À Washington, AutoDiscovery confie l’enquête aux étudiants

Dix équipes étudiantes ont testé AutoDiscovery au printemps 2026 dans un cours de l’Université de Washington. Ai2 présente cet agent comme un outil capable d’analyser des jeux de données, de proposer des hypothèses et de lancer des expériences pour les tester. Le système classe ensuite les résultats selon la surprise bayésienne, soit l’écart entre sa prédiction et les données observées. Vingt-cinq équipes avaient proposé un jeu de données et une question de recherche. Une équipe de l’Université de Washington et des chercheurs d’Ai2 en ont retenu dix. Les étudiants ont ensuite examiné les preuves, confronté les résultats aux publications et évalué chaque piste scientifique.

Le défi Ai2-UW a porté sur des sujets distincts, dont le vieillissement des batteries au lithium-ion, les polymères de silicium et les protéines sensibles à la lumière. Les propositions ont été évaluées selon la richesse des données, leur singularité scientifique, leur potentiel de résultats utiles et la diversité des thèmes. Les enseignants ont parfois réduit des jeux de données trop larges afin de mieux cadrer les travaux. Les étudiants ont aussi recherché les failles dans le raisonnement d’AutoDiscovery. Ils ont mesuré si l’outil réduisait réellement l’analyse manuelle. Ses performances ont varié fortement selon les projets, avec des pistes inédites dans certains cas.

AutoDiscovery révèle des pistes contrastées

Les batteries lithium-ion ont fourni une piste contre-intuitive. Les tests diagnostiques périodiques servant à vérifier l’état d’une cellule pourraient accélérer sa dégradation. Cette conclusion reposait toutefois sur une corrélation, et non sur une preuve de causalité. Les étudiants ont donc identifié une expérience contrôlée comme prochaine étape logique. Un autre groupe a analysé six millions de simulations de polymères. Il a trouvé une exception apparente à une règle vieille de plusieurs décennies sur l’estimation de la charge atomique. Les deux méthodes standards divergeaient particulièrement pour l’oxygène et l’azote. Les étudiants ont retrouvé l’article original, sans explication publiée sur le comportement des polymères.

Les protéines photosensibles ont produit un résultat plus robuste. Les étudiants cherchaient où insérer un segment sensible à la lumière dans une protéine. AutoDiscovery a distingué les insertions fonctionnelles des autres en examinant leurs caractéristiques. L’outil a identifié quelques points d’ancrage forts, plutôt que de nombreux points faibles. Ce schéma apparaissait dans chaque conception déjà testée en laboratoire. Il concordait aussi avec un principe établi de liaison entre protéines. Le projet sur les réacteurs nucléaires a montré une autre limite. Sur 24 000 configurations simulées, environ la moitié des hypothèses étaient illogiques. Aucune ne méritait une investigation supplémentaire selon le groupe étudiant.

Les données réelles améliorent les résultats

Les mesures expérimentales ont changé le résultat du projet nucléaire. Sur un jeu de données provenant de mesures réelles en physique des réacteurs, AutoDiscovery a produit environ quinze pistes potentiellement exploitables. Les étudiants ont dû les classer selon leur plausibilité physique et leur solidité logique. Ils ont également vérifié les plus prometteuses dans la littérature scientifique. Cette différence venait du fonctionnement du système, qui évalue la surprise par rapport à des mesures du monde réel. Les nombres synthétiques l’ont donc induit en difficulté. L’expérience complète est présentée par Ai2, tandis qu’AutoDiscovery peut être essayé sur son site dédié.

L’expérience pédagogique a conduit les étudiants à considérer AutoDiscovery comme un générateur d’idées, non comme un remplaçant du chercheur. Luna Yue Huang, professeure associée d’enseignement en science et ingénierie des matériaux, a déclaré que les étudiants devaient questionner les résultats inattendus. Ils devaient aussi décider quelles hypothèses justifiaient une étude plus approfondie. Selon Huang, le défi a renforcé l’importance de la pensée critique, de la conception expérimentale, du raisonnement scientifique et de la justification des conclusions. Elle a également rapporté qu’en dix jours, les étudiants avaient produit des hypothèses accompagnées de revues bibliographiques, d’analyses quantitatives, de plans de validation expérimentale et de rapports argumentés.