Évaluer la capacité de l'IA à accélérer la recherche biologique

Comment une IA associé à un labo automatisé accélère la recherche biologique

Des chercheurs d'OpenAI et de Ginkgo Bioworks viennent de franchir un cap inédit dans la recherche biologique : un modèle d'IA a conçu, exécuté et optimisé des expériences scientifiques de manière quasi autonome, en boucle avec un laboratoire entièrement robotisé. En l'espace de deux mois, le système a réalisé plus de 36 000 tests et réduit d'environ 40 % le coût de production d'une protéine cible. L'enjeu dépasse largement la performance technique. La biologie a longtemps résisté à l'automatisation cognitive : contrairement aux mathématiques ou à l'informatique, il n'existe pas de "bonne réponse" unique, et formuler puis valider une hypothèse y reste extraordinairement complexe. Associer un grand modèle de langage à une infrastructure robotisée capable de boucler des expériences en moins d'une heure ouvre la voie à une accélération radicale du développement de nouveaux médicaments, avec à la clé un accès plus rapide aux traitements pour les patients. Le protocole reposait sur la protéine fluorescente verte superfolder (sfGFP), référence classique en biologie, et sur la technique de synthèse protéique acellulaire (CFPS), une méthode qui produit des protéines sans cellules vivantes, évitant les étapes longues d'insertion d'ADN et de culture cellulaire. Le modèle GPT-5 d'OpenAI, depuis San Francisco, envoyait ses protocoles aux robots de Ginkgo Bioworks installés à Boston ; après chaque cycle d'environ une heure, il analysait les résultats et proposait de nouvelles expériences, sans supervision humaine permanente. Joy Jiao, responsable de la recherche en sciences de la vie chez OpenAI, admet avoir doutée que l'IA puisse concevoir une seule expérience fonctionnelle, les premiers résultats l'ont surprise. Pour Michael Jewett, bioingénieur à l'Université de Stanford, ce couplage IA–laboratoire autonome représente un changement de paradigme pour la découverte thérapeutique. Reshma Shetty, directrice des opérations et cofondatrice de Ginkgo Bioworks, souligne quant à elle que les modèles d'IA seuls ne suffisent pas : c'est leur intégration avec des infrastructures physiques automatisées, ce que le PDG Jason Kelly compare au "Waymo de la biologie", qui libère leur plein potentiel scientifique.

Progrès dans la recherche indépendante sur l'alignement de l'IA

OpenAI verse 7,5 millions de dollars au Projet d'alignement pour soutenir des recherches indépendantes sur l'alignement de l'intelligence artificielle, visant à renforcer les efforts mondiaux pour atténuer les risques liés à la sécurité et à la sûreté de l'intelligence artificielle générale (AGI). Ce financement vise à encourager des études non liées à des intérêts commerciaux, afin d'améliorer la compréhension et la gestion des défis de l'AGI.

Un chercheur Microsoft crée un réseau neuronal à base de chèvres dans Age of Empires II pour critiquer la recherche en IA

Un chercheur de Microsoft a construit un réseau de neurones fonctionnel dans l'éditeur de cartes d'Age of Empires II, en utilisant des chèvres, des ponts et des rampes de glace. Le système reproduit fidèlement les opérations mathématiques d'un réseau de neurones artificiel classique, avec des unités logiques remplacées par des animaux qui se déplacent selon des règles précises. Ce qui ressemble à une expérience absurde est en réalité une démonstration délibérément provocatrice. L'objectif est de mettre en lumière un biais méthodologique profond dans la recherche sur l'IA. En analysant 315 articles scientifiques, le chercheur a constaté que plus de la moitié d'entre eux présupposaient des traits humains chez les modèles de langage avant même que l'expérience ne commence. Or, si l'on remplace une interface de chat par des chèvres errantes, les mathématiques sous-jacentes ne changent pas, mais l'impression de dialoguer avec une entité consciente disparaît immédiatement. C'est précisément ce sentiment, et non les données, qui influence les conclusions de nombreuses études. Cette démonstration s'inscrit dans un débat scientifique plus large sur l'anthropomorphisation des systèmes d'IA. Depuis l'émergence des grands modèles de langage comme GPT-4 ou Gemini, une partie de la communauté académique tend à projeter des capacités cognitives humaines sur des systèmes qui ne font qu'optimiser des probabilités statistiques. En montrant qu'un troupeau de chèvres peut réaliser les mêmes calculs qu'un réseau neuronal, le chercheur pousse ses pairs à interroger leurs cadres d'interprétation avant de publier des conclusions sur la "compréhension" ou la "conscience" des modèles.

L'IA peut moderniser les logiciels de recherche, mais pas juger si la science est correcte

OpenAI et plusieurs partenaires académiques ont publié un rapport de terrain montrant que les agents de codage IA peuvent moderniser des logiciels de recherche scientifique laissés à l'abandon, avec des gains de performance atteignant jusqu'à 60 fois la vitesse d'origine. Ces outils ont été testés sur du code utilisé par des chercheurs, souvent ancien, mal documenté ou jamais optimisé, faute de temps ou de compétences en ingénierie logicielle au sein des équipes scientifiques. Les résultats montrent que les agents parviennent à réécrire, paralléliser et accélérer ces programmes de manière significative, sans intervention humaine lourde sur le code lui-même. Mais le rapport pointe une limite critique : ces systèmes se montrent, selon les mots des participants, "éloquents, convaincants, et confiants à tort d'une manière difficile à détecter". Autrement dit, un agent peut produire du code plus rapide et qui semble fonctionner, tout en introduisant des erreurs subtiles qui faussent les résultats scientifiques sans que cela saute aux yeux. Pour les chercheurs, l'enjeu n'est donc plus la vitesse d'exécution mais la fiabilité des conclusions tirées de ces calculs, un problème d'autant plus sensible que la science repose sur l'exactitude des données produites. Conséquence directe observée sur le terrain : le travail des chercheurs et ingénieurs ne se déplace plus vers l'écriture de code, largement prise en charge par l'IA, mais vers la vérification minutieuse de la justesse scientifique des résultats produits. Ce constat s'inscrit dans un débat plus large sur l'usage des agents de codage en recherche, où la promesse de gains de productivité se heurte à la nécessité de garder un contrôle humain rigoureux sur la validité des sorties, faute de quoi l'automatisation pourrait accélérer la production d'erreurs autant que celle des résultats.

💬 Bon, sur le papier c'est du concret enfin : 60 fois plus rapide sur du code de recherche que personne n'osait toucher, l'IA fait ce que les chercheurs n'ont ni le temps ni les compétences de faire eux-mêmes. Mais le vrai chiffre à retenir, c'est pas le facteur 60, c'est que le goulot d'étranglement se déplace de l'écriture du code vers sa vérification, et ça, personne n'a encore les outils pour le faire à l'échelle. Un agent confiant à tort et indétectable, dans un contexte où la science se construit sur l'exactitude des résultats, c'est le pire scénario possible : l'erreur ne ralentit pas la recherche, elle l'accélère.