Des milliers d’agents IA ont analysé et interprété des données issues de millions de cellules de cerveau de souris en 32 minutes, selon un travail présenté par OpenAI, PerturbAI et Scripps Research. La version de la prépublication porte la date du 16 octobre ; OpenAI en détaille l’approche dans une publication du 21 octobre. Les résultats proposent des pistes biologiques à examiner, pas un traitement prêt à être utilisé.
Le chiffre de temps est facile à mal lire. Il porte sur l’exploitation informatique de données expérimentales existantes. Les expériences qui ont produit ces données, puis celles qui devront vérifier les hypothèses, ne tiennent pas dans ces 32 minutes.
Le travail est réparti entre les perturbations génétiques
L’équipe a réparti le travail entre des agents alimentés par GPT-Rosalind. Ils examinent les effets de perturbations génétiques, les rapprochent de publications scientifiques et proposent des explications. Leurs rapports sont ensuite réunis dans un atlas de raisonnement qui relie gènes, réponses cellulaires et mécanismes possibles.
Ce fonctionnement répond à une difficulté classique des grandes expériences : produire davantage de données ne donne pas automatiquement davantage d’explications. Il faut retrouver les travaux pertinents, rapprocher les observations et choisir ce qui mérite une nouvelle expérience. La répartition entre agents vise cette étape de lecture et de rapprochement.
Le résultat n’est donc pas une réponse unique qui tomberait d’un chatbot. C’est un ensemble d’hypothèses reliées à des éléments de données et à des références. Sa valeur dépend de ce qu’un chercheur peut vérifier et réutiliser, bien plus que du seul nombre d’agents mobilisés.
Le laboratoire doit encore départager les bonnes pistes
Il s’agit d’une prépublication non certifiée par une évaluation par les pairs. Les chercheurs indiquent avoir retrouvé des résultats issus d’analyses humaines et identifié d’autres connexions. Ils ont aussi comparé des évaluations de nouveauté et d’intérêt scientifique à celles d’experts travaillant en aveugle. Ce type de comparaison aide à examiner la pertinence des propositions ; il ne confirme pas automatiquement chaque mécanisme biologique suggéré.
Une association mérite parfois une expérience supplémentaire précisément parce qu’elle est inattendue. Tant que cette étape n’est pas réalisée, elle reste une piste. La distinction est particulièrement importante quand une publication évoque des maladies humaines à partir de données de souris.
L’atlas et le code sont accessibles pour prolonger le travail. Cela donne aux autres équipes la possibilité d’examiner les rapprochements proposés, de retrouver les éléments qui les soutiennent et de sélectionner leurs propres questions. La vérification peut ainsi porter sur le contenu produit, pas seulement sur une démonstration de vitesse.
Accélérer le tri des hypothèses, sans raccourcir la preuve
Pour comprendre l’apport de cette recherche, il faut séparer trois temps : fabriquer les données, les interpréter, puis tester les explications. L’IA intervient ici sur le deuxième. Réduire ce délai peut rendre davantage de pistes explorables, mais ne supprime ni la validation expérimentale ni l’écart entre un résultat chez la souris et une application chez l’humain.
Le progrès annoncé est celui d’une méthode de travail scientifique : parcourir plus largement un grand ensemble de données pour décider des prochaines expériences. Il ne s’agit pas d’une percée clinique démontrée en une demi-heure.
Sources : OpenAI ; prépublication de l’étude.
Eric Thomas suit l’actualité de Windows, des logiciels, de la cybersécurité grand public et des outils web. Il s’intéresse aux mises à jour système, aux nouveautés informatiques et aux solutions pratiques qui améliorent l’expérience numérique au quotidien.
