Il y a un peu plus d’un siècle, un physicien réputé affirmait que la science avait tout découvert. Albert Michelson, en 1903. Dans les années 80, Stephen Hawking prédisait que la physique théorique serait cuite avant l’an 2000. Ils se sont plantés. Et pourtant, on recommence avec l’IA.
Eric Schmidt, ex-CEO de Google et cofondateur de Schmidt Sciences, et Suhas Mahesh, qui pilote l’IA pour la science chez Schmidt Sciences, viennent de publier une tribune dans le MIT Technology Review. Leur message tient en une phrase : « AI for science needs reasoning, not just data ». Ce qui veut dire : arrêtez de croire que déverser des pétaoctets de données dans un modèle va faire émerger le prochain prix Nobel.
C’est rafraîchissant, surtout venant d’un type qui a les moyens de financer n’importe quel projet farfelu. Schmidt aurait pu nous vendre le récit classique : l’IA va tout résoudre, il suffit d’ajouter des données et des GPU. Au lieu de ça, il rappelle que les modèles actuels sont de très bons interpolateurs statistiques. Ils savent reconnaître des motifs, pas raisonner en physique, en chimie ou en biologie. La découverte scientifique passe par l’étonnement, l’hypothèse, l’expérience qui contredit. Pas juste par une corrélation de plus.
Le parallèle avec Michelson et Hawking n’est pas anodin. À chaque époque, on croit que la connaissance est une montagne finie dont il reste une bosse à gravir. Avec l’IA, la tentation est de croire que cette bosse va être avalée par des centaines de milliards de paramètres. Schmidt et Mahesh rappellent que non. La science, c’est du raisonnement contrefactuel : se demander ce qui se passerait si les lois de la nature étaient différentes. Les LLM, eux, prédisent le mot suivant. Pas exactement le même métier.
Évidemment, il y a des nuances. L’IA peut accélérer des pans entiers du travail scientifique : la revue de littérature, l’analyse d’images, le tri de données massives. Personne ne dit le contraire. Mais il y a une différence entre un outil qui aide un chercheur et un système qui remplace le raisonnement. Schmidt et Mahesh le disent assez clairement : sans raisonnement, l’IA pour la science reste un gadget coûteux qui régurgite ce qu’on lui a donné.
On pourrait arguer que c’est facile de dire ça quand on n’a pas un modèle à vendre. Sauf que Schmidt Sciences finance déjà des projets concrets. Si le patron d’une fondation scientifique de ce calibre prend la peine d’écrire que l’approche « données d’abord » ne suffit pas, c’est que quelque chose cloche dans le récit ambiant.
Quand un modèle sort une découverte, on peut lui demander d’expliquer son raisonnement. S’il répond avec plus de données, on saura que c’est un gros LLM. Pas un prix Nobel.
Sources :
Comments are closed