Un modèle d’intelligence artificielle chinois s’est auto-formé aux principes fondamentaux de la physique — quelles découvertes pourrait-il réaliser à l’avenir ? Des chercheurs ont fourni à un système d’IA des données provenant d’expériences physiques impliquant des mouvements oscillatoires, similaires à ceux d’un pendule, afin d’évaluer sa capacité à redécouvrir des lois scientifiques de base. Ce modèle, baptisé AI-Newton, a réussi à retrouver indépendamment des principes clés de la physique, comme la deuxième loi de Newton, qui relie force, masse et accélération. Contrairement aux IA traditionnelles, capables de repérer des motifs mais souvent incapables de formuler des concepts scientifiques généraux, AI-Newton imite le processus scientifique humain en construisant progressivement une base de connaissances conceptuelles, explique Yan-Qing Ma, physicien à l’Université de Pékin, co-développeur du système. Selon lui, cette capacité à identifier des concepts pertinents lui permet de faire des découvertes scientifiques sans intervention humaine préalable. Keyon Vafa, informaticien à l’Université Harvard, souligne que le système repose sur une méthode appelée régression symbolique, qui consiste à chercher l’équation mathématique la plus simple et la plus pertinente pour décrire un phénomène physique. Cette approche, jugée prometteuse pour la découverte scientifique, pousse l’IA à déduire des lois plutôt que de simplement prédire des résultats. L’équipe de Pékin a utilisé un simulateur pour générer des données issues de 46 expériences physiques, couvrant des phénomènes tels que le mouvement libre de balles, les chocs entre objets, les vibrations, les oscillations et les mouvements de type pendulaire. Le simulateur a également introduit des erreurs statistiques pour imiter la réalité des données expérimentales. Par exemple, lorsqu’on a fourni à AI-Newton les données de position d’une balle en fonction du temps, le modèle a pu déduire une équation pour la vitesse. Il a ensuite stocké cette connaissance pour résoudre une tâche ultérieure : déterminer la masse de la balle en appliquant la deuxième loi de Newton. Les résultats, non encore soumis à un processus de relecture par les pairs, montrent un potentiel prometteur. Des tentatives antérieures ont vu l’IA prédire des trajectoires planétaires, comme le projet « AI Copernicus » mené en 2019 par des chercheurs de l’ETH Zurich, qui a permis d’obtenir des formules pour les orbites planétaires à partir d’observations terrestres. Toutefois, ces équations nécessitaient une interprétation humaine pour être reliées à la dynamique gravitationnelle. Des chercheurs du MIT, dont Vafa, ont testé des modèles fondamentaux — comme GPT, Claude ou Llama — en leur demandant de prédire les trajectoires planétaires, puis d’inférer les lois des forces en jeu. Leurs résultats, publiés en prépublication, montrent que ces modèles, malgré leur puissance, ne parvenaient pas à généraliser : lorsqu’ils étaient entraînés sur des trajectoires orbitales, ils ne pouvaient pas déduire une loi de gravitation cohérente, produisant au contraire des lois absurdes. AI-Newton, en revanche, démontre une capacité plus structurée à construire des concepts physiques de manière autonome, ouvrant la voie à une IA véritablement créative en science.