Lorsqu’on imagine l’intelligence artificielle au service de la science, on pense souvent à une machine découvrant un nouveau médicament, prédisant une catastrophe ou résolvant soudainement une énigme vieille de plusieurs décennies.
La réalité quotidienne de la recherche est beaucoup moins spectaculaire.
Avant de vérifier une hypothèse, les scientifiques doivent souvent écrire du code, connecter des bases de données, choisir des modèles, corriger des erreurs, comparer des méthodes et recommencer l’expérience des dizaines de fois. Ce travail peut demander des semaines ou des mois avant même qu’une véritable conclusion scientifique puisse émerger.
Une équipe de Google, dont plusieurs chercheurs sont basés à Montréal, pense pouvoir raccourcir cette étape grâce à Empirical Research Assistance, mieux connu sous le nom d’ERA.
Publié dans la revue Nature le 19 mai 2026, le système utilise Gemini pour générer du logiciel scientifique, exécuter différentes solutions et améliorer progressivement celles qui obtiennent les meilleurs résultats.
Le problème oublié derrière les grandes découvertes
Les progrès scientifiques reposent de plus en plus sur la modélisation informatique.
Pour étudier la propagation d’une épidémie, analyser l’activité de milliers de neurones ou mesurer les concentrations de CO2 à partir d’images satellites, les chercheurs doivent traduire leurs questions en programmes capables de traiter de grandes quantités de données.
Cette traduction entre une idée scientifique et une expérience informatique devient parfois un goulot d’étranglement.
Un laboratoire peut avoir plusieurs hypothèses intéressantes, mais manquer de temps, de personnel ou d’expertise pour toutes les transformer en expériences fonctionnelles. Les scientifiques finissent alors par ne tester qu’une petite partie de l’espace des solutions possibles.
ERA cherche à modifier cette équation.
Comment fonctionne ERA?
Le chercheur commence par définir un problème et une mesure de réussite.
ERA utilise ensuite un grand modèle de langage pour proposer du code et différentes approches. Les programmes sont exécutés, évalués et classés selon l’objectif établi par le scientifique.
Le système emploie ensuite une méthode de recherche arborescente. Plutôt que de produire une seule réponse et de s’arrêter, il explore plusieurs branches, conserve les idées prometteuses, combine certaines techniques et génère de nouvelles variantes.
Ce processus peut être répété des milliers de fois.
ERA ne se contente donc pas d’écrire un morceau de code à partir d’une consigne. Il agit davantage comme un moteur d’évolution logicielle, dans lequel chaque génération est évaluée avant d’influencer la suivante.
Des résultats supérieurs à certaines méthodes humaines
L’étude publiée dans Nature présente des évaluations dans plusieurs domaines, notamment la génomique, la santé publique, l’analyse géospatiale, les neurosciences, les séries temporelles et l’analyse numérique.
Dans un problème de bio-informatique, ERA aurait découvert 40 nouvelles méthodes d’analyse de données unicellulaires ayant dépassé les meilleures méthodes conçues par des humains sur le classement public utilisé pour l’évaluation.
En épidémiologie, le système a généré 14 modèles qui ont surpassé l’ensemble de prévision du Centers for Disease Control and Prevention ainsi que les modèles individuels comparés pour prévoir les hospitalisations liées à la COVID-19.
ERA a également produit des logiciels jugés de niveau expert pour analyser des images géospatiales, prédire l’activité neuronale chez le poisson-zèbre, résoudre certains problèmes d’intégration numérique et concevoir une nouvelle méthode de prévision des séries temporelles.
Ces résultats ne signifient pas que l’IA a remplacé les chercheurs derrière ces travaux.
Ils montrent plutôt qu’un système automatisé peut explorer un nombre de pistes qu’une équipe humaine aurait difficilement le temps de tester manuellement.
Montréal au cœur du projet
L’article de Nature compte parmi ses auteurs plusieurs chercheurs affiliés au bureau montréalais de Google DeepMind, dont Eser Aygün, Gheorghe Comanici, David Smalling, Anna Bulanova et Shibl Mourad.
La présence de cette équipe rappelle le rôle particulier de Montréal dans l’histoire récente de l’intelligence artificielle. La ville est reconnue pour ses travaux universitaires en apprentissage profond, mais elle accueille également des équipes industrielles qui cherchent maintenant à appliquer ces technologies à la science, à la santé et à la modélisation de systèmes complexes.
Dans le cas d’ERA, la contribution montréalaise ne se limite donc pas à l’adaptation commerciale d’un produit déjà existant. Elle se trouve directement dans la recherche et dans la conception du système publié.
De la démonstration scientifique à Google Labs
ERA sert maintenant de composante à Computational Discovery, un nouvel outil expérimental proposé dans l’espace Gemini for Science de Google Labs.
Computational Discovery permet à un chercheur de définir un problème, une méthode d’évaluation et les contraintes de son expérience. Le moteur peut ensuite générer et évaluer des milliers de variations de code.
L’utilisateur peut inspecter l’évolution des différentes solutions et comprendre quels changements ont provoqué une amélioration des résultats.
Google présente l’outil comme une façon de découvrir de nouveaux modèles et algorithmes, mais son accès demeure expérimental. La société parle notamment d’un programme de testeurs de confiance et d’un déploiement progressif.
Il serait donc prématuré de présenter ERA comme un assistant déjà disponible sans restriction pour tous les laboratoires du monde.
Le code de référence et plusieurs expériences ont néanmoins été publiés sur GitHub sous licence Apache 2.0. Google précise toutefois qu’il ne s’agit pas encore d’un produit officiellement pris en charge.
Une IA qui accélère la recherche, mais ne valide pas la vérité
ERA travaille à partir d’un objectif mesurable défini par les chercheurs.
Cette distinction est essentielle.
Un programme peut obtenir un excellent résultat selon une métrique tout en reposant sur des données incomplètes, une hypothèse fragile ou une méthode difficile à reproduire dans le monde réel. La meilleure performance informatique n’est pas automatiquement la meilleure explication scientifique.
Les résultats générés par ERA doivent donc toujours être examinés, reproduits et interprétés par des spécialistes du domaine.
Le système ne remplace ni l’expérience physique, ni la révision scientifique, ni le jugement humain. Il accélère surtout la phase située entre la formulation d’une idée et l’obtention d’un modèle suffisamment performant pour être étudié sérieusement.
Tester davantage d’idées plutôt que travailler simplement plus vite
La conséquence la plus importante d’ERA pourrait dépasser le simple gain de temps.
Lorsqu’une expérience informatique coûte plusieurs mois de travail, un chercheur est forcé de choisir très tôt les pistes qui lui paraissent les plus prometteuses. Les idées risquées, étranges ou interdisciplinaires sont souvent laissées de côté.
Un système capable de tester rapidement des milliers de variations pourrait permettre d’explorer ces zones négligées.
La science ne deviendrait pas seulement plus rapide. Elle pourrait devenir plus large, en examinant des solutions qui n’auraient jamais été prioritaires dans un laboratoire disposant de ressources limitées.
Cette abondance crée cependant un nouveau problème : si une machine génère des milliers de modèles plausibles, les chercheurs devront déterminer lesquels méritent une validation réelle.
Le goulot d’étranglement pourrait alors se déplacer. Après avoir manqué de temps pour écrire du code, les scientifiques pourraient manquer de temps pour comprendre, vérifier et reproduire toutes les solutions produites par l’IA.
Une nouvelle division du travail scientifique
ERA illustre une transformation plus profonde de l’intelligence artificielle.
Les premiers assistants répondaient à des questions. Les nouveaux systèmes peuvent désormais écrire du code, lancer une expérience, mesurer le résultat et recommencer de manière partiellement autonome.
Le scientifique ne disparaît pas de cette boucle. Son rôle se déplace.
Il doit définir les bonnes questions, choisir des critères pertinents, vérifier la qualité des données et décider si une amélioration numérique correspond réellement à une avancée scientifique.
Dans ce modèle, l’IA devient moins un oracle qu’un immense laboratoire de brouillons.
Elle peut ouvrir des milliers de portes en quelques heures. La responsabilité de déterminer lesquelles donnent sur une véritable découverte demeure, pour l’instant, profondément humaine.
SOURCES