L'essaim d'IA d'OpenAI lit des millions de cellules cérébrales en 32 minutes
Une équipe d’OpenAI, du groupe de recherche PerturbAI et de l’institut Scripps Research a mené une expérience qui en dit peut-être plus sur la façon dont la science se fait que sur une découverte particulière. Selon un compte rendu d’OpenAI publié le 21 octobre, des milliers d’agents d’IA ont été lâchés sur des données biologiques couvrant des millions de cellules cérébrales de souris. L’analyse complète a pris 32 minutes.
La comparaison proposée par les chercheurs est la partie intéressante. Ils estiment que si des scientifiques humains examinaient les mêmes résultats point par point, en vérifiant chaque constatation par rapport à la littérature publiée au fur et à mesure, le travail aurait pu prendre des mois et peut-être jusqu’à un an. Les agents ne se contentaient pas de résumer un fichier. On leur demandait de raisonner sur un vaste ensemble de résultats expérimentaux et de les relier à des travaux antérieurs.
Le travail reposait sur GPT-Rosalind, un modèle conçu spécifiquement pour la recherche en sciences de la vie plutôt que pour le chat général. Ce détail compte. L’essentiel du bruit autour de l’IA dans la science est venu de systèmes polyvalents à qui l’on demandait de répondre à des questions de type examen. Un modèle ajusté pour les données biologiques puis déployé en grand nombre est une autre proposition, plus proche d’un instrument de recherche que d’un chatbot.
C’est l’architecture qui rend la vitesse possible. Au lieu d’un seul modèle travaillant sur une file d’attente, de nombreux agents travaillent en parallèle, chacun prenant une tranche des données, leurs sorties étant assemblées ensuite. C’est le même schéma qui se répand aujourd’hui dans l’ingénierie logicielle et le service client, où des flottes d’agents gèrent des tâches qui seraient autrement sérialisées. La biologie, avec ses ensembles de données énormes et désordonnés, est une cible évidente.
Les sceptiques soulèveront les questions habituelles, et elles sont légitimes. L’automatisation à cette échelle peut produire rapidement des erreurs confiantes, et vérifier la conclusion d’un agent peut coûter presque autant que de l’atteindre à la main. L’affirmation honnête ici concerne le débit, pas le remplacement du jugement d’un scientifique qui sait quelles anomalies valent la peine d’être poursuivies. Les 32 minutes sont le temps de produire une analyse, pas le temps de lui faire confiance.
Pourtant, la direction est claire. Les groupes de recherche ont passé les deux dernières années à expérimenter l’IA comme aide pour des tâches individuelles : rédiger un résumé, suggérer une hypothèse, écrire une ligne de code. Confier tout un pipeline analytique à un essaim coordonné est un pas de plus, et cela met la pression sur les parties du processus scientifique qui n’ont jamais été conçues pour la vitesse des machines, comme l’examen par les pairs et la réplication.
Pour les lecteurs du monde entier, l’importance tient moins aux cerveaux de souris qu’à un modèle. Si des milliers d’agents peuvent parcourir un ensemble de données de plusieurs millions de cellules en une demi-heure, la même approche sera essayée sur les dossiers cliniques, le criblage de matériaux et les données climatiques, partout où le goulot d’étranglement est l’attention humaine plutôt que la puissance de calcul brute. Surveillez la réplication indépendante du résultat et si les chercheurs publient comment les conclusions des agents ont été vérifiées.