Depuis des siècles, la méthode scientifique est une entreprise fondamentalement humaine. Les chercheurs conçoivent des hypothèses, élaborent des expériences, interprètent les résultats et les communiquent. Ce paradigme a basculé en mars 2026 lorsque Nature a publié une étude décrivant « The AI Scientist » , un système capable de gérer de manière autonome l'ensemble du processus de recherche, de l'idéation à la publication. Fait remarquable, l'un des manuscrits générés par ce système a été validé par les pairs lors d'un atelier de l'ICLR 2025, une première pour un article entièrement rédigé par une IA et ayant passé avec succès l'examen académique formel.
Cette recherche novatrice a été coécrite par Jeff Clune , membre du corps professoral de Vector et titulaire de la chaire d'intelligence artificielle du CIFAR Canada, en collaboration avec des chercheurs de Sakana AI, de l'Université de Colombie-Britannique et de l'Université d'Oxford. Ces travaux démontrent comment des modèles de base modernes peuvent être intégrés à des systèmes agentiques entièrement autonomes, capables de raisonnement scientifique, de réalisation d'expériences et d'auto-évaluation.
En bref : Découvrez des recherches révolutionnaires en IA en 3 minutes
Ce résumé concis permet de vulgariser les avancées scientifiques complexes. Parfait pour les passionnés comme pour les non-spécialistes, écoutez-le dès maintenant !
Architecture système : un pipeline de recherche de bout en bout
Le système AI Scientist fonctionne selon quatre phases séquentielles : idéation, expérimentation, génération de manuscrits et évaluation par les pairs automatisée. Contrairement aux systèmes précédents qui automatisaient des tâches spécifiques – comme la découverte de structures chimiques , la démonstration de théorèmes mathématiques ou la prédiction de structures protéiques – ce pipeline gère l’intégralité du flux de travail de recherche.
Les chercheurs ont évalué The AI Scientist selon deux configurations. Le système initial, v1, constituait déjà une avancée significative : il était capable de produire des articles de recherche complets en s’appuyant sur des modèles de code fournis par des humains, et ce, dans plusieurs domaines de recherche en apprentissage automatique. La version v2, sans modèle prédéfini, représente un progrès considérable par rapport à cette base déjà performante. Alors que v1 s’appuyait sur des modèles d’expériences et des bases de code initiales fournis par des humains, v2 se rapproche de la recherche autonome sans modèle prédéfini : partant d’une orientation de recherche générale, elle peut générer et affiner itérativement du code expérimental au lieu de se limiter à la modification d’un modèle initial fixe créé par un humain.
Plutôt que de s'appuyer sur un seul modèle généraliste, le système orchestre plusieurs modèles de pointe à travers des rôles complémentaires, notamment l'idéation de la recherche, le codage expérimental, la critique et le débogage du code, l'évaluation du langage visuel des figures et des résultats, et l'examen automatisé par les pairs.
Que fait réellement le scientifique en IA ?
En résumé, le Scientifique IA accomplit les tâches d'une équipe de recherche : il consulte la littérature existante, propose des questions de recherche, mène des expériences, analyse les résultats et rédige des articles en vue de leur publication. La différence réside dans le fait qu'il effectue l'ensemble de ces opérations de manière autonome, sans intervention humaine à chaque étape.
À partir d'un domaine thématique, le système génère des idées de recherche novatrices en analysant les travaux existants et en identifiant les questions ouvertes, tout en explorant simultanément plusieurs pistes expérimentales. Il écrit et exécute ensuite son propre code expérimental, analyse les données obtenues, génère des figures et produit un manuscrit complet. Il vérifie même la qualité et corrige ses propres rendus visuels grâce à une boucle de rétroaction basée sur un modèle vision-langage (VLM). Le résultat final n'est pas une ébauche, mais un article scientifique complet, autoévalué et prêt à être soumis. Le processus peut fonctionner de manière entièrement autonome. En option, des humains peuvent intervenir pour sélectionner les travaux les plus prometteurs à chaque étape majeure afin d'en optimiser l'efficacité, comme l'a fait l'équipe lors de la production des articles finalement soumis à l'évaluation par les pairs.
Le test d'évaluation par les pairs
La validation la plus convaincante a consisté à soumettre le système aux mêmes tests que ceux auxquels font face les chercheurs humains. Avec l'approbation du comité d'éthique de la recherche de l'Université de la Colombie-Britannique et la pleine collaboration de l'équipe de direction d'ICLR 2025, les chercheurs ont soumis trois articles générés par l'IA à l'atelier « I Can't Believe It's Not Better » (ICBINB). Les évaluateurs savaient que certaines soumissions étaient générées par l'IA, mais ignoraient lesquelles, préservant ainsi l'anonymat de l'évaluation.
Un manuscrit a obtenu une note moyenne de 6,33, supérieure au seuil d'acceptation de l'atelier. Les organisateurs ont confirmé qu'il aurait probablement été accepté s'il n'avait pas été retiré conformément au protocole établi. Cet article figurait parmi les 45 % des meilleures soumissions de ce cycle.
Les deux autres articles n'ont pas atteint le seuil de sélection. La plateforme AI Scientist ne parvient pas encore à produire systématiquement des travaux de qualité suffisante pour un atelier et aucune des soumissions n'a atteint le niveau requis pour être acceptée à la conférence principale. Cependant, le système a produit un article qui a passé l'évaluation par les pairs lors d'un atelier d'une conférence de haut niveau en apprentissage machine ; il s'agit là d'une avancée significative.
Une loi d'échelle pour la qualité scientifique
Pour comprendre la portée de ces résultats, il était nécessaire de trouver un moyen d'évaluer à grande échelle les articles générés par l'IA, une tâche coûteuse pour les évaluateurs humains. Les chercheurs ont donc développé un évaluateur automatisé qui combine cinq évaluations indépendantes de maîtrises en droit (LLM) en une méta-évaluation, puis utilise un modèle final pour synthétiser un consensus, à l'image du rôle des présidents de comité de programme lors des grandes conférences. Validé à partir de données réelles de soumissions à l'ICLR, l'évaluateur automatisé a prédit les décisions d'acceptation avec une précision équilibrée de 69 %, un taux similaire aux 66 % d'accord équilibré observés entre les évaluateurs experts humains dans une étude comparable. L'équipe de recherche dispose ainsi d'un outil crédible et adaptable pour évaluer le jugement des experts humains.
Lorsque des chercheurs ont utilisé cet outil pour comparer la qualité des articles publiés sur différents modèles de base, classés par date de publication (un bon indicateur de la capacité du modèle, les modèles plus récents étant plus performants), ils ont constaté que les modèles les plus récents et les plus performants produisaient des articles de bien meilleure qualité (la tendance est claire et significative). De même, une plus grande puissance de calcul allouée à la recherche expérimentale du système a également permis d'obtenir de meilleurs résultats.
Ensemble, ces résultats suggèrent une loi d'échelle pour la qualité scientifique : à mesure que les modèles sous-jacents s'améliorent – et ils s'améliorent rapidement –, la qualité des travaux scientifiques qu'ils produisent s'améliore également. De même, on peut obtenir une meilleure qualité en allouant plus de puissance de calcul à l'IA scientifique. L'IA scientifique, telle qu'elle existe aujourd'hui, représente donc un minimum, et non un maximum. Cette trajectoire indique une évolution qui dépasse les progrès graduels et annonce un changement fondamental dans la manière même dont la recherche est menée.
Vers une deuxième révolution scientifique
Les implications de ces travaux dépassent largement le cadre de l'apprentissage automatique. La science a toujours été limitée par les capacités humaines : le nombre d'hypothèses qu'un chercheur peut tester, le nombre d'expériences qu'un laboratoire peut mener, le nombre d'articles qu'une communauté peut produire et évaluer en une année. Ces contraintes ont façonné le rythme des découvertes depuis des générations.
Un système comme The AI Scientist remet directement en question ces contraintes. Si l'IA peut mener des expériences de manière autonome, analyser les résultats et produire des articles scientifiques, le rythme des découvertes scientifiques ne sera plus tributaire du nombre de chercheurs qualifiés disponibles. Fonctionnant en parallèle sur de nombreuses instances, un tel système pourrait explorer simultanément des pistes de recherche qui nécessiteraient des décennies de travail pour les communautés humaines.
Cet ouvrage invite à une comparaison avec la première révolution scientifique – le passage, au XVIe siècle, de la philosophie naturelle aux sciences empiriques. Cette transformation ne se limitait pas à de nouvelles découvertes, mais impliquait également une nouvelle méthode pour les réaliser. L'ouvrage « The AI Scientist » suggère que nous pourrions être à l'aube d'une nouvelle révolution de ce genre : une révolution où la méthode est augmentée par des systèmes autonomes capables de déployer le processus scientifique à grande échelle.
Ça ne rend pas les chercheurs humains superflus. Ça redéfinit tout simplement leur rôle. Leur attention se déplace de l'exécution de protocoles expérimentaux à leur pilotage : poser les bonnes questions, identifier les résultats surprenants et faire preuve de discernement pour déterminer ce qui compte. Les chercheurs capables d'orienter efficacement les systèmes d'IA vers des questions scientifiques pertinentes pourront mener des programmes d'une envergure bien supérieure à celle accessible à un individu aujourd'hui.
Les implications à court terme sont les plus concrètes dans les domaines où les expériences sont menées par ordinateur, comme l'apprentissage automatique. Mais d'autres domaines qui exploitent des modèles informatiques pour accélérer les découvertes et/ou qui disposent de laboratoires automatisés de plus en plus performants où des robots peuvent réaliser des expériences seront également transformés, comme la découverte de médicaments, la biologie synthétique, la chimie, la science des matériaux et la modélisation climatique. Pour les domaines nécessitant des expérimentations physiques plus complexes, le chemin à parcourir sera plus long.
Développement responsable
Le système actuel présente de réelles limites. Les articles qu'il produit ne sont pas tous de qualité : on observe fréquemment des idées insuffisamment développées, des implémentations incorrectes, des erreurs expérimentales et des citations erronées. Aucun article généré par l'IA n'a encore satisfait aux exigences de publication dans une conférence majeure (ou une revue de premier plan), et la revue The AI Scientist se limite actuellement aux domaines informatiques.
Les risques plus larges sont importants et les chercheurs le reconnaissent ouvertement. Un système capable de produire à grande échelle des articles d'apparence plausible pourrait submerger les processus d'évaluation par les pairs, déjà sous tension, ou polluer la littérature scientifique de manière à la rendre difficile à filtrer. L'équipe de recherche a obtenu l'approbation explicite d'un comité d'éthique de la recherche et a retiré toutes les soumissions après évaluation afin d'éviter d'établir des normes avant que la communauté ne soit prête à le faire. D'autres risques existent aussi, comme des systèmes menant des recherches dangereuses ou créant une IA puissante, mais non alignée sur les principes scientifiques.
Ces défis ne sont pas des arguments contre la recherche, mais en faveur d'un développement rigoureux – en élaborant dès maintenant les normes de divulgation, les cadres d'évaluation, les techniques d'harmonisation et de contrôle, ainsi que les normes communautaires, tant qu'il est encore possible de le faire de manière réfléchie.
Lire l'article complet
Cet article présente les idées principales, mais l' article complet publié dans Nature contient des détails d'implémentation approfondis, des études d'ablation, des analyses complémentaires et des discussions plus détaillées sur les limites et les problèmes de sécurité. Le document technique d'AI Scientist-v2 fournit des renseignements supplémentaires sur l'architecture sans modèle. Les implémentations libres des deux systèmes sont disponibles sur GitHub .
Bien que ce soit un système encore à ses débuts, The AI Scientist démontre que l'ensemble du processus de recherche est maintenant à la portée de l'IA autonome. Où est-ce que ça va nous mener ? C'est l'une des questions ouvertes les plus importantes de la science actuelle.
Créé par l'IA, édité par des humains, à propos de l'IA
Cet article fait partie de notre série « ANDERS – Les avancées majeures de l'IA expliquées ; la recherche simplifiée ». Nous utilisons des agents d'IA pour générer des brouillons à partir d'articles scientifiques, qui sont ensuite soigneusement édités et peaufinés par nos équipes. L'objectif est de vous proposer des explications claires et concises des recherches de pointe menées par les chercheurs de Vector. Grâce à ANDERS, nous nous efforçons de rendre accessibles les avancées scientifiques complexes au grand public, en soulignant leur importance et leur impact sur notre monde.
