Actualités IA
IA et science
De la biologie structurale aux mathématiques : ce que l'IA a déjà accompli, avec ses preuves, et ce qui reste un objectif de recherche.
L'IA a-t-elle déjà produit des avancées scientifiques reconnues ?
Oui, l'exemple le plus solide et le plus cité est AlphaFold, le système de Google DeepMind (voir notre fiche entreprise) qui a résolu un problème vieux de cinquante ans en biologie — prédire la structure tridimensionnelle d'une protéine à partir de sa seule séquence génétique. Ses créateurs, Demis Hassabis et John Jumper, ont reçu le prix Nobel de chimie 2024 pour ces travaux, partagé avec David Baker — une reconnaissance scientifique de premier plan, pas une promesse marketing.
L'IA aide-t-elle en mathématiques ?
Des systèmes spécialisés ont démontré des capacités de résolution de problèmes mathématiques de niveau olympiade, et certains modèles généralistes de ce comparatif publient des scores sur des benchmarks mathématiques reconnus (voir nos fiches modèles). Le rôle de l'IA en recherche mathématique fondamentale, au-delà de la résolution de problèmes déjà formulés, reste un champ de recherche actif plutôt qu'un acquis.
L'IA est-elle utilisée en physique et en astronomie ?
Oui, notamment pour l'analyse de très grands volumes de données issues de télescopes ou d'expériences de physique des particules, où le repérage de signaux rares dans un bruit massif est une tâche pour laquelle l'apprentissage automatique excelle par construction.
L'IA peut-elle accélérer la simulation scientifique ?
C'est un usage en forte croissance : remplacer ou accélérer des simulations numériques traditionnellement très coûteuses en calcul (climat, science des matériaux, dynamique des fluides) par des modèles d'IA entraînés à approximer ces simulations avec une fraction du coût de calcul original.
L'IA pourrait-elle devenir un véritable moteur de découverte scientifique autonome ?
C'est une ambition explicitement affichée par plusieurs laboratoires, mais qui reste, à la date de rédaction, un objectif de recherche plutôt qu'une réalité établie à grande échelle : les succès documentés comme AlphaFold restent des systèmes hautement spécialisés sur un problème précis, pas des chercheurs généralistes autonomes capables de formuler et tester leurs propres hypothèses sur n'importe quel sujet.