Le MIT explique comment l'intelligence artificielle et les sciences mathématiques et physiques peuvent se renforcer mutuellement

Le MIT a formulé la manière dont l'intelligence artificielle et les sciences fondamentales peuvent se renforcer mutuellement plutôt que de se développer séparément. Selon le professeur Jesse Thaler, la prochaine étape de l'IA ne dépend pas seulement de l'intégration des modèles dans la science, mais aussi de la mesure dans laquelle la science elle-même aidera à comprendre, améliorer et contrôler ces systèmes.

La logique d'un pont à double sens

La discussion est née de l'atelier AI+MPS, organisé par le MIT en 2025 avec des chercheurs en physique, mathématiques, chimie, science des matériaux et astronomie. Ces échanges ont débouché sur un white paper assorti de recommandations pour les universités, les chercheurs et les financeurs, publié ensuite dans la revue Machine Learning: Science and Technology.

Principale conclusion : l'IA doit déjà beaucoup aux sciences mathématiques et physiques, car ce sont elles qui ont fourni les problèmes complexes, les données de qualité et les idées sur lesquelles se sont construites les méthodes modernes d'apprentissage automatique.

Thaler propose d'envisager ce lien plus largement. Il ne s'agit pas seulement de laisser les réseaux de neurones aider à découvrir de nouveaux matériaux, analyser les données des collisionneurs ou résoudre des problèmes mathématiques. Les approches scientifiques peuvent aussi améliorer l'IA elle-même : expliquer le comportement des modèles, suggérer de nouvelles architectures et rendre les systèmes plus contrôlables. Au MIT, on estime qu'un champ à part entière est en train de se former à la jonction de ces deux mondes, et qu'il influencera à la fois la vitesse des découvertes scientifiques et la qualité des futurs systèmes intelligents.

« Ce doit être un mouvement dans les deux sens. »

Ce que la science apporte à l'IA

Au MIT, on appelle cela la science of AI : un regard scientifique sur les systèmes intelligents eux-mêmes. Dans l'article, Thaler la répartit en trois axes : la science comme socle de l'IA, la science comme source de nouveaux algorithmes et la science comme outil pour expliquer le fonctionnement des modèles.

Pour les disciplines fondamentales, ce n'est pas de la théorie abstraite, mais une voie pratique qui peut à la fois accélérer les découvertes et renforcer la fiabilité de l'IA, surtout là où l'on attend des modèles non seulement de la précision, mais aussi de l'interprétabilité.

Un consensus est vite apparu entre les cinq communautés scientifiques : le pont entre l'IA et la science ne se construira pas à coups de laboratoires isolés ou d'expériences ponctuelles. Il faut des conditions communes, valables pour plusieurs disciplines à la fois et soutenues durablement au niveau des institutions. Les participants de l'atelier ont résumé ce socle en quelques priorités pratiques, importantes aussi bien pour les universités que pour les financeurs et les équipes de recherche elles-mêmes :

• investir dans l'infrastructure de calcul et de données ;
• recourir à des méthodes de recherche interdisciplinaires ;
• assurer une formation plus rigoureuse des spécialistes à la croisée des domaines ;
• soutenir sur le long terme les projets où l'IA et la science progressent ensemble.

La physique des hautes énergies en offre un exemple à part. Les chercheurs y conçoivent des algorithmes en temps réel pour absorber le flux de données des collisionneurs. Ces solutions sont nécessaires à la recherche de nouvelle physique, mais elles peuvent ensuite dépasser largement le cadre d'une seule discipline et influencer l'ensemble de la pile IA. La logique est simple : plus le problème scientifique est ardu, plus les méthodes créées pour le résoudre ont de chances de servir dans d'autres domaines, de l'analyse de signaux à un entraînement plus efficace des modèles.

Talents et stratégie du MIT

La deuxième thèse transversale est que les modèles et le calcul ne suffisent pas. Un vrai progrès exige des personnes aussi à l'aise en informatique que dans leur discipline scientifique. Thaler les appelle des « scientifiques centaures ». Il ne s'agit pas de rares touche-à-tout isolés, mais d'une formation systématique : des cours intégrés pour les étudiants aux parcours de doctorat interdisciplinaires, en passant par les recrutements conjoints d'enseignants et des postes de postdoc dédiés, où de jeunes chercheurs peuvent travailler entre plusieurs domaines sans pénalité de carrière liée à ce profil hybride.

Le MIT estime disposer déjà d'une partie de cette infrastructure. Thaler cite en exemple l'IAIFI, l'institut A3D3 et des programmes universitaires qui apprennent aux étudiants à être « bilingues » en calcul et dans leur spécialité de base. Il insiste en particulier sur l'approche systémique : les universités gagnantes seront celles qui coordonneront recrutement, enseignement, ressources de calcul et financement de la recherche comme une stratégie unique. Signe de ce cap, le MIT a déjà lancé son premier recrutement conjoint d'enseignants entre la Schwarzman College of Computing et le département de physique.

Ce que cela signifie

La position du MIT montre que le prochain cycle de l'IA dépend de plus en plus non seulement des produits et de la mise à l'échelle des modèles, mais aussi de la science fondamentale. Pour le marché et les universités, c'est un signal : l'avantage concurrentiel reviendra de plus en plus souvent à ceux qui savent associer algorithmes, expertise scientifique, données, infrastructure et formation d'équipes interdisciplinaires.