On attribue généralement une part non négligeable de la croissance économique à l’innovation et aux découvertes scientifiques. Par conséquent, comprendre comment les IA peuvent accélérer les découvertes et les innovations est un sujet important.

Une étude réalisée par Google et le MIT a analysé un corpus de 15 millions d’interactions avec Gemini et d’autres modèles spécialisés, et mené une enquête auprès de 637 chercheurs aux États-Unis et au Royaume-Uni (source : « AI in Science: Early Insights »).

L’étude montre qu’individuellement les chercheurs ont amélioré leur productivité avec un gain d’environ sept heures par semaine. Toutefois, près de la moitié d’entre eux ont fait état d’une accumulation croissante d’hypothèses non testées. Si l’IA accélère bien certaines tâches individuelles, la transformation des hypothèses en découvertes validées reste pour l’instant limitée.

Loin d’une d’accélération exponentielle, les progrès dus aux grands modèles de langage restent limités

On peut s’attendre logiquement à ce que l’impact limité de l’IA soit principalement dû aux tâches pour lesquelles elle n’est pas adaptée. Ainsi, près de la moitié des participants ont indiqué que le principal goulet d’étranglement n’était pas au niveau des phases préliminaires, mais dans les phases ultérieures, comme l’expérimentation physique et la collecte de données. Par conséquent, l’IA est plus efficace dans les domaines où les hypothèses peuvent être vérifiées par le calcul. Cependant, ces domaines sont soumis à d’autres contraintes : l’accès à la puissance de calcul, le coût des simulations à grande échelle, ainsi que la nécessité de disposer de données et de référentiels de haute qualité.

Un autre goulet d’étranglement est dû aux tâches de vérification : 88 % des scientifiques ont déclaré consacrer plus de 10 % du temps gagné à vérifier les résultats produits par l’IA, près de la moitié y consacrant plus d’un quart de ce temps. La nature de cette vérification varie selon le domaine. En mathématiques ou en informatique, il s’agit d’examiner et tester une démonstration ou un code. Dans les sciences de la santé et du vivant, les vérifications impliquent de réaliser des tests en laboratoire. Dans les sciences physiques, elles reviennent à mener des expériences.

L’effet réverbère : privilégier le plus facile à étudier, comme chercher ses clés perdues sous un réverbère, simplement parce que c’est là qu’il y a de la lumière

Lors de la phase de génération d’hypothèses par l’IA, la difficulté réside dans la sélection des plus prometteuses. Même si l’IA peut les évaluer en fonction de critères, tels que la faisabilité, la nouveauté et la valeur attendue, c’est au bout du compte aux chercheurs de hiérarchiser les expériences et de décider à quel moment pousser ou abandonner une piste de recherche.

En effet, laisser ce choix à l’IA peut conduire à privilégier les projets à faible risque et facilement réalisables. En d’autres termes, l’IA facilite la réalisation, plus rapide, de travaux plus prévisibles.

Pour éviter l’effet réverbère, la collaboration entre scientifiques et IA est déterminante

L’intelligence naturelle et artificielle sont complémentaires, la première supervisant la seconde, permettant ainsi une meilleure efficacité sans se détourner des questions plus audacieuses et novatrices. En outre, il y aura toujours besoin d’humains pour effectuer les phases telles que les essais cliniques, les expérimentations de validation, la réplication d’expériences ou encore l’évaluation par des experts, ces tâches étant au cœur de la méthode scientifique.

Il me semble que les enseignements de cette étude peuvent être appliqués à beaucoup d’autres domaines.