OpenAI et AISLE testent l'IA dans les laboratoires réels
OpenAI et un consortium académique ont présenté deux évaluations montrant que les grands modèles d’IA progressent dans l’analyse de données scientifiques, mais restent fragiles lorsqu’ils doivent piloter des expériences réelles. Le 6 novembre, OpenAI a lancé BioBasicsBench, développé avec la société de conception d’enzymes Ligo. Ce benchmark réunit 100 tâches issues de laboratoires : lecture de gels d’électrophorèse, d’images de colonies, de photographies au microscope ou de mesures d’instruments. Il teste la capacité d’un modèle à comprendre la preuve, repérer une erreur et décider si les données suffisent pour conclure. Dans une configuration autorisant davantage de calcul, GPT-6 Astra atteint en moyenne 66,7 % de réponses utilisables, contre 43,8 % pour GPT-5.6 Sol. OpenAI précise toutefois qu’un score supérieur ne garantit pas des jugements fiables en laboratoire. Deux jours plus tard, le benchmark AI Scientists’ Last Exam a poussé l’examen plus loin. Porté par des équipes de l’UNSW, de la NUS, de l’EPFL et de l’UC Berkeley, avec des chercheurs de NVIDIA, Microsoft Research et Eli Lilly, il demande aux modèles de mener un cycle complet : proposer une expérience, laisser les instruments l’exécuter, lire les mesures et corriger la suite. Sept modèles, dont GPT, Claude, Gemini et DeepSeek, ont réalisé 4 079 essais dans deux laboratoires automatisés. Les résultats sont sévères : sur les tâches les plus difficiles d’optimisation de formules, 54 tentatives n’ont donné aucune réussite ; les meilleurs modèles n’ont pas su récupérer lorsque des écarts de pipetage apparaissaient. GPT-5.5 illustre l’écart simulation-réel avec 90,74 points en environnement numérique contre 16,46 en laboratoire. Sur un critère combinant performance et respect strict de contraintes de sécurité, tous les modèles ont échoué. Ces travaux répondent à une question devenue centrale : les systèmes d’IA sont devenus performants dans des tâches vérifiables par l’ordinateur, comme le code ou les mathématiques, mais la biologie, la chimie et les matériaux imposent des mesures physiques coûteuses, bruitées et longues. OpenAI teste déjà ce terrain avec Ginkgo Bioworks, où GPT-5 a réduit d’environ 40 % le coût de production protéique après six tours d’optimisation. Anthropic explore des projets pharmaceutiques, tandis que Periodic Labs, financée à hauteur de 300 millions de dollars, veut collecter des données expérimentales, y compris des échecs, pour entraîner ses modèles. Pour rapprocher le test du terrain, le consortium AISLE a utilisé une architecture en boucle fermée : chaque modèle soumet un plan via une interface unique, les instruments l’exécutent et renvoient les résultats. Des jumeaux numériques servent d’espaces d’essai, puis les mesures réelles calibrent les simulations. Les tâches couvrent la conception de couleurs par formules chimiques, l’optimisation selon le pH, la manutention de résines visqueuses, l’inférence de constantes acides et la lecture de spectres. L’ensemble est scindé en trois niveaux : interpréter des données, décider dans un simulateur et agir sur du matériel réel. Le message est prudent. Comprendre une image ou proposer une recette ne suffit pas : il faut détecter les anomalies, ajuster ses hypothèses et ne jamais franchir des limites de sécurité, même quand l’objectif semble proche. Les benchmarks publiés montrent que les modèles gardent un avantage inégal selon les dimensions. GPT-5.5 termine premier sur les expériences complètes, mais aucun système ne domine partout, car l’un gère mieux les variations matérielles, un autre la lecture des spectres. Les auteurs voient dans ces résultats une feuille de route : multiplier les boucles de vérification, entraîner les modèles sur des retours expérimentaux difficiles et tester séparément les capacités de décision et de conformité avant de confier aux IA des robotiques de synthèse plus risquées.
