Le co-scientifique de l'IA de Google stimule les recherches avec une technique avancée de la «mise à l'échelle du temps de test»

Mercredi, Google a annoncé une mise à jour passionnante de son modèle de langage Gemini 2.0, le transformant en un co-scientifique IA capable de générer de nouvelles hypothèses scientifiques en un temps remarquablement court par rapport aux équipes de recherche traditionnelles dirigées par des humains. Cet outil innovant est conçu pour assister les scientifiques, accélérant le processus de découverte en travaillant aux côtés des humains comme un collaborateur utile.

Google présente le co-scientifique IA comme une avancée significative dans la technologie assistée par IA, promettant de révolutionner la manière dont la recherche scientifique est menée. Le système est conçu pour être utilisé avec un humain "dans la boucle", garantissant que les opérations de l'IA, des revues de littérature à la formation d'hypothèses, sont guidées par des contributions humaines.

Dans une initiative audacieuse, les chercheurs de Google ont publié un article technique en collaboration avec un groupe de l'Imperial College London, tous deux explorant la même hypothèse sur la manière dont les bactéries évoluent en nouveaux pathogènes. Le co-scientifique IA a généré son hypothèse en seulement deux jours, en contraste frappant avec l'effort de dix ans des chercheurs humains.

Machine de Formulation d'Hypothèses

Google décrit le co-scientifique IA comme une "machine de formulation d'hypothèses" qui s'appuie sur plusieurs agents spécialisés. Une fois qu'un scientifique entre son objectif de recherche en langage naturel, le système se met en action, générant des hypothèses, des revues de recherche et des protocoles expérimentaux. Les agents impliqués incluent Génération, Réflexion, Classement, Évolution, Proximité et Méta-revue, tous travaillant de concert pour repousser les limites de l'enquête scientifique.

Le système va au-delà de la simple revue de la littérature existante ; il vise à découvrir des connaissances originales et à formuler de nouvelles hypothèses de recherche adaptées à des objectifs spécifiques.

Mise à l'échelle au moment des tests sur stéroïdes

L'adaptation de Gemini 2.0 pour créer le co-scientifique IA repose fortement sur la "mise à l'échelle au moment des tests", une technique où les agents IA utilisent de plus en plus de puissance de calcul pour affiner itérativement leurs résultats. Cette approche a été notamment utilisée dans d'autres modèles de raisonnement comme OpenAI's o1 et DeepSeek AI, mais l'application de Google la porte à un nouveau niveau.

Dans leur article technique, les chercheurs de Google, y compris Juraj Gottweis, soulignent comment leur travail s'appuie sur les avancées initiées par le modèle R1 de DeepSeek. Ils proposent une mise à l'échelle significative du calcul au moment des tests en utilisant des biais inductifs dérivés de la méthode scientifique, créant un cadre multi-agents pour le raisonnement scientifique et la génération d'hypothèses.

Le co-scientifique IA accède à des ressources externes et interagit avec des outils comme les moteurs de recherche web et des modèles IA spécialisés via des API. Une caractéristique clé de ce système est le concept de "tournoi", où les hypothèses sont comparées et classées à l'aide de scores Elo, similaires à ceux utilisés dans les échecs et les sports. L'Agent de Classement orchestre ces tournois, facilitant des débats scientifiques simulés pour évaluer et prioriser les hypothèses.

Surpasse les modèles et les experts humains non assistés

Selon une revue par quinze experts humains, les performances du co-scientifique IA s'améliorent à mesure qu'il consacre plus de temps à formuler et évaluer des hypothèses. À mesure que le système investit plus d'efforts computationnels, la qualité de ses résultats surpasse celle des modèles non adaptés comme Gemini 2.0 et OpenAI's o1, ainsi que des experts humains non assistés.

Ces experts ont noté que les résultats du co-scientifique IA montraient un potentiel plus élevé pour l'innovation et l'impact, souvent préférés à ceux d'autres modèles. Bien que les ressources computationnelles exactes utilisées par le co-scientifique IA n'aient pas été divulguées, Google suggère que la diminution du coût de la puissance de calcul, comme démontré par des modèles comme DeepSeek R1, pourrait bientôt rendre ces systèmes IA largement accessibles aux laboratoires de recherche.