L'IA en science : pourquoi les réseaux de neurones ne méritent pas encore la blouse blanche

Écoute, soyons honnêtes : alors que nous discutons avec enthousiasme de la façon dont le prochain modèle de langage a écrit du code ou composé de la poésie, les choses sont loin d'être roses dans les véritables laboratoires. Il existe une direction à la mode — IA pour la Science, ou AI4S. Cela était censé renverser notre compréhension de la chimie, de la physique et de la biologie. Mais si vous regardez de près, les modèles « intelligents » actuels sont encore infiniment loin d'être appelés de véritables scientifiques. Ce sont plutôt comme des étudiants très érudits qui ont mémorisé une bibliothèque entière, mais qui paniquent quand on leur remet un tube à essai.

Tout a commencé par la première vague, maintenant appelée AI4S 1.0. AlphaFold de Google DeepMind est devenu la star ici. Il a brillamment résolu la prédiction de la structure des protéines, et c'était vraiment une percée. Mais voilà le hic : c'était une victoire de la force brute et de la reconnaissance de motifs. Le modèle a trouvé des motifs dans un ensemble de données massif que les humains avaient collecté pendant des décennies. C'est cool, mais ce n'est pas vraiment la science au sens classique. La science n'est pas seulement trouver des coïncidences — c'est comprendre pourquoi le monde fonctionne de cette façon et non autrement.

Le principal problème avec les modèles les plus performants actuels est qu'ils vivent dans un monde de mots et de pixels, pas d'atomes et de forces. Les scientifiques appellent cela l'absence de compréhension des « premiers principes ». Lorsque vous demandez à l'IA de concevoir un nouveau matériau, elle commence à combiner les données qu'elle connaît. Mais elle ne ressent pas les lois de la thermodynamique ou de la mécanique quantique comme le ferait un physicien. En résultat, nous obtenons des hallucinations qui ressemblent à des articles scientifiques mais s'effondrent dès la première tentative de les vérifier dans la réalité. Les modèles ne peuvent tout simplement pas raisonner dans le cadre de contraintes physiques strictes.

En ce moment, l'industrie cherche frénétiquement le chemin vers AI4S 2.0. Ce n'est plus seulement une question de « plus de données » ou « plus de GPU ». C'est une question de changer l'architecture fondamentale de la pensée des machines. Nous avons besoin de ce que la Chine appelle « l'intelligence scientifique » — des systèmes avec les lois physiques intégrées dès le départ. Imaginez un réseau de neurones qui ne peut pas produire une réponse violant la loi de conservation de l'énergie simplement parce que sa structure mathématique ne le permet pas. C'est un changement fondamental de la devination probabiliste au raisonnement déductif.

De plus, la véritable science exige l'autonomie. Nous nous dirigeons vers le concept de « laboratoires fermés », où l'IA ne se contente pas de conseiller mais planifie l'expérience elle-même, contrôle les manipulateurs robotiques et, plus important encore, corrige sa théorie en fonction des échecs obtenus. Les LLM actuels détestent se tromper — ils essaient de plaire à l'utilisateur. Un vrai scientifique sait qu'un résultat négatif est aussi un résultat. Tant que nous n'aurons pas appris à l'IA à valoriser les erreurs et à en tirer des conclusions logiques, elle ne restera qu'un jouet coûteux entre les mains des chercheurs.

Il y a aussi le problème des données. Pour entraîner GPT-4, ils ont utilisé presque tout Internet. Mais en science, les données sont rares, fragmentées et souvent enfermées dans des archives d'entreprises. Pour que AI4S 2.0 devienne réalité, nous devons apprendre aux modèles à apprendre à partir de petits échantillons et synthétiser des données par le biais de simulations. C'est un énorme défi pour les ingénieurs, et il n'est toujours pas clair qui sera le premier à trouver cette clé. Mais une chose est claire : le prochain Prix Nobel impliquant l'IA ne sera pas décerné pour du « beau texte », mais pour la compréhension de l'essence même de la matière.

Point clé : L'IA actuelle est une excellente bibliothécaire mais une expérimentatrice médiocre. Le concept AI4S 2.0 parviendra-t-il à transformer les réseaux de neurones en chercheurs indépendants, ou nous heurterons-nous à un plafond où les machines sont fondamentalement incapables de percées intuitives ?