Les agents IA pour la science doivent intégrer le raisonnement plutôt que les données massives

Une analyse publiée par MIT Technology Review souligne que les agents d’intelligence artificielle conçus pour la recherche scientifique doivent prioriser les capacités de raisonnement plutôt que le traitement de données massives pour éviter des prédictions erronées sur la fin de la science.

L’article rappelle que l’histoire regorge d’annonces prématurées sur l’épuisement des découvertes scientifiques. En 1903, le physicien Albert Michelson affirmait que les « faits de la science physique avaient tous été découverts ». Dans les années 1980, Stephen Hawking évoquait la possibilité que la physique théorique soit achevée d’ici la fin du siècle. Ces déclarations, aujourd’hui considérées comme des erreurs, illustrent selon l’auteur le risque de sous-estimer la complexité des phénomènes scientifiques.

Les agents IA actuels, souvent optimisés pour l’analyse de grands volumes de données, peinent à reproduire la capacité humaine à générer des hypothèses ou à interpréter des résultats dans un cadre théorique. L’article plaide pour le développement d’agents capables de raisonnement abductif (formulation d’hypothèses à partir d’observations limitées) et de raisonnement causal (compréhension des liens de cause à effet), plutôt que de se limiter à des corrélations statistiques.

Cette approche pourrait éviter les biais des modèles actuels, qui risquent de manquer des découvertes majeures en se focalisant uniquement sur des patterns déjà identifiés dans les données existantes.