Une nouvelle étude propose un cadre d’apprentissage zéro-shot (zero-shot learning, ZSL) dédié à la phénotypage des épis de maïs. Ce système permet d’extraire des caractéristiques géométriques précises des épis — telles que la longueur, le diamètre ou le nombre de grains — ainsi que d’estimer la production, dans des environnements aussi bien contrôlés en laboratoire qu’en champ, sans nécessiter de re-entraînement du modèle. Contrairement aux approches traditionnelles qui dépendent de grandes bases d’images étiquetées pour chaque variété ou condition, cette méthode s’appuie sur des connaissances préalables et des descriptions sémantiques des traits phénologiques. Grâce à une représentation commune entre les images d’épis et les descriptions textuelles, le modèle peut généraliser à de nouvelles variétés ou conditions environnementales inconnues au moment de l’entraînement. Cette capacité à « deviner » les caractéristiques d’épis non vus auparavant ouvre de nouvelles perspectives pour l’agriculture de précision, en rendant le phénotypage plus rapide, plus flexible et moins coûteux. En particulier, elle réduit fortement la dépendance aux données étiquetées, un frein majeur à l’adoption de l’intelligence artificielle en agriculture. Les résultats montrent que le cadre ZSL atteint des performances comparables à celles des modèles supervisés classiques, tout en offrant une grande robustesse face aux variations de conditions de culture. Cette avancée représente une étape importante vers des systèmes de phénotypage automatisés et évolutifs, capables de s’adapter à l’innovation variétale et aux changements climatiques, tout en restant accessibles aux chercheurs et aux agriculteurs.