L'innovation Interdisciplinaire surpasse-t-elle De Loin Les Capacités Humaines ? Les Chercheurs En IA Proposent Des Hypothèses, Mènent Des Expériences Et Présentent Leurs Travaux Lors De Conférences De Haut Niveau, Inaugurant Ainsi Un Nouveau Paradigme Pour La Recherche scientifique.

En août 2024, Sakana AI, une société fondée par Llion Jones, l'un des auteurs de l'article sur les transformateurs, a été créée.Ils ont annoncé le lancement du premier « scientifique en intelligence artificielle » au monde.En générant de manière autonome des idées de recherche, en concevant des expériences, en écrivant du code, en exécutant des expériences et même en rédigeant des articles, et grâce à l'aide d'« évaluateurs IA » pour évaluer et améliorer les résultats, un écosystème de recherche scientifique complet et intégré a été mis en place. En mars dernier, le système a produit un article en informatique…A passé avec succès l'examen à double insu lors de l'atelier ICLR 2025.Dans le même temps, l'Autoscience Institute a également annoncé qu'un article rédigé par son système d'IA Carl avait été accepté par la section Tiny Papers de l'ICLR.

À certains égards, ces scientifiques spécialisés en IA sont sortis du laboratoire et atteignent progressivement un niveau comparable à celui des chercheurs humains.

Cependant, lorsque l'IA s'intéresse aux découvertes scientifiques, le résultat pourrait être doux-amer pour l'humanité.d'une part,Les avantages de l’IA en matière de traitement des données et d’efficacité d’intégration de l’information sont sans aucun doute la clé de son entrée dans la communauté de la recherche scientifique, ce qui peut libérer les scientifiques humains pour mener une réflexion et une exploration plus multidimensionnelles.d'autre part,Le problème de la boîte noire qui en découle est difficile à résoudre, et il existe un fossé infranchissable dans la recherche scientifique, un domaine qui impose des exigences strictes en matière d'interprétabilité.

Alors, comment définir précisément les chercheurs en IA ? Quelles sont leurs perspectives d’avenir et leurs préoccupations ?

Scientifique en IA : un rôle redéfini

Dans la conception traditionnelle, les scientifiques sont au cœur même de l'exploration scientifique : ils tirent des questions des phénomènes observés, proposent des hypothèses fondées sur les théories existantes, conçoivent des protocoles expérimentaux rigoureux, manipulent eux-mêmes les instruments pour recueillir des données et, enfin, en tirent des conclusions par l'analyse et le raisonnement. Ce processus s'est perpétué pendant des siècles, façonnant la conception fondamentale que l'humanité se fait de la recherche scientifique.

Mais l'explosion de la technologie de l'IA est en train de déconstruire ce rôle traditionnel.

Dans le paysage actuel de la recherche scientifique, les rôles des scientifiques se différencient de plus en plus : les grands modèles de langage et les algorithmes spécialisés sont chargés d’extrapoler d’immenses possibilités et de sélectionner des solutions candidates parmi des centaines de millions de structures moléculaires ; les robots automatisés et les plateformes expérimentales exécutent avec précision des opérations répétitives telles que la synthèse, l’observation et la détection, 24 h/24 et 7 j/7 ; tandis que les scientifiques humains se concentrent sur l’aspect fondamental : interpréter les résultats générés par l’IA, évaluer leur importance scientifique et proposer de nouvelles pistes de recherche.

Le PDG de DeepMind, Demis Hassabis, estime que « les scientifiques spécialisés en IA deviendront les versions modernes des microscopes et des télescopes, nous aidant à découvrir des schémas invisibles à l'œil nu ». Cela signifie que l'IA a transcendé son rôle purement instrumental, passant d'un « accélérateur » du processus de recherche à un « membre à part entière » du raisonnement et de l'exploration scientifiques.

Regina Barzilay, professeure au MIT, a approfondi cette relation dans sa conférence TED :« L’avenir de la science ne résidera pas dans le remplacement des scientifiques par l’IA, mais plutôt dans le choix des scientifiques de travailler avec l’IA. » Selon elle, la relation entre l’IA et les scientifiques humains n’est en aucun cas un jeu à somme nulle, mais plutôt une création collaborative fondée sur leurs forces respectives – tout comme l’invention du microscope n’a pas remplacé les biologistes, mais a plutôt inauguré une nouvelle ère de recherche biologique au niveau cellulaire.

Lauréat du prix Nobel de chimie 2025, Omar Mwannes Yaghi, le « père de MOF », a lui aussi confiance dans les scientifiques spécialisés en IA.Il a déclaré sans ambages : « L'IA ne vise pas seulement à aider les scientifiques, mais à donner à la science elle-même une nouvelle façon de penser. »

Classifications et progrès concrets des chercheurs en IA

En effet, l'importance des chercheurs en IA va bien au-delà de l'accélération de la recherche scientifique ; ils deviennent progressivement un acteur clé du système d'innovation scientifique.

Actuellement, de nombreux instituts de recherche et entreprises technologiques du monde entier rivalisent pour développer des systèmes d'IA destinés aux scientifiques, dotés de fonctionnalités uniques. Selon leur positionnement fonctionnel, ces systèmes peuvent être globalement classés en deux catégories : les assistants de recherche améliorés et les découvreurs scientifiques autonomes.

L'objectif principal du premier type de système est de faire de l'IA un « second cerveau » pour les scientifiques humains.Autrement dit, partant du principe que les humains orientent la recherche, les agents intelligents sont chargés de fournir un soutien tel que l'intégration des connaissances interdisciplinaires, la génération d'idées expérimentales et l'analyse des données.

Le laboratoire virtuel de l'université Stanford, un système en ligne, illustre parfaitement cette approche. Ce système constitue automatiquement des équipes de chercheurs en intelligence artificielle aux profils variés afin de résoudre collaborativement des problèmes complexes en fonction des besoins des chercheurs. Les équipes collaboratives virtuelles du laboratoire virtuel comprennent des spécialistes tels que des immunologistes et des biologistes computationnels, et elles ont proposé un nouveau cadre de conception computationnelle pour les nanocorps, aidant ainsi les chercheurs à concevoir 92 nanocorps antiviraux.

L'émergence de tels systèmes redéfinit les frontières de la collaboration en matière de recherche scientifique : la recherche scientifique n'est plus seulement une coopération entre personnes, mais peut aussi être une profonde co-création entre personnes et agents intelligents.
Lien vers l'article :
https://www.nature.com/articles/s41586-025-09442-9

Le second type de système est plus ambitieux, visant à construire un moteur entièrement autonome pour la découverte scientifique.

Ces chercheurs en intelligence artificielle ne dépendent plus de l'intervention humaine, mais s'appuient sur la collaboration de plusieurs agents intelligents pour mener à bien l'ensemble du processus de recherche, de la formulation du problème et de la génération d'hypothèses à la vérification expérimentale et à la rédaction de l'article. Le rôle des chercheurs humains se concentre désormais davantage sur la définition d'objectifs de recherche généraux, la vérification des résultats et l'évaluation éthique.

Par exemple,En mai 2025, l'institut de recherche américain en intelligence artificielle Future House a annoncé que son système multi-agents Robin avait découvert de manière autonome un médicament candidat pour le traitement de la dégénérescence maculaire sèche (l'une des principales causes de cécité).Le mécanisme d'action a été vérifié par des expériences sur l'ARN. Toutes les hypothèses, les protocoles expérimentaux, l'analyse des données et les graphiques présentés dans l'article publié ont été élaborés par Robin, faisant de ce système le premier système d'IA capable de découvrir et de valider de manière autonome de nouveaux candidats médicaments dans le cadre d'un cycle itératif en laboratoire.

Cela signifie que les chercheurs en IA peuvent non seulement soulever des questions de recherche, mais aussi faire des découvertes cliniquement prometteuses dans le domaine extrêmement complexe des sciences de la vie.
Site Web de l'entreprise :https://www.futurehouse.org/

Globalement, qu'il s'agisse de l'IA « assistée » visant à améliorer l'efficacité de la recherche ou de l'IA « autonome » poursuivant un raisonnement autonome et une conception expérimentale, les chercheurs en IA passent du concept à la réalité.

Ce sont précisément ces progrès rapides dans la réalité qui nous permettent d'observer plus clairement les avantages que l'IA apporte et qui surpassent ceux des humains lorsqu'elle participe véritablement à la recherche scientifique.

Avantages : Rapidité de développement, envergure accrue, innovation intersectorielle

Avantage de rapidité : De « des années de recherche » à « des heures de vérification »

Le coût du temps et la longueur des cycles de recherche et développement ont longtemps constitué un frein pour les scientifiques. Malgré la modernisation constante des équipements, il est difficile d'atteindre des progrès exponentiels. En science des matériaux, le criblage et la validation d'un nouveau composé fonctionnel prennent souvent plusieurs années ; dans le développement de médicaments, la phase d'optimisation préclinique des molécules candidates peut à elle seule durer de trois à cinq ans. Ce cycle long limite considérablement le rythme du progrès scientifique.

L'émergence des chercheurs en intelligence artificielle a complètement brisé cette contrainte temporelle.Grâce à un système en boucle fermée de « prédiction du modèle – vérification expérimentale – retour d’information sur les données – optimisation itérative », le cycle de recherche est réduit à une fraction de sa longueur initiale, voire à une fraction de sa longueur initiale.Le système de Sakana AI peut réaliser l'intégralité du processus, de l'analyse bibliographique à la rédaction de l'article, en quelques heures seulement. De son côté, « AI Co-Scientist » de Google DeepMind a établi un record en résolvant en deux jours un problème qui a nécessité des années de recherche humaine. L'énigme de la transmission de l'ADN entre les espèces, étudiée depuis des années par l'équipe du professeur José Penadés à l'Imperial College de Londres, a été résolue avec précision par ce système. Son hypothèse principale est parfaitement cohérente avec les résultats non publiés de l'équipe, et même les hypothèses alternatives qui l'accompagnent se sont révélées exactes après une vérification préliminaire.
Site Web de l'entreprise :https://deepmind.google/

Un exemple plus représentatif est celui des performances du scientifique en IA Kosmos : en une seule exécution, il peut lire automatiquement 1 500 articles universitaires et exécuter 42 000 lignes de code, générant 9,8 fois plus de code que des systèmes similaires.Une seule journée suffit pour accomplir l'équivalent de six mois de travail de recherche pour des scientifiques.
Site Web de l'entreprise :https://edisonscientific.com/

Avantage d'échelle : capacité à traiter simultanément des centaines de millions de tâches.

Le deuxième atout majeur des chercheurs en IA réside dans leur capacité à explorer à grande échelle.

Les limites de la cognition humaine imposent que la recherche scientifique traditionnelle ne puisse se concentrer que sur un nombre limité de directions de recherche, tandis que les scientifiques spécialisés en IA possèdent la capacité de « recherche panoramique », capable de traiter simultanément des centaines de millions de tâches parallèles, élargissant ainsi le champ de l'exploration scientifique à une échelle inaccessible aux humains.

Par exemple, dans le domaine du développement pharmaceutique, l'IA peut générer et tester directement des milliers de molécules candidates, sélectionner les structures les plus prometteuses, puis les confier à des plateformes expérimentales robotisées pour vérification. L'émergence de ce type d'« expérimentation scientifique parallèle » a affranchi la science des limites physiques du laboratoire et lui a permis d'accéder à un « univers expérimental virtuel » piloté par le calcul.

Dans le domaine de la biologie moléculaire,L'assistant scientifique IA peut simuler simultanément les interactions de centaines de milliers de protéines et de petites molécules, permettant ainsi de sélectionner des cibles médicamenteuses potentielles. La plateforme « Des molécules à la société », développée par l'équipe du professeur Yaghi, permet de générer simultanément des dizaines de milliers de structures moléculaires MOF dans son interface de conception. En sélectionnant les candidats les plus prometteurs grâce à des paramètres multidimensionnels, cette capacité de traitement est des centaines de fois supérieure à celle d'une équipe humaine en un an.

Dans la recherche sur les matériaux énergétiques,Le système SciAgents relie 230 millions de concepts scientifiques à l'aide d'un graphe de connaissances ontologiques.Il peut simuler simultanément les performances de différents matériaux dans des conditions de température et de pression en constante évolution, une échelle qui dépasse de loin les capacités de n'importe quelle équipe de recherche humaine.

Adresse du document :
https://arxiv.org/abs/2409.05556

Avancées interdisciplinaires : lever les « barrières dimensionnelles » dans la recherche scientifique

La recherche scientifique traditionnelle se caractérise par des barrières disciplinaires strictes.Les biologistes peinent à saisir pleinement le cadre théorique de la chimie quantique.Les ingénieurs en matériaux manquent souvent d'expertise en édition génique. Ce cloisonnement disciplinaire entraîne de nombreuses pertes d'opportunités d'innovation dans les domaines interdisciplinaires, là où les chercheurs en IA possèdent un avantage naturel.

Les chercheurs en intelligence artificielle ne sont pas limités par les frontières du savoir humain et peuvent naviguer librement entre différentes disciplines pour parvenir à une intégration interdisciplinaire des connaissances et à l'innovation. Le système Coscientist, développé par l'université Carnegie Mellon (CMU), en est un exemple typique : lorsqu'il reçoit une commande en langage naturel telle que « synthétiser un nouveau polymère conducteur », il peut effectuer des recherches autonomes dans la littérature sur la synthèse chimique, les bases de données en science des matériaux et les normes d'ingénierie électronique, intégrer des méthodes multidisciplinaires comme la conception de voies de synthèse chimique, la prédiction de la conductivité et les tests de stabilité, et enfin réaliser l'expérience grâce à une plateforme robotisée. L'ensemble du processus ne nécessite aucun ajustement, contrairement à la collaboration interdisciplinaire humaine.

Les sept expériences collaboratives d'agents d'IA du professeur Yaghi ont démontré une fois de plus la profondeur de la collaboration interdisciplinaire : le planificateur d'expériences était responsable de la conception globale du schéma, l'analyste de la littérature s'est concentré sur la littérature en sciences des matériaux, le codeur d'algorithmes a développé le programme d'optimisation bayésienne, le contrôleur du robot s'est connecté à l'équipement expérimental et le consultant en sécurité a effectué la gestion des risques conformément aux normes de sécurité chimique.Ces agents d'IA, appartenant à différentes disciplines, ont travaillé ensemble pour résoudre avec succès le problème de longue date de l'incapacité du matériau COF-323 à cristalliser.Cela représente une avancée majeure dans l'obtention de formes amorphes à hautement cristallines.
Lien vers l'article :
https://pubs.acs.org/doi/10.1021/acscentsci.3c01087

Cet avantage est encore plus marqué dans les domaines interdisciplinaires. Une étude de l'université de Stanford montre que les hypothèses de recherche des chercheurs en IA…Parmi celles-ci, 37% appartiennent à l'innovation interdisciplinaire, tandis que de telles hypothèses représentent moins de 5% dans les propositions des scientifiques humains.

Si les chercheurs en IA ont démontré des avantages sans précédent en termes de rapidité, d'échelle et de capacités interdisciplinaires, ce développement rapide a également engendré de nouveaux problèmes et risques, ainsi que des défis.

Défis : La boîte noire de l'IA, les scientifiques, l'éthique et les limites cognitives

Le dilemme de la boîte noire : fournir des réponses sans explications sur le déséquilibre causal.

Le cœur de la recherche scientifique ne réside pas seulement dans « ce qu'il faut découvrir »,Il s'agit plutôt de savoir « pourquoi c'est ainsi ».L'explicabilité et le raisonnement causal sont les pierres angulaires de la construction des théories scientifiques, et le plus grand défaut des chercheurs actuels en IA réside précisément dans leur nature de « boîte noire » : ils peuvent fournir des résultats précis, mais ne peuvent pas expliquer le processus logique qui a conduit à ces résultats.

Andrej Karpathy, ancien chercheur chez OpenAI, a un jour fait remarquer avec justesse : « Notre compréhension des grands modèles de pointe reste encore empirique. Ils sont comme des étudiants qui excellent aux examens mais sont incapables d’expliquer leurs stratégies de résolution de problèmes. » Ce manque d’interprétabilité a engendré une série de problèmes : en science des matériaux, le projet DeepMind GNoME prédit plus de 380 000 structures cristallines stables, mais la littérature scientifique souligne également que l’interprétabilité du mécanisme demeure un obstacle majeur.Dans le domaine médical, le modèle TxGNN de la faculté de médecine de Harvard a identifié plus de 17 000 médicaments candidats pour les maladies rares. Cependant, les recherches soulignent clairement que « si le modèle fournit des scores de prédiction, les experts doivent comprendre sa logique de prédiction pour valider les hypothèses et appréhender les mécanismes d’action potentiels des traitements ».Cela implique que l'IA présente encore des lacunes dans l'explication de ses mécanismes.

La conférence expérimentale Agents4Science organisée par l'université de Stanford en 2025 a mis en lumière des problèmes plus profonds :Cette conférence exige que tous les articles mentionnent l'IA comme premier auteur, et l'intégralité du processus d'évaluation sera réalisée par l'IA.Les résultats ont montré que, si les articles analysés par l'IA ne présentaient aucune erreur technique manifeste, un grand nombre d'études étaient jugées « ni intéressantes ni importantes ». La professeure Risa Wechsler de l'université de Stanford a soulevé une question qui invite à la réflexion : « Comment enseigner à l'IA à avoir un “bon sens scientifique” ? » Cette question met en lumière le cœur du problème de la boîte noire : l'IA est dépourvue du jugement de valeur propre aux scientifiques humains, fondé sur l'histoire académique et les connaissances disciplinaires, et est incapable d'identifier les véritables innovations et la portée scientifique des recherches.

Lacune en matière de fiabilité : l’authenticité des données nécessite une vérification.

Le mécanisme de réponse qui se contente de fournir des réponses sans explications engendre un autre danger majeur et latent : la fiabilité des scientifiques spécialisés en IA est remise en question.

Les chercheurs en intelligence artificielle s'appuient sur des ensembles de données et des modèles théoriques pour l'entraînement et le fonctionnement de leurs systèmes, mais un fossé important subsiste entre ces « simulations » virtuelles et le monde physique réel. De nombreuses solutions parfaitement fonctionnelles dans les modèles ne peuvent être reproduites lors d'expériences concrètes. Ce « déficit de fiabilité » constitue un obstacle majeur à l'application pratique de l'IA.

Le scandale de la falsification des articles du MIT, révélé en 2025, illustre ce problème sous un autre angle.L'article affirmait que l'assistance par l'IA pourrait accroître de 441 milliards le nombre de découvertes de nouveaux matériaux et de 391 milliards le nombre de demandes de brevets. Il fut un temps salué comme « la meilleure étude sur l'impact de l'IA sur la science », recevant même les éloges de plusieurs scientifiques de renom. Cependant, des enquêtes ultérieures ont révélé que les données de l'article étaient falsifiées. Bien que l'université n'ait pas divulgué les résultats de l'enquête par souci de confidentialité, elle a explicitement déclaré dans un communiqué qu'elle « doute de la source et de la fiabilité des données utilisées dans l'article, ainsi que de l'authenticité des conclusions de la recherche ».

Plus grave encore est la possibilité que l'IA puisse « embellir » ses propres résultats.Des recherches ont montré que certains systèmes d'IA ignorent sélectivement les données qui ne correspondent pas aux prédictions, et peuvent même générer de faux enregistrements expérimentaux pour se conformer aux conclusions du modèle.Si ce type d’« auto-illusion » n’est pas détecté à temps, il risque de détourner toute l’orientation de la recherche.

Crise des talents : le déclin et la transformation des capacités de recherche scientifique traditionnelles

L'essor des scientifiques spécialisés en IA remodèle la structure de la demande de talents en recherche scientifique, et les scientifiques traditionnels « solitaires » perdent progressivement leur avantage.Les profils « à double compétence », c’est-à-dire les personnes compétentes dans leur domaine professionnel et maîtrisant les technologies d’IA, sont très recherchés et rares.Dans une interview, George Church, professeur à l'université Harvard, a souligné que les biologistes n'ont pas besoin de maîtriser les algorithmes d'IA, mais qu'ils doivent comprendre les limites de l'IA et être capables d'évaluer la pertinence de ses résultats. Cette capacité de collaboration entre experts et IA deviendra le principal atout des chercheurs.

Cette transformation représente un défi de taille pour les chercheurs actuels.Selon l'enquête mondiale de Wiley auprès des chercheurs de 2025 (taille de l'échantillon : 2 430), 841 000 chercheurs (TP3T) utilisent déjà des outils d'IA dans leurs recherches.Cependant, seuls 481 répondants à l'enquête TP3T estiment que l'IA peut contribuer à améliorer la pensée critique, et plus de la moitié d'entre eux expriment des inquiétudes quant à son utilisation. Ces inquiétudes portent principalement sur deux aspects : premièrement, les compétences traditionnelles sont en pleine restructuration. 641 répondants craignent que l'IA ne génère des erreurs ou des « illusions », et 581 s'inquiètent des problèmes de confidentialité et de sécurité. Les chercheurs expérimentés, habitués à concevoir des expériences et à analyser des données manuellement, éprouvent des difficultés à s'adapter rapidement à ce nouveau mode de travail consistant à « poser des questions à l'IA et à interpréter ses résultats ».

De plus, les lacunes du système éducatif aggravent la pénurie de talents. Actuellement, la plupart des programmes STEM dans les universités du monde entier reposent encore largement sur des cours traditionnels, avec un manque criant d'intégration de l'IA aux méthodologies de recherche dans l'enseignement.Seules quelques universités proposent des cours pratiques tels que « Application des outils de recherche en IA » et « Conception d'expériences collaboratives homme-machine ».Il en résulte que les étudiants possèdent des connaissances théoriques professionnelles, mais sont incapables de collaborer avec l'IA. Une enquête de Wiley révèle que les chercheurs du laboratoire 57% estiment que le principal obstacle à la promotion de l'IA est le manque de guides d'utilisation et de formations. Les jeunes diplômés ont souvent besoin de formations complémentaires pour s'adapter aux nouvelles méthodes de travail en laboratoire.

Plus inquiétant encore, une dépendance excessive à l'égard de l'IA peut affaiblir les capacités fondamentales : des recherches du MIT indiquent que l'IA peut réduire l'activité cérébrale, et lorsque l'IA est largement utilisée pour le traitement des données et la dérivation de formules, les étudiants peuvent négliger les bases mathématiques et la formation aux compétences expérimentales s'ils manquent d'encadrement, qui sont précisément la base de l'innovation scientifique.

Malgré les nombreux défis, l'intégration profonde de l'IA et de la recherche scientifique est une tendance irréversible. Une enquête de Wiley révèle que 831 % des personnes interrogées estiment que l'IA deviendra un élément important de la recherche scientifique d'ici 2027, et 571 % se disent prêtes à autoriser des agents d'IA à réaliser certaines tâches de recherche de manière autonome si ces agents atteignent un niveau de maturité suffisant. Cela signifie que les chercheurs et le système éducatif doivent s'adapter proactivement à cette évolution : les chercheurs doivent développer leurs compétences en matière d'utilisation des outils d'IA et d'interprétation des résultats, tandis que les universités doivent accélérer la réforme de leurs programmes et intégrer les méthodes de recherche en IA dans leurs enseignements fondamentaux afin de former des profils polyvalents capables de répondre aux besoins futurs.

Conclusion : Une nouvelle ère scientifique co-créée par l'IA et l'humanité

Du système entièrement automatisé de Sakana AI au cycle « de la molécule à la société » du professeur Yaghi, les chercheurs en IA transforment en profondeur et de manière irréversible le paysage de la recherche scientifique. Cette révolution ne se limite pas à la vitesse et à l'échelle, mais touche aussi la pensée : lorsque l'IA peut explorer des voies scientifiques inimaginables pour l'humain, et lorsque la collaboration interdisciplinaire n'est plus limitée par les frontières du savoir humain, l'efficacité et la portée des découvertes scientifiques entrent dans une ère de croissance exponentielle.

Cependant, nous devons garder à l'esprit que les scientifiques spécialisés en IA sont en fin de compte un prolongement de l'intelligence humaine, et non un substitut.Elle est dépourvue de l'intuition, du jugement de valeur et de l'inspiration novatrice propres à l'humain, et ne peut ni saisir les opportunités scientifiques offertes par les phénomènes accidentels comme le font les humains, ni comprendre la signification sociale des résultats de la recherche.

L'objectif ultime de la science est d'explorer l'inconnu et d'améliorer le destin de l'humanité. L'essor des chercheurs en intelligence artificielle permet d'atteindre cet objectif plus rapidement et plus efficacement. Les propos de Yaghi, lauréat du prix Nobel de chimie 2025, l'illustrent peut-être le mieux : « Nous n'accélérons pas les expériences, mais nous accélérons la capacité de l'humanité à résoudre les problèmes. »

Liens de référence :
1.https://sakana.ai/ai-scientist/
2.http://m.toutiao.com/group/7559872054532407823/
3.https://www.businessinsider.com/openai-cofounder-andrej-karpathy-keep-ai-on-the-leash-2025-6
4.https://www.dwarkesh.com/p/andrej-karpathy
5.https://mp.weixin.qq.com/s/qUL3jhyZcIZI7cBQac1vbg