Comment l’AI Co‑Scientist de Google DeepMind génère et débat des hypothèses scientifiques

• synthétiser la littérature scientifique existante ;
• générer plusieurs hypothèses possibles ;
• comparer ces hypothèses avec les données disponibles ;
• suggérer des expériences pour les tester.

Cette approche s’inspire directement de la méthode scientifique : observation, hypothèse, critique et expérimentation.

La différence majeure avec un outil d’IA classique est que Co‑Scientist ne s’arrête pas à une première réponse. Il organise une compétition structurée entre différentes idées afin d’identifier les plus solides.

Les « tournois d’idées » : une compétition entre hypothèses

L’innovation centrale du système est ce que les chercheurs appellent des « idea tournaments », ou tournois d’idées.

Le fonctionnement se déroule généralement en trois étapes :

1. Génération d’hypothèses – plusieurs agents proposent différentes explications ou mécanismes possibles liés au problème étudié.
2. Débat et critique – d’autres agents examinent ces hypothèses à la lumière de la littérature scientifique et des données existantes, en pointant les faiblesses ou les hypothèses implicites.
3. Classement et évolution – les idées les plus prometteuses sont conservées, tandis que les autres sont modifiées, fusionnées ou éliminées.

Au fil de plusieurs cycles, ce processus produit des hypothèses plus cohérentes et mieux formulées, souvent accompagnées de propositions d’expériences concrètes. L’objectif est de reproduire ce qui se passe dans la recherche réelle : discussion entre pairs, critique et amélioration progressive des idées.

L’IA peut aussi analyser des volumes massifs de littérature scientifique et de bases de données, un travail qui prendrait énormément de temps à un chercheur humain.

Premières démonstrations en biomédecine

Les premières applications expérimentales du système se concentrent surtout sur les sciences de la vie.

Un exemple concerne le repositionnement de médicaments pour traiter la fibrose hépatique, une maladie chronique pour laquelle les options thérapeutiques restent limitées. Une étude indexée dans PubMed décrit l’utilisation d’un système multi‑agents générant des hypothèses pour proposer et tester des candidats médicaments potentiels.

Dans cette étude, les chercheurs ont évalué 25 médicaments candidats suggérés par l’approche assistée par IA, en examinant leur efficacité et leur toxicité dans des modèles expérimentaux.

Selon les résultats rapportés par Google DeepMind, l’IA a permis d’identifier certains candidats auparavant négligés. L’un d’entre eux a montré des résultats particulièrement prometteurs en laboratoire, bloquant jusqu’à 91 % d’une réponse biologique liée aux cicatrices du foie.

Ces résultats restent des démonstrations préliminaires. Les hypothèses générées par l’IA doivent toujours être validées expérimentalement et évaluées par la communauté scientifique.

Une pièce centrale de l’initiative « Gemini for Science »

Google déploie AI Co‑Scientist dans le cadre d’une plateforme plus large appelée Gemini for Science, un ensemble d’outils destinés à accélérer différentes étapes de la recherche scientifique.

Parmi les composants annoncés :

• Co‑Scientist, pour générer et affiner des hypothèses ;
• AlphaEvolve et d’autres agents pour la découverte computationnelle ;
• des outils d’analyse de littérature et de planification d’expériences.

L’objectif est d’aider les scientifiques à naviguer dans un volume toujours plus important de publications et de données, et à identifier plus rapidement des pistes de recherche prometteuses.

Google DeepMind collabore également avec le Department of Energy (DOE) des États‑Unis, permettant aux chercheurs des 17 laboratoires nationaux de cette agence d’accéder à ces modèles d’IA via Google Cloud.

Ce que cela pourrait changer pour la recherche

AI Co‑Scientist n’est pas conçu pour remplacer les scientifiques. Il agit plutôt comme un moteur d’hypothèses : un système capable de générer, comparer et améliorer des idées que les chercheurs pourront ensuite tester dans des expériences réelles.

La nouveauté réside dans l’architecture. Au lieu d’un seul modèle d’IA produisant une réponse, le système repose sur plusieurs agents qui collaborent et se critiquent mutuellement pour améliorer la qualité du raisonnement.

Si ces approches continuent de progresser — et si les hypothèses qu’elles produisent se traduisent régulièrement par des résultats expérimentaux — elles pourraient accélérer de manière significative les premières étapes de la découverte scientifique.

Mais pour l’instant, une chose reste inchangée : les véritables découvertes se confirment toujours au laboratoire.