Pendant des siècles, la méthode scientifique a été une entreprise fondamentalement humaine. Les chercheurs conçoivent des hypothèses, conçoivent des expériences, interprètent les résultats et communiquent les résultats. Ce paradigme a changé en mars 2026 lorsque Nature a publié une recherche décrivant The AI Scientist – un système qui navigue de façon autonome l’ensemble du pipeline de recherche, de l’idéation à la publication. Fait remarquable, l’un de ses manuscrits générés a passé l’évaluation par les pairs lors d’un atelier ICLR 2025, marquant la première fois qu’un article entièrement rédigé par l’IA a réussi un examen académique formel.
Cette recherche révolutionnaire a été coécrite par Jeff Clune, membre du corps professoral de Vector et président canadien de l’IA au CIFAR, aux côtés de chercheurs de Sakana AI, de l’Université de la Colombie-Britannique et de l’Université d’Oxford. Le travail démontre comment les modèles de fondation modernes peuvent être orchestrés en systèmes agents entièrement autonomes capables de raisonnement scientifique, d’exécution expérimentale et d’auto-évaluation.
TLDR : Découvrez des recherches révolutionnaires en IA en 3 minutes
Ce résumé concis fait le pont entre les avancées scientifiques complexes et la compréhension quotidienne. Idéal pour les passionnés et les non-chercheurs, commencez à écouter dès maintenant.
Architecture système : Un pipeline de recherche de bout en bout
Le scientifique IA fonctionne à travers quatre phases séquentielles : idéation, expérimentation, génération de manuscrits et évaluation automatisée par les pairs. Contrairement aux systèmes antérieurs qui automatisaient des tâches étroites – comme la découverte de structures chimiques, la démonstration de théorèmes mathématiques ou la prédiction des structures protéiques – ce pipeline gère l’ensemble du flux de recherche.
Les chercheurs ont évalué The AI Scientist en deux configurations. Le système initial, la version 1, fut lui-même une réalisation importante : capable de produire des articles de recherche complets en s’appuyant sur des modèles de code fournis par des humains dans plusieurs domaines de recherche en apprentissage automatique. La v2 sans modèle représente un saut supplémentaire par rapport à cette base déjà performante. Là où la version 1 s’appuie sur des modèles d’expériences fournis par l’humain et des bases de code de départ, la version 2 se rapproche de la recherche autonome sans modèles : partant d’une direction de recherche large, elle peut générer et affiner de façon itérative du code expérimental plutôt que de modifier principalement un modèle de départ fixe créé par des humains.
Plutôt que de s’appuyer sur un seul modèle à usage général, le système orchestre plusieurs modèles frontières à travers des rôles complémentaires, incluant l’idéation de recherche, le codage expérimental, la critique et le débogage de code, l’évaluation en langage visuel des chiffres et des résultats, ainsi que l’évaluation par les pairs automatisée.
Ce que fait réellement le scientifique en IA
À un niveau général, le scientifique IA fait ce qu’une équipe de recherche fait : il lit la littérature existante, propose des questions de recherche, mène des expériences, analyse les résultats et rédige les résultats pour publication. La différence, c’est qu’il fait tout cela de façon autonome, sans qu’un humain fasse le travail à chaque étape.
Partant d’un domaine thématique, le système génère de nouvelles idées de recherche en examinant les travaux existants et en identifiant des questions ouvertes, tout en explorant simultanément plusieurs branches expérimentales. Il écrit ensuite et exécute son propre code expérimental, analyse les données résultantes, génère des figures, produit un manuscrit complet, et vérifie même la qualité et corrige ses propres résultats visuels à l’aide d’une boucle de rétroaction du modèle vision-langage (VLM). Son résultat final n’est pas un brouillon, mais un article scientifique complet, autoévalué, prêt à être soumis. Le pipeline peut fonctionner de façon autonome d’un bout à l’autre. Optionnellement, les humains peuvent intervenir pour sélectionner les travaux les plus prometteurs à chaque étape majeure du pipeline afin d’accélérer l’efficacité, ce que l’équipe a fait lors de la production des articles finalement soumis à l’évaluation humaine.
Le test d’évaluation par les pairs
La validation la plus convaincante est venue du fait de soumettre le système au même test que les chercheurs humains. Avec l’approbation du comité d’examen institutionnel de l’Université de la Colombie-Britannique et la pleine coopération de la direction de l’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 pas quels articles spécifiques, préservant ainsi des conditions d’évaluation à l’aveugle.
Un manuscrit a obtenu une note moyenne de 6,33 – au-dessus du seuil d’acceptation de l’atelier. Les organisateurs ont confirmé qu’elle aurait probablement été acceptée si elle n’avait pas été retirée conformément au protocole établi. L’article s’est classé parmi les 45% du top de toutes les soumissions de ce cycle-là.
Les deux autres articles étaient en dessous du seuil d’acceptation. Le scientifique en IA ne peut pas encore produire un travail de qualité atelier de façon constante et aucune des soumissions n’a atteint le seuil d’admission à la conférence principale, mais le système a produit un article qui a passé l’évaluation par les pairs lors d’un atelier de conférence de premier plan sur l’apprentissage automatique – et c’est une ligne significative franchie.
Une loi d’échelle pour la qualité scientifique
Comprendre l’importance plus large de ces résultats a nécessité un moyen d’évaluer à grande échelle les articles générés par l’IA, ce qui est coûteux pour les évaluateurs humains. Les chercheurs ont développé un évaluateur automatisé qui regroupe cinq jugements indépendants de LLM en une méta-revue, puis utilise un modèle final pour synthétiser un consensus, reflétant le rôle de président régional lors des grandes conférences. Validé par rapport aux données réelles de soumission de l’ICLR, l’évaluateur automatisé a prédit les décisions d’acceptation avec une précision équilibrée de 69% – similaire au taux d’accord équilibré de 66% observé entre évaluateurs experts humains dans une étude comparable, offrant à l’équipe un proxy crédible et évolutif du jugement des experts humains.
Lorsque les chercheurs ont utilisé cet outil pour comparer la qualité du papier entre différents modèles de fondation classés par date de sortie (un bon indicateur des capacités du modèle, puisque les modèles plus récents sont plus performants), ils ont constaté que des modèles plus récents et plus performants produisaient de bien meilleurs articles (la tendance est claire et significative). De même, plus de calcul alloué à la recherche expérimentale du système a aussi produit de meilleurs articles.
Ensemble, ces résultats suggèrent une loi de mise à l’échelle de la qualité scientifique : à mesure que les modèles sous-jacents s’améliorent – et ils s’améliorent rapidement – la science qu’ils produisent aussi. Dans le même ordre d’idées, nous pouvons produire une meilleure qualité en allouant plus de calcul à The AI Scientist. Le scientifique IA tel qu’il existe aujourd’hui est donc un plancher, pas un plafond. Cette trajectoire dépasse les gains incrémentaux et mène à un changement fondamental dans la manière dont la recherche est menée.
Vers une seconde révolution scientifique
Les implications de ce travail vont bien au-delà de l’apprentissage automatique. La science a toujours été limitée par la capacité humaine : le nombre d’hypothèses qu’un chercheur peut tester, les expériences qu’un laboratoire peut mener, les articles qu’une communauté peut produire et examiner en un an. Ces contraintes ont façonné le rythme des découvertes pendant des générations.
Un système comme The AI Scientist commence à remettre directement en question ces contraintes. Si l’IA peut mener des expériences de façon autonome, analyser les résultats et produire des articles évaluables par des pairs, le rythme des découvertes scientifiques n’a pas besoin d’être lié au nombre de chercheurs formés disponibles pour effectuer ce travail. Géré en parallèle à travers de nombreux cas, un tel système pourrait explorer simultanément des directions de recherche qui prendraient des décennies aux communautés humaines à couvrir.
L’ouvrage invite à une comparaison avec la première révolution scientifique – le passage au XVIe siècle de la philosophie naturelle à la science empirique. Cette transformation ne concernait pas seulement de nouvelles découvertes, mais d’une nouvelle méthode pour les faire. The AI Scientist suggère que nous pourrions entrer dans un autre changement de ce genre : un changement où la méthode est complétée par des systèmes autonomes capables de gérer le processus scientifique à grande échelle.
Cela ne rend pas les chercheurs humains inutiles. Ça redéfinit juste leur rôle. L’objectif du chercheur passe de l’exécution des pipelines expérimentaux à leur orientation – poser les bonnes questions, identifier des résultats surprenants et exercer son jugement pour savoir ce qui compte. Les chercheurs capables d’orienter efficacement les systèmes d’IA vers des questions scientifiques significatives pourraient être capables de poursuivre des programmes d’une envergure beaucoup plus large que ceux disponibles aujourd’hui pour n’importe quel individu.
Les implications à court terme sont les plus concrètes dans les domaines où les expériences sont menées de façon computationnelle, comme l’apprentissage automatique. Mais d’autres domaines qui exploitent des modèles informatiques pour accélérer les découvertes et/ou disposent de laboratoires automatisés de plus en plus performants où les robots peuvent mener des expériences seront aussi 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 difficiles, le parcours est plus long.
Développement responsable
Le système actuel a de vraies limites. Les articles qu’il produit ne sont pas uniformément bons : les échecs courants incluent des idées sous-développées, des implémentations incorrectes, des erreurs expérimentales et des citations hallucinées. Aucun article généré par l’IA n’a encore franchi le seuil pour être accepté dans les conférences principales (ou les revues de premier plan), et The AI Scientist n’opère actuellement que dans des domaines computationnels.
Les risques plus larges sont importants et les chercheurs sont directs à leur sujet. Un système capable de produire des articles plausibles à grande échelle pourrait submerger les processus d’évaluation par les pairs déjà sous pression ou ajouter un bruit à la littérature scientifique difficile à filtrer. L’équipe de recherche a obtenu l’approbation explicite de l’IRB et a retiré toutes les soumissions après l’examen afin d’éviter d’établir des normes avant que la communauté ne soit prête à les établir. Il y a aussi d’autres risques, comme des systèmes qui mènent des recherches dangereuses ou créent une IA puissante mais non alignée.
Ces défis ne sont pas des arguments contre la recherche, mais pour la développer soigneusement – en bâtissant dès maintenant les normes de divulgation, les cadres d’évaluation, les techniques d’alignement et de supervision, ainsi que les normes communautaires, tant qu’il reste encore de la place pour le faire de manière réfléchie.
Lisez l’article complet
Ce billet couvre les idées clés, mais l’article complet de Nature contient des détails détaillés sur la mise en œuvre, des études d’ablation, des analyses complémentaires et des discussions plus détaillées sur les limites et les enjeux de sécurité. L’article technique AI Scientist-v2 fournit des détails supplémentaires sur l’architecture sans modèle. Des implémentations open source des deux systèmes sont disponibles sur GitHub.
Bien qu’il s’agisse d’un système précoce, The AI Scientist démontre que l’ensemble du pipeline de recherche est désormais accessible à l’IA autonome. Là où cela mène est l’une des questions ouvertes les plus importantes en science en ce moment.
Créé par l’IA, édité par des humains, à propos de l’IA
Ce billet de blogue fait partie de notre « ANDERS – IA Développements notables expliqués; Série de recherches simplifiées. Ici, nous utilisons des agents d’IA pour créer des brouillons initiaux à partir de travaux de recherche, qui sont ensuite soigneusement édités et affinés par nos humains. L’objectif est de vous offrir des explications claires et concises des recherches de pointe menées par des chercheurs en Vector. Grâce à ANDERS, nous nous efforçons de combler le fossé entre les avancées scientifiques complexes et la compréhension quotidienne, en soulignant pourquoi ces développements sont importants et comment ils impactent notre monde.
