Le MIT a expliqué comment l’intelligence artificielle et les sciences mathématiques et physiques se renforcent mutuellement

Le MIT a expliqué comment 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 dépend non seulement de la mise en œuvre de modèles en science, mais aussi de la façon dont la science elle-même aidera à comprendre, améliorer et contrôler ces systèmes.

La Logique d'un Pont Bidirectionnel

La conversation a été motivée par l'atelier AI+MPS que le MIT a organisé en 2025 avec des chercheurs en physique, mathématiques, chimie, science des matériaux et astronomie. De ces discussions a émergé un livre blanc avec des recommandations pour les universités, les chercheurs et les agences de financement, ultérieurement publié dans la revue Machine Learning: Science and Technology.

La conclusion principale : l'IA doit déjà beaucoup aux sciences mathématiques et physiques, car elles ont fourni les problèmes complexes, les données de haute qualité et les idées sur lesquelles les méthodes modernes d'apprentissage automatique ont été construites.

Thaler propose d'envisager la connexion de manière plus large. Il ne s'agit pas seulement de réseaux de neurones aidant à trouver de nouveaux matériaux, analyser les données des collisionneurs ou résoudre des problèmes mathématiques. Les approches scientifiques peuvent également améliorer l'IA elle-même : expliquer le comportement des modèles, suggérer de nouvelles architectures et rendre les systèmes plus gérables.

Le MIT estime que, à l'intersection de ces deux mondes, se forme actuellement un domaine distinct qui influencera à la fois le rythme des découvertes scientifiques et la qualité des futurs systèmes intelligents.

"Cela doit être un mouvement dans les deux sens."

Ce que la Science Apporte à l'IA

Le MIT appelle cela la science de l'IA — une perspective scientifique sur les systèmes intelligents eux-mêmes. Dans son article, Thaler la divise en trois directions : la science comme fondation pour l'IA, la science comme source de nouveaux algorithmes et la science comme outil pour expliquer comment les modèles fonctionnent.

Pour les disciplines fondamentales, ce n'est pas une théorie abstraite mais une voie pratique qui peut simultanément accélérer les découvertes et améliorer la fiabilité de l'IA, en particulier où les modèles sont attendus non seulement d'être précis mais aussi interprétables.

Des discussions de cinq communautés scientifiques, un consensus a rapidement émergé : le pont entre l'IA et la science ne peut pas être construit par des laboratoires séparés ou des expériences ponctuelles. Des conditions communes sont nécessaires qui fonctionneront dans différentes disciplines et seront soutenues durablement au niveau institutionnel.

Les participants à l'atelier ont réduit cet ensemble de base à plusieurs priorités pratiques importantes pour les universités, les agences de financement et les équipes de recherche :

• des investissements dans les infrastructures informatiques et les infrastructures de données;
• des méthodes de recherche interdisciplinaires;
• une formation plus rigoureuse des spécialistes à l'intersection des domaines;
• un soutien à long terme des projets où l'IA et la science se développent ensemble.

Un exemple distinct est la physique des hautes énergies. Là, les chercheurs construisent des algorithmes en temps réel pour gérer le flux de données des collisionneurs. Ces solutions sont nécessaires pour découvrir une nouvelle physique, mais peuvent ensuite s'étendre bien au-delà d'une seule discipline et influencer la pile d'IA plus large. La logique ici est simple : plus le problème scientifique est rigoureux, plus il y a de chances que les méthodes créées pour lui s'avèrent utiles dans d'autres domaines, du traitement du signal à un entraînement des modèles plus efficace.

Personnel et Stratégie au MIT

La deuxième thèse transversale est que les modèles et l'informatique seuls ne suffisent pas. Pour un vrai progrès, nous avons besoin de personnes qui se sentent également confiantes en informatique et dans leur discipline scientifique. Thaler les appelle les "savants-centaures."

Il ne s'agit pas d'individus universels rares mais d'une formation systématique : des cours intégrés pour les étudiants aux programmes de doctorat interdisciplinaires, aux embauches conjointes de professeurs et aux postes postdoctoraux spéciaux où les jeunes chercheurs peuvent travailler entre les domaines sans pénalité professionnelle pour cette hybridité.

Le MIT estime qu'il a déjà une partie de cette infrastructure. Thaler cite l'IAIFI, l'institut A3D3 et les programmes universitaires qui enseignent aux étudiants à être "bilingues" en informatique et dans leur spécialité de base comme exemples.

Un accent particulier est mis sur l'approche systémique : les universités qui coordonnent l'embauche, l'éducation, les ressources informatiques et le financement de la recherche en tant que stratégie unifiée en bénéficieront. Comme signe de cette approche, le MIT a déjà lancé la première recherche conjointe de professeurs entre le Schwarzman College of Computing et le Département de Physique.

Ce Que Cela Signifie

Selon la position du MIT, il est clair que la prochaine vague d'IA est de plus en plus liée non seulement aux produits et à l'évolution des modèles, mais à la science fondamentale. Pour le marché et les universités, c'est un signal : l'avantage concurrentiel appartiendra de plus en plus à ceux qui savent combiner les algorithmes, l'expertise scientifique, les données, l'infrastructure et la formation des équipes interdisciplinaires.