Le nouveau système d’IA “Co-Scientifique” de Google vise à accélérer la découverte scientifique

Imaginez un partenaire de recherche qui a lu tous les articles scientifiques que vous avez, réfléchissant sans cesse à de nouvelles expériences 24 heures sur 24. Google (GOOGL ) tente de concrétiser cette vision avec un nouveau système d’IA conçu pour agir comme un “co-scientifique”.

Cet assistant alimenté par l’IA peut parcourir d’immenses bibliothèques de recherche, proposer des hypothèses fraîches et même établir des plans d’expériences – le tout en collaboration avec des chercheurs humains. Le dernier outil de Google, testé à l’Université de Stanford et à l’Imperial College de Londres, utilise un raisonnement avancé pour aider les scientifiques à synthétiser des montagnes de littérature et à générer des idées nouvelles. L’objectif est d’accélérer les percées scientifiques en donnant un sens à la surcharge d’informations et en suggérant des idées que l’homme pourrait manquer.

Ce “co-scientifique” d’IA, comme l’appelle Google, n’est pas un robot physique dans un laboratoire, mais un système logiciel sophistiqué. Il est basé sur les derniers modèles d’IA de Google (notamment le modèle Gemini 2.0) et reflète la façon dont les scientifiques pensent – de la réflexion à la critique des idées. Au lieu de simplement résumer les faits connus ou de rechercher des articles, le système est conçu pour découvrir des connaissances originales et proposer des hypothèses vraiment nouvelles basées sur des preuves existantes. En d’autres termes, il ne trouve pas seulement des réponses aux questions – il aide à inventer de nouvelles questions à poser.

Google et son unité d’IA DeepMind ont donné la priorité aux applications scientifiques de l’IA, après avoir démontré des succès tels qu’AlphaFold, qui a utilisé l’IA pour résoudre le puzzle de 50 ans de la folding des protéines. Avec le co-scientifique d’IA, ils espèrent “accélérer la vitesse de l’horloge” des découvertes dans des domaines allant de la biomedecine à la physique.

Co-scientifique d’IA (Google)

Comment fonctionne un co-scientifique d’IA

Sous le capot, le co-scientifique d’IA de Google est en réalité composé de plusieurs programmes d’IA spécialisés – pensez à une équipe de assistants de recherche super-rapides, chacun ayant un rôle spécifique. Ces agents d’IA travaillent ensemble dans un pipeline qui imite la méthode scientifique : l’un génère des idées, les autres les critiquent et les affinent, et les meilleures idées sont transmises au scientifique humain.

Selon l’équipe de recherche de Google, voici comment le processus se déroule :

• Agent de génération – extrait les recherches pertinentes et synthétise les résultats existants pour proposer de nouvelles voies ou hypothèses.
• Agent de réflexion – agit comme un réviseur, vérifiant l’exactitude, la qualité et la nouveauté des hypothèses proposées et éliminant les idées erronées.
• Agent de classement – organise un “tournoi” d’idées, faisant concourir les hypothèses dans des débats simulés, et les classe ensuite en fonction de leur potentiel.
• Agent de proximité – regroupe les hypothèses similaires et élimine les doublons afin que le chercheur ne passe pas son temps à examiner des idées répétitives.
• Agent d’évolution – prend les hypothèses les mieux classées et les affine encore, en utilisant des analogies ou en simplifiant les concepts pour améliorer les propositions.
• Agent de méta-révision – compile enfin les meilleures idées en une proposition de recherche cohérente ou en un aperçu pour le scientifique humain.

De manière cruciale, le scientifique humain reste impliqué à chaque étape. Le co-scientifique d’IA ne fonctionne pas en isolation ou ne prend pas de décisions finales seul. Les chercheurs commencent par fournir un objectif de recherche ou une question en langage naturel – par exemple, un objectif pour trouver de nouvelles stratégies pour traiter une certaine maladie – ainsi que toute contrainte ou idée initiale pertinente. Le système d’IA passe alors par le cycle ci-dessus pour produire des suggestions. Le scientifique peut fournir des commentaires ou ajuster les paramètres, et l’IA itérera à nouveau.

Google a conçu le système pour être “conçu pour la collaboration”, ce qui signifie que les scientifiques peuvent insérer leurs propres idées ou critiques pendant le processus d’IA. L’IA peut même utiliser des outils externes comme la recherche web et d’autres modèles spécialisés pour vérifier les faits ou recueillir des données pendant qu’elle travaille, garantissant que ses hypothèses sont ancrées dans des informations à jour.

Agents de co-scientifique d’IA (Google)

Un chemin plus rapide vers les percées

En confiant une partie du travail de recherche – les revues de littérature exhaustives et le brainstorming initial – à une machine infatigable, les scientifiques espèrent accélérer considérablement la découverte. Le co-scientifique d’IA peut lire beaucoup plus d’articles que tout humain et ne s’épuise jamais de nouvelles combinaisons d’idées à essayer.

“Il a le potentiel d’accélérer les efforts des scientifiques pour relever les grands défis de la science et de la médecine”, ont écrit les chercheurs du projet dans un article. Les premiers résultats sont encourageants. Dans une étude portant sur la fibrose du foie (la cicatrisation du foie), Google a rapporté que chaque approche suggérée par le co-scientifique d’IA a montré une capacité prometteuse pour inhiber les facteurs de la maladie. En fait, les recommandations de l’IA dans cette expérience n’étaient pas des tirs au hasard – elles correspondaient à ce que les experts considèrent comme des interventions plausibles.

De plus, le système a démontré sa capacité à améliorer les solutions conçues par l’homme au fil du temps. Selon Google, l’IA a continué à affiner et à optimiser les solutions que les experts avaient initialement proposées, indiquant qu’elle peut apprendre et ajouter une valeur incrémentale au-delà de l’expertise humaine à chaque itération.

Un autre test remarquable a impliqué le problème épineux de la résistance aux antibiotiques. Les chercheurs ont chargé l’IA d’expliquer comment un élément génétique aide les bactéries à propager leurs traits résistants aux médicaments. Inconnu de l’IA, une équipe scientifique distincte (dans une étude non encore publiée) avait déjà découvert le mécanisme. L’IA n’a reçu que des informations de base et quelques articles pertinents, puis a été laissée à ses propres dispositifs. En deux jours, elle est arrivée à la même hypothèse que les scientifiques humains.

“Cette découverte a été validée expérimentalement dans l’étude de recherche indépendante, qui était inconnue du co-scientifique pendant la génération de l’hypothèse”, ont noté les auteurs. En d’autres termes, l’IA a réussi à redécouvrir une idée clé par elle-même, montrant qu’elle peut relier les points d’une manière qui rivalise avec l’intuition humaine – au moins dans les cas où des données abondantes existent.

Les implications d’une telle vitesse et d’une portée interdisciplinaire sont énormes. Les percées se produisent souvent lorsque des idées de différents domaines se croisent, mais personne ne peut être un expert en tout. Un IA qui a absorbé des connaissances en génétique, chimie, médecine et plus pourrait proposer des idées que les spécialistes humains pourraient négliger. L’unité DeepMind de Google a déjà prouvé à quel point l’IA peut être transformateur dans la science avec AlphaFold, qui a prédit les structures 3D des protéines et a été salué comme un grand bond en avant pour la biologie. Cette réalisation, qui a accéléré la découverte de médicaments et le développement de vaccins, a même valu à l’équipe de DeepMind une part des plus hautes distinctions scientifiques (y compris une reconnaissance liée au prix Nobel).

Le nouveau co-scientifique d’IA vise à apporter des bonds similaires au brainstorming de recherche quotidien. Alors que les premières applications ont été dans la biomedecine, le système pourrait en principe être appliqué à tout domaine scientifique – de la physique à la science environnementale – puisque la méthode de génération et de vérification des hypothèses est agnostique en termes de discipline. Les chercheurs pourraient l’utiliser pour rechercher des matériaux nouveaux, explorer des solutions climatiques ou découvrir de nouveaux théorèmes mathématiques. Dans chaque cas, la promesse est la même : un chemin plus rapide de la question à l’idée, compressant potentiellement des années d’essais et d’erreurs en un laps de temps beaucoup plus court.