“Il y a une révolution scientifique” : la rue d'Ulm se confronte à l’IA 

“Le temps se contracte.” Laurent Daudet, directeur exécutif de normalsup ia, le pôle IA (intelligence artificielle) lancé par l'École normale supérieure (ENS) en janvier dernier, a donné le ton, mercredi 23 septembre. Quelques mois plus tôt, les mêmes chercheurs anticipaient une transformation progressive de leurs disciplines et elle est arrivée d'un coup. “Je ne pensais pas que ça irait aussi loin”, reconnaît Gabriel Peyré, directeur scientifique de normalsup et du Centre Sciences des données. 

Et le calendrier justifie son inquiétude. Open AI affirme avoir résolu, grâce à un nouveau modèle interne, dont l'entraînement a commencé le 28 août dernier, le problème du millénaire de Navier-Stokes et plus d'une centaine de problèmes ouverts de longue date. Assis à la table ce matin-là, François Charles, directeur du département de mathématiques et applications de l'ENS, est l'un des neuf mathématiciens appelés par Open AI à gérer les suites de cette annonce. 

L’IA bouleverse la recherche 

En 2025, rappelle François Charles, la grande nouvelle tenait à des modèles de langage capables de gagner seuls des compétitions difficiles, mais destinées à des lycéens. “Depuis la fin du mois de mai, on a une série très importante de résultats de recherche de pointe, très visibles, qui ont été résolus de manière autonome par des LLM.” Ces résultats viennent des grandes entreprises, mais aussi de chercheurs du monde entier, gros utilisateurs des mêmes modèles de langage.

Le mathématicien parle sans détour d'une “révolution scientifique” et pense qu'elle gagnera les autres sciences. Une partie du travail mathématique devient accessible avec beaucoup moins d'expertise et les meilleurs modèles, bien utilisés, se trompent désormais très peu. “On a parlé pendant des années des hallucinations des modèles, mais, bien utilisés, les plus avancés font extrêmement peu d'erreurs.” Il précise aussitôt que le scientifique reste pleinement responsable du contenu produit et qu'il ne suffit pas “d'appuyer sur un bouton.” Ce qui l'inquiète vraiment, c'est la vitesse. L'université s'appuie sur des structures anciennes et solides, garantes de l'intégrité et de la qualité de la recherche. Mais elles peinent à suivre. L'accès aux modèles frontières, contrôlés par quelques entreprises, la structuration des carrières, la qualité et la conservation du savoir sont autant de questions “sur lesquelles on doit se positionner maintenant”, insiste-t-il. 

Dans les labos, l'IA a déjà changé les méthodes 

Loin des mathématiques, les autres intervenants décrivent des usages plus anciens, souvent éloignés de l'IA générative. Hélène Morlon, directrice de recherche du Centre national de la recherche scientifique (CNRS) à l'Institut de biologie de l'ENS, modélise l'évolution de la biodiversité. Longtemps, la complexité des calculs de probabilité l’obligeait à simplifier ses modèles pour les confronter aux observations. Son équipe produit désormais des simulations massives, à l'échelle de la planète et sur des millions d'années, puis entraîne des réseaux de neurones à relier les paramètres aux données réelles. “Ce n'est pas de l'IA générative, c'est de l'apprentissage”, précise-t-elle.  

En chimie théorique, Guillaume Stirnemann, référent IA du département de chimie, utilise depuis 2019 des IA spécialisées, entraînées, schématiquement, à résoudre l'équation de Schrödinger. Elles permettent de répondre à des questions “qu'on ne pouvait pas du tout imaginer il y a cinq ans”. L'ancienne manière de faire de la recherche “n'existe plus aujourd'hui”, constate-t-il. Frédéric Worms, directeur de l'ENS, certains calculs représentant “trois ans de thèse se font désormais en quelques jours.”  

Les données, nouveau nerf de la guerre  

La machine bute toutefois là où les données manquent. Pour Rémi Monasson, codirecteur du Centre de biologie quantitative, la bataille est engagée : “La course dans le domaine va être la production de données”, prédit-il.  Guillaume Stirnemann pointe aussi un second chantier, la robotisation des laboratoires. “Les robots, ce n'est pas pour demain, c'est aujourd'hui.” Des laboratoires robotisés existent déjà dans certains pays. Il cite l'annonce, deux jours plus tôt, par Anthropic, d'un laboratoire semi-autonome à San Francisco, où les modèles piloteront des expériences. Médicaments, matériaux, décarbonation, etc., les enjeux industriels sont considérables et l'appétit des acteurs économiques est palpable. “Pas plus tard qu'hier, j'ai reçu trois e-mails de partenaires différents”, raconte-t-il, de startups, d'industriels et d'acteurs publics, qui demandent du conseil, des partenariats ou du mécénat. 

Reste la question qui fâche : comment la recherche publique peut-elle peser face à des entreprises aux moyens sans commune mesure ? François Charles ne se fait pas d'illusion. La communauté mathématique, même internationale, ne fait pas le poids face à de tels intérêts économiques. Mais, lorsqu'une entreprise cherche à consulter les universitaires, il estime que “c'est notre devoir de fournir ces recommandations.” 

La recherche publique face aux entreprises  

Gabriel Peyré conteste, lui, l'idée d’entreprises seules maîtresses du tempo scientifique. Selon lui, les méthodes d’entrainement des modèles de raisonnement sont devenues des secrets industriels, surtout depuis six mois. Une fermeture susceptible de coûter aux entreprises leur attractivité auprès des jeunes chercheurs, et mener l'ensemble du secteur vers un plateau. Guillaume Stirnemann enfonce le clou : AlphaFold, repose selon lui “à 99 %” sur des briques issues de la recherche académique. 

“Le futur, c'est plus de chercheurs humains avec plus d'IA.”, selon Gabriel Peyré. Il craint voir les décideurs publics lire l'automatisation comme une occasion de réduire les budgets, dans un contexte d'économies. Rémi Monasson abonde, la “recherche publique doit assurer l'effort de long terme que les entreprises n’ont pas forcément envie de faire une fois que le domaine a été abordé déjà largement.” 

In fine, les chercheurs refusent autant le catastrophisme que la minimisation. Pour Guillaume Stirnemann, le danger immédiat vient d'acteurs malveillants capables de concevoir explosifs ou virus avec l'aide de l'IA. Kimia Nadjahi, chercheuse CNRS au département d'informatique, évoque le désalignement, quand “un modèle poursuit un objectif légitime par une voie indésirable.”  La psychologue Sho Tsuji décrit le dilemme de son équipe, chargée d’enregistrer la vie intime de familles : la science ouverte et les partenariats industriels accéléreraient les travaux, mais une IA générative pourrait recréer un visage ou une voix ressemblant à celle d'un enfant du corpus. “Si la recherche ne se fait plus sans l'IA, l'IA ne se fera pas non plus sans la recherche” a résumé Frédéric Worms.