Sasha Rakhlin appelle les universités à mutualiser l’IA

Sasha Rakhlin alerte Dans un nouvel essai, Alexander « Sasha » Rakhlin, directeur du MIT Statistics and Data Science Center, examine l’évolution de l’IA dans le monde académique. Professeur distingué en data, systèmes et société, il se concentre surtout sur la recherche et la formation des doctorants. Son analyse est publiée par le MIT le 8 octobre 2026. Rakhlin estime que les universités doivent se préparer à un avenir proche où l’IA sera plus performante que les humains dans de nombreux aspects du travail intellectuel. Il présente ses propositions dans l’article du MIT et dans l’essai AI and Academia.

Les mathématiques accélèrent Rakhlin cite plusieurs étapes récentes pour illustrer cette progression. L’an dernier, un modèle a atteint un niveau correspondant à une médaille d’or aux Olympiades internationales de mathématiques. Un an plus tard, des modèles produisent des résultats de recherche nouveaux. L’un d’eux a notamment proposé récemment une solution à l’un des problèmes du prix du millénaire. Selon Rakhlin, la vitesse dépend fortement de la vérification. Les preuves formalisées peuvent être contrôlées automatiquement. Les programmes peuvent être exécutés et testés. Cette évaluation rapide permet aux systèmes de générer des candidats, d’apprendre des résultats et d’améliorer leurs performances. Elle accélère aussi la recherche sur les modèles eux-mêmes.

Les départements revoient leurs critères

Les diplômes évoluent Rakhlin juge qu’un article abouti devient un signal moins fiable de l’expertise individuelle dans plusieurs disciplines. Il invite les départements à revoir ce qu’ils récompensent, sans réduire la valeur académique à ce que l’IA ne sait pas encore faire. Les bonnes questions, la réplication, la synthèse, les résultats négatifs utiles et les jeux de données partagés pourraient recevoir davantage de reconnaissance. L’évaluation devrait surtout établir la contribution de chaque chercheur et sa responsabilité intellectuelle, y compris lorsque l’IA a réalisé une partie importante du travail. Ces attentes devraient guider le recrutement, la promotion, le financement et l’encadrement des doctorants.

La formation résiste Le chercheur distingue les tâches inutiles des exercices qui construisent réellement l’expertise. Les calculs courants, le code, les tentatives infructueuses et les petites découvertes ont longtemps développé l’intuition et le jugement des étudiants. Leur délégation peut supprimer ces expériences formatrices, même si l’IA permet d’aborder des projets plus ambitieux. Rakhlin recommande donc d’apprendre à formuler un problème, auditer une réponse de modèle, reproduire un résultat et défendre ses choix. Il estime aussi que les fondamentaux pourraient devenir plus précieux. Ils fourniraient la base nécessaire pour utiliser ces outils correctement, tout en conservant une responsabilité claire sur le travail produit.

Le MIT imagine des laboratoires connectés

Les infrastructures deviennent stratégiques Rakhlin propose de construire des systèmes capables de relier les travaux des laboratoires avec des autorisations adaptées. Il imagine, par exemple, qu’un laboratoire de neurosciences puisse trouver une méthode de segmentation des neurones développée par une équipe de vision informatique. Un agent pourrait connecter les chercheurs, suggérer des critères de comparaison et faciliter les itérations. Les workflows devraient enregistrer les hypothèses, les interventions, les résultats, les échecs et leurs interprétations. Les systèmes partagés pourraient ensuite rendre ces informations accessibles à d’autres équipes. Cette organisation nécessiterait des investissements publics et institutionnels dans le calcul, les données sécurisées et l’adaptation des modèles.

Les contributions deviennent traçables Cette infrastructure pourrait conserver la généalogie des idées et rendre les apports des doctorants plus faciles à reconnaître. Rakhlin souhaite toutefois des règles communes concernant le consentement et l’attribution du crédit. Il considère que les laboratoires universitaires détiennent un savoir accumulé qui dépasse les articles publiés. Les expériences abandonnées, les échecs et les raisons d’un choix restent souvent absents des publications. Ces informations peuvent aider à expliquer les difficultés actuelles des modèles dans certaines sciences empiriques. Pour Rakhlin, leur collecte pourrait améliorer l’exploration scientifique. Il appelle donc les universités à investir dès maintenant dans une indépendance technologique partielle, en complément des partenariats industriels.