Alors que les scientifiques s’appuient toujours plus sur l’IA pour faciliter leurs processus de travail et accélérer certaines étapes de la recherche, des études mettent en lumière des limites fondamentales en matière de compréhension du langage. De nouveaux systèmes dits d’IA « multi-agents » sont proposés comme des systèmes présentés comme des « assistants scientifiques », mais peinent encore à distinguer les ambiguïtés éventuelles du langage, ce qui pourrait impacter la précision de leurs résultats.
L’automatisation par IA est largement considérée comme une évolution logique vers une hausse de la productivité. Cela en fait un outil attractif pour de nombreux secteurs d’activité, y compris la recherche scientifique. Si des préoccupations éthiques subsistent et continuent d’être soulevées, toujours plus de scientifiques se tournent vers la technologie pour rationaliser leurs processus de travail.
Des entreprises telles que Sakana AI proposent par exemple des modèles d’IA spécifiquement dédiés à l’automatisation de l’ensemble du processus scientifique allant de l’idéation à la rédaction d’articles scientifiques en passant par la conception de protocoles expérimentaux. Leur utilisation demeure cependant controversée, des études ayant par exemple mis en évidence une hausse du nombre de publications, mais une baisse notable de la qualité.
Cette baisse de qualité concernerait non seulement les articles publiés eux-mêmes, mais également le système d’évaluation par des pairs. On y dénonce des références erronées, des images trompeuses et bien d’autres encore. Cela s’explique par le fait que l’IA constitue une technologie qui n’est pas encore entièrement fiable ou aboutie et reste sujette aux hallucinations malgré ses performances.
Plutôt que de confier l’ensemble des processus scientifiques à l’IA, des chercheurs proposent plutôt d’en faire des « assistants scientifiques » qui automatiseraient les tâches associées à des étapes spécifiques. C’est ce que proposent l’organisation à but non lucratif FutureHouse avec son nouveau système multi-agents Robin et Google DeepMind avec Co-Scientist, tous deux décrits dans deux études distinctes de la revue Nature.
« Ces deux systèmes visent à accélérer la découverte scientifique, en collaboration avec un scientifique », explique dans un article publié dans The Conversation Karin Verspoor, doyenne de l’École des technologies informatiques de l’Université RMIT, en Australie. « Ce sont également des systèmes d’IA “multi-agents”, c’est-à-dire qu’ils sont construits comme un ensemble d’agents spécialisés, chacun ciblant des étapes spécifiques du processus de découverte scientifique, coordonnés par un agent “superviseur”. »
Des agents IA spécialisés pour assister la recherche
D’après l’équipe de l’étude, les agents IA composant Co-Scientist auraient pour objectif d’effectuer des tâches cognitives abstraites telles que la réflexion, par exemple pour l’évaluation qualitative d’une hypothèse. Les « agents de classement », quant à eux, débattent des hypothèses proposées en interagissant entre eux afin de simuler des argumentations autour des hypothèses proposées.
D’après Verspoor, « les auto-évaluations de Co-Scientist concernant la nouveauté et l’impact de ses résultats concordent assez bien avec les préférences des experts humains et les évaluations d’autres systèmes LLM. »
Co-Scientist a été testé lors d’une expérience de repositionnement de médicament, un processus consistant à identifier de nouvelles indications thérapeutiques pour des principes actifs déjà existants sur le marché ou dont le développement a été suspendu prématurément.
Le système a proposé 30 candidats médicaments prometteurs pour le traitement de la leucémie myéloïde aiguë. Parmi eux, cinq ont ensuite été retenus pour être testés en laboratoire après qu’une équipe d’oncologues humains a affiné la sélection. Parmi les composés testés, trois ont montré des résultats positifs et l’un d’eux s’est révélé particulièrement prometteur.
Les agents de Robin, quant à eux, seraient davantage spécialisés dans des tâches spécifiques liées à l’identification de nouveaux médicaments potentiels pour une maladie donnée. L’un des agents se concentre par exemple sur la sélection des protocoles expérimentaux, tandis qu’un autre analyse des données biomédicales complexes.
L’outil a proposé 30 candidats médicaments potentiels pour la dégénérescence maculaire liée à l’âge sèche, dont cinq ont été sélectionnés pour des évaluations expérimentales. Le système a également proposé des protocoles expérimentaux, dont plusieurs ont été rejetés par les chercheurs humains, tandis que deux ont été considérés comme prometteurs.
Une compréhension du langage encore imparfaite
À noter toutefois que les systèmes d’agents présentent encore certaines limites. Ils dépendent par exemple fortement des experts humains pour la vérification de la cohérence des hypothèses proposées. Les tests des agents individuels de Robin ont également montré que ceux dédiés à l’analyse sont moins performants que les LLM standards sur les questions statistiques et bioinformatiques.
« Il est important de noter que les prédictions de Co-Scientist n’ont pas été comparées à la multitude de méthodes informatiques et d’apprentissage automatique conçues pour le repositionnement de médicaments, développées au cours de plusieurs décennies de recherche en biologie computationnelle. Par conséquent, nous ignorons si ce nouvel outil généraliste surpasse les approches d’IA plus spécifiques », précise également Verspoor.
La chercheuse précise également que si ces modèles pourraient permettre une collaboration IA-humain plus efficace et basée sur le langage, leur interprétation du langage humain pourrait encore faire défaut, ce qui pourrait en partie expliquer les limites de certains agents pour certaines tâches spécifiques. Or, « les mots sont le vecteur de la communication scientifique », souligne-t-elle. Les assistants IA scientifiques devraient ainsi être améliorés pour améliorer leur interprétation des informations contenues dans ces communications.
