MIT : Rakhlin explique comment les universités doivent se préparer à une IA plus intelligente que leurs propres chercheurs

L'accélération du développement de l'IA dans la science

Le directeur du Centre de statistiques et d'analyse de données du MIT, Sacha Rakhlin, a publié un essai dans lequel il analyse comment les universités doivent se préparer à un avenir proche où l'intelligence artificielle deviendra plus intelligente que l'humain dans de nombreux aspects du travail intellectuel. Cette réflexion approfondie synthétise les débats sur la façon dont l'IA transforme les mathématiques, les statistiques, le machine learning et l'ingénierie — avant tout au niveau doctoral et dans la recherche scientifique.

Le rythme du développement de l'IA est stupéfiant. En mathématiques, l'année dernière, un modèle de réseau de neurones a atteint le niveau médaille d'or aux Olympiades internationales de mathématiques. À peine un an plus tard, les modèles produisent déjà des résultats de recherche originaux, dont une solution récemment proposée pour un des sept problèmes du millénaire (Millennium Prize Problems). Des tâches qui exigeaient autrefois des capacités mathématiques avancées peuvent désormais être réalisées automatiquement.

Rakhlin pointe un facteur clé : la rapidité et la fiabilité de la vérification des résultats. Les preuves formalisées peuvent être vérifiées automatiquement, les programmes peuvent être exécutés et testés. Là où l'évaluation est rapide et fiable, les systèmes peuvent générer des candidats, apprendre des résultats et s'améliorer. Cela crée un effet cumulatif : les modèles améliorés participent au round suivant de développement, accélérant le progrès de façon exponentielle. Le même principe s'applique à la recherche en IA elle-même : à l'amélioration des modèles, des procédures d'apprentissage et des outils auxiliaires.

Réévaluer les critères du système universitaire

Pour les chercheurs expérimentés, cela ouvre la possibilité de s'attaquer à des questions qui exigeaient auparavant des moyens techniques impossibles à mobiliser. Mais la différence entre obtenir une solution et comprendre pourquoi elle fonctionne et ce qui peut en être généralisé deviendra encore plus aiguë.

Le système de récompenses universitaire actuel doit être repensé. Dans un nombre croissant de domaines, un article publié devient un signal faible d'expertise individuelle. Rakhlin met en garde : on ne peut pas simplement définir la valeur comme « tout ce que l'IA ne peut pas encore faire ». Les départements doivent au contraire davantage valoriser :

• La formulation de bonnes questions
• La réplication et la reproduction des résultats
• La synthèse d'idées issues de sources différentes
• Les résultats négatifs informatifs
• Les jeux de données ouverts

L'évaluation doit établir explicitement ce que le chercheur a réellement apporté et de quoi il assume la responsabilité intellectuelle, y compris lorsque des parties significatives du travail ont été réalisées par l'IA. Ces attentes doivent déterminer la logique du recrutement, de la promotion et du financement — et être clairement formulées pour les doctorants actuels et futurs.

La reconversion est particulièrement difficile. Les capacités intellectuelles se développent par l'exercice. Les calculs de routine, le code, les tentatives infructueuses, les petites découvertes — tout cela aidait les étudiants à développer leur intuition et leur jugement. En déléguant ce travail à l'IA, les étudiants perdront des expériences formatrices, même si l'IA permet de s'attaquer à des projets plus ambitieux. Les universités doivent distinguer les frictions inutiles du travail qui développe l'expertise. Les étudiants doivent apprendre à formuler des problèmes, à vérifier les sorties des modèles, à reproduire les résultats et à défendre leurs choix. Les connaissances fondamentales pourraient devenir encore plus précieuses comme base pour un usage éclairé de ces outils.

Une infrastructure pour l'indépendance scientifique

Rakhlin voit là une véritable opportunité pour les universités : préserver la capacité de poursuivre des questions sur des horizons de long terme, de partager les résultats ouvertement et de vérifier les affirmations de façon indépendante. Les partenariats avec l'industrie sont nécessaires, mais les priorités commerciales ne couvriront pas toute l'étendue de la science et pourraient s'en écarter avec le temps. Les universités ont besoin d'indépendance technologique.

L'actif stratégique le plus important du monde académique, ce sont les connaissances et l'expérience accumulées dans les laboratoires. Les travaux publiés ne constituent qu'une partie du tableau. Les expériences ratées, les pistes abandonnées et les raisons pour lesquelles une approche n'a pas fonctionné restent non publiables. Les chercheurs détiennent un savoir tacite sur les interventions qui ont peu de chances de fonctionner, et pourquoi. Ce contexte explique pourquoi l'IA peine actuellement dans certains domaines, en particulier les sciences empiriques, à anticiper des conséquences évidentes pour un expert. Ces limites pourraient n'être que temporaires ; en collectant les résultats négatifs et les interprétations des chercheurs, les modèles deviendront bien meilleurs en matière de reconnaissance scientifique.

Rakhlin propose une vision : les laboratoires du MIT comme un seul organisme scientifique vivant, relié par une infrastructure d'IA commune pour la recherche. Imaginez : un neurobiologiste cherche des méthodes de segmentation des neurones sur des images de microscopie. Un agent IA identifie les avancées pertinentes dans le groupe de vision par ordinateur, met en relation les chercheurs, propose des bancs d'essai, aide à itérer. Il peut repérer des questions non résolues pour les étudiants et les enseignants, et rendre les résultats disponibles d'un laboratoire accessibles à d'autres.

Pour cela, il faut construire des workflows qui enregistrent les hypothèses, les interventions, les résultats, les échecs et les interprétations. Des systèmes partagés doivent relier ces workflows, permettant aux agents d'utiliser des outils et des informations entre laboratoires avec les autorisations appropriées. Cela exige des investissements publics et institutionnels considérables en puissance de calcul, en systèmes de données sécurisés et en compétences d'adaptation et de réentraînement des modèles d'IA.

Un tel suivi préservera la filiation des idées et facilitera la reconnaissance des contributions (y compris celles des doctorants). Avec des règles d'attribution harmonisées, les chercheurs pourront collaborer plus ouvertement. Cela aidera aussi à répondre à la question de la reconnaissance et de la rémunération des contributions intellectuelles.

Les systèmes d'IA synthétisent déjà des informations provenant de sources dépassant la capacité d'absorption de tout chercheur pris individuellement, et leur capacité à établir des connexions utiles ne va cesser de croître. Les universités doivent exploiter cette puissance pour se rassembler autour de problèmes scientifiques et techniques complexes, en aidant chacun à s'appuyer sur les forces et les idées des autres. Rakhlin y voit une voie prometteuse, mais les universités doivent investir dès maintenant pour la rendre possible.