DeepMind pousse Co-Scientist au-delà de l’idéation
Google DeepMind affirme que son système de recherche basé sur l’IA, Co-Scientist, est passé de la génération d’hypothèses à une participation plus large dans le flux de travail scientifique, notamment la planification des expériences, l’écriture de code, l’utilisation de certains équipements de laboratoire, l’analyse des résultats et la rédaction de manuscrits scientifiques. Cette mise à jour, décrite par Google comme un processus de recherche en boucle fermée, marque une expansion notable par rapport à la version de Co-Scientist présentée par l’entreprise en février 2025.
Selon le rapport fourni, le nouveau système repose sur les modèles Gemini actuels et est conçu pour prendre une question de recherche, en dériver des hypothèses, les transformer en plans expérimentaux ou en protocoles lisibles par machine, analyser les données obtenues, puis générer un résultat de longueur comparable à un article. Google indique également que le système comprend des modules de vérification qui comparent les affirmations numériques du texte généré avec les journaux d’exécution du code qu’il a produit, afin de réduire les résultats fabriqués ou incohérents.
Cela compte, car l’une des principales faiblesses des systèmes d’IA dans la science réside dans l’écart entre un langage plausible et des preuves fiables. Un système capable de relier ce qu’il écrit à ce qu’il a réellement exécuté, même dans un flux de travail limité, s’attaque à l’un des modes d’échec les plus évidents de la recherche générée par machine. Cela ne résout pas d’emblée le problème de confiance, mais montre où les développeurs estiment que l’autonomie scientifique pratique doit d’abord s’améliorer.
Trois domaines, trois niveaux d’autonomie
Le rapport décrit des efforts de validation en science des matériaux, en biologie et en informatique, chaque domaine présentant un niveau différent d’indépendance de la machine. En science des matériaux, Co-Scientist a proposé des recettes de synthèse que des humains devaient exécuter. En biologie, il a construit un pipeline de prédiction avec retour d’experts. En informatique, Google affirme que le système a fonctionné de manière entièrement autonome.
Cette structure par paliers est significative. Plutôt que de prétendre disposer d’un scientifique autonome universel, Google semble présenter un spectre: usage guidé par l’humain dans les contextes où les expériences physiques sont coûteuses et sensibles, usage collaboratif où la supervision d’experts reste centrale, et autonomie plus élevée lorsque l’environnement expérimental est déjà natif du logiciel. Cette division reflète la réalité selon laquelle les systèmes d’IA avancent généralement plus vite dans les domaines numériques que dans les laboratoires humides ou les installations de matériaux avancés, où le timing, la contamination, la variabilité du matériel et les contraintes de sécurité limitent l’automatisation.
L’exemple des matériaux illustre à la fois la promesse et les limites. Co-Scientist a été associé, selon le rapport, à un four haute température semi-automatisé et a identifié une voie plus sûre vers un matériau bidimensionnel très recherché, auparavant produit בעיקרement par gravure dangereuse. Après 25 cycles d’affinement humain, l’équipe a obtenu des structures en couches aux propriétés proches de celles du matériau cible. Mais le rapport précise aussi que la confirmation définitive de la structure atomique reste en attente.
Cette réserve est importante. Le système a peut-être accéléré la génération de recettes et réduit l’espace de recherche, mais la version la plus forte de l’affirmation scientifique n’a pas encore été établie. En d’autres termes, le résultat est prometteur comme démonstration de processus, mais pas comme preuve finale que le matériau cible a été entièrement obtenu comme prévu.
Les gains de vitesse s’accompagnent de compromis pratiques
Dans une seconde expérience sur les matériaux, le rapport indique que trois films minces semi-conducteurs ont été synthétisés dès le premier essai. Co-Scientist a utilisé Gemini 3 Deep Think pour le contrôle direct des équipements, et Google affirme que cela a réduit le développement des recettes de plusieurs jours à quelques minutes. Si cette comparaison temporelle se vérifie à plus grande échelle, elle met en évidence l’un des arguments commerciaux les plus clairs en faveur de l’IA en R&D: compresser des cycles d’itération coûteux dans des environnements de laboratoire où les chercheurs passent souvent beaucoup de temps à ajuster les procédures.
En même temps, le rapport identifie plusieurs contraintes qui empêchent d’interpréter l’annonce comme une avancée nette dans l’automatisation des laboratoires. Des humains ont encore dû charger manuellement les échantillons et les matériaux précurseurs. Le mode de fonctionnement plus rapide a produit des cristaux plus petits et moins homogènes que des recettes mieux optimisées. Et la transférabilité des recettes vers d’autres laboratoires reste non résolue.
Ces détails comptent, car la reproductibilité est une norme déterminante en recherche. Un système qui fonctionne bien dans une pile d’instruments, avec une configuration de laboratoire et une équipe de supervision données, n’a pas encore démontré qu’il pouvait se généraliser. L’automatisation scientifique devient plus précieuse lorsque les procédures résistent aux changements d’équipement, d’opérateurs et de conditions environnementales. En signalant le transfert des recettes comme une question ouverte, le rapport souligne indirectement combien d’ingénierie sépare encore une démonstration convaincante d’une plateforme largement déployable.
Pourquoi cette étape compte pour l’infrastructure de recherche en IA
L’élément le plus important de cette mise à jour n’est peut-être pas une expérience particulière. C’est l’idée de relier la génération d’hypothèses, la planification de l’exécution, le contrôle des instruments, l’analyse et la rédaction des manuscrits dans un seul système connecté. Cette architecture suggère la prochaine phase des outils scientifiques telle que la voient les développeurs d’IA de pointe: non pas un chatbot aidant un chercheur à des étapes isolées, mais un orchestrateur capable de faire passer le travail à travers plusieurs étapes tout en conservant un enregistrement interne de ce qui a été proposé, exécuté et observé.
Si de tels systèmes mûrissent, ils pourraient modifier l’économie de la recherche dans des domaines où les espaces de recherche sont vastes et l’itération coûteuse. La découverte de matériaux, la prédiction biologique et la conception de modèles sont autant de domaines où les chercheurs font face à trop de combinaisons possibles pour les tester manuellement. Un outil qui réduit rapidement les options, rédige des procédures exécutables et conserve une trace structurée de l’énoncé au résultat pourrait devenir précieux, même s’il n’atteint jamais une autonomie totale.
Mais cette annonce s’inscrit aussi dans une tendance plus large de la couverture de la science de l’IA: l’expansion des capacités devance souvent la validation indépendante. Le rapport fourni attribue les résultats à Google et décrit des expériences dans trois disciplines, mais n’apporte pas ici de preuve de réplication externe. Cela n’invalide pas le travail, mais cela devrait influencer l’interprétation des affirmations. La lecture la plus solide est que Google montre un agent de recherche plus intégré, avec quelques succès étayés expérimentalement et des limites visibles, et non qu’un scientifique autonome généraliste est déjà arrivé.
- Google affirme que Co-Scientist couvre désormais une plus grande partie du cycle de recherche, de l’hypothèse au brouillon d’article.
- Le système aurait été testé en science des matériaux, en biologie et en informatique avec différents niveaux d’autonomie.
- Les modules de vérification sont destinés à recouper les affirmations numériques du texte avec les journaux d’exécution.
- Des questions ouvertes subsistent sur la reproductibilité, le transfert vers d’autres laboratoires et les compromis de qualité d’un fonctionnement plus rapide.
Pour le secteur de l’IA, cela représente tout de même un changement significatif. La concurrence ne porte plus seulement sur le modèle capable de résumer des articles ou de proposer des idées. Il s’agit de plus en plus de savoir quels systèmes peuvent relier le raisonnement aux instruments, aux pipelines de données et aux résultats vérifiables. Co-Scientist, tel qu’il est décrit ici, va dans cette direction.
Cet article est basé sur un reportage de The Decoder. Lire l’article original.
Originally published on the-decoder.com
