OpenAI vise un chercheur IA entièrement automatisé d'ici 2028

Le prochain grand défi d'OpenAI

OpenAI a annoncé une ambition de recherche ambitieuse : construire ce qu'il appelle un chercheur IA—un système entièrement automatisé basé sur des agents capable de s'attaquer indépendamment à de grands problèmes scientifiques complexes. Dans une interview exclusive avec MIT Technology Review, le scientifique en chef Jakub Pachocki a décrit l'initiative comme l'Étoile du Nord d'OpenAI pour les années à venir, représentant une convergence des travaux de l'entreprise sur les modèles de raisonnement, les agents de codage et l'interprétabilité dans un objectif unifié à long terme.

Le calendrier est concret et à court terme d'une manière qui distingue cette annonce des promesses plus diffuses sur l'AGI dans lesquelles l'industrie a commercé pendant des années. OpenAI prévoit de construire un stagiaire en recherche IA autonome—un système capable de travailler indépendamment sur des problèmes de recherche spécifiques pendant des jours—d'ici septembre 2026. Le chercheur IA multi-agents complet, capable de s'attaquer à des problèmes trop grands ou complexes pour que les humains les gèrent, vise un lancement en 2028.

Codex comme le plan

Pachocki a souligné l'agent Codex existant d'OpenAI comme étant à la fois la base de preuve et le prototype initial de la vision plus ambitieuse du chercheur IA. Codex, que OpenAI a lancé en janvier, est un système de codage basé sur des agents qui peut générer, exécuter et déboguer du code de manière autonome pour accomplir des tâches de programmation complexes. Il a été largement adopté au sein d'OpenAI elle-même, Pachocki notant que la plupart du personnel technique de l'entreprise utilise maintenant Codex comme élément central de leur flux de travail.

Le saut philosophique que fait Pachocki est que si un système IA peut résoudre de manière autonome des problèmes de codage complexes—qui nécessitent un raisonnement créatif, la décomposition de grandes tâches en sous-tâches, le suivi d'un état complexe au cours de sessions de travail prolongées et la correction d'erreurs—alors la même architecture de capacité peut être étendue à la résolution de problèmes scientifiques dans des domaines comme la biologie, la chimie, la physique et les mathématiques.

Nos emplois sont maintenant totalement différents de ce qu'ils étaient il y a un an. Personne n'édite vraiment du code tout le temps plus. Au lieu de cela, vous gérez un groupe d'agents Codex, a dit Pachocki à MIT Technology Review. La vision est que la même relation de gestion—humain dirigeant, IA exécutant—pourrait éventuellement s'appliquer à la recherche elle-même, avec des scientifiques dirigeant des agents IA qui poursuivent indépendamment des hypothèses expérimentales, examinent la littérature, conçoivent des analyses et générant des résultats.

Pourquoi maintenant : la percée du modèle de raisonnement

L'ambition renouvelée pour la capacité de recherche autonome est enracinée dans l'émergence de ce qu'on appelle les modèles de raisonnement—des systèmes IA entraînés non seulement pour produire des résultats, mais pour résoudre des problèmes étape par étape, en se rétractant lorsqu'ils atteignent des impasses. Les modèles de raisonnement ont rendu les systèmes IA qualitativement meilleurs au travail autonome prolongé : ils peuvent maintenir un contexte cohérent sur des sessions de résolution de problèmes plus longues et attraper et corriger leurs propres erreurs d'une manière que les modèles de langage antérieurs ne pouvaient pas.

OpenAI a également alimenté ses pipelines d'entraînement avec des exemples de tâches complexes—des énigmes difficiles issues de compétitions de mathématiques et de programmation—qui nécessitent que les modèles apprennent à gérer des contextes très vastes, à décomposer les problèmes en sous-tâches et à maintenir un raisonnement efficace sur des périodes prolongées. Pachocki croit que cette approche d'entraînement, combinée aux améliorations générales de capacité entre les générations successives de modèles, a amené l'entreprise au seuil où la recherche autonome est réalisable dans la trajectoire de développement actuelle.

Les résultats récents ont donné une base empirique à l'optimisme de Pachocki. Les chercheurs d'OpenAI ont utilisé GPT-5, le modèle qui alimente Codex, pour découvrir de nouvelles solutions à des problèmes mathématiques précédemment non résolus et faire des progrès sur des énigmes spécifiques en biologie et en physique—des réalisations qui, bien que limitées, démontrent que le modèle peut générer des contributions scientifiques véritablement novatrices plutôt que de simplement résumer les connaissances existantes.

Le problème de sécurité à la frontière

Pachocki n'a pas esquivé les risques inhérents à la vision qu'il poursuit. Un chercheur IA entièrement autonome fonctionnant avec une supervision humaine minimale représente un type de capacité IA qualitativement nouveau—un qui pourrait générer des insights scientifiques dans des domaines comme la biologie synthétique ou les matériaux avancés où les résultats pourraient être militarisés ou utilisés à mauvais escient. Le chaîn-of-thought monitoring, où les processus de raisonnement des systèmes IA sont rendus inspectables, est l'approche de sécurité primaire que Pachocki a identifiée, mais il a reconnu qu'elle est imparfaite.

Il y a des questions difficiles sur les endroits où les lignes devraient être tracées, a dit Pachocki à MIT Technology Review. Je pense que les gouvernements, pas seulement OpenAI, devront déterminer où se trouvent ces lignes. La reconnaissance que la gouvernance externe sera nécessaire est importante, reflétant une reconnaissance plus large de l'industrie selon laquelle la frontière de la capacité de recherche autonome nécessite des cadres réglementaires qui n'existent pas encore.

Contexte concurrentiel et implications pour l'industrie

L'annonce d'OpenAI intervient alors que l'entreprise fait face à une concurrence intensifiée d'Anthropic et Google DeepMind sur plusieurs fronts. Anthropic a fait des progrès importants dans les déploiements d'IA en entreprise, et DeepMind continue de produire des recherches scientifiques influentes en IA grâce à des programmes comme AlphaFold. Positionner le chercheur IA autonome comme le prochain défi déterminant d'OpenAI est en partie une stratégie concurrentielle—revendiquant une place sur la frontière de capacité la plus ambitieuse et conséquente avant que les concurrents ne puissent définir l'espace.

Pour la plus large communauté scientifique, la perspective de systèmes IA qui peuvent faire avancer de manière autonome la recherche soulève des questions profondes sur l'avenir du travail scientifique, les normes de publication, la propriété intellectuelle et l'attribution du crédit pour les découvertes. Si un agent IA découvre indépendamment une nouvelle preuve mathématique ou identifie une nouvelle cible thérapeutique, l'écosystème de la publication académique, du financement des subventions et des carrières de recherche construits autour de la réalisation scientifique humaine nécessitera une refonte substantielle. Le calendrier 2028 d'OpenAI suggère que ces questions pourraient nécessiter des réponses plus tôt que de nombreuses personnes dans la communauté scientifique ne s'y préparent.

Cet article est basé sur les reportages de MIT Technology Review. Lisez l'article original.