L’intelligence artificielle a obtenu l’un de ses succès scientifiques les plus nets en apprenant à partir d’un vaste jeu de données soigneusement constitué. Mais une nouvelle analyse de MIT Technology Review soutient que ce modèle de progrès sera difficile à reproduire dans la plupart des domaines — et que des agents d’IA capables de raisonner à travers plusieurs outils pourraient constituer une voie plus pratique à suivre.

L’argument est important car les conditions derrière AlphaFold sont inhabituelles. Le système de structure des protéines de Google DeepMind a bénéficié de décennies de collecte internationale de données et d’une méthode expérimentale relativement fiable. Une grande partie de la biologie, de la chimie et de la science des matériaux ne dispose pas de jeux de données comparables, de mesures cohérentes ni de procédures standardisées. Pour les chercheurs et les créateurs d’IA, cela implique que les progrès pourraient dépendre moins de la découverte d’un jeu de données scientifique universel que de la construction de systèmes capables de combiner des preuves imparfaites et de tester des idées de manière itérative.

Le succès d’AlphaFold reposait sur des conditions rares

AlphaFold est devenu une référence pour l’IA dans la science après avoir prédit des structures protéiques tridimensionnelles à partir d’exemples mesurés expérimentalement. Demis Hassabis et John Jumper de Google DeepMind ont partagé le prix Nobel de chimie 2024 pour des travaux associés au système.

L’analyse de MIT Technology Review présente AlphaFold comme une réalisation profonde, mais pas nécessairement comme un modèle général pour automatiser la découverte. Sa base d’entraînement était la Protein Data Bank, qui contient environ 170 000 structures protéiques validées expérimentalement. Selon l’analyse, la constitution de cette ressource a pris 53 ans de coopération internationale et un coût estimé à 21 milliards de dollars en travaux expérimentaux.

Cet investissement a été possible en partie parce que la cristallographie des protéines produit des données particulièrement reproductibles. Les mêmes conditions ne s’appliquent pas à une grande partie de la science expérimentale. Les lignées cellulaires peuvent changer, les produits chimiques peuvent contenir des impuretés à l’état de traces et les conditions de laboratoire peuvent affecter les résultats. Produire des mesures suffisamment cohérentes, précises et à grande échelle pour les réseaux neuronaux modernes pourrait nécessiter de nouveaux instruments, de nouvelles normes et de nouvelles infrastructures de recherche.

Certains domaines — notamment les prévisions météorologiques, une grande partie de la génomique et certaines parties limitées de la chimie — peuvent encore offrir les conditions de données nécessaires à des systèmes de type AlphaFold. Mais l’analyse indique que le soutien public à la création et à la coordination de jeux de données scientifiques restera important, tandis que de nombreux autres problèmes de recherche nécessiteront à court terme une approche technique différente.

Pourquoi le raisonnement compte lorsque les données sont désordonnées

Les scientifiques travaillent rarement à partir de preuves parfaites. Un chercheur étudiant une cible médicamenteuse peut combiner docking moléculaire, structures connues, simulations de dynamique moléculaire, un petit nombre d’essais de liaison et jugement d’expert. Le processus dépend de la comparaison des outils, de la compréhension de leurs faiblesses et de la révision des conclusions à mesure que de nouvelles preuves apparaissent.

L’article soutient que les agents d’IA commencent à modéliser ce flux de travail. Un agent est décrit comme un système de raisonnement connecté à des outils numériques ou physiques et capable de décider comment les utiliser. Plutôt que d’appliquer un modèle très spécialisé à une seule question, les agents peuvent coordonner des recherches bibliographiques, la génération d’hypothèses, la critique, les expériences et l’analyse de suivi.

L’exemple cité est Google AI Co-Scientist, que Google a annoncé en mai. Des chercheurs ont fourni une consigne brève et ont demandé au système d’étudier comment la résistance aux antibiotiques se propage entre espèces bactériennes. Le système a utilisé des sous-agents pour la génération d’hypothèses fondée sur la littérature, la critique, le classement et le raffinement. Il aurait proposé que des gènes de résistance puissent passer d’un hôte à l’autre via des virus bactériens.

MIT Technology Review indique que l’hypothèse correspondait à une conclusion obtenue après une décennie de travail de laboratoire humide par des chercheurs de l’Imperial College London. L’article concerné n’aurait pas été vu par Co-Scientist et était encore en cours d’évaluation par les pairs. Cela rend l’exemple notable, mais les preuves disponibles ici restent le récit d’une analyse publiée plutôt qu’un benchmark documenté de manière indépendante ou une vaste étude de validation. Il faut le considérer comme un résultat illustratif, non comme une preuve que les agents scientifiques sont prêts pour la recherche sans supervision.

Les agents pourraient transformer le flux de travail de recherche

L’opportunité la plus immédiate n’est pas de remplacer les scientifiques. C’est de réduire les frictions entre preuves, outils et expériences. Un agent performant pourrait rechercher de vastes corpus de littérature, proposer des explications testables, préparer des expériences computationnelles et enregistrer le raisonnement ainsi que les appels d’outils derrière ses recommandations.

Cette tenue de registres pourrait répondre en partie à la crise de la reproductibilité. Les chercheurs et les financeurs encouragent depuis longtemps les scientifiques à partager les données brutes, le code et les détails de procédure, mais ces tâches sont souvent réalisées après le travail principal et peuvent être incomplètes. Des agents qui enregistrent automatiquement leurs actions pourraient créer un registre plus précis de la manière dont un résultat a été produit. Cela aiderait un autre laboratoire à reproduire un flux de travail computationnel, même si cela ne résoudrait pas à lui seul la variabilité des expériences physiques ni ne garantirait que le raisonnement d’un agent soit correct.

Les agents pourraient aussi préserver la connaissance institutionnelle. Les méthodes de laboratoire sont souvent transmises de manière informelle entre chercheurs ou enfouies dans des cahiers incohérents. Un référentiel standardisé du travail assisté par des agents pourrait faciliter l’accès aux décisions antérieures, aux expériences échouées et aux détails de procédure. Pour les équipes de recherche en entreprise, cela pointe vers un cas d’usage pratique : connecter les modèles à des documents internes approuvés, à des outils de simulation, à des systèmes de laboratoire et à des processus de revue plutôt que de déployer un chatbot généraliste de manière isolée.

La vitesse constitue un autre avantage potentiel. L’analyse suggère que des systèmes capables de lire de vastes collections d’articles, de concevoir de nombreuses molécules candidates et d’apprendre à partir d’essais infructueux pourraient réduire le coût de l’exploration d’idées. L’avantage ne serait pas simplement d’obtenir des réponses plus vite. Des expérimentations moins coûteuses pourraient rendre les chercheurs plus enclins à étudier des questions inhabituelles ou risquées.

Preuves, limites et risques de déploiement

Le dossier en faveur des agents scientifiques reste prospectif. MIT Technology Review souligne explicitement que les systèmes actuels peuvent halluciner, produire des jugements incohérents et fonctionner avec des contraintes de mémoire et d’entrée. Ces limites sont sérieuses dans des domaines où une hypothèse séduisante peut malgré tout être scientifiquement fausse, dangereuse ou impossible à reproduire.

Les affirmations les plus fortes de l’article sur les améliorations futures, une fiabilité accrue et l’accélération de la recherche relèvent de l’analyse et de l’interprétation, et non de résultats de marché établis. Les preuves fournies n’incluent ni chiffres d’adoption, ni comparaisons contrôlées avec des équipes humaines, ni mesures indépendantes de productivité. Elles ne montrent pas non plus que les agents peuvent contrôler de manière fiable des équipements de laboratoire ou gérer des programmes de recherche de longue durée sans supervision étroite.

Pour les créateurs, le défi de conception est donc plus large que la seule qualité du modèle. Les agents scientifiques ont besoin de provenance, d’autorisations d’outils, de journalisation des expériences, de rapports d’incertitude et d’un examen humain aux points de décision importants. Ils doivent distinguer un résultat soutenu par des mesures reproduites d’une hypothèse plausible mais faible. Dans les environnements réglementés ou sensibles à la sécurité, les équipes auront aussi besoin d’enregistrements clairs du modèle, des données, de la version du logiciel et des conditions expérimentales qui ont façonné chaque recommandation.

Ce qu’il faut surveiller ensuite

Les prochains signaux significatifs seront des évaluations comparant des agents scientifiques à des chercheurs utilisant les mêmes questions, outils et budgets de temps. La reproduction indépendante de résultats attribués à Google AI Co-Scientist fournirait des preuves plus solides qu’un seul cas réussi.

Les chercheurs et les acheteurs devraient également surveiller si les agents peuvent maintenir des plans de recherche cohérents sur de plus longues périodes, citer les preuves avec précision, se remettre d’expériences ratées et transférer le travail entre laboratoires. Un autre test clé sera l’intégration avec la véritable infrastructure scientifique : cahiers de laboratoire électroniques, environnements de simulation, bases de données et systèmes robotiques.

Les progrès des normes de mesure compteront autant que les progrès des modèles. Là où des jeux de données scientifiques fiables peuvent être créés, des systèmes spécialisés comme AlphaFold peuvent rester extrêmement efficaces. Ailleurs, les performances des agents dépendront de leur capacité à gérer des mesures bruitées, des articles contradictoires et des connaissances institutionnelles incomplètes.

Point de vue de Creati.ai

La leçon centrale n’est pas que les modèles scientifiques fondés sur les données ont échoué. AlphaFold montre à quel point ils peuvent être puissants lorsqu’un domaine dispose de données d’entraînement abondantes, structurées et fiables. La correction la plus importante est que la plupart des recherches ne réunissent pas ces conditions, de sorte que les produits d’IA pour la science doivent être conçus autour de l’incertitude plutôt que de la faire disparaître par hypothèse.

Pour les entreprises d’IA et les organisations de recherche, l’opportunité à court terme est une couche vérifiable qui coordonne les outils scientifiques existants et capture toute la chaîne allant de la question à la preuve puis à l’expérience. C’est moins spectaculaire que de promettre une découverte autonome, mais c’est plus conforme à la manière dont la science est réellement pratiquée — et plus facile à tester, contester et améliorer pour des utilisateurs experts.