La physique a longtemps été considérée comme un objectif plus difficile pour l’intelligence artificielle que les mathématiques. Les problèmes sont plus complexes, les définitions plus floues et les phénomènes étudiés résistent souvent au type de formalisation rigoureuse qui a permis à l’IA de prospérer en mathématiques pures. Pourtant, des chercheurs de l’Université Yale remettent aujourd’hui en question cette réputation, et la réponse a des implications sur la manière dont la science elle-même est pratiquée.
Le problème des benchmarks dont personne ne parlait
Le discours dominant est le suivant : les modèles d’IA obtiennent de mauvais résultats aux tests de physique rigoureux, par conséquent l’IA n’est pas prête pour la recherche sérieuse en physique. Des scores aussi bas que 30 pour cent sur six benchmarks différents conçus pour évaluer les performances de l’IA sur des problèmes de physique difficiles semblaient confirmer ce point de vue.
John Sous, de l’Université Yale, a décidé d’examiner ces benchmarks de plus près. Ce que son équipe a découvert n’est pas un échec de l’IA, mais un échec des tests eux-mêmes. Les problèmes contenaient des erreurs et des définitions ambiguës. Une fois ces erreurs corrigées, les scores aux mêmes tests ont grimpé jusqu’à 94 pour cent.
C’est ce que la plupart des reportages sur l’IA en science oublient. La question n’est pas seulement de savoir quelles sont les performances de l’IA, mais ce qu’on lui demande exactement de faire. Une question mal formulée produit une réponse trompeuse. Les scores des benchmarks qui ont façonné le scepticisme du domaine concernant l’IA en physique mesuraient, au moins en partie, la qualité des tests plutôt que la capacité des modèles.
John Sous établit un lien clair entre cette découverte et un principe plus large : tout ce qui est bien défini, même si c’est très difficile, est un domaine où l’IA peut atteindre ou dépasser le niveau des meilleurs experts humains. Cette affirmation est étayée par les données de son équipe, et non par des spéculations.
Ce qui se passe lorsque l’IA contrôle le laser
L’histoire la plus immédiate ne concerne pas les benchmarks. Elle concerne ce qui se passe déjà dans les laboratoires en activité.
Logan Wright, également de l’Université Yale, enseigne désormais un cours sur l’utilisation de l’IA dans la recherche en physique. Le programme change constamment pour suivre le rythme des évolutions. Son approche de l’intégration de l’IA dans le travail expérimental repose sur une condition spécifique : les entrées et les sorties d’une expérience doivent pouvoir être contrôlées par du code. Lorsque cette condition est remplie, un système d’IA peut prendre le relais des commandes, explorer l’espace des problèmes et générer des résultats significatifs sans intervention humaine à chaque étape.
Un exemple concret issu du propre laboratoire de Logan Wright concerne l’étude de l’impact de différentes formes d’impulsions laser sur un atome de rubidium. Les chercheurs utilisent l’IA Claude d’Anthropic pour contrôler les impulsions laser et collecter des données sur les effets. Claude peut formuler une prédiction sur ce qu’une impulsion donnée va produire, puis tester cette prédiction directement. Des expériences de ce type peuvent tourner toute la nuit et accomplir en un temps record un travail qui prendrait autrement une semaine à un physicien humain. Les chercheurs peuvent même soumettre des idées à distance via une application mobile et examiner les résultats à leur retour au laboratoire.
Il ne s’agit pas d’une IA qui remplace les physiciens. Il s’agit d’une IA qui gère le volume et la répétition que les physiciens ne peuvent pas assumer. La contribution humaine se déplace vers la conception du dispositif expérimental, l’interprétation de la signification des résultats et le choix des questions qui valent la peine d’être posées en premier lieu.
Logan Wright est franc quant aux limites. Toute l’univers ne peut pas être exploré de cette manière. L’approche fonctionne dans des domaines restreints où tout peut être réduit à du code, et elle ne se généralisera pas facilement au travail ouvert et axé sur l’observation qui définit la frontière de la physique.
La question plus difficile derrière les résultats
C’est là que la conversation devient véritablement difficile. Logan Wright évoque la possibilité que l’IA conçoive bientôt une expérience que les humains ne comprennent pas entièrement, demande aux humains de la construire et produise de nouveaux résultats passionnants. Ce scénario n’est pas de la science-fiction. C’est une extrapolation à court terme de ce qui se passe déjà.
Mais cela soulève une question que la communauté physique n’a pas résolue : un résultat compte-t-il comme de la science si personne ne comprend comment il a été atteint ? Le même débat est déjà en cours en mathématiques, où les démonstrations générées par l’IA ont fait craindre que le domaine ne soit submergé par des productions qu’il ne peut pas évaluer de manière pertinente.
John Sous désigne la formalisation comme l’outil clé qui a permis à l’IA de progresser si rapidement en mathématiques. La formalisation convertit une idée mathématique en code informatique qui peut être vérifié systématiquement. Si un théorème survit à ce processus, il est considéré comme correct au-delà de tout doute raisonnable. La physique a commencé à utiliser des techniques similaires, mais le domaine en est à un stade précoce par rapport aux mathématiques, et de nombreux problèmes de physique résistent au type de définition précise que la formalisation exige.
Le travail créatif et interprétatif de la physique, c’est-à-dire identifier un phénomène confus, construire un modèle qui le capture et tester ce modèle face à la réalité, reste véritablement ouvert. John Sous le décrit comme un processus artistique. La question de savoir si l’IA peut faire tout cela de bout en bout, en définissant le problème, en créant le modèle, en l’explorant et en le testant, est une question à laquelle les preuves actuelles ne répondent pas encore.
En bref
La faiblesse apparente de l’IA en physique relevait en partie d’un problème de mesure, et non d’un problème de capacité. Des benchmarks corrigés racontent une histoire différente. Dans des contextes expérimentaux restreints, l’IA accélère déjà la recherche de manière significative, gérant en une nuit ce qui prendrait une semaine aux humains. Le défi le plus profond n’est pas computationnel. Il est conceptuel : à sa frontière, la physique consiste à donner un sens à des choses que nous ne comprenons pas encore, et cela reste un territoire où le rôle de l’IA demeure réellement incertain.
D’après un reportage de New Scientist.