Dix ans après sa victoire légendaire contre Lee Sedol, l'IA AlphaGo de DeepMind demeure un catalyseur majeur pour l'intelligence artificielle et la recherche scientifique. Initialement conçu pour maîtriser le jeu de Go, une discipline d'une complexité immense dépassant le nombre d'atomes dans l'univers observable, le système a révolutionné les approches algorithmiques. AlphaGo a combiné des réseaux de neurones profonds avec des techniques de recherche avancées et d'apprentissage par renforcement. Il a appris en analysant des parties humaines avant de s'auto-entraîner à des millions de reprises, optimisant ainsi ses stratégies. Cette architecture a évolué pour devenir AlphaGo Zero, capable d'apprendre le jeu uniquement à partir de règles et de mouvements aléatoires, surpassant tous les précédents. Elle s'est ensuite généralisée sous le nom d'AlphaZero, permettant de maîtriser sans connaissance préalable plusieurs jeux de stratégie comme les échecs et le shogi, découvrant même de nouvelles tactiques que les meilleurs programmes spécialisés n'avaient pas identifiées. Ces succès ont confirmé la viabilité d'appliquer ces technologies à des défis scientifiques réels. La percée la plus notable est l'application de cette logique à la biologie via AlphaFold 2. Ce système a résolu en 2020 le problème centenaire du repliement des protéines, prédire leur structure tridimensionnelle. L'équipe a publié une base de données ouverte contenant les structures de plus de 200 millions de protéines, utilisée aujourd'hui par plus de trois millions de chercheurs pour développer des vaccins contre le paludisme ou des enzymes capables de dégrader le plastique. Cette contribution a valu le prix Nobel de chimie en 2024 à l'équipe dirigée par John Jumper. Au-delà de la biologie, les principes d'AlphaGo inspirent désormais l'exploration des mathématiques et de la découverte d'algorithmes. AlphaProof et AlphaGeometry 2 ont atteint des niveaux d'olympiade internationale, tandis que le mode de réflexion profond de Gemini a obtenu des médailles d'or lors de l'olympiade de 2025. De plus, l'agent de codage AlphaEvolve a découvert de nouvelles méthodes pour la multiplication de matrices, une opération fondamentale pour les réseaux de neurones. Des agents d'IA collaboratifs commencent également à simuler le débat scientifique pour valider des hypothèses complexes, comme l'ont démontré des tests à l'Imperial College London sur la résistance aux antimicrobiens. Malgré ces spécialisations impressionnantes, les modèles actuels restent limités à des domaines précis. Pour atteindre l'intelligence artificielle générale (AGI), capable de faire des liens transversaux et d'avoir des insights novateurs, il est nécessaire de combiner ces techniques de recherche avec des modèles multimodaux comme Gemini. Ces systèmes intègrent désormais la compréhension du monde à travers le texte, l'audio, la vidéo et le code, tout en étant capables d'utiliser des outils spécialisés comme AlphaFold à la demande. La prochaine génération d'IA devra non seulement reproduire les stratégies brillantes d'AlphaGo, telles que le célèbre coup 37, mais également innover véritablement en concevant de nouveaux systèmes complexes. Une décennie après la première victoire, l'étincelle créative initiée par AlphaGo converge vers un horizon prometteur, ouvrant la voie à une nouvelle ère de découverte scientifique et à la réalisation de l'AGI.