AutoDiscovery transforme un cours en laboratoire de recherche

AutoDiscovery en classe Au printemps 2026, l’Université de Washington a utilisé AutoDiscovery dans un cours de sciences des matériaux. Cet agent d’Ai2 analyse des jeux de données, propose des hypothèses, mène des expériences pour les tester et classe les résultats selon la surprise bayésienne. Vingt-cinq équipes ont proposé une question et un jeu de données. Dix équipes ont ensuite travaillé avec l’outil pendant plusieurs semaines. Les résultats portaient notamment sur le vieillissement des batteries, les polymères de silicium et les protéines sensibles à la lumière. L’article d’Ai2 décrit cette expérimentation pédagogique menée avec des étudiants et des chercheurs.

Les étudiants contrôlent les résultats Une hypothèse surprenante ne constitue pas forcément une découverte importante. Les étudiants ont donc examiné les preuves, comparé les résultats avec les publications et recherché les failles du raisonnement. Ils ont aussi évalué la réduction réelle du travail manuel d’analyse. Luna Yue Huang, enseignante associée en science et ingénierie des matériaux, a présenté l’exercice comme une manière différente de travailler avec l’IA. Les étudiants devaient déterminer si chaque résultat correspondait à une découverte, à une coïncidence ou à un problème de données. Les propositions ont été évaluées selon la richesse des données, leur caractère distinctif et leur potentiel scientifique.

Trois projets confrontent les hypothèses

Les batteries révèlent une corrélation Une équipe a étudié le vieillissement des batteries lithium-ion. AutoDiscovery a fait émerger l’idée contre-intuitive que les tests diagnostiques périodiques pourraient accélérer la dégradation d’une cellule. Les données établissaient une corrélation, mais elles ne prouvaient pas que les tests causaient cette usure supplémentaire. 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 vieille de plusieurs décennies sur l’estimation de la charge atomique. Les écarts concernaient surtout les atomes attirant fortement les électrons, comme l’oxygène et l’azote.

Les protéines confirment un motif Un troisième groupe concevait des protéines activées par la lumière. Il devait insérer un segment photosensible à un emplacement précis, puis tester chaque conception en laboratoire. AutoDiscovery a comparé les insertions fonctionnelles et non fonctionnelles. L’outil a associé les insertions réussies à quelques points d’ancrage forts, plutôt qu’à de nombreux points faibles. Ce motif apparaissait dans toutes les conceptions déjà testées expérimentalement par le groupe. Il correspondait aussi à un principe établi de liaison des protéines. Les étudiants ont vérifié l’hypothèse avec leurs propres résultats de laboratoire. Cette étape a relié l’analyse automatisée à une validation expérimentale concrète.

Les données déterminent la valeur

Les réacteurs testent les limites Un groupe a analysé 24 000 configurations simulées de réacteurs nucléaires. Environ la moitié des hypothèses produites paraissaient illogiques, et aucune ne justifiait une poursuite. Les étudiants ont relié cette faiblesse au fonctionnement de l’outil. AutoDiscovery mesure la surprise à partir de données issues du monde réel, tandis que les nombres synthétiques ont perturbé cette évaluation. Avec des mesures réelles de physique des réacteurs, l’outil a généré environ 15 pistes potentiellement intéressantes. Les étudiants ont ensuite évalué leur plausibilité physique, leur cohérence logique et leur présence dans la littérature. AutoDiscovery reste ainsi un outil d’exploration, non un arbitre scientifique.

Le chercheur garde la décision Les projets ont convergé vers une conclusion précise. AutoDiscovery a surtout aidé les étudiants à formuler des idées qu’ils n’auraient peut-être pas testées. Il ne les a pas retirés du processus de recherche. L’interprétation des preuves et la reconstruction du raisonnement de l’outil ont demandé une expertise scientifique. Selon Huang, l’exercice devait renforcer la pensée critique, la conception expérimentale systématique et la justification des conclusions. Elle indique aussi que les étudiants ont produit, en dix jours, des hypothèses accompagnées de revues bibliographiques, d’analyses quantitatives, de plans de validation et de rapports argumentés. L’IA a accéléré certaines tâches, tandis que leur qualité dépendait du jugement étudiant.