FARS : 100 articles scientifiques en 228 heures et 11,4 milliards de tokens

Cent articles scientifiques en neuf jours et demi. C'est le résultat démontré par le système FARS — Fully Automated Research System — sans faire une seule pause pour dormir, prendre un café ou débattre scientifiquement avec des collègues. L'expérience, dont les détails ont choqué la communauté de recherche, pose une question au monde académique qu'on ne peut plus repousser : que se passe-t-il pour la science quand une machine écrit plus vite qu'un humain ne peut lire ?

En 228 heures de fonctionnement continu, FARS a généré exactement 100 articles scientifiques, consommant une quantité colossale de 11,4 milliards de tokens — à peu près l'équivalent du contenu de dizaines de milliers de livres scientifiques. Les chiffres en eux-mêmes sont impressionnants, mais leur véritable ampleur ne devient évidente que par comparaison : un chercheur expérimenté consacre de plusieurs semaines à plusieurs mois à la préparation d'un article complet. FARS a en moyenne dépassé un peu plus de deux heures par travail. Ce n'est pas une accélération du processus — c'est sa transformation qualitative.

L'émergence de tels systèmes à ce moment précis n'est pas une coïncidence. Ces deux dernières années ont été marquées par le développement rapide d'agents IA autonomes — des systèmes logiciels capables de planifier des tâches de manière indépendante, de chercher des informations, de formuler des hypothèses et de présenter des résultats sans intervention humaine constante. Alors que les premiers modèles de langage exigeaient des instructions détaillées à chaque étape, les architectures d'agents modernes peuvent construire de longues chaînes d'actions : de la formulation d'une question de recherche à l'édition finale du texte. FARS représente précisément un tel système fermé, où le cycle de recherche est totalement automatisé.

L'aspect technique de l'expérience mérite une attention particulière. 11,4 milliards de tokens ne sont pas seulement une mesure des ressources informatiques consommées ; c'est un indicateur indirect de la profondeur du travail du système. L'agent n'a pas simplement paraphrasé des textes existants : il a traité des matrices de données, construit une argumentation, généré des références bibliographiques et structuré le matériel selon les normes académiques. Une consommation si élevée de tokens suggère que le système a vraiment suivi des itérations multi-étapes plutôt que de générer des résumés superficiels. C'est précisément ici que surgissent des questions pour lesquelles il n'y a pas encore de réponses définitives.

Le problème central de la génération scientifique automatique est la qualité et la reproductibilité des résultats. Un article académique n'est pas seulement du texte formaté, mais du savoir vérifié : des données qui peuvent être vérifiées, une méthodologie qui peut être reproduite, des conclusions qui résisteront à l'examen critique des pairs. Aucun des organisateurs de l'expérience ne prétend que les 100 articles ont tous subi un examen expert indépendant.

La question de savoir dans quelle mesure ces articles répondent aux normes des revues à comité de lecture reste ouverte — et c'est peut-être la question la plus importante de toute cette histoire. La vitesse sans précision en science n'est pas seulement inutile — elle est dangereuse : les résultats faux qui entrent en circulation académique peuvent égarer des domaines entiers de recherche pendant des années.

Néanmoins, le potentiel de tels systèmes est difficile à ignorer. Il existe des domaines où la vitesse du traitement des données est critique — l'épidémiologie, la climatologie, la science des matériaux — où les chercheurs ne peuvent tout simplement pas suivre le rythme de l'analyse des flux d'informations entrantes. Un agent autonome capable de traiter et de systématiser en un jour ce qu'une équipe humaine prendrait un trimestre pour faire — c'est un véritable outil pour accélérer la connaissance, pas seulement une démonstration de puissance informatique. La question clé est comment intégrer de tels systèmes dans les mécanismes de vérification existants sans perdre ni la précision ni l'intégrité scientifique.

FARS n'est pas un point final mais un premier jalon sur une longue échelle. La communauté académique, les éditeurs et les régulateurs font face à la nécessité de développer de nouvelles normes : comment étiqueter les travaux avec une forte proportion de génération automatique, comment adapter l'examen par les pairs à un rythme différent de production textuelle, comment distinguer la recherche profonde par machine de la simulation de profondeur par machine. L'expérience a clairement montré que la barrière de la vitesse a déjà été franchie. La prochaine barrière est la confiance. Et sa hauteur se mesure non pas en tokens.