Rob Moore, chercheur senior au laboratoire national d'Oak Ridge (ORNL) du département de l'Énergie des États-Unis, explique comment l'intelligence artificielle et l'automatisation transforment la recherche scientifique. Ancien officier sous-marin de la marine américaine devenu ingénieur mécanique, Moore a rejoint ORNL en 2019 pour se concentrer sur la synthèse de matériaux quantiques. Constatant que la découverte de matériaux aux propriétés sur mesure était trop lente, il a dirigé l'initiative INTERSECT pour créer un écosystème permettant des processus de recherche autonomes et interdisciplinaires. S'appuyant sur ce succès, il pilote désormais le programme Labs of the Future, visant à positionner le laboratoire pour la mission Genesis du gouvernement, un effort national pour accélérer la découverte scientifique et renforcer la sécurité énergétique. Selon Moore, l'avènement des grands modèles de langage marque une nouvelle ère capable de fournir des informations fiables à une vitesse inédite. L'entraînement de ces modèles sur des données scientifiques permet aux chercheurs d'interagir avec des assistants intelligents pour accélérer leurs travaux. Cependant, cette intégration présente des défis majeurs, principalement liés à la fiabilité. Les agents d'intelligence artificielle peuvent générer des informations plausibles mais erronées, un phénomène appelé hallucination. Dans le domaine scientifique, la publication de données inexactes est inacceptable. L'exigence de rigueur, d'exactitude et de reproductibilité impose de mettre en place des contrôles stricts pour s'assurer que les outils fournissent des résultats vérifiables. Malgré ces risques, l'IA excelle dans la détection de corrélations complexes dans de vastes ensembles de données, bien plus rapidement que les humains. Elle aide à générer des hypothèses, orienter les expériences et libérer du temps cognitif pour des défis scientifiques majeurs qui, sans elle, prendraient des décennies à résoudre. Initialement, l'impact direct de l'IA sur la science n'était pas anticipé, mais la rapidité avec laquelle ces outils ont évolué a surpris la communauté. Ils permettent désormais de déléguer des tâches cognitives pour se concentrer sur des approches plus holistiques. Il est crucial de distinguer l'automatisation de l'autonomie. Un laboratoire automatisé exécute des tâches répétitives sans prise de décision, comme un microscope électronique qui utilise un réseau de neurones pour identifier et classifier des défauts atomiques. Cependant, ce système s'arrête une fois l'identification faite. L'autonomie, en revanche, nécessite une capacité de décision. Elle permet au système de détecter un phénomène intéressant, de décider d'approfondir l'analyse et de planifier la prochaine série d'expériences sans intervention humaine immédiate. Moore souligne que l'intelligence artificielle agit comme le décideur nécessaire pour atteindre cette autonomie, tandis que les humains restent en position de supervision et de conseil stratégique. Cette évolution permet d'exploiter pleinement le potentiel de la science autonome pour relever les défis technologiques les plus complexes de notre époque.