DeepMind et l'IA agentique : vers une révolution scientifique

Une nouvelle ère pour la science avec l'IA

À travers l'histoire, certaines voix ont régulièrement annoncé la fin de la science. En 1903, Albert Michelson, un physicien respecté, affirmait que les découvertes en science physique étaient complètes. Plus tard, dans les années 1980, Stephen Hawking prévoyait la fin de la physique théorique avant le XXIe siècle. Aujourd'hui, l'intelligence artificielle (IA) suscite des réflexions similaires, notamment après qu'un prix Nobel ait été attribué dans ce domaine.

En 2024, Demis Hassabis et John Jumper, affiliés à Google DeepMind, ont été récompensés par une partie du prix Nobel de chimie grâce à leur création, AlphaFold. Ce réseau de neurones est capable de prédire les structures tridimensionnelles des protéines en s'appuyant sur des milliers de formes obtenues expérimentalement. Ce problème, qui avait résisté à de nombreuses tentatives pendant des décennies, semblait résolu par AlphaFold, suscitant un immense intérêt pour cette approche. Hassabis et son équipe ont décrit AlphaFold comme un modèle illustrant comment l'IA pourrait accélérer la science à une vitesse numérique. Le succès de DeepMind a entraîné une vague de startups dans les domaines de la biologie, de la chimie et de la découverte de matériaux, levant des milliards de dollars. AlphaFold a démontré que l'IA, associée à des données suffisantes, pouvait mener à des découvertes révolutionnaires, même sans comprendre entièrement les mécanismes sous-jacents.

Les limites d'AlphaFold et la nécessité d'une nouvelle approche

Bien que l'IA promette des transformations majeures dans le domaine scientifique, il devient de plus en plus évident qu'AlphaFold n'est peut-être pas le modèle idéal pour cette révolution. Malgré son succès, les conditions qui ont permis la création de modèles comme AlphaFold sont rares, et il faudra probablement des décennies pour les reproduire dans d'autres domaines. L'accélération de la science pourrait plutôt venir d'une autre approche : les agents d'IA.

Le succès d'AlphaFold repose sur l'existence de la Protein Data Bank, une base de données contenant environ 170 000 structures protéiques validées expérimentalement, sur laquelle l'équipe de DeepMind a pu entraîner son modèle. La création de cette base de données a nécessité 53 ans de coopération scientifique internationale et environ 21 milliards de dollars de travaux expérimentaux. De tels efforts sont difficiles à financer, presque impossibles à coordonner et extrêmement longs à réaliser, ce qui explique leurs échecs fréquents.

Même dans les domaines disposant des ressources nécessaires, une autre barrière persiste : l'impossibilité scientifique de générer des données comparables. Dans le cas des structures protéiques, la cristallographie des protéines est une technique expérimentale exceptionnellement fiable, ayant contribué à plus de 25 prix Nobel. Cependant, dans la plupart des sciences expérimentales, les résultats varient souvent. Les lignées cellulaires évoluent, les produits chimiques contiennent des contaminants, et l'humidité des laboratoires fluctue. Créer des ensembles de données suffisamment cohérents et précis pour entraîner un réseau de neurones moderne nécessiterait de nouvelles méthodes de mesure et des approches standardisées, qui ne seront pas disponibles de sitôt.

Les agents d'IA : une nouvelle voie pour la science

Certains domaines, comme les prévisions météorologiques ou certaines parties de la génomique, pourraient bénéficier de percées similaires à AlphaFold. Cependant, pour la majorité des questions scientifiques ouvertes, une autre stratégie est nécessaire à court terme. Heureusement, une approche plus discrète et modeste commence à montrer son potentiel.

Les scientifiques ont toujours dû raisonner dans l'incertitude. Les biologistes cherchant de nouvelles cibles médicamenteuses n'ont jamais eu accès à des ensembles de données parfaits. Ils combinent plutôt des calculs de docking, des structures connues, des dynamiques moléculaires et des essais de liaison, en utilisant leur jugement pour évaluer chaque méthode selon ses forces et ses faiblesses. La compétence scientifique réside dans la synthèse des résultats de nombreux outils et la révision des conclusions au fur et à mesure que de nouvelles preuves apparaissent. Jusqu'à récemment, aucun logiciel ne pouvait accomplir cela.

Les agents d'IA, cependant, en sont capables. En termes simples, un agent est un moteur de raisonnement en IA qui peut accéder à des outils numériques ou physiques et les utiliser. Ces dernières années, un changement architectural fondamental dans l'IA a permis la prolifération rapide de ces programmes, alimentés par de grands modèles linguistiques, réduisant considérablement le besoin d'ensembles de données spécialisés. Pour la science, cette avancée représente un changement fondamental, permettant la création d'outils numériques capables de reproduire le processus itératif et contingent de la recherche. Contrairement à AlphaFold, qui applique une approche puissante à une question limitée, les agents d'IA sont des généralistes, modélisant numériquement le processus humain de découverte.

L'exemple de l'IA Co-Scientifique de Google

Prenons l'exemple de l'IA Co-Scientifique de Google, annoncée en mai. Les chercheurs lui ont donné un bref de une page et un objectif : comprendre comment la résistance aux antibiotiques se propage entre les espèces bactériennes, un facteur clé des infections résistantes aux médicaments. Le système a généré des sous-agents. L'un a formulé des hypothèses à partir de la littérature, un autre les a examinées comme un évaluateur par les pairs, un troisième a organisé des tournois pour classer les candidats les plus solides, et un quatrième a affiné l'hypothèse gagnante. L'agent a conclu que les gènes de résistance se propageaient via des virus bactériens, utilisant ces virus pour atteindre de nouveaux hôtes. Cette hypothèse était correcte. Des chercheurs de l'Imperial College de Londres avaient mis une décennie à parvenir à la même conclusion par des travaux de laboratoire minutieux, et leur article était encore en cours d'évaluation par les pairs.

Les défis et promesses des agents d'IA

Bien que les agents comme Co-Scientifique soient encore nouveaux, et qu'il reste des défis à surmonter avant qu'ils ne deviennent omniprésents dans le processus scientifique, ces obstacles techniques finiront par être surmontés. Actuellement, ils peuvent encore halluciner, leur jugement n'est pas toujours cohérent, et ils ont des limitations de mémoire et d'entrée qui restreignent leur autonomie. Cependant, à mesure que ces barrières tomberont, les effets cumulatifs des agents sur la fiabilité, la cohérence et la rapidité de la science deviendront évidents.

Les agents offrent une solution structurelle à la "crise de reproductibilité" de la science, un problème répandu où les chercheurs peinent à reproduire les résultats des autres. Pendant des décennies, la communauté scientifique a exhorté les chercheurs à partager leurs données brutes et leur code exact pour standardiser les processus expérimentaux. Mais les chercheurs ont souvent résisté à ce travail administratif fastidieux. Les agents, en revanche, enregistrent automatiquement chaque mouvement, créant un enregistrement précis de la méthode ayant conduit à leurs résultats, permettant une réplication exacte.

Vers une mémoire scientifique amplifiée et une science accélérée

Une autre conséquence des agents sera l'amplification de la mémoire scientifique. Le transfert de connaissances entre chercheurs est notoirement imprécis ; sans une formation et une observation prolongées, les étudiants diplômés doivent souvent parcourir des carnets de laboratoire désordonnés pour trouver les détails cruciaux. À mesure que les agents deviennent une partie intégrante du processus scientifique, l'ensemble de l'histoire scientifique d'un laboratoire sera consigné dans un référentiel central et standardisé de connaissances institutionnelles.

Mais l'impact le plus significatif des agents sera la rapidité. Dans n'importe quel domaine, lorsque tester une idée prend moins de temps que de la discuter lors d'une réunion, les chercheurs cessent de débattre et passent directement à l'expérimentation. Un agent capable de lire mille articles en une heure, de concevoir 500 molécules et d'apprendre de ses échecs d'ici le matin réduira le coût de l'expérimentation et changera fondamentalement le rythme de la science. Cela permettra également aux chercheurs de poursuivre des questions audacieuses et inédites, ouvrant des portes scientifiques encore inexplorées.

Bien que le modèle AlphaFold soit crucial pour des découvertes incroyables, il ne mènera pas à la fin de la science. Au contraire, l'émergence de l'IA agentique représente une percée d'une portée inédite, englobant tous les domaines scientifiques. Historiquement, de tels outils n'ont été introduits que quelques fois, comme le calcul, l'inférence statistique, la spectroscopie et l'ordinateur. Chacun a révélé un monde de problèmes inattendus, redéfinissant leurs domaines respectifs. Avec les agents, une telle transformation est imminente.

Eric Schmidt, ancien PDG de Google, a cofondé Schmidt Sciences en 2024 avec sa femme Wendy, une initiative philanthropique pour financer des explorations non conventionnelles en science et technologie. Suhas Mahesh dirige le travail sur l'IA pour la science au Centre d'IA de Schmidt Sciences, spécialisé dans la découverte de matériaux. Maya Levin, associée et responsable des sciences au Bureau d'Eric Schmidt, a contribué à cette recherche.