À Washington, AutoDiscovery mène l’enquête scientifique

Ai2 et l’Université de Washington ont organisé au printemps 2026 un exercice consacré à l’usage de l’IA pour la découverte scientifique. Vingt-cinq équipes ont proposé un jeu de données et une question de recherche. Dix équipes ont été retenues pour travailler plusieurs semaines avec AutoDiscovery. Cet agent analyse des données, formule des hypothèses, conduit 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. Les étudiants ont ensuite examiné les preuves, comparé les résultats aux travaux publiés et évalué chaque piste. Ils devaient distinguer une découverte possible, une coïncidence ou un problème de données. Lire la présentation d’Ai2

Le cadre pédagogique reposait sur le GenAI for Science: Ai2-UW Materials Challenge, proposé par Luna Yue Huang, professeure associée à l’Université de Washington. Une équipe pédagogique de l’université et des chercheurs d’Ai2 ont évalué les projets selon la richesse des données, leur caractère scientifique distinctif, leur potentiel de résultats utiles et la diversité des sujets. Certains jeux de données ont été resserrés pour devenir plus adaptés aux travaux étudiants. Les participants ont testé les hypothèses d’AutoDiscovery contre les données disponibles. Ils ont aussi recherché les failles du raisonnement et mesuré la réduction éventuelle du travail manuel d’analyse. Les performances ont varié fortement selon les projets étudiés.

Les étudiants testent quatre pistes

Les batteries lithium-ion ont fourni une première piste contre-intuitive. Une équipe a observé que les tests diagnostiques périodiques, utilisés pour vérifier l’état d’une cellule, pourraient accélérer sa dégradation. Le résultat reposait toutefois sur une corrélation et ne prouvait pas une relation causale. 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 repéré un écart apparent à une règle ancienne sur la charge des atomes. Les deux méthodes standard divergeraient davantage pour l’oxygène et l’azote. En consultant l’article original, les étudiants n’ont trouvé aucune explication publiée concernant les polymères.

Les protéines photosensibles ont constitué un troisième terrain d’essai. Une équipe cherchait à insérer un segment sensible à la lumière dans une protéine, à un emplacement précis. Les essais expérimentaux réalisés un par un demandaient du temps. AutoDiscovery a comparé les insertions fonctionnelles et celles qui échouaient. Le système a identifié un ancrage reposant sur quelques points forts, plutôt que sur plusieurs points faibles. Ce motif correspondait aux résultats de laboratoire de l’équipe pour chaque conception testée. Il concordait aussi avec un principe établi de liaison des protéines. Un quatrième groupe a travaillé sur 24 000 configurations simulées de réacteurs nucléaires, avec des résultats nettement moins exploitables.

Les données de réacteurs ont montré l’effet du choix des mesures. Sur les 24 000 configurations simulées, environ la moitié des hypothèses produites étaient illogiques. Aucune ne semblait suffisamment solide pour être poursuivie. Les étudiants ont relié cette faiblesse au fonctionnement d’AutoDiscovery, qui évalue la surprise à partir de mesures du monde réel. Les nombres synthétiques l’ont donc induit en erreur. Avec des mesures réelles de physique des réacteurs, issues d’expériences, le système a produit environ quinze pistes potentiellement intéressantes. Les étudiants ont trié ces résultats selon leur plausibilité physique et leur cohérence logique. Ils ont ensuite confronté les plus solides à la littérature scientifique. Tester AutoDiscovery

L’expertise humaine reste nécessaire

Les conclusions des étudiants convergent sur le rôle d’AutoDiscovery. L’outil a surtout servi à faire émerger des idées qu’ils n’auraient peut-être pas examinées. Il n’a pas supprimé le chercheur du processus. Les participants ont dû lire les preuves, comprendre le cheminement du système et juger chaque résultat. Luna Yue Huang estime que cette méthode exige davantage de raisonnement critique, de conception expérimentale et de connaissances spécialisées. Elle décrit un usage différent d’une demande destinée à accomplir une tâche définie. L’IA génère des hypothèses, tandis que les étudiants questionnent les résultats inattendus et décident quelles idées méritent une investigation supplémentaire.

Le travail réalisé en dix jours a également retenu l’attention de Huang. Les étudiants ont transformé des données brutes en hypothèses accompagnées de revues bibliographiques, d’analyses quantitatives, de plans de validation expérimentale et de rapports argumentés. Selon elle, l’IA a accéléré plusieurs étapes, mais la qualité finale reflétait surtout la curiosité, la persévérance et le jugement scientifique des participants. L’exercice a aussi servi à évaluer AutoDiscovery et à améliorer l’outil. Ai2 présente cette démarche comme une contribution à la construction responsable de systèmes destinés à la recherche. L’expérience souligne enfin que la formation scientifique, l’expertise de domaine et la justification des conclusions restent centrales.