J’ai publié cet article sur linkedin le 1 décembre 2023

Je préfère le rappeler tout de suite, je ne suis pas un adepte aveugle des orientations d’IA de Google DeepMind. Depuis qu’ils ont développé AlphaGo, une IA qui a pour seule vocation de battre un homme, je suis déçu. Déçu des conséquences que cela a eu pour Lee Sedol et pour le monde plus généralement.

Nous ne sommes pas beaucoup à avoir vu que ce joueur extraordinaire a réussi à battre au moins une fois une IA qui avait des millions de parties d’expérience cumulées de plus que lui. Malgré cet écart, il a ouvert des pistes pour gagner. Ce coup de com a servi les aspects financiers de l’entreprise, et quand on demande à ChatGPT ce qu’il en pense, il nous répond que ça a été un tour de force majeur à bien des égards, même s’il a pu générer un « sentiment de découragement et d’obsolescence chez les humains ».

Mais qu’en pensez-vous ? Est-ce que le véritable tour de force n’aurait pas été d’aider un joueur moyen à monter au niveau d’un professionnel de premier rang, plutôt que de le détrôner ? Notre ami GPT évoque que l’angle que je prends aurait eu un impact plus positif, en particulier pour le renforcement de l’humanité, l’impact psychologique et social sur l’adoption de l’IA et les perspectives économiques industrielles.

Cette fois, guidé avec l’université de Berkeley, le résultat ouvre une perspective intéressante pour la recherche et montre comment l’IA peut prendre une place légitime dans les laboratoires. En combinant les connaissances sur les matériaux des scientifiques avec la capacité exploratoire de l’IA développée par Google , ils ont découvert en très peu de temps 380,000 nouveaux matériaux de synthèse stables. On en connaissait 10 fois moins.

Les perspectives sont énormes d’autant plus que les résultats ont été rendus publics. Ce facteur 10 pour un chercheur, c’est passer d’un niveau d’analyse micro à un niveau macroscopique. Ça lui donne encore plus de recul et d’opportunités exploratoires sur ce qu’il fait.

L’association a montré sa pertinence quand ils ont commencé à créer ces nouveaux matériaux, de manière automatisée, pour aller plus vite dans la découverte. Le passage de la théorie à la pratique. En 17 jours, ils ont créé 41 nouveaux matériaux sur 58 tentatives. Habituellement, à peine 13% des projets de R&D aboutissent. Ici, on est à 70% de réussite ! On pourrait se croire en pleine science-fiction, mais c’est bien la puissance que peut apporter le travail collaboratif Recherche + IA.

Les industries pharmaceutiques et génomiques n’ont pas attendu pour engager cette voie. Mais là, on touche à tous les secteurs de marché de manière simultanée. Alors Bravo ! Je vous invite à lire l’article sur Nature intitulé « An autonomous laboratory for the accelerated synthesis of novel materials ». Nous saurons bientôt si ce ratio de victoires persiste, mais rien que pour ce qui a déjà été découvert, c’est une belle avancée.

Et vous, qu’en pensez-vous ? La question que je me pose désormais, ça va être la réaction du laboratoire. Va-t-il se saisir de cet outil comme d’un moyen de moderniser son outil de travail avec des barrières éthiques (c’est l’approche que je défends, vous l’avez compris) ou comme un moyen de montrer la supériorité de la machine sur les chercheurs ? Et l’appétit de Google DeepMind aura-t-il évolué avec ses expériences passées ?

Je suis curieux de connaître vos opinions et perspectives. Comment voyez-vous l’intégration de l’IA dans le monde de la recherche et du développement, qu’elle soit industrielle ou publique ? Et si vous souhaitez parler de vos mises en application plus spécifiques, n’hésitez pas à me contacter en message privé !