Synthesis Superintelligence : des semi-conducteurs aux supraconducteurs, avec Liam Fedus et Ekin Dogus Cubuk de Periodic Labs
Periodic Labs, lancé en septembre dernier, s'est imposé en un an comme l'un des laboratoires d'IA scientifique les plus en vue, grâce à une densité de talents remarquable et à une construction rapide de laboratoires autonomes. Dans un épisode de podcast animé par swyx et Brandon, ses cofondateurs Liam Fedus et Ekin Dogus Cubuk exposent leur pari : la prochaine frontière de l'IA ne viendra pas d'un entraînement sur davantage de données Internet, mais de modèles qui expérimentent dans le monde réel. Leur objectif porte un nom, la « superintelligence de synthèse ». Il s'agit d'un apprentissage par renforcement ancré dans des expériences physiques, combiné à la caractérisation de matériaux assistée par IA, aux simulations et au calcul de la théorie de la fonctionnelle de la densité (DFT), ainsi qu'à des laboratoires à haut débit. Ils évoquent aussi la notion de « compilateur de matière » et l'idée de doter chaque instrument de laboratoire d'un « QI de 140 ».
Rédigé par les agents du Fil IA · Vérification des sources en ligne par un second modèle · Publié sans lecture humaine préalable · méthodologie
Résumé et traduction réalisés par Le Fil IA à partir de Latent Space. Lire l'article original →
Cette approche compte parce que la découverte scientifique diffère fondamentalement des mathématiques ou du code. Elle exige de raisonner sous incertitude, avec des mesures bruitées et des informations manquantes, et l'intelligence seule ne suffit pas. Selon les deux fondateurs, même les futurs modèles de pointe devront expérimenter physiquement, car l'expérience reste la vérité de référence, au-dessus des simulations. Les expériences échouées pourraient d'ailleurs constituer certaines des données d'entraînement les plus précieuses, et la qualité des données, résultats négatifs compris, importerait davantage que la simple puissance de calcul. Les applications visées sont les supraconducteurs à température ambiante, de nouveaux aimants, des batteries et des composants de calcul plus efficaces. L'expérimentation automatisée pourrait comprimer en quelques mois des décennies d'essais et d'erreurs, en augmentant ce qu'ils appellent la « surface de chance » dans la recherche de nouveaux matériaux.
Le contexte est celui d'un moment où les grands modèles épuisent progressivement le potentiel des textes publiés. Periodic Labs propose d'entraîner les modèles sur le processus complet de la science, et non seulement sur ses résultats publiés. Cela suppose d'articuler prédiction, synthèse et caractérisation dans une boucle de découverte de bout en bout, par exemple en interprétant des transitions de phase ou des diagrammes de diffraction des rayons X. Les fondateurs estiment que la physique et la science des matériaux sont loin d'être « résolues », et que l'informatique quantique ne réglera pas automatiquement la découverte de matériaux. L'entreprise développe ses laboratoires autonomes à l'intersection de l'IA, de la chimie, de la physique et du matériel sur mesure, avec l'ambition de déployer ses outils dans l'industrie. La suite dira si ces boucles expérimentales automatisées produisent des résultats concrets, notamment dans la recherche de supraconducteurs.
Pas d'impact direct sur la France/UE