loft Orbital, une intelligence artificielle a fait le travail toute seule, en orbite, en temps réel.

L'enjeu n'est pas un gadget de science-fiction. C'est le premier signe d'un basculement où la valeur ne descend plus du ciel sous forme de pixels, mais sous forme de réponses. Et ça change tout : qui décide, qui voit, qui gagne de l'argent.

Dans cet article :

• Ce qui s'est vraiment passé en orbite, et pourquoi c'est une première mondiale
• Pourquoi les satellites croulaient sous leurs propres images
• Comment une IA de poche a tenu dans un satellite
• Ce que ça déverrouille — et ce qui cloche encore
• La stratégie Posthumain : comment penser ce virage

Un satellite a trouvé sa cible tout seul — et personne au sol n'a touché l'image

Le décor habituel : un satellite photographie une zone, transmet des téraoctets de données brutes au sol, et des analystes humains (ou des algorithmes terrestres) trient le tout pour comprendre ce qu'on voit. Lent, coûteux, encombré.

Là, c'est l'inverse. À bord de YAM-9, un satellite construit par Loft Orbital, une IA a identifié des zones d'intérêt en réponse à des questions posées en langage courant [1]. Pas de pixels renvoyés d'abord, pas d'analyste dans la boucle.

Concrètement, on a demandé au modèle de classer des images là où la nature rencontre l'activité humaine, ou de repérer des infrastructures autour de nœuds ferroviaires — et il a livré ses résultats directement à bord [2]. Le satellite a cessé d'être un capteur passif pour devenir, en quelque sorte, son propre analyste.

Cet épisode, survenu en avril, constitue le premier usage documenté d'un VLM (vision-language model, un modèle d'IA capable de « lire » une image et de répondre à une question écrite à son sujet) en orbite [3]. C'est un détail technique qui ressemble à une bascule historique.

Le système reposait sur trois briques. Le cerveau était Gemma 3, un modèle open-weight de Google DeepMind. Le « châssis » logiciel s'appelait NAVI-Orbital, développé au Jet Propulsion Laboratory (JPL) de la NASA. Et le moteur de calcul était une puce Nvidia.

Pourquoi les satellites étaient en train de se noyer dans leurs propres images

Pour saisir l'exploit, il faut comprendre l'embouteillage. Un satellite d'observation haute résolution produit entre 1 et 2 téraoctets d'images par jour [4]. C'est une avalanche quotidienne de données.

Le problème, c'est le tuyau pour les faire descendre. Une fenêtre de contact avec une station au sol dure seulement 5 à 15 minutes par passage en orbite, et un satellite ne croise une station que quatre à six fois par jour. L'essentiel des données n'a pas le temps d'être transmis avant d'être écrasé par les suivantes.

Pire : une énorme part de ces images ne vaut rien. Les recherches estiment que près de 67 % des clichés bruts sont obscurcis par les nuages, donc inexploitables — et pourtant, dans l'architecture classique dite « bent-pipe » (tout descend en vrac, sans tri), on les transmet quand même [5].

Le résultat est une absurdité industrielle. On dépense une bande passante précieuse à rapatrier des nuages, puis du temps d'analyste à les jeter au sol. Faire le tri directement en orbite n'est donc pas un luxe : c'est la seule façon de ne pas suffoquer.

Comment une IA de poche a tenu dans un satellite

Le vrai tour de force est moins l'idée que la contrainte. Faire tourner un modèle de langage dans l'espace, c'est jongler avec une mémoire minuscule, une puissance électrique limitée et zéro possibilité d'aller débrancher la machine pour la réparer. L'environnement est impitoyable.

Gemma 3 a justement été conçu pour le « edge computing » (faire tourner l'IA sur du matériel modeste, loin des gros centres de données). Il existe en versions allant de 1 à 27 milliards de paramètres et utilise une architecture pensée pour réduire la pression sur la mémoire [6].

Mais même un modèle « léger » ne rentrait pas tel quel. Juan Delfa Victoria, responsable technique au sein du groupe IA du JPL de la NASA, a piloté le développement de NAVI-Orbital, le logiciel qui sert d'enveloppe au modèle [2]. Les ingénieurs ont dû élaguer les bibliothèques logicielles pour tenir dans le budget mémoire.

Le calcul tournait sur un GPU Nvidia Jetson Orin AGX, l'une des puces les plus performantes utilisées aujourd'hui pour le calcul en orbite. Une autre brique, LangGraph, orchestrait l'enchaînement automatique des questions et des réponses. Trois technologies ordinaires, assemblées pour un résultat qui ne l'est pas.

Détail savoureux : l'idée de NAVI-Orbital n'est pas née pour observer la Terre. Le projet a démarré au JPL avec un chercheur qui imaginait un assistant numérique pour des astronautes explorant la Lune ou Mars [7]. Un astronaute en scaphandre ne peut pas pianoter sur un clavier — d'où l'intérêt de parler à la machine.

Ce que ça déverrouille vraiment — et ce qui cloche encore

À court terme, le bénéfice est limpide. Au lieu de rapatrier des téraoctets d'images à trier, les équipes au sol reçoivent uniquement les zones signalées comme intéressantes. On envoie la réponse, pas la matière première.

À plus long terme, c'est une preuve de concept pour installer une véritable infrastructure de calcul dans l'espace. Selon Paul Lasserre, responsable de l'IA chez Loft Orbital, la technologie ouvre la voie à des couches de « patrouille » permanentes en orbite, où l'on demanderait à un satellite de surveiller une frontière et de signaler tout ce qui semble suspect [1]. Le satellite devient interrogeable, presque comme un collègue.

Loft n'est pas seul sur ce terrain. Planet Labs fait déjà voler des satellites équipés des mêmes puces Jetson Orin, pour l'instant dédiées à de la simple détection d'objets, mais explore les VLM [3]. Le canadien Kepler Communications, lui, a mis en service ce qu'il décrit comme le plus grand amas de calcul en orbite. La course est lancée.

Reste le mur des promesses non prouvées. Loft estime qu'il faudrait entre 50 et 100 satellites comparables à YAM-9 pour couvrir n'importe quel point de la Terre en temps réel — alors que l'entreprise n'en exploite que douze aujourd'hui [8]. La constellation n'existe pas encore.

Surtout, aucune donnée de performance indépendante n'a été rendue publique pour les essais d'avril : ni la précision de classification, ni la latence, ni les économies réelles de bande passante. On nous montre la démonstration, pas les chiffres. C'est exactement le genre de zone d'ombre qu'un lecteur lucide doit garder en tête.

La stratégie Posthumain : comment lire ce virage

Ce genre d'annonce déclenche deux réflexes paresseux : l'émerveillement (« l'IA conquiert l'espace ! ») et le rejet (« encore du flan marketing »). Les deux ratent l'essentiel. Le bon réflexe est de regarder où se déplace la valeur, et qui en profite.

Pour qui suit la tech : ne confondez pas première mondiale et produit fini

La règle d'or ici : un « premier vol démontré » n'est pas une capacité opérationnelle. YAM-9 est explicitement un pathfinder, un vaisseau-éclaireur, pas un système de production [8]. La distance entre les deux se compte en années et en milliards.

Le signal à suivre n'est pas l'annonce, mais la publication de métriques vérifiables. Tant que la latence, la précision et les économies de bande passante restent secrètes, traitez la nouvelle comme une preuve d'intention, pas de domination. La hype meurt sur les chiffres ; l'industrie sérieuse y survit.

Pour les entreprises et curieux du marché : la donnée brute perd, la réponse gagne

Le vrai changement est économique. Le marché s'oriente vers une logique où le client ne veut plus des images, mais des réponses : on ne vend plus le pixel, on vend l'insight. Certains acteurs facturent déjà non pas la donnée, mais le service rendu — par exemple éviter une amende environnementale [9].

Pour qui observe le secteur, la question utile n'est donc plus « qui a les meilleurs satellites ? » mais « qui transforme l'orbite en couche de décision ? ». L'IA embarquée déplace la marge de l'exploitant de capteurs vers l'opérateur de calcul. Le pouvoir migre vers celui qui interprète.

Pour le citoyen : un œil qui décide seul de ce qui mérite d'être vu

Il y a un revers, et il faut le nommer. Un satellite qui trie l'information de manière autonome, sans relecture humaine, soulève des questions de vie privée et de régulation. Une machine choisit ce qui compte, selon des critères qu'on ne voit pas.

L'exemple de la surveillance d'une frontière sur simple commande en langage courant n'est pas anodin : la même capacité qui repère un feu de forêt sert à repérer un mouvement « suspect ». La bonne posture n'est ni la panique ni l'aveuglement, mais l'exigence : réclamer de la transparence sur ce que ces yeux orbitaux cherchent, et pour qui.

Le plus juste, au fond, c'est de prendre cet avril 2026 pour ce qu'il est : un point de bascule technique réel, mais encore fragile. Le satellite a appris à comprendre la Terre sans la Terre. Reste à décider, ici-bas, ce qu'on le laisse en faire.

Sources principales :

1. TechCrunch — "A satellite just learned to find things on its own — here's what that means"
   Premier usage rapporté d'un VLM en orbite ; citations de Paul Lasserre (Loft Orbital) ; YAM-9, NAVI-Orbital (JPL), Gemma 3, Jetson Orin AGX. (techcrunch.com)
2. Mezha — "Satellite Autonomously Detects Target Using Vision Language Model in Orbit"
   Juan Delfa Victoria (JPL) a dirigé NAVI-Orbital, châssis logiciel de Gemma 3 ; tâches de classification nature/activité humaine et nœuds ferroviaires. (mezha.net)
3. CryptoRank / Bitcoin World — "A satellite just learned to find things on its own"
   YAM-9, premier satellite rapporté à identifier des cibles en autonomie via NAVI-Orbital + Gemma 3 sur Jetson Orin AGX ; Planet Labs explore les VLM. (cryptorank.io)
4. arXiv 2601.17589 — "Lightspeed Data Compute for the Space Era"
   Un satellite d'observation haute résolution produit 1 à 2 To d'images/jour ; contacts au sol de 5 à 15 min par orbite. (arxiv.org)
5. arXiv 2402.01675 — "Resource-efficient In-orbit Detection of Earth Objects"
   67 % des observations obscurcies par les nuages, donc de faible valeur ; architecture bent-pipe ; ~4,39 Go max par passe de 6 min à 100 Mbps. (arxiv.org)
6. Tech Times — "Satellite AI Inference Clears Orbit: Gemma 3 Ran Aboard YAM-9 in April"
   Gemma 3 : modèle open-weight de 1 à 27 milliards de paramètres, encodeur SigLIP, ratio attention 5:1 réduisant la pression mémoire ; détails NAVI-Orbital et LangGraph. (techtimes.com)
7. Newsgab — "Satellite Learnt To Locate Objects Autonomously, Why It Matters"
   Origine de NAVI-Orbital au JPL (assistant pour astronautes ne pouvant taper sur un clavier) ; dimension gouvernance et vie privée. (newsgab.com)
8. Tech Times — "Satellite AI Inference Clears Orbit" (couverture mondiale & limites)
   50 à 100 satellites comparables nécessaires pour une couverture mondiale en temps réel ; YAM-9 lancé le 28 novembre 2025 ; aucune métrique de performance publiée. (techtimes.com)
9. SatNews — "70,000 Satellites, One Big Bottleneck: The Industry Wakes Up to the Data Trap"
   Les clients veulent des réponses, pas des données brutes ; bascule vers les services à valeur ajoutée ; exemple GHGSat (vendre l'évitement d'amende, pas l'image). (satnews.com)