Co-Authoring with AI: How I Wrote a Physics Paper About AI, Using AI

En s'appuyant sur une étude de cas de rédaction d'un article de physique, cet essai soutient que, bien que l'IA puisse structurer et formuler des textes, la responsabilité humaine reste indispensable pour garantir la rigueur scientifique et l'intégrité, ce qui impose désormais la publication obligatoire des transcripts complets des interactions avec l'IA.

L'essentiel

Imaginez que vous êtes un architecte chevronné qui doit construire une cathédrale. Autrefois, vous utilisiez des outils manuels : un marteau, un niveau, une scie. Ces outils faisaient exactement ce que vous leur demandiez, rien de plus.

Aujourd'hui, selon l'article de Yi Zhou, nous avons fait un bond dans le futur : nous avons engagé une équipe d'apprentis géniaux mais un peu étourdis pour nous aider à construire. Ces apprentis sont des intelligences artificielles (IA).

Voici l'histoire de comment Yi Zhou a écrit un article scientifique sur l'IA... en utilisant l'IA, tout en restant le chef d'orchestre.

1. Le changement de rôle : Du marteau au mentor

Avant, l'ordinateur était un marteau : on tape, il frappe.
Maintenant, l'IA est comme un stagiaire très intelligent qui connaît par cœur tous les livres de la bibliothèque, mais qui n'a jamais vraiment compris la physique derrière les mots.

Yi Zhou a créé une "équipe virtuelle" avec trois stagiaires IA :

• Le Théoricien Junior : Il extrait les formules mathématiques.
• Le Post-Doc Senior : Il organise les idées dans un plan rigoureux.
• Le Codeur : Il transforme tout cela en programme informatique.

Le résultat ? Une tâche qui prenait habituellement des mois à un étudiant a été faite en 24 heures. Mais attention : si on laisse ces "stagiaires" seuls, ils écrivent n'importe quoi, comme un rêve confus.

2. La stratégie "De l'intérieur vers l'extérieur"

L'erreur classique serait de demander à l'IA : "Écris-moi une introduction pour mon article."
C'est comme demander à un peintre de peindre le cadre avant d'avoir décidé de quoi sera le tableau. L'IA perdrait le fil et inventerait des choses fausses.

La méthode de Yi Zhou :
Il a d'abord donné à l'IA toute l'histoire du projet (les idées, les erreurs, les conversations). Il l'a mise dans la tête de l'IA comme on remplit un sac à dos avant une randonnée. L'IA ne doit pas deviner ; elle doit se souvenir de ce que l'humain a déjà décidé.

3. Le rôle de l'humain : Le "Directeur de Recherche"

C'est ici que l'humain devient indispensable. L'IA est comme un traducteur très rapide mais parfois malhonnête. Elle peut dire des choses qui sonnent bien mais qui sont physiquement fausses.

Voici trois exemples où l'humain a dû intervenir pour sauver l'article :

• L'erreur de physique : L'IA a écrit que les mathématiques étaient "continues" (comme un fleuve qui coule). Yi Zhou a dit : "Stop ! En physique quantique, c'est discret (comme des gouttes d'eau)." L'IA a corrigé.
• Le vocabulaire à la mode : L'IA a utilisé un vieux terme pour décrire un phénomène quantique. Yi Zhou a rappelé : "Non, aujourd'hui on utilise le terme 'ordre topologique protégé par symétrie'." L'IA a mis à jour son dictionnaire.
• La diplomatie scientifique : L'IA a écrit une phrase un peu agressive contre d'autres chercheurs qui ont créé des logiciels gratuits. Yi Zhou a dit : "Doucement ! Ces gens sont nos collègues respectés. Dis plutôt que c'est le mélange des données de l'IA qui pose problème, pas eux." L'IA a adouci le ton.

4. Anticiper le "Critique en Colère"

Dans le monde scientifique, il y a toujours un examinateur (le fameux "Reviewer 2") qui cherche la petite bête.

• Le doute : "Est-ce que l'IA a juste copié-collé du code existant ?"
• La réponse de l'humain : Yi Zhou a forcé l'IA à prouver qu'elle avait réfléchi et créé de nouvelles combinaisons mathématiques, pas juste mémorisé.
• Le paradoxe : "Si l'IA était nulle au début, comment est-elle devenue bonne à la fin ?"
• La réponse : L'humain a expliqué que l'IA a besoin d'un plan précis (comme une partition de musique) pour jouer juste. Sans le plan, elle fait du bruit. Avec le plan, elle joue un concerto.

5. L'IA comme directeur artistique

Pour les dessins et les schémas, l'IA a aussi fait des bêtises. Elle a dessiné un réseau de neurones chaotique sur un tableau blanc alors qu'il fallait un système simple et ordonné.
Yi Zhou a utilisé l'IA (le texte) pour donner des instructions précises à une autre IA (l'image) : "Ne dessine pas de toile d'araignée ! Dessine une ligne droite avec 5 cercles. Et barre la formule fausse en rouge."
L'IA texte a servi de chef d'atelier pour dire à l'IA image quoi faire.

Conclusion : La transparence radicale

Le message principal de l'article est simple : L'IA ne remplace pas l'auteur, elle l'augmente.

Mais pour que cela soit honnête, il faut tout révéler.
Imaginez que vous cuisinez un plat avec un robot. Si vous dites juste "J'ai cuisiné ça", c'est un mensonge. Il faut dire : "J'ai donné les ingrédients, le robot a coupé, mais j'ai surveillé le feu et j'ai assaisonné."

La proposition de Yi Zhou :
À l'avenir, quand un scientifique utilise l'IA, il doit publier toutes ses conversations avec l'IA en annexe de son article. C'est comme publier la "boîte noire" de l'expérience. Cela prouve que l'humain était bien aux commandes, qu'il a corrigé les erreurs et qu'il est responsable de la vérité scientifique.

En résumé :
L'IA est un super-assistant qui écrit vite et bien, mais qui a besoin d'un chef (l'humain) pour vérifier que la physique est juste, que le ton est poli et que la logique tient debout. Sans ce chef, l'assistant ne fait que du bruit. Avec lui, c'est de la science de pointe.

Résumé technique

1. Problématique

L'intégration rapide des Grands Modèles de Langage (LLM) dans la rédaction scientifique remet en cause les définitions traditionnelles de l'auteur, de la responsabilité et de l'intégrité scientifique. Le passage d'une utilisation des ordinateurs comme outils déterministes à leur gestion en tant que « collaborateurs virtuels » exige une réévaluation de la contribution humaine.
Le défi central réside dans le fait que les LLM, lorsqu'ils sont utilisés sans supervision, tendent à générer des brouillons génériques, scientifiquement superficiels et sujets aux « hallucinations » (erreurs factuelles ou logiques). L'article aborde la question de savoir comment maintenir la rigueur physique et la diplomatie académique tout en exploitant la puissance générative de l'IA pour la rédaction de manuscrits complexes.

2. Méthodologie : Stratégie « Inside-Out » et Humain dans la Boucle (HITL)

L'auteur décrit une méthodologie de collaboration structurée, où le chercheur humain agit en tant que Directeur de Recherche Principal (Principal Investigator - PI) mentorant une équipe de LLM.

• Groupe de Recherche Virtuel (Virtual Research Group) : L'auteur a déployé une architecture multi-agents où différents LLM ont reçu des rôles académiques spécifiques :
  • LLM-0 (Junior Theorist) : Extraction des équations brutes.
  • LLM-1 (Senior Postdoc) : Rédaction de spécifications LaTeX rigoureuses.
  • LLM-2 (Coder) : Implémentation finale en Python.
• Chargement de Contexte (Context Loading) : Avant toute génération de texte, le contexte complet du projet (idées théoriques, détails du codage, spécifications mathématiques et transcripts bruts des interactions) a été injecté dans la fenêtre de contexte du LLM rédacteur pour éviter les généralisations paramétriques.
• Génération Conversationnelle : Les concepts clés et la terminologie (ex: « Groupe de Recherche Virtuel », « API Universelle ») ont émergé d'un dialogue itératif entre l'humain et l'IA, transformant l'intuition brute en paradigmes scientifiques formels.
• Mentorat et Correction (Human-in-the-Loop) : Le rôle humain ne se limite pas à la correction orthographique. Il consiste à :
  • Enforcer la rigueur physique (ex: corriger la distinction entre mathématiques continues et discrètes, ou entre l'ordre topologique caché et l'ordre topologique protégé par la symétrie - SPT).
  • Gérer la diplomatie académique (éviter les critiques agressives envers les créateurs de bibliothèques open-source existantes).
  • Anticiper les critiques des pairs (« Reviewer 2 ») en fermant les failles logiques sur la contamination des données et les capacités des modèles.

3. Contributions Clés

L'article propose plusieurs avancées méthodologiques et conceptuelles :

• Le changement de paradigme de l'auteur : Le chercheur passe de l'écriture de texte « boilerplate » à un rôle de pilote intellectuel qui oriente, corrige et valide le raisonnement de l'IA.
• La stratégie de rédaction « Inside-Out » : Démarrer par le chargement du contexte et la définition des piliers logiques avant de rédiger l'introduction, évitant ainsi la perte de contexte et les hallucinations narratives.
• La défense contre le scepticisme académique :
  • Preuve de raisonnement in-context : Démonstration que le code généré utilise des manipulations de tableaux idiosyncrasiques définies dans le blueprint LaTeX, prouvant qu'il ne s'agit pas d'une simple mémorisation (regurgitation) de code GitHub.
  • Résolution du paradoxe des capacités : Explication que l'échec du codage « zero-shot » n'est pas dû à un manque de capacité de raisonnement du modèle, mais à l'absence de contexte mathématique contraint.
• Direction artistique multimodale : Utilisation d'un LLM textuel comme « Directeur Artistique » pour générer des prompts précis pour un générateur d'images, garantissant la précision physique des figures (ex: diagrammes d'états de produits matriciels 1D) et évitant les erreurs visuelles.

4. Résultats

• Efficacité : Une tâche de développement de code et de rédaction de manuscrit, qui prend habituellement des mois à un étudiant en doctorat, a été accomplie en moins de 24 heures grâce à ce flux de travail multi-agents.
• Qualité Scientifique : Le manuscrit final a été validé pour sa rigueur physique (correction des taxonomies de la matière condensée, précision des complexités algorithmiques $O(d^2D^4)$ vs $O(d^4D^4)$) et sa diplomatie professionnelle.
• Transparence Radicale : L'article inclut la publication de l'intégralité des transcripts non édités des interactions humain-IA comme matériel complémentaire, permettant une vérification indépendante du processus de « pilotage » humain.

5. Signification et Implications

Cet article pose les bases d'une nouvelle norme pour l'intégrité scientifique à l'ère de l'IA :

• Redéfinition de l'Autorité : L'auteur humain reste responsable de la vérité scientifique, de la logique et de la diplomatie, tandis que l'IA gère la structure et la syntaxe.
• Nécessité de Transparence : L'auteur plaide pour une exigence de publication obligatoire des transcripts complets et non édités des interactions avec l'IA en tant que matériel complémentaire. Cela permet de démystifier la « boîte noire » des modèles génératifs et de prouver que le chercheur a activement dirigé la logique et corrigé les erreurs.
• Avenir de la Recherche : Ce modèle de « Groupe de Recherche Virtuel » suggère que l'avenir de la science ne réside pas dans l'automatisation totale, mais dans une symbiose où l'humain agit comme un mentor exigeant pour des agents IA de plus en plus capables.

En résumé, Yi Zhou démontre que l'IA peut accélérer considérablement la recherche scientifique, à condition que l'humain conserve un contrôle strict sur la rigueur logique et que la transparence totale des processus de collaboration soit adoptée pour préserver la confiance dans la littérature scientifique.