En mars dernier, l’annonce de Liam Fedus sur Twitter de son départ d’OpenAI a déclenché une réaction sans précédent dans le monde de la tech. Ce membre fondateur de l’équipe initiale de ChatGPT, ancien responsable du département clé de post-entraînement chez OpenAI, est devenu le centre d’une « course au talent » qui a mobilisé les plus grands investisseurs de Silicon Valley. Des fonds de capital-risque se sont pressés pour le contacter, certains allant jusqu’à rédiger des lettres d’intention à la manière d’un poème d’amour. Moins de six mois plus tard, Fedus et son co-fondateur Dogus Cubuk ont fondé Periodic Labs, qui a levé 300 millions de dollars en série A, avec une participation de premiers acteurs comme Felicis, Andreessen Horowitz, DST, NVentures (filiale d’NVIDIA) et Accel. Des figures emblématiques de la tech — Jeff Bezos, Elad Gil, Eric Schmidt, Jeff Dean — ont eux aussi investi en tant qu’investisseurs angels. Mais ce n’est pas seulement l’argent qui attire l’attention. Plus de vingt chercheurs de haut niveau provenant de Meta, OpenAI, Google DeepMind et d’autres géants du secteur ont quitté leurs postes prestigieux, souvent après avoir renoncé à des participations valorisées à plusieurs dizaines de millions de dollars. Parmi eux : Alexandre Passos, co-auteur des modèles o1 et o3 ; Eric Toberer, scientifique des matériaux ayant déjà découvert des supraconducteurs majeurs ; ou encore Matt Horton, développeur de l’outil d’intelligence artificielle générative pour la science des matériaux chez Microsoft. Cette vague de départ illustre une véritable révolution silencieuse dans la recherche technologique : une migration massive vers une vision plus concrète, physique, du rôle de l’IA dans la science. Le départ de Fedus et Cubuk n’a pas été une simple fuite d’experts. Il s’inscrit dans une réflexion profonde sur les limites actuelles de l’IA. Alors que les modèles linguistiques ont été entraînés sur des milliards de textes, leur capacité à générer de nouvelles connaissances reste limitée. Comme le souligne Fedus : « Tout le monde parle de faire de la science, mais pour faire de la science, il faut vraiment la faire. » Le vrai défi n’est pas de mieux lire des articles, mais de tester des hypothèses dans le monde réel. L’expérience, les échecs, les données brutes — voilà ce qui manque aux modèles actuels, qui ne font que répéter ce qu’ils ont vu. C’est là que Periodic Labs se distingue. Contrairement aux entreprises qui cherchent à entraîner des IA sur des corpus scientifiques ou à simuler des phénomènes, Periodic Labs construit un véritable laboratoire autonome, où des robots exécutent des expériences physiques en continu. L’idée ? Créer un cycle bouclé : l’IA formule des hypothèses basées sur la littérature et les simulations, les robots les testent, et les résultats — qu’ils soient positifs ou négatifs — deviennent de nouvelles données d’entraînement. Ce cycle, fondé sur l’interaction directe entre l’IA et le monde physique, transforme la nature même de l’expérimentation scientifique. Le laboratoire, installé à Menlo Park, Californie, vise à accélérer la découverte de nouveaux matériaux — notamment des supraconducteurs — en réduisant des processus qui prennent des années à des mois, voire des semaines. Le point clé ? Chaque expérience produit des données uniques, non disponibles sur Internet, créant ainsi un « mur de données » insurmontable pour les concurrents. Ce n’est pas une IA qui lit des articles : c’est une IA qui expérimente. L’ambition de Fedus et Cubuk va au-delà de l’innovation technologique. Elle reprend l’héritage des laboratoires comme Bell Labs ou IBM Research, où la science fondamentale était au cœur de la mission. Dans un monde où l’IA s’est concentrée sur le logiciel, le web et les applications, Periodic Labs tente de réenchanter la recherche physique. Même si le chemin est incertain — la découverte de nouveaux matériaux reste aléatoire —, l’engagement de ces chercheurs, prêts à tout quitter pour un rêve plus concret, en dit long sur l’avenir. L’IA pour la science, selon eux, ne se trouvera pas dans des modèles plus gros, mais dans des tubes, des fourneaux, et des expériences qui, pour la première fois, sont réellement exécutées.