L'IA pour la science : pourquoi les réseaux de neurones n'ont pas encore mérité la blouse blanche

Soyons honnêtes : pendant que nous commentons avec enthousiasme le dernier modèle de langage qui a écrit du code ou composé des poèmes, la réalité des laboratoires est bien moins rose. Il existe un domaine à la mode, l'IA pour la science, ou AI4S (AI for Science). Il devait bouleverser notre vision de la chimie, de la physique et de la biologie. Mais à y regarder de près, les modèles « intelligents » actuels sont infiniment loin de mériter le titre de scientifique. Ils ressemblent plutôt à des étudiants très lettrés qui ont appris la bibliothèque par cœur, mais restent paralysés dès qu'on leur met un tube à essai entre les mains.

Tout a commencé avec la première vague, aujourd'hui appelée AI4S 1.0. Son héros était AlphaFold, de Google DeepMind. Il a brillamment prédit la structure des protéines, et c'était une vraie percée. Mais voici le hic : c'était une victoire de la force brute et de la reconnaissance de motifs. Le modèle a trouvé des régularités dans un immense corpus de données que les humains avaient mis des décennies à rassembler. C'est impressionnant, mais ce n'est pas tout à fait de la science au sens classique. La science ne consiste pas seulement à repérer des coïncidences : elle cherche à comprendre pourquoi le monde fonctionne ainsi et pas autrement.

Le principal problème des meilleurs modèles actuels, c'est qu'ils vivent dans un monde de mots et de pixels, pas d'atomes et de forces. Les scientifiques parlent d'un défaut de compréhension des « premiers principes ». Quand on demande à une IA de concevoir un nouveau matériau, elle se met à combiner les données qu'elle connaît. Mais elle ne ressent pas les lois de la thermodynamique ou de la mécanique quantique comme un physicien. Résultat : des hallucinations qui ressemblent à des articles scientifiques, mais s'effondrent dès la première tentative de vérification dans la réalité. Les modèles ne savent tout simplement pas raisonner dans le cadre de contraintes physiques strictes.

L'industrie cherche aujourd'hui fébrilement la voie vers l'AI4S 2.0. Il ne s'agit plus seulement de « plus de données » ou de « plus de cartes graphiques », mais de changer l'architecture même de la pensée des machines. Il faut ce que la Chine appelle l'« intelligence scientifique » : des systèmes où les lois physiques sont intégrées dès l'origine. Imaginez un réseau de neurones incapable de produire une réponse qui viole la loi de conservation de l'énergie, simplement parce que sa structure mathématique l'interdit. C'est un basculement fondamental, de la devinette probabiliste vers la déduction.

Par ailleurs, la vraie science exige de l'autonomie. On se dirige vers le concept de « laboratoires fermés », où l'IA ne se contente pas de conseiller, mais planifie l'expérience, pilote des bras robotisés et, surtout, corrige sa théorie à partir de ses échecs. Les LLM actuels détestent se tromper : ils cherchent à plaire à l'utilisateur. Un vrai scientifique sait qu'un résultat négatif reste un résultat. Tant qu'on n'aura pas appris à l'IA à valoriser ses erreurs et à en tirer des conclusions logiques, elle restera un jouet coûteux entre les mains des chercheurs.

Les données posent aussi problème. Pour entraîner GPT-4, on a utilisé presque tout internet. Mais en science, les données sont rares, fragmentaires et souvent enfermées dans les archives des entreprises. Pour que l'AI4S 2.0 devienne réalité, il faut apprendre aux modèles à apprendre sur de petits échantillons et à synthétiser des données par la simulation. C'est un défi énorme pour les ingénieurs, et on ignore encore qui trouvera la clé en premier. Mais une chose est sûre : le prochain prix Nobel auquel l'IA sera associée ne récompensera pas un « beau texte », mais la compréhension de l'essence même de la matière.

L'essentiel : l'IA actuelle est un bibliothécaire génial, mais un piètre expérimentateur. Le concept d'AI4S 2.0 parviendra-t-il à transformer les réseaux de neurones en chercheurs autonomes, ou allons-nous heurter un plafond où la machine est par principe incapable d'une percée intuitive ?