L'accélération de l'IA : des problèmes irrésolus depuis des années, aujourd'hui résolus

Ces dernières années, l'intelligence artificielle a cessé d'être seulement un outil pour rédiger des textes ou résumer des documents. Dans certains domaines scientifiques, elle a commencé à répondre à des problèmes ouverts depuis des décennies. Ce n'est pas une promesse : ce sont des résultats publiés, avec des données vérifiables. Dans cet article, nous en présentons cinq, en précisant pour chacun ce qui a été démontré et ce qui ne l'a pas été.

Les protéines : un problème vieux de cinquante ans

Une protéine est une chaîne d'acides aminés qui se replie en une forme tridimensionnelle, et cette forme détermine sa fonction. Depuis les années 1970, les chercheurs tentaient de prédire cette forme à partir de la seule séquence, avec peu de succès. En 2020, Demis Hassabis et John Jumper ont présenté AlphaFold2. Selon l'Académie royale des sciences de Suède, le modèle a permis de prédire la structure de la quasi-totalité des quelque 200 millions de protéines connues, et il a été utilisé par plus de deux millions de personnes dans 190 pays. Pour ce travail, ils ont reçu le prix Nobel de chimie 2024, annoncé le 9 octobre 2024 avec David Baker.

Les antibiotiques : chercher là où personne ne regardait

La résistance aux antibiotiques est un problème connu, et trouver des molécules vraiment nouvelles est lent et coûteux. Une équipe du MIT a entraîné un réseau de neurones à reconnaître les molécules à activité antibactérienne. En 2020, dans Cell, elle a rapporté la découverte de l'halicine : le modèle avait examiné plus de 107 millions de molécules et, sur 23 prédictions testées en laboratoire, huit se sont révélées antibactériennes et structurellement éloignées des antibiotiques connus. En 2023, la même approche a mené à l'abaucine, active contre Acinetobacter baumannii, une bactérie hospitalière souvent multirésistante. Les résultats sont précliniques : tubes à essai et, pour l'abaucine, un modèle de plaie chez la souris. Ce ne sont pas des médicaments approuvés.

La météo : dix jours en moins d'une minute

Les prévisions météorologiques traditionnelles exigent d'énormes ressources de calcul. GraphCast, un modèle de Google DeepMind décrit dans Science en 2023, prédit des centaines de variables atmosphériques à dix jours, avec une résolution de 0,25 degré, en moins d'une minute sur une seule puce. Selon ses auteurs, il a surpassé le système déterministe opérationnel du centre européen (ECMWF) sur environ 90 % de 1380 cibles de vérification, avec de meilleurs résultats aussi pour le suivi des cyclones tropicaux. C'est une comparaison sur des données historiques : elle ne remplace pas les systèmes opérationnels, mais montre qu'une approche fondée sur les données peut rivaliser avec des méthodes bien plus gourmandes en calcul.

Les matériaux : des millions de candidats en plus

Trouver un nouveau cristal stable, utile pour les batteries ou les semi-conducteurs, a longtemps relevé du tâtonnement. Avec GNoME, DeepMind a utilisé des réseaux de neurones sur graphes pour prédire la stabilité de nouveaux matériaux. Selon l'article paru dans Nature en 2023, le système a identifié plus de 2,2 millions de structures stables par rapport aux données antérieures, dont 381 000 nouvelles entrées sur la frontière de stabilité actualisée, pour un total de 421 000 cristaux stables connus. Attention : ce sont des prédictions calculées. Chaque matériau doit encore être synthétisé et mesuré en laboratoire avant de parler d'applications.

Les mathématiques : des preuves vérifiées par la machine

Le 25 juillet 2024, Google DeepMind a annoncé qu'AlphaProof et AlphaGeometry 2 avaient résolu quatre des six problèmes des Olympiades internationales de mathématiques de cette année-là, avec 28 points sur 42, le niveau d'une médaille d'argent. Parmi eux figurait le problème le plus difficile du concours, résolu par cinq candidats. Deux précisions, également signalées par les auteurs : les problèmes ont été traduits à la main en langage formel, et certains ont demandé jusqu'à trois jours de calcul, contre neuf heures accordées aux élèves. L'avantage du langage formel (Lean) est que chaque preuve peut être vérifiée automatiquement.

Ce que ces cas ont en commun

Dans les cinq cas, l'IA travaille sur un problème bien défini, avec des données ou des règles claires et un moyen objectif de mesurer le résultat. Elle accélère la phase de recherche ; elle ne remplace pas la vérification : expériences, relecture scientifique, jurys humains. C'est aussi la raison pour laquelle ces résultats sont crédibles.

Ce que cela signifie pour les entreprises

Pour une PME, la leçon est pratique, pas scientifique. L'IA accélère le travail là où il existe un objectif précis et un contrôle du résultat : classer, comparer, prévoir, chercher parmi de nombreuses options. Elle fonctionne moins bien là où les données fiables ou les responsabilités claires font défaut. Avant d'adopter un outil, il vaut la peine de se demander quel problème répétitif accélérer et qui vérifie le résultat. Si vous souhaitez y réfléchir pour votre cas, ElaraTeq peut vous aider à évaluer où l'IA a du sens.

Sources

• Académie royale des sciences de Suède, communiqué sur le prix Nobel de chimie 2024, 9 octobre 2024 : https://www.nobelprize.org/prizes/chemistry/2024/press-release/
• Stokes et al., A Deep Learning Approach to Antibiotic Discovery, Cell 180, 2020 : https://www.cell.com/cell/fulltext/S0092-8674(20)30102-1
• Liu et al., Deep learning-guided discovery of an antibiotic targeting Acinetobacter baumannii, Nature Chemical Biology, 2023 : https://www.nature.com/articles/s41589-023-01349-8
• Lam et al., Learning skillful medium-range global weather forecasting, Science 382, 2023 : https://www.science.org/doi/10.1126/science.adi2336
• Merchant et al., Scaling deep learning for materials discovery, Nature, 2023 : https://www.nature.com/articles/s41586-023-06735-9
• Google DeepMind, AI achieves silver-medal standard solving International Mathematical Olympiad problems, 25 juillet 2024 : https://deepmind.google/blog/ai-solves-imo-problems-at-silver-medal-level/