Le nouveau goulot d'étranglement de la science n'est plus les idées, c'est la validation

Pourquoi c'est important maintenant

Ce goulot d'étranglement a des conséquences concrètes. Dans le développement de médicaments, par exemple, l'IA peut rapidement proposer des milliers de nouvelles molécules candidates, mais la validation clinique reste lente, coûteuse et limitée en capacité. Pushmeet Kohli, un responsable de DeepMind, avait déjà noté que si AlphaFold avait réduit la prédiction de la structure des protéines de plusieurs années à quelques secondes, la validation clinique des médicaments restait le goulot d'étranglement non résolu . De même, l'écart entre les idées générées par l'IA en science des matériaux et pour les solutions climatiques et les infrastructures de test physique disponibles pour les valider ne cesse de se creuser .

Les quatre priorités que DeepMind exhorte les décideurs et les financeurs à poursuivre

L'essai de DeepMind décrit quatre priorités concrètes pour combler cet écart :

1. Garantir un accès large aux agents d'IA pour les scientifiques.
Traiter l'accès aux agents d'IA comme une priorité stratégique, à l'image de l'effort historique visant à fournir aux scientifiques l'accès aux supercalculateurs. Les chercheurs de tous les établissements, pas seulement ceux des laboratoires les mieux financés, ont besoin des outils pour générer et tester des hypothèses .

2. Rendre les infrastructures nationales de laboratoire disponibles pour la science pilotée par l'IA.
Développer et ouvrir les installations de laboratoire physiques, comme les laboratoires nationaux et les centres mutualisés de tests à haut débit, afin que la vague d'hypothèses générées par l'IA puisse être systématiquement validée dans le monde réel .

3. Développer de nouveaux modèles de financement qui soutiennent la validation à haut débit.
Les structures de subventions traditionnelles sont trop lentes et trop limitées pour l'ampleur des tests que l'IA peut exiger. Les financeurs devraient créer des mécanismes qui soutiennent explicitement des pipelines de validation expérimentale rapides et à grande échelle .

4. Réformer les processus d'évaluation par les pairs pour l'ère des agents.
Les relecteurs eux-mêmes devraient être habilités à utiliser des agents d'IA, et de nouveaux cadres, comme les « fiches d'interaction humain-IA », sont nécessaires pour garantir la transparence, la reproductibilité et la confiance dans la science assistée par des agents .

Le contexte plus large : un défi connu

Ce n'est pas le premier avertissement de DeepMind concernant la validation. Un document de politique générale de l'entreprise publié en novembre 2024 avait déjà identifié le fossé entre le numérique et le monde réel comme un défi clé, et le chercheur Pushmeet Kohli avait publiquement signalé les infrastructures de validation comme l'un des deux principaux goulots d'étranglement restants pour la science accélérée par l'IA, avec l'accessibilité . L'essai de juillet 2026 constitue la déclaration de politique générale la plus ciblée sur le sujet à ce jour.

Remarque importante sur les dates

La source principale de ces informations est l'essai de DeepMind lui-même, publié sur sa page de politique publique en juillet 2026 . Certains premiers rapports ont mentionné par erreur un essai de juillet 2025 ; aucun essai sur ce sujet précis datant de juillet 2025 n'a été trouvé dans les résultats de recherche. Le fond de l'avertissement et les quatre priorités sont cohérents dans toutes les sources qui en rendent compte .