La science progresse souvent non pas par un unique éclair de génie, mais par un cycle lent et répétitif de conjectures, de tests et d'apprentissage à partir des erreurs. Un chercheur propose une idée, construit un outil pour la tester, observe là où elle échoue, puis affine l'idée en fonction de ces échecs spécifiques. C'est la méthode scientifique, un processus qui a stimulé la découverte humaine pendant des siècles. Pendant longtemps, les ordinateurs ont été excellents pour traiter des chiffres ou suivre des instructions strictes, mais ils ont eu du mal à imiter ce raisonnement de type humain. Ils pouvaient essayer des millions de variations aléatoires pour trouver une meilleure solution, une méthode connue sous le nom de recherche évolutive, mais ils manquaient souvent de la capacité de comprendre pourquoi une tentative spécifique avait échoué ou de changer complètement d'approche lorsqu'ils étaient bloqués. La question que les chercheurs se posaient était de savoir si un programme informatique pouvait être enseigné pour penser comme un scientifique, en formant des hypothèses, en les testant et en apprenant des résultats, tout comme le ferait un humain.

Une étude récente intitulée « The Little Scientist » répond à cette question par un oui retentissant. Les chercheurs ont construit un système où un agent d'intelligence artificielle agit comme un scientifique, travaillant à l'intérieur d'un laboratoire numérique pour résoudre des problèmes biologiques complexes. Au lieu de tester aveuglément des millions de changements de code aléatoires, cet agent suit un processus strict, étape par étape : il forme une hypothèse sur la façon d'améliorer une solution, écrit le code pour tester cette idée, exécute le test, puis compare attentivement le résultat à sa prédiction initiale. Si le résultat est moins bon que prévu, l'agent ne se contente pas de rejeter la tentative ; il analyse les raisons spécifiques de l'échec pour former une nouvelle hypothèse, meilleure. Lorsque l'agent se retrouve coincé dans une boucle locale de petites améliorations, un second agent spécialisé intervient pour suggérer une toute nouvelle façon d'aborder le problème, forçant le système à sortir de son inertie et à explorer de nouveaux territoires.

Les chercheurs ont testé ce système sur deux défis très différents en biologie. Le premier consistait à trouver des motifs cachés dans les séquences d'ADN, une tâche cruciale pour comprendre comment les gènes sont régulés. Le second consistait à prédire comment les changements dans la structure d'une protéine affecteraient sa fonction, un problème vital pour le développement de médicaments et la compréhension des maladies. Dans les deux cas, le système n'a reçu que les données brutes et les règles du jeu, sans connaissance préalable des meilleures solutions existantes. Le résultat fut la découverte de deux nouvelles méthodes surpassant les outils de pointe actuels utilisés par les experts humains. Pour la tâche de motifs d'ADN, le système a inventé un nouvel algorithme à partir de zéro qui était non seulement plus précis, mais aussi onze fois plus rapide que l'outil standard utilisé aujourd'hui par les scientifiques. Pour la tâche de prédiction de protéines, il a découvert une stratégie sophistiquée pour combiner les prédictions de plusieurs modèles existants, atteignant un niveau de précision qui surpasse un classement mondial de plus de quatre-vingt-dix modèles concurrents.

Ce qui rend cette réussite particulièrement remarquable est l'efficacité du processus. L'ensemble du programme de recherche, qui impliquait des milliers d'itérations d'hypothèses et de tests, a été exécuté sur un seul serveur informatique standard sans avoir recours à du matériel graphique spécialisé et coûteux. Le système a consommé une quantité relativement faible de puissance de calcul par rapport aux autres tentatives récentes de découverte automatisée, qui nécessitent souvent des réseaux massifs et distribués d'ordinateurs. Les chercheurs ont constaté qu'en forçant l'IA à expliquer son raisonnement et à apprendre de ses échecs spécifiques, le système avait besoin de beaucoup moins de tentatives pour trouver une solution que les méthodes reposant sur l'essai et l'erreur aléatoires. Cela suggère qu'enseigner aux machines à suivre la méthode scientifique — plutôt que de simplement les laisser deviner et vérifier — pourrait être un moyen bien plus puissant d'automatiser la découverte à l'avenir.

Le système, que l'auteur appelle « The Little Scientist », fonctionne grâce à un partenariat entre deux rôles distincts. Le premier est l'agent « Scientifique », qui agit comme le chercheur principal. Il écrit du code, mène des expériences et tient un journal détaillé de ses pensées et de ses résultats. Le second est l'agent « Kuhn », nommé d'après un célèbre philosophe des sciences qui a décrit comment le progrès scientifique nécessite parfois un changement radical de perspective. Lorsque l'agent Scientifique cesse de progresser et reste bloqué, l'agent Kuhn intervient. Il examine l'historique des échecs et suggère une toute nouvelle façon de cadrer le problème, s'inspirant souvent d'un autre domaine de la science. Cela force le système à abandonner sa voie actuelle et à essayer une approche fondamentalement différente, tout comme un scientifique humain qui réalise que sa théorie actuelle est erronée et décide de repartir de zéro avec une nouvelle perspective.

Dans le défi de la découverte de motifs d'ADN, le système devait trouver de courtes séquences d'ADN qui servent de sites de liaison pour des protéines appelées facteurs de transcription. Ces sites sont critiques pour activer ou désactiver les gènes, mais les trouver est difficile car les motifs peuvent être subtils et varier en longueur. Le système a commencé par une approche de base et, au cours de quelques semaines, a amélioré sa méthode de manière itérative. Il a découvert que rechercher des motifs basés sur la fréquence à laquelle ils apparaissent et la constance de leur apparition à travers différents échantillons d'ADN était plus efficace que les méthodes précédentes. L'algorithme final qu'il a produit, que les chercheurs ont nommé DALE, a été capable d'identifier ces motifs avec une plus grande précision que les meilleurs outils existants. Il y est parvenu tout en étant nettement plus rapide, traitant les données en quelques secondes là où les anciens outils prenaient des minutes ou des heures. Le système a accompli cela sans qu'on lui indique ces stratégies spécifiques ; il les a découvertes entièrement par lui-même grâce au cycle d'hypothèse et de test.

Le second défi consistait à prédire comment les mutations dans les protéines affecteraient leur fitness, ou la qualité de leur fonctionnement. C'est un problème complexe car les protéines sont composées de longues chaînes de blocs de construction, et changer même un seul bloc peut avoir des effets imprévisibles. Le système a reçu les prédictions de cinq modèles existants différents et lui a été demandé de les combiner en une seule prédiction, meilleure. Au lieu de simplement faire la moyenne des résultats, le système a développé une stratégie appelée Delta V. Il a appris à ajuster le poids de la prédiction de chaque modèle en fonction de la confiance de ce modèle et de la manière dont la mutation spécifique affectait la structure de la protéine. Il a également développé un moyen de partager des informations entre les parties proches de la protéine, réalisant que si un modèle se trompait sur une partie, il était probablement erroné sur les parties voisines également. Cette approche a permis au système de surpasser tous les autres modèles sur un benchmark mondial majeur, battant le deuxième meilleur modèle par une marge significative.

Le succès de « The Little Scientist » met en lumière un changement dans la façon dont nous pourrions utiliser l'intelligence artificielle en science. Plutôt que de traiter l'IA comme un outil qui exécute simplement des instructions ou cherche des motifs dans les données, cette approche traite l'IA comme un chercheur junior. On lui donne la liberté de raisonner, de faire des erreurs et d'apprendre de ces erreurs de manière structurée. Les chercheurs ont trouvé que la capacité du système à former des prédictions explicites et à les réconcilier ensuite avec les résultats réels était la clé de son succès. Lorsque le système prédisait qu'un changement améliorerait le résultat mais que ce n'était pas le cas, il ne passait pas simplement à la suite ; il analysait l'écart pour comprendre ce qui n'avait pas fonctionné. Ce processus d'apprentissage par l'échec, plutôt que de simplement le rejeter, a permis au système de construire une compréhension profonde du problème que les méthodes de recherche aléatoire ne pouvaient atteindre.

L'étude a également démontré que cette approche peut fonctionner avec des ressources très limitées. L'ensemble du projet a été exécuté sur une seule machine virtuelle avec une puissance de calcul standard, coûtant moins de cinq cents dollars au total. Cela contraste fortement avec les autres systèmes de découverte automatisée récents qui nécessitent des grappes d'ordinateurs massives et des millions de dollars de coûts informatiques. Les chercheurs suggèrent que l'efficacité provient de la qualité du feedback reçu par le système. Au lieu de simplement être informé que « c'est bien » ou « c'est mal », le système recevait des rapports détaillés sur les parties exactes où le test avait échoué et pourquoi. Cela lui a permis de procéder à des améliorations ciblées plutôt qu'à des conjectures aléatoires.

Bien que les résultats soient impressionnants, les chercheurs veillent à noter les limites de leurs travaux. Le système a été testé sur deux types spécifiques de problèmes biologiques où les données sont bien organisées et les résultats peuvent être mesurés avec précision. Il n'est pas encore clair si cette approche fonctionnera pour des problèmes où les données sont désordonnées, l'évaluation est coûteuse ou la réponse n'est pas facilement quantifiable. Les chercheurs soulignent également que leur système n'a pas remplacé les scientifiques humains, mais a plutôt travaillé à leurs côtés. Un chercheur humain était nécessaire pour configurer le laboratoire numérique, définir les règles et fournir les données initiales. L'humain est également intervenu à un moment donné pour fournir au système des sources de données supplémentaires, ce qui lui a permis de réaliser un bond significatif de performance. Cela suggère que l'avenir de la découverte scientifique pourrait résider dans un partenariat où les humains fournissent la direction stratégique et l'IA gère l'itération rapide et infatigable des expériences.

Les conclusions de cette étude offrent un aperçu d'un avenir où l'intelligence artificielle peut faire plus que simplement traiter l'information ; elle peut participer activement au processus créatif de la découverte. En imitant la méthode scientifique, ces systèmes peuvent explorer des problèmes complexes de manière à la fois efficace et performante. Ils peuvent découvrir de nouveaux algorithmes et de nouvelles stratégies auxquelles les experts humains n'auraient peut-être pas pensé, et ils peuvent le faire avec un niveau de transparence qui nous permet de comprendre exactement comment ils sont parvenus à leurs conclusions. À mesure que la technologie progresse, nous pourrions voir ces systèmes appliqués à un éventail plus large de défis scientifiques, de la conception de nouveaux matériaux à la compréhension de la complexité du cerveau humain. « The Little Scientist » n'est pas seulement un outil pour résoudre des problèmes ; c'est la démonstration que le processus de découverte scientifique elle-même peut être automatisé, ouvrant la porte à une nouvelle ère de recherche accélérée.