Un prix Nobel pour un algorithme : pourquoi les chercheurs-IA risquent de tuer le goût de la découverte

Imaginez l'année 2050. À Stockholm, on annonce le lauréat du prix Nobel de physique, mais aucun professeur aux cheveux blancs ne monte au micro. Le prix revient à une baie de serveurs qui a calculé en quelques heures ce qui aurait pris des siècles à l'humanité. On dirait l'amorce d'un roman de science-fiction médiocre, pourtant le projet The Nobel Turing Challenge existe bel et bien. Son initiateur, Hiroaki Kitano, croit sérieusement que, d'ici le milieu du siècle, nous créerons un système d'IA capable de découvertes autonomes d'envergure mondiale. Mais derrière cet optimisme se cache une vérité plutôt dérangeante sur la façon dont les réseaux de neurones transforment dès aujourd'hui le paysage scientifique.

Nous avons l'habitude de voir la science comme le triomphe de la raison et de l'intuition humaines. Archimède dans son bain, la pomme de Newton, Mendeleïev et son tableau : toutes ces légendes comportent une part d'illumination. Les LLM actuels fonctionnent autrement.

Ils ne vivent pas de moment « eurêka » ; ils broient simplement, avec une grande efficacité, des volumes de données gigantesques. Aujourd'hui, les scientifiques recourent de plus en plus à l'IA pour la routine : trouver des articles, résumer des études, voire écrire le code des expériences. C'est pratique, sans conteste.

Mais quand l'algorithme se met à dicter la direction des recherches, on risque d'obtenir des découvertes dites « sans vie » : des résultats statistiquement justes, mais dépourvus de sens conceptuel profond, qui n'ouvrent aucun nouvel horizon.

Le problème tient à la nature même de l'entraînement des grands modèles de langage. Tout LLM est, au fond, un miroir de notre expérience passée. Il apprend à partir d'articles et d'hypothèses existants, il est donc génétiquement prédisposé au conservatisme. Si toute la communauté scientifique se met à employer les mêmes modèles pour générer des hypothèses, nous risquons de tomber dans le piège de la consanguinité intellectuelle. La recherche deviendra plus prévisible, et la diversité des approches, qui a toujours été le moteur du progrès, va fondre rapidement. Nous aurons des milliers de travaux qui affinent des détails, mais pas un seul qui change la donne.

Par ailleurs, le processus scientifique lui-même court un risque réel de dégradation. Quand l'IA prend en charge le travail préparatoire d'analyse de la littérature, le jeune chercheur perd la possibilité de tomber par hasard sur un détail important dans un domaine voisin. Ces erreurs et ces anomalies étranges qui ont souvent mené à de grandes découvertes, l'algorithme peut tout simplement les écarter comme du bruit. Dans la course à l'efficacité, nous risquons de jeter le bébé avec l'eau du bain : cette étincelle de curiosité qui pousse un humain à s'acharner des années sur un problème insoluble sans garantie de réussite. L'IA optimise le processus, mais la science n'est pas que de l'optimisation : c'est aussi du risque.

Il serait pourtant absurde de nier l'utilité de ces technologies. Les outils open source d'analyse de données et de préparation d'articles font déjà gagner des milliers d'heures aux chercheurs. Reste à savoir comment nous répartissons les rôles. L'IA peut être un excellent assistant de laboratoire, capable de traiter des téraoctets d'informations, mais elle ne doit pas devenir l'architecte en chef du sens. La vraie science a toujours été, et reste, un dialogue de l'humain avec l'inconnu, et non un simple exercice consistant à choisir le mot suivant le plus probable dans une phrase. Tant que nous conserverons le droit aux idées folles, aucune baie de serveurs ne nous remplacera.

L'essentiel : la communauté scientifique saura-t-elle freiner à temps et empêcher que la quête de la vérité ne devienne une chaîne sans fin de rapports prévisibles ?