IA scientifique : PSI transforme les découvertes en activité13 min de lecture2 519 mots

IA scientifique : PSI transforme les découvertes en activité

PSI s’appuie sur l’IA pour résoudre un problème ouvert en informatique quantique. Analyse des preuves, du modèle économique et des limites de cette approche.

IA scientifiquedécouverte scientifique par l'IAPSIIA et recherchemodèles d'intelligence artificielle
IA scientifique : PSI transforme les découvertes en activité

Quand l'IA s'attaque aux problèmes que la science n'a pas encore résolus

Une jeune pousse peut-elle transformer une découverte scientifique en activité économique ? Physical Superintelligence (PSI) répond par une idée un peu à contre-courant : construire des systèmes d'IA capables de s'attaquer d'abord à des questions théoriques, puis d'en tirer des résultats exploitables dans des cas concrets. L'épreuve la plus parlante de cette approche, c'est une question d'informatique quantique restée ouverte depuis près de dix-huit ans.

David Turturean, récemment diplômé du MIT et membre de l'équipe technique de PSI, a utilisé un accès anticipé au modèle Fable 5.2 d'Anthropic pour produire une solution à la conjecture d'Aaronson-Ambainis. À elle seule, cette avancée ne veut pas dire que l'IA remplace les chercheurs, ni que tous les mystères de l'informatique quantique sont derrière nous. Ce qu'elle montre, plus simplement, c'est comment un modèle, des outils spécialisés et une vérification humaine peuvent se combiner pour faire avancer un problème précis.

Reste la question qui compte vraiment pour une entreprise : est-ce que ce type de méthode peut tenir sur la durée ? Et, côté science, comment encadrer un rythme de travail qui s'accélère ?

Ce que résout réellement le résultat de PSI

La conjecture d'Aaronson-Ambainis porte sur les limites de la vitesse à laquelle un ordinateur quantique peut résoudre certaines classes de problèmes, comparé à un ordinateur classique. On la retrouve dans l'informatique quantique théorique : l'objectif est de mieux cerner ce que les machines quantiques peuvent (ou ne peuvent pas) faire, dans des cadres de calcul bien définis.

Le résultat présenté par PSI semble fermer une voie particulière vers des accélérations quantiques pour certains problèmes. Il ne dit pas que les ordinateurs quantiques sont sans intérêt, et il ne clôt pas le débat sur leur avantage en général. Son périmètre est plus étroit : il aide à identifier des directions où il ne sert à rien de continuer à investir beaucoup d'efforts - dans le cadre précis de cette conjecture.

On peut donc parler d'un résultat négatif, mais pas d'un résultat inutile. En recherche, montrer qu'une piste ne mène pas au but peut faire gagner des années : moins d'hypothèses qui tiennent, moins de temps perdu sur des impasses. Et la valeur d'une avancée ne se limite pas à « fabriquer une technologie ». Elle peut aussi consister à réduire l'espace des questions encore ouvertes.

Il faut aussi rester prudent. Scott Aaronson, à l'origine du problème, a dit ne pas avoir tout compris à la première lecture, tout en pensant que la preuve est probablement correcte. Il s'appuie notamment sur une autoformalisation dans Lean - un langage qui permet de vérifier des preuves mathématiques - et sur des explications fournies par des chercheurs expérimentés avec qui PSI a partagé le résultat.

Cette nuance est importante : une preuve « aidée » par un modèle n'est pas une vérité scientifique automatiquement acquise. La confiance se construit étape par étape : produire la démonstration, la formaliser, la faire relire par des spécialistes, puis rendre le raisonnement compréhensible pour d'autres chercheurs. Ici, la formalisation apporte un contrôle solide, mais l'examen humain et l'interprétation de ce que la preuve implique restent indispensables.

Enfin, le fait que ce problème n'ait pas figuré dans une série récente de résultats attribués à d'autres systèmes d'IA ne permet pas de classer les modèles sur une simple liste de succès. Tout dépend du problème, du temps de calcul, des outils disponibles et de la façon dont le système est construit autour du modèle. Le signal utile n'est donc pas « le modèle a tout compris », mais plutôt « un système particulier a franchi une étape vérifiable sur une question reconnue ».

Pourquoi un modèle seul ne suffit pas à faire de la recherche

On aime bien l'image du chercheur qui pose une question à un chatbot et reçoit une découverte prête à publier. Sauf que, dans la pratique, ça rend mal ce qui a été fait. Selon Matt Pines, directeur général de PSI, un système de recherche efficace ne repose pas sur un seul outil : il combine plusieurs couches - des outils, des mécanismes de mémoire, des environnements de simulation et des méthodes d'exploration - pour parcourir des pistes en profondeur.

Le modèle génératif n'est qu'une brique. Il peut proposer des idées, tisser des liens, produire des étapes de raisonnement. Mais la recherche exige aussi autre chose : repérer des erreurs, tester des variantes, conserver ce qui compte vraiment et vérifier que la réponse respecte les contraintes du problème. Sans ce reste de l'infrastructure, une réponse « qui a l'air juste » peut rester une conjecture bien formulée.

Dans le cas de PSI, l'usage de Lean est particulièrement pertinent. Une preuve passée par un système formel peut être vérifiée selon des règles explicites, ce qui réduit certaines catégories d'erreurs. Mais ça ne garantit pas, à lui seul, que le problème a été posé de la bonne manière, ni que le résultat est interprété correctement. La formalisation vérifie la validité d'une démonstration dans un cadre donné ; elle ne remplace pas l'évaluation de la portée scientifique de ce cadre.

Cette distinction aide à comprendre pourquoi on ne peut pas copier-coller la « recette » d'une discipline à l'autre. En mathématiques et en informatique théorique, une partie du raisonnement se prête à une traduction en objets formels, qu'on peut contrôler avec des outils. En physique expérimentale, des résultats numériques doivent être confrontés à des mesures. En sciences du vivant, tout devient plus fragile et plus dépendant du contexte : les systèmes étudiés sont complexes, et les observations passent par des protocoles, des échantillons et des conditions que le modèle ne peut pas simplement déduire de textes.

Et il y a aussi un rappel simple, formulé par Pines : la nature « a son mot à dire ». Une simulation peut suggérer qu'un matériau, un dispositif ou un processus devrait se comporter d'une certaine façon. Ensuite, il faut trouver comment vérifier la prédiction dans le monde réel, avec des expériences suffisamment fiables et un coût acceptable.

Du coup, pour les équipes qui testent ces outils, la bonne question n'est pas seulement : « Est-ce que le modèle répond juste ? ». Il faut aussi demander : qu'est-ce qui a été automatisé, quelles vérifications restent possibles, où interviennent les humains, et que se passe-t-il si le système se trompe. C'est cette chaîne complète qui détermine si l'IA accélère la recherche - ou si elle produit surtout des résultats difficiles à auditer.

Comment PSI veut transformer la recherche en activité économique

Pour l'instant, PSI ne gagne pas encore sa vie en vendant des découvertes théoriques. Aujourd'hui, l'entreprise utilise ses outils pour optimiser des centres de données : elle simule des variables comme la chaleur, l'énergie, l'eau et le bruit. Dans ce cadre, la performance d'un site et une partie de son impact sur l'environnement dépendent de phénomènes physiques que ces modèles peuvent aider à analyser.

Ce choix suit une logique assez concrète. Les centres de données doivent arbitrer : améliorer la performance, gérer le refroidissement et l'énergie, et limiter certaines nuisances. Si un outil aide à mieux simuler ces contraintes, la valeur devient mesurable pour un client, même si l'objectif « découvertes en physique fondamentale » reste éloigné.

Il y a aussi une boucle de retour. PSI peut comparer les sorties de ses outils à des contraintes réelles d'exploitation et de conception, puis ajuster ses méthodes. Ce marché est moins spectaculaire qu'une nouvelle loi de la physique, mais il peut financer une partie du développement et faire émerger des usages où la qualité des simulations se traduit en gains opérationnels.

À plus long terme, l'ambition est plus large : transformer des avancées en physique théorique en technologies utilisables. L'idée est qu'un modèle capable de proposer des résultats fiables pourrait ouvrir des possibilités de conception qu'on n'aurait pas pu explorer avant. Mais entre une preuve ou une prédiction et un produit, il y a plusieurs étapes : validation, expérimentation, ingénierie, coûts de fabrication et adoption par les utilisateurs.

C'est là que beaucoup de discours sur l'IA scientifique vont trop vite. Une découverte ne devient pas automatiquement un avantage commercial. Il faut prouver qu'elle résout un problème réel, qu'elle se reproduit, et que son exploitation vaut plus que le coût de la validation et de la mise en œuvre. Une entreprise doit donc séparer la valeur scientifique d'un résultat de sa valeur économique.

Pour un acteur européen qui évalue ce type de partenariat, une grille pragmatique peut aider :

  • Quel problème opérationnel est visé ? Une question scientifique intéressante n'est pas forcément prioritaire pour l'activité.
  • Quelle preuve de validité existe ? Il faut distinguer une sortie de modèle, une démonstration formelle et un résultat confirmé expérimentalement.
  • Combien coûte la vérification ? Si l'expérience est inaccessible ou prend trop de temps, le résultat risque de rester théorique.
  • Qui peut exploiter le résultat ? La valeur dépend des compétences, du matériel et du régime de propriété des travaux.
  • À quel moment le projet produit-il un bénéfice mesurable ? Une recherche de long terme ne doit pas être vendue comme un gain immédiat.

Le modèle de PSI ressemble donc à un pari à deux horizons : vendre dès maintenant des capacités de simulation pour des besoins industriels, tout en construisant des systèmes susceptibles d'accélérer la recherche demain. La solidité dépendra moins de l'ampleur des promesses que de la capacité à relier ces deux horizons sans confondre potentiel scientifique et chiffre d'affaires déjà acquis.

Quelles règles adopter pour une science accélérée par l'IA

Les normes de publication et d'évaluation scientifique ont été construites pour un monde où des chercheurs expliquent leurs méthodes, présentent leurs preuves et répondent aux critiques. Dès qu'une part importante du raisonnement vient d'un modèle, les responsabilités deviennent plus difficiles à attribuer. Qui doit comprendre le résultat ? Qui garantit que les outils n'ont pas introduit d'erreur ? Et comment un évaluateur peut-il juger un travail si la fabrication du résultat reste opaque ?

Dans le cas de PSI, l'équipe a eu le temps de partager sa solution avec des spécialistes avant la publication - notamment parce qu'elle dépendait d'un calendrier lié au modèle d'Anthropic. Jim Halverson, professeur à Northeastern et conseiller de PSI, a défendu la transparence et la consultation d'experts comme des pratiques raisonnables, même si les standards restent encore en construction.

Ce n'est pas un protocole universel, mais ça donne des repères. Pour publier un résultat produit avec l'aide de l'IA, une équipe devrait pouvoir préciser les outils utilisés, la part prise par l'intervention humaine, les étapes de vérification et les limites connues. Les détails changent selon la discipline : une preuve formelle, une simulation numérique et une expérience biologique ne demandent pas les mêmes contrôles.

Il y a aussi une question de compétence. Turturean a expliqué avoir relu la solution produite par l'IA pour la présenter plus naturellement à des humains, tout en réalisant ce que le modèle pouvait réellement faire. Cette étape éditoriale ne suffit pas à valider le résultat, mais elle rappelle une exigence simple : les auteurs doivent être capables de défendre et d'expliquer le travail, même si une partie de la démonstration a été générée.

Pour les entreprises, les universités et les financeurs, l'enjeu éthique ne se limite pas à « est-ce autorisé ? ». Il faut décider comment attribuer les contributions, protéger les données possiblement utilisées, documenter les limites et éviter que la vitesse de génération prenne le dessus sur la capacité de contrôle. En Europe, ce qui s'imposera dépendra du contexte et des systèmes concernés. Et il serait dangereux de croire qu'une publication scientifique, ou même une preuve formelle, suffit à régler à elle seule les questions de gouvernance.

Une procédure raisonnable peut s'appuyer sur quelques exigences proportionnées :

  1. Tracer le processus, en particulier les modèles et outils qui comptent pour le résultat.
  2. Séparer génération et validation, en indiquant clairement ce qui a été proposé par le système et ce qui a été vérifié.
  3. Faire examiner les résultats importants par des spécialistes indépendants, quand c'est possible dans la discipline.
  4. Publier les limites, y compris les zones que les auteurs ne savent pas encore interpréter.
  5. Prévoir une voie de contestation, pour qu'un résultat puisse être repris, corrigé ou retiré en cas d'erreur.

Tout ça a un coût : plus de temps, plus de friction pour diffuser. Mais ne pas le faire revient à transférer le coût à ceux qui devront reproduire un résultat douteux, aux investisseurs qui financeront une promesse non vérifiée, ou aux utilisateurs qui feront confiance trop tôt à une technologie incomplète. Le but n'est pas de freiner toute recherche assistée par l'IA. C'est de garder un rythme compatible avec la vérification.

Conclusion : mesurer la découverte à ses effets

Le cas de PSI montre une évolution importante - mais encore assez circonscrite. Oui, des systèmes d'IA peuvent aider à produire des résultats scientifiques difficiles, surtout quand ils sont couplés à des outils adaptés et à des méthodes de vérification. Mais la réussite ne se résume pas à la puissance d'un modèle. Elle tient à toute la chaîne : exploration, formalisation, relecture par des spécialistes, et, quand on est en sciences expérimentales, confrontation au réel.

Pour les entreprises, le point crucial est de ne pas confondre une avancée théorique avec un produit prêt à commercialiser. Pour les chercheurs, il faut préserver l'explicabilité et la possibilité de contester. Et pour les équipes qui investissent dans l'IA scientifique, la priorité doit rester le choix de problèmes où la validation et l'intérêt pratique peuvent être évalués.

Au fond, la découverte assistée par l'IA mérite d'être prise au sérieux, sans être considérée comme une promesse automatique. La question utile n'est pas seulement « que peut produire le modèle ? », mais « comment vérifie-t-on ? » et « qui peut en tirer un bénéfice concret ? »

Questions frequentes

Une solution produite avec l’aide du modèle Fable 5.2 d’Anthropic a été présentée par PSI. Scott Aaronson a estimé qu’elle était probablement correcte, notamment parce qu’elle a été autoformalisée dans Lean et examinée par des chercheurs. La vérification et l’interprétation humaines restent toutefois essentielles.
Non. Le résultat semble fermer une voie particulière vers une accélération quantique pour certaines classes de problèmes. Il ne démontre pas que les ordinateurs quantiques sont inutiles et ne règle pas toutes les questions sur leurs avantages possibles.
Selon les informations communiquées, PSI utilise actuellement ses outils pour optimiser des centres de données. Ses simulations portent notamment sur la chaleur, l’énergie, l’eau et le bruit. La transformation de résultats théoriques en technologies constitue une ambition à plus long terme, pas le cœur actuel de ses revenus.
Lean peut vérifier qu’une preuve respecte un cadre formel donné, ce qui renforce le contrôle du raisonnement. Cela ne détermine pas à lui seul si le problème posé est pertinent, si les hypothèses sont adaptées ou si les implications du résultat sont correctement interprétées.

Articles similaires