L’IA au service de la science

Les chapitres précédents portaient sur les problèmes philosophiques que pose l’IA. Ce chapitre ouvre la deuxième famille de problèmes, les problèmes scientifiques. L’IA est d’abord un instrument de recherche, peut-être le plus puissant depuis l’ordinateur lui-même. Elle pose aussi des questions à la science : que vaut une découverte faite par une machine, et que devient la pratique scientifique quand une partie du travail lui est confiée ?

Deux prix Nobel en 2024

En octobre 2024, l’IA reçoit deux prix Nobel la même semaine. Le prix de physique va à John Hopfield et à Geoffrey Hinton, « pour des découvertes et des inventions fondamentales qui permettent l’apprentissage automatique avec des réseaux de neurones artificiels », comme le rappelle le chapitre « Apprentissage profond » du Module 3. Le prix de chimie récompense pour moitié David Baker, pour la conception de protéines par ordinateur, et pour l’autre moitié Demis Hassabis et John Jumper, de Google DeepMind, pour la prédiction de la structure des protéines.

Les lauréats des prix Nobel de 2024 liés à l'IA : John Hopfield et Geoffrey Hinton (physique), David Baker, Demis Hassabis et John Jumper (chimie). Photos : Hopfield, Hinton et Jumper, Arthur Petron ; Baker et Hassabis, John Sears ; CC BY-SA 4.0, via Wikimedia Commons.

AlphaFold

Une protéine est une chaîne d’acides aminés qui se replie dans l’espace, et sa forme détermine son rôle : transporter l’oxygène, combattre un virus, accélérer une réaction chimique. Prédire cette forme à partir de la seule chaîne était un problème ouvert depuis cinquante ans. Depuis 1994, un concours biennal, CASP, met les méthodes à l’épreuve sur des protéines dont la structure vient d’être déterminée en laboratoire, mais n’est pas encore publiée.

En novembre 2020, au concours CASP14, AlphaFold 2 atteint une précision médiane de 92,4 sur 100, comparable à celle des mesures expérimentales, qui demandent souvent des mois de travail. Son architecture repose sur un mécanisme d’attention, comme les modèles de langage. En juillet 2022, DeepMind et l’Institut européen de bio-informatique publient en libre accès plus de 200 millions de structures prédites, soit presque toutes les protéines connues. En 2025, plus de trois millions de chercheurs, dans plus de 190 pays, s’en étaient servis. AlphaFold 3, présenté en mai 2024, prédit aussi les assemblages de protéines avec l’ADN, l’ARN ou de petites molécules, ce qui intéresse directement la conception de médicaments.

Au-delà des protéines

AlphaFold est l’exemple le plus connu, mais l’IA transforme d’autres domaines.

• La météo. En 2023, le modèle GraphCast de Google DeepMind fait mieux que le meilleur modèle physique déterministe du monde, celui du Centre européen pour les prévisions météorologiques à moyen terme, sur 90 % des mesures, jusqu’à dix jours. Son successeur, GenCast, fait mieux que l’ensemble de prévisions du Centre sur 97 % des mesures, jusqu’à quinze jours. Le 25 février 2025, le Centre européen met lui-même en service un modèle d’IA pour ses prévisions officielles, qui consomme environ mille fois moins d’énergie par prévision.
• La fusion nucléaire. En 2022, DeepMind et l’École polytechnique fédérale de Lausanne pilotent les 19 bobines magnétiques d’un réacteur expérimental avec un agent entraîné par renforcement, qui donne au plasma les formes voulues.
• Les mathématiques. Le chapitre « Démontrer » du Module 4 a présenté les premiers résultats de recherche obtenus avec l’IA, et AlphaEvolve, qui améliore un algorithme de multiplication de matrices vieux de plus de cinquante ans.
• Les médicaments. En juin 2025, la revue Nature Medicine publie les résultats d’un essai clinique sur le rentosertib, un médicament contre la fibrose pulmonaire dont la cible et la molécule ont toutes deux été trouvées par des modèles génératifs. Chez 71 patients, sur douze semaines, il se montre sûr, et améliore la capacité pulmonaire par rapport au placebo, un résultat encore préliminaire. En 2026, aucun médicament découvert par l’IA n’a encore été autorisé. Isomorphic Labs, l’entreprise fondée par Demis Hassabis pour concevoir des médicaments, a repoussé à la fin de 2026 ses premiers essais cliniques.

Ces exemples ont un point commun : un problème bien défini, une mesure claire du succès et de grandes quantités de données. Les structures de protéines déterminées en laboratoire depuis des décennies, les archives météorologiques et les démonstrations vérifiables en sont des exemples.

Des promesses à vérifier

Les annonces dépassent parfois les résultats.

• Les matériaux. En novembre 2023, DeepMind annonce dans Nature que son modèle GNoME a découvert 2,2 millions de cristaux nouveaux, dont 380 000 stables, soit, selon DeepMind, l’équivalent de « près de 800 ans de connaissances ». En 2024, deux chimistes des matériaux, Anthony Cheetham et Ram Seshadri, examinent un échantillon de ces cristaux. Ils trouvent surtout des variantes banales de composés connus, souvent dans des arrangements d’atomes peu réalistes, et concluent qu’il s’agit de compositions chimiques, pas encore de matériaux, faute d’une propriété utile démontrée.
• La productivité des chercheurs. En novembre 2024, un doctorant du MIT publie une étude selon laquelle l’IA aurait permis aux chercheurs d’un grand laboratoire industriel de découvrir 44 % de matériaux en plus. L’étude est saluée par des économistes de premier plan. En mai 2025, le MIT déclare n’avoir « aucune confiance » dans l’origine et la validité de ses données, et demande son retrait.

Ces cas rappellent la règle du Module 2 : un score trop beau pour être vrai mérite d’abord la méfiance.

Des scientifiques artificiels ?

Une ambition plus récente est de confier à l’IA tout le cycle de la recherche : lire la littérature, formuler des hypothèses, concevoir des expériences, analyser les résultats et rédiger l’article. Ce sont les agents du Module 4, appliqués à la science.

• Un article accepté. En 2025, l’entreprise japonaise Sakana AI soumet à un atelier de la conférence ICLR un article entièrement rédigé par son système, « The AI Scientist ». Les évaluateurs, qui ne le savaient pas, lui donnent une note suffisante pour être accepté. L’article est retiré, comme prévu d’avance, et Sakana reconnaît qu’aucun de ses articles n’aurait atteint le niveau de la conférence principale.
• Une hypothèse retrouvée. En février 2025, Google présente un « co-scientifique », un ensemble d’agents fondés sur Gemini. L’équipe de José Penadés, à l’Imperial College de Londres, lui soumet une question sur laquelle elle travaille depuis des années : pourquoi certains éléments génétiques se retrouvent chez des espèces de bactéries différentes. En deux jours, la meilleure hypothèse du système correspond à celle que l’équipe venait de confirmer, sans l’avoir encore publiée. Penadés rappelle que les expériences doivent toujours être faites par des humains.
• Une piste de traitement. En 2026, le système Robin, de l’organisme FutureHouse, propose d’utiliser un médicament existant contre une forme de dégénérescence de la rétine, une piste confirmée sur des cellules, pas encore chez des patients. Son propre calcul annonçait un effet de 7,5 fois ; la vérification humaine trouve un effet de 1,75 fois.

Les gouvernements et les entreprises misent sur cette ambition. En novembre 2025, un décret présidentiel américain lance la « mission Genesis », qui compare son urgence à celle du projet Manhattan, pour bâtir des modèles scientifiques à partir des données et des superordinateurs des laboratoires nationaux. OpenAI, Google et Anthropic ont tous créé des programmes consacrés à la science.

Ce que l’IA fait à la pratique scientifique

L’IA ne transforme pas seulement ce que la science découvre, mais aussi la façon dont elle travaille, et pas toujours pour le mieux.

• Des articles rédigés avec l’IA. Une étude portant sur plus de quinze millions de résumés d’articles biomédicaux estime qu’au moins 13,5 % des résumés de 2024 ont été rédigés avec l’aide d’un modèle de langage, ce que trahit l’excès soudain de certains mots, comme delves (« se penche sur ») ou underscores (« souligne »). En informatique, la proportion atteindrait plus d’un résumé sur cinq.
• Des évaluations rédigées avec l’IA. Pour la conférence ICLR de 2026, une entreprise spécialisée estime qu’environ une évaluation sur cinq, parmi plus de 75 000, a été entièrement produite par un modèle de langage, une estimation contestée mais révélatrice. L’évaluation par les pairs, qui garantit en principe la qualité de la science, risque d’être confiée aux machines dont elle devait évaluer les produits.
• Des illusions de compréhension. En 2024, dans Nature, l’anthropologue Lisa Messeri et la psychologue Molly Crockett avertissent que l’IA peut donner aux chercheurs l’illusion de comprendre davantage, d’explorer plus largement et d’être plus objectifs qu’ils ne le sont. Le risque est une « monoculture du savoir », où la science produit davantage mais comprend moins.
• Plus d’articles, moins de progrès. En 2025, Sayash Kapoor et Arvind Narayanan remarquent que le nombre d’articles scientifiques a été multiplié par environ 500 entre 1900 et 2015, sans que le rythme des grandes découvertes s’accélère. Ils craignent que l’IA creuse cet écart, en facilitant la production d’articles plutôt que le progrès des connaissances, puisque, selon eux, la production se mesure facilement, et le progrès difficilement.

Dans la conversation

Dans la conversation de l’été 2025, un passage sur les limites de l’IA (1:30:05) soulève un argument que l’un des interlocuteurs juge troublant. Des dirigeants de l’industrie promettent que l’IA guérira toutes les maladies. Pourtant, entre la sortie de ChatGPT, en 2022, et l’été 2025, ces modèles ont lu une part immense de la littérature scientifique sans qu’aucune découverte majeure n’en sorte. Une machine qui a lu bien plus d’articles que n’importe quel chercheur devrait, semble-t-il, produire un saut quelque part. Depuis, les premiers résultats de recherche obtenus avec l’IA, en mathématiques et en biologie, commencent à répondre à cette question, sans la régler.

Ces développements posent une question plus profonde, qui dépasse la qualité des articles : que vaut une prédiction juste dont personne ne comprend la raison ? C’est un vieux problème de la science, que l’IA rend pressant.