AutoDiscovery met le jugement des chercheurs à l’épreuve

Ai2 et l’université ont organisé au printemps 2026 un défi consacré à l’usage d’AutoDiscovery dans la recherche scientifique. Vingt-cinq équipes étudiantes ont proposé un jeu de données et une question de recherche. Dix projets ont été retenus pour travailler plusieurs semaines avec l’agent d’Ai2. AutoDiscovery analyse des données, formule des hypothèses, lance des expériences et classe les résultats selon la surprise bayésienne. Cet indicateur mesure l’écart entre la prédiction du modèle et l’observation des données. Le dispositif a fait émerger des pistes sur le vieillissement des batteries, les polymères de silicium et les protéines sensibles à la lumière. Les étudiants devaient ensuite examiner chaque résultat.

Le cadre pédagogique a été conçu par Luna Yue Huang, professeure associée d’enseignement en science et ingénierie des matériaux à l’université de Washington. Une équipe pédagogique de l’université et des chercheurs d’Ai2 ont évalué les propositions selon la richesse des données, leur singularité scientifique, leur potentiel de résultats utiles et la diversité des sujets. Certains jeux de données ont été resserrés pour correspondre aux intérêts des étudiants et à un périmètre plus gérable. Les participants ont testé les hypothèses contre les preuves disponibles, recherché les failles de raisonnement et évalué la réduction réelle du travail manuel. Les performances d’AutoDiscovery ont varié fortement selon les projets.

Les étudiants vérifient les hypothèses

Les batteries lithium-ion ont fourni une piste contre-intuitive. Les tests diagnostiques périodiques, utilisés pour contrôler l’état d’une cellule, pourraient accélérer sa dégradation. Cette observation reposait sur une corrélation, et non sur une preuve de causalité. Les étudiants ont donc identifié une expérience contrôlée comme prochaine étape logique. Une autre équipe a analysé six millions de simulations de polymères. Elle a observé une exception apparente à une règle établie depuis plusieurs décennies sur la charge des atomes. Les deux méthodes standards divergeaient sur des atomes attirant fortement les électrons, comme l’oxygène et l’azote. L’équipe a retrouvé l’article original et identifié une question encore ouverte.

Les protéines sensibles ont constitué un troisième terrain d’essai. L’équipe cherchait à insérer un segment sensible à la lumière au bon endroit dans une protéine. AutoDiscovery a comparé les insertions fonctionnelles et celles qui échouaient. L’outil a identifié quelques points d’ancrage solides, plutôt que de nombreux points faibles. Le motif apparaissait dans toutes les conceptions testées en laboratoire et correspondait à un principe ancien de liaison protéique. Le quatrième projet a utilisé 24 000 configurations simulées de réacteurs nucléaires. Environ la moitié des hypothèses produites étaient illogiques, et aucune ne méritait d’être poursuivie. Les nombres synthétiques perturbaient la mesure de surprise du système.

Les données réelles améliorent les pistes

Les mesures expérimentales ont donné de meilleurs résultats pour le projet sur les réacteurs. Sur des relevés issus d’expériences de physique des réacteurs, AutoDiscovery a généré environ 15 pistes potentiellement intéressantes. Les étudiants ont ensuite évalué leur plausibilité physique et leur solidité logique. Ils ont confronté les plus prometteuses aux publications scientifiques. Ils ont aussi décidé lesquelles justifiaient un examen approfondi. Les quatre projets montrent ainsi que l’outil peut faire émerger des idées que les étudiants n’auraient pas forcément testées. Ils montrent également que la qualité des résultats dépend du type de données fourni. AutoDiscovery n’a donc pas remplacé l’analyse humaine dans ces travaux universitaires.

L’expérience de Huang a placé le jugement scientifique au centre de l’apprentissage. Selon elle, les étudiants ont utilisé l’IA comme partenaire d’exploration, plutôt que comme exécutant d’une tâche définie. Ils ont questionné les résultats inattendus et choisi les idées méritant une étude complémentaire. En dix jours, ils ont transformé des données brutes en hypothèses accompagnées de recherches bibliographiques, d’analyses quantitatives, de plans de validation expérimentale et de rapports argumentés. Huang estime que l’IA a accéléré plusieurs étapes. Elle attribue toutefois la qualité finale à la curiosité, à la persévérance et au jugement scientifique des étudiants. Lire le retour d’expérience d’Ai2 et tester AutoDiscovery permettent d’examiner cette approche.