Google a récemment annoncé le lancement officiel d'un système d'assistant de recherche scientifique IA basé sur Gemini 2.0 : le co-scientifique IA. Il vise à fournir aux scientifiques une collaboration virtuelle pour générer des hypothèses et des suggestions de recherche novatrices. Ce système ne se limite pas aux fonctions classiques de revue et de synthèse de la littérature ; il intègre de manière révolutionnaire une capacité de découverte de connaissances originales. Le co-scientifique IA est capable de simuler le processus de raisonnement de la méthode scientifique et, en fonction des preuves existantes et des objectifs de recherche spécifiques, de fournir aux chercheurs des hypothèses et des propositions de recherche novatrices. En pratique...

Une étude conjointe de l'Université Sun Yat-sen et d'Alibaba Cloud, récemment publiée dans la revue scientifique de renommée mondiale Cell, a suscité un vif intérêt au sein de la communauté scientifique. Cette recherche révolutionnaire, utilisant des technologies de cloud computing et d'intelligence artificielle de pointe, a permis la découverte de plus de 160 000 nouveaux virus ARN, élargissant considérablement notre compréhension du monde viral. L'algorithme d'apprentissage profond LucaProt, développé par l'équipe de recherche, est le véritable 'héros' de cette découverte. Ce puissant outil d'IA a analysé en profondeur 10 487 données de séquençage ARN du monde entier.

Sur la scène de la recherche scientifique, l'équipe du MIT vient de présenter un nouvel « agent de recherche scientifique » : SciAgents, un système d'IA capable de mener automatiquement des recherches scientifiques. Ses capacités sont impressionnantes. Dans le domaine de la recherche sur les biomatériaux, SciAgents a révélé des liens interdisciplinaires jusque-là considérés comme sans rapport, réussissant à dépasser les capacités d'exploration, de précision et d'échelle de la recherche humaine traditionnelle. SciAgents est un véritable 'super assistant' pour la recherche scientifique. Ce système intelligent est capable de lire de manière autonome des documents, de...

L'équipe IMPACT (Implementation and Advanced Concepts Team) de la NASA, par le biais d'un accord Space Act avec des partenaires privés et non fédéraux, développe conjointement INDUS, un grand modèle linguistique (LLM) destiné aux domaines des sciences de la Terre, des sciences biologiques et physiques, de la physique solaire, des sciences planétaires et de l'astrophysique. INDUS est entraîné à l'aide de la documentation scientifique organisée provenant de sources de données diversifiées.

China National Knowledge Infrastructure (CNKI) a récemment lancé la version 4.0 de son assistant de recherche académique IA, un outil de pointe utilisant l'intelligence artificielle pour aider à la recherche scientifique. Cette nouvelle version, basée sur les vastes ressources académiques de CNKI et la technologie intelligente du modèle linguistique de grande taille Huazhi, associe étroitement la technologie des grands modèles d'IA, des données de haute qualité et des scénarios de recherche scientifique, afin d'améliorer l'efficacité des étapes clés telles que la recherche de documents, la lecture approfondie et la création académique.

Le système d'IA Coscientist, utilisant GPT-4 et des outils Internet, a réussi à reproduire en 6 minutes une recherche primée par un prix Nobel en 2010. Coscientist peut concevoir et exécuter de manière autonome des expériences chimiques, améliorant ainsi la reproductibilité des résultats. L'IA peut considérablement accélérer la recherche scientifique et modifier les modèles de recherche traditionnels. Un assistant d'expérimentation par IA peut compenser le manque de ressources humaines et fonctionner 24h/24. Les perspectives de l'expérimentation par IA sont vastes et pourraient conduire à des avancées scientifiques majeures.

Ces dernières années, l'intelligence artificielle a été largement utilisée dans le domaine scientifique, mais il faut se méfier des résultats trompeurs ou erronés. Une nouvelle technique statistique, PPI, aide les chercheurs à utiliser en toute sécurité les modèles d'apprentissage automatique pour valider des hypothèses scientifiques. La technique PPI corrige la sortie des grands modèles universels pour l'adapter à des problèmes scientifiques spécifiques et éviter les biais de l'apprentissage automatique. Cette technique peut être utilisée dans de nombreux domaines, tels que la structure des protéines ou l'estimation de la déforestation de la forêt amazonienne.