La startup essaie une nouvelle astuce pour développer l'IA pour la découverte scientifique
La startup essaie une nouvelle astuce pour développer l'IA pour la découverte scientifique
Développer l’intelligence artificielle pour la découverte scientifique est devenu un objectif monumental pour les géants de la technologie. Des entreprises comme OpenAI et Anthropic ont obtenu des dizaines de milliards de financement avec des promesses de percées en matière d’IA dans les domaines de la médecine, de la biologie et de la physique. Cependant, les véritables découvertes scientifiques basées sur l’IA restent insaisissables, comme le démontrent des incidents passés comme une découverte mathématique démystifiée générée par ChatGPT. Selon les experts, le principal défi réside dans le fait que les grands modèles linguistiques (LLM) actuels n’ont pas la capacité intrinsèque de générer de nouvelles connaissances scientifiques de manière autonome.
Pourquoi les grands laboratoires d'IA ont du mal avec la découverte scientifique
Markus Buehler, professeur d'ingénierie au MIT, identifie une limitation fondamentale de l'IA avancée d'aujourd'hui. Il fait valoir que les modèles qui alimentent les systèmes d’OpenAI et d’Anthropic ne sont pas conçus pour une véritable découverte. Leur architecture est basée sur la reconnaissance de formes à partir de données existantes, et non sur la création de nouvelles théories ou hypothèses.
Cela a été clairement illustré l’automne dernier lorsqu’une prétendue découverte mathématique de ChatGPT a été rapidement démystifiée. L'épisode a mis en évidence l'écart entre la puissance analytique de l'IA et sa pensée créative et orientée vers la découverte. Il s’agit d’un défi qui n’est pas sans rappeler d’autres projets d’IA où la technologie peine à faire preuve d’originalité, tout comme les critiques adressées à l’« acteur » de l’IA, Tilly Norwood, pour son manque de véritable créativité.
Le problème central des modèles d’IA actuels
Les grands modèles de langage excellent dans le traitement et la régurgitation des informations. Ils peuvent résumer des textes, répondre à des questions et même écrire du code basé sur leurs données de formation. Cependant, ils opèrent dans les limites de ce qu’ils ont déjà appris.
La découverte scientifique, de par sa nature, nécessite de s’aventurer dans l’inconnu. Il s’agit d’établir de nouvelles connexions entre des domaines disparates et de proposer des idées qui ne sont présentes dans aucun ensemble de données de formation. Il s’agit d’un saut que l’IA générative actuelle, axée sur la création et l’automatisation de contenu, n’est pas conçue pour réaliser. Le secteur évolue, comme le montrent des développements tels que la mise à jour WordPress Gutenberg qui jette les bases de la publication sur l’IA, mais le principal défi de la découverte demeure.
Présentation d'Unreasonable Labs : une nouvelle approche de l'IA pour la science
Pour combler cette lacune, le professeur Buehler a cofondé Unreasonable Labs avec Yuan Cao, ancien chercheur scientifique principal chez Google DeepMind. La startup vise à lancer une approche fondamentalement différente du développement de l’IA pour la découverte scientifique. Au lieu de s’appuyer uniquement sur une ingestion massive de données, ils construisent des systèmes capables de raisonner de manière interdisciplinaire.
Unreasonable Labs a récemment obtenu 13,5 millions de dollars lors d'un cycle de financement mené par Playground Global. Le cycle a vu la participation d'AIX Ventures, du Fonds E14 et de MS&AD Ventures. Cet investissement important souligne la confiance du marché dans leur méthodologie novatrice.
Apprendre des moments « Aha » de l’histoire des sciences
L'hypothèse de Buehler est que de nombreuses grandes découvertes découlent de moments « aha ». Il s’agit de cas où un scientifique applique une théorie ou un concept d’un domaine pour résoudre un problème dans un domaine complètement différent. Cette pollinisation croisée des idées est la clé des avancées.
Un exemple classique est le travail de John Hopfield en 1982. Il a appliqué les concepts de la physique de la matière condensée au domaine alors naissant de l'intelligence artificielle. Cela a conduit au développement des réseaux Hopfield, un type de réseau neuronal capable d'apprendre et de rappeler des souvenirs. C’était une idée révolutionnaire née de la connexion de disciplines indépendantes.
En quoi l'IA d'Unreasonable Labs diffère des modèles traditionnels
L’IA en cours de développement chez Unreasonable Labs est conçue pour imiter cette capacité humaine d’analyse interdisciplinaire. Leur objectif n’est pas de créer un modèle de langage plus vaste, mais de construire un système capable de raisonner dans tous les domaines scientifiques.
Graphiques de connaissances interdisciplinaires : au lieu de s'entraîner uniquement sur du texte, leur IA intègre des connaissances structurées provenant de plusieurs domaines scientifiques, de la biologie à la physique. Moteurs de raisonnement analogique : la technologie de base se concentre sur la recherche d’analogies et de parallèles entre des concepts apparemment sans rapport, un moteur clé de l’innovation scientifique. Génération d'hypothèses : le système est conçu pour proposer des hypothèses scientifiques testables, et pas seulement pour analyser les données existantes.
Cette approche représente un changement important par rapport aux stratégies d'acquisition de plus grandes sociétés.des entreprises technologiques, comme l'acquisition par Zendesk de la startup d'IA Forethought, qui se concentrent souvent sur le perfectionnement des applications de service client existantes plutôt que sur la création de nouvelles formes de découverte.
L'avenir de la découverte basée sur l'IA
En cas de succès, la technologie d'Unreasonable Labs pourrait accélérer la recherche dans des domaines critiques. Imaginez une IA capable de suggérer un nouveau composé médicamenteux en combinant des principes issus de la chimie et de la génétique. Ou un modèle qui propose un nouveau matériau pour une énergie durable en reliant les concepts de la nanotechnologie et de la thermodynamique.
Les applications potentielles sont vastes, depuis l’accélération de la recherche médicale jusqu’à la résolution de défis environnementaux complexes. Cela représente la prochaine frontière pour l’IA, allant au-delà de l’automatisation pour devenir un véritable partenaire de l’ingéniosité humaine.
Conclusion : la prochaine vague d'innovation en matière d'IA
La course au développement de l’IA pour la découverte scientifique s’intensifie, mais le véritable succès réside peut-être dans des startups spécialisées comme Unreasonable Labs. Leur concentration sur le raisonnement interdisciplinaire offre une voie prometteuse au-delà des limites des grands modèles linguistiques actuels. Le voyage vers la création d’une IA capable de véritablement découvrir ne fait que commencer.
Restez informé des dernières innovations en matière d'IA et de technologie. Pour plus d'informations et pour partager facilement cet article, créez votre page de lien dans la bio gratuite sur Seemless pour organiser votre contenu préféré.
