La science a une habitude récurrente de se déclarer presque achevée. En 1903, le physicien Albert Michelson suggérait que les faits fondamentaux de la science physique avaient déjà été découverts. Des décennies plus tard, Stephen Hawking émettait l’hypothèse que la physique théorique pourrait bien être bouclée d’ici la fin du vingtième siècle. Aucune de ces prédictions n’a bien vieilli. Aujourd’hui, alors que l’intelligence artificielle redéfinit les laboratoires de recherche, un sentiment similaire d’achèvement imminent circule à nouveau. Cette fois-ci, un prix Nobel l’accompagne. La question qui vaut la peine d’être posée n’est pas de savoir si l’IA va transformer la science, mais si l’exemple le plus célèbre de cette transformation est réellement le bon modèle à suivre.
Pourquoi AlphaFold ne peut pas être copié partout
En 2024, Demis Hassabis et John Jumper de Google DeepMind ont reçu une partie du prix Nobel de chimie pour AlphaFold, un réseau de neurones qui prédit les structures tridimensionnelles des protéines. Le problème résistait à toute solution systématique depuis environ un demi-siècle. Le succès d’AlphaFold a conduit Hassabis et son équipe à le décrire comme « le modèle de la manière dont l’IA peut accélérer toute la science à la vitesse du numérique ». Une vague de startups construisant des foundational models pour la biologie, la chimie et la science des matériaux a levé des milliards de dollars sur la base de ce postulat.
Ce postulat repose cependant sur une condition bien plus difficile à reproduire qu’il n’y paraît. AlphaFold a été entraîné sur la Protein Data Bank, un répertoire d’environ 170 000 structures protéiques validées expérimentalement et assemblées au cours de 53 années de coopération scientifique internationale. Selon une estimation récente, cet effort a nécessité environ 21 milliards de dollars de travaux expérimentaux. Coordonner un projet d’une telle envergure est notoirement difficile à financer et à exécuter, et de telles initiatives ont fréquemment échoué.
Même là où le financement et la coordination sont présents, un problème plus profond subsiste. La technique expérimentale à l’origine de la Protein Data Bank, la cristallographie des protéines, est inhabituellement fiable. Plus de 25 prix Nobel en ont dépendu. La majeure partie de la science expérimentale ne bénéficie pas de ce type de cohérence. Les lignées cellulaires dérivent. Les produits chimiques comportent des traces de contaminants. L’humidité des laboratoires fluctue. Générer des jeux de données assez propres, assez précis et assez grands pour entraîner un réseau de neurones moderne dans l’ensemble de la biologie ou de la chimie nécessiterait de tout nouveaux standards de mesure. Aucun de ces standards n’est près d’être prêt.
Un petit nombre de domaines répondent aux exigences : la prévision météorologique, une grande partie de la génomique, des domaines limités de la chimie. Ceux-ci connaîtront peut-être des avancées de type AlphaFold à court terme. Pour la grande majorité des questions scientifiques ouvertes, une approche différente est nécessaire.
La révolution plus silencieuse : les agents IA comme partenaires de recherche
Ce que font réellement les scientifiques au travail ne consiste pas à appliquer un seul outil puissant à un problème bien défini. Ils raisonnent dans l’incertitude. Un biologiste à la recherche de nouvelles cibles médicamenteuses combine des calculs d’amarrage moléculaire avec des structures moléculaires connues, intègre la dynamique moléculaire, réalise des tests de liaison et fait preuve de discernement quant à la méthode à privilégier et au moment de le faire. La compétence réside dans la synthèse de ce que produisent de nombreux outils et dans la révision des conclusions à mesure que de nouvelles preuves arrivent. Jusqu’à récemment, aucun logiciel ne pouvait reproduire ce processus.
Les agents IA le peuvent. Un agent est un moteur de raisonnement IA doté d’un accès à des outils, numériques ou physiques, et de la capacité de les utiliser. Propulsés par des LLM, les agents ne nécessitent pas le type de jeux de données spécialisés et massifs qu’AlphaFold exigeait. Ils sont généralistes par conception. Ils ne représentent pas tant une nouvelle façon de faire de la science qu’un modèle numérique de la manière dont la science a toujours été menée par les humains.
L’AI Co-Scientist de Google, annoncé en mai, offre une illustration concrète. Des chercheurs lui ont fourni un dossier d’une page et un unique objectif : déterminer comment la résistance aux antibiotiques se propage entre les espèces bactériennes. Le système a déployé des sous-agents dotés de rôles distincts. L’un d’eux a rédigé des hypothèses à partir de la littérature scientifique. Un autre les a critiquées comme l’aurait fait un comité de lecture. Un troisième a organisé des tournois pour classer les candidats les plus solides. Un quatrième a affiné le vainqueur. L’agent a conclu que les gènes de résistance voyageaient à l’intérieur des virus bactériens, en utilisant n’importe quel virus capable de les transporter vers un nouvel hôte. L’hypothèse était correcte. Des chercheurs de l’Imperial College de Londres avaient passé une décennie à parvenir à la même conclusion par un travail de laboratoire. Leur article, que l’AI Co-Scientist n’avait jamais vu, était encore en cours d’évaluation par les pairs lorsque l’agent a produit son résultat.
Ce que cela signifie au-delà du laboratoire
Les implications vont bien au-delà d’une découverte isolée. Les agents s’attaquent à deux problèmes structurels qui affligent la science depuis des décennies.
Le premier est la reproductibilité. La science lutte depuis longtemps contre l’incapacité des chercheurs à reproduire les résultats des autres. Les efforts pour y remédier ont largement reposé sur la demande faite aux chercheurs de partager leurs données brutes et leur code exact, un travail fastidieux qui a tendance à être réalisé une fois que la science intéressante est terminée. Les agents consignent automatiquement chaque étape qu’ils franchissent, créant un enregistrement précis qui rend la réplication directe plutôt qu’aspirational.
Le second est la mémoire institutionnelle. Le transfert de connaissances entre chercheurs est un processus notoirement fragile. Les étudiants diplômés héritent souvent de décennies de cahiers de laboratoire désordonnés et doivent reconstruire les connaissances tacites qui y sont intégrées. À mesure que les agents occupent une place plus importante dans le travail de laboratoire, l’ensemble de l’historique scientifique d’un laboratoire peut s’accumuler dans un référentiel standardisé et consultable plutôt que d’être éparpillé sur des pages manuscrites.
La vitesse est toutefois l’effet le plus important de tous. Le cycle itératif d’hypothèse, d’expérience et de révision qui définit la recherche prend des mois, voire des années, lorsqu’il est réalisé par des équipes humaines travaillant de manière séquentielle. Les agents peuvent compresser ce cycle de manière significative, en menant de multiples pistes d’investigation en parallèle et en les révisant en temps réel.
En bref
AlphaFold est une authentique réussite scientifique, mais les conditions qui l’ont produit sont rares et coûteuses à recréer. L’accélération globale de la science proviendra plus vraisemblablement des agents IA : des systèmes qui raisonnent face à l’incertitude, utilisent de multiples outils et modélisent le processus itératif de la découverte plutôt que de résoudre un problème étroitement défini à l’aide d’un ensemble massif de données nettoyées. Le passage de la correspondance de motifs sur des données propres au raisonnement à travers des preuves désordonnées et incomplètes n’est pas une simple mise à jour technique mineure. C’est une relation fondamentalement différente entre l’IA et le processus scientifique.
D’après un reportage de MIT Technology Review.