Imaginez un cuisinier qui, au lieu de suivre une recette, se pose une question : et si j’ajoutais une pincée de sel dans ma pâte à gâteau, lèverait-elle moins bien ? Il prépare deux gâteaux, goûte, note ses impressions, constate qu’il s’est trompé, comprend que c’est le sucre, et non le sel, qui joue les trouble-fêtes, puis lance une nouvelle fournée. Jusqu’ici, rien d’extraordinaire. Sauf que dans l’histoire qui nous occupe, le cuisinier est un programme informatique et le four, un laboratoire robotisé qui ne dort jamais.
Début octobre 2026, des chercheurs de l’Université de technologie de Chalmers, à Göteborg (Suède), associés à l’institut royal KTH de Stockholm, ont publié dans le Journal of the Royal Society Interface une étude qui décrit précisément cela : une IA scientifique capable de formuler des hypothèses, de bâtir le plan d’expériences, de commander des robots de laboratoire, puis de digérer les résultats pour rebondir. Elle a même déniché un effet protecteur sur des cellules de levure que la littérature n’avait jamais documenté. Alors, révolution ou coup de com’ ? Prenons le temps de démonter la mécanique, pièce par pièce.
| Pour les non-initiés : le vocabulaire en cinq lignes Levure : le champignon microscopique du pain et de la bière (Saccharomyces cerevisiae). Biologistes et ingénieurs l’adorent : ses cellules fonctionnent, dans les grandes lignes, comme les nôtres, mais elles sont bien plus faciles à cultiver. Hypothèse : une explication proposée avant de tester. Exemple : « tel acide aminé protège la cellule contre tel poison ». Métabolites : les petites molécules fabriquées ou consommées par une cellule (sucres, acides aminés…). Leur mesure revient à lire le « bilan comptable » de la cellule. LLM (grand modèle de langage) : le type d’IA derrière ChatGPT. Il manie très bien les mots, un peu moins bien la logique stricte. Agent IA : un LLM auquel on confie un rôle précis et des outils, par exemple « rédige le protocole » ou « traduis-le en commandes pour la machine ». |
Une idée de vingt ans, dopée par l’IA générative
Contrairement à ce que laisse croire l’actualité, le robot-chercheur n’est pas né avec ChatGPT. Dès 2004, le professeur Ross King et ses collègues décrivaient dans la revue Nature un premier « robot scientifique » travaillant sur la génétique de la levure. Son successeur, Adam, est présenté par l’équipe comme la première machine à avoir découvert de façon autonome un savoir scientifique nouveau. Puis vint Eve, taillée pour la recherche de médicaments : en 2015, elle passait déjà au crible des composés contre des maladies tropicales négligées, comme le paludisme.
Ce qui change aujourd’hui, c’est le « cerveau ». Le matériel de laboratoire d’Eve est conservé, mais il est piloté par des techniques d’IA bien plus récentes, notamment des modèles de langage. Et la suite se prépare déjà : l’équipe de Chalmers développe Genesis, une troisième génération de robot scientifique consacrée à la biologie des systèmes de la levure, dont les plans évoquent quelque 10 000 mini-bioréacteurs (des « chémostats ») fonctionnant en parallèle.
La boucle, étape par étape
Le cœur du système tient en une phrase : imaginer, tester, se tromper, corriger, recommencer. Voici comment cette ritournelle est orchestrée.
Étape 1 : une mémoire de dé part
Le point de départ est une base de connaissances d’environ 60 000 relations décrivant les gènes, le métabolisme et les traits de la levure : « tel gène influe sur telle voie chimique », « telle molécule ralentit la croissance », etc. Des algorithmes de recherche de motifs en ont extrait des centaines de règles logiques, puis près de 2 000 hypothèses possibles autour des acides aminés (les briques élémentaires des protéines).
Étape 2 : trois agents IA qui se passent le relais
Choisir une hypothèse ne suffit pas : encore faut-il savoir comment la tester. C’est ici qu’interviennent les agents basés sur un LLM (GPT-4o, d’après les chercheurs) :
- un premier agent propose un plan d’expérience ;
- un deuxième arbitre entre plusieurs variantes ;
- un troisième traduit le plan retenu en instructions exécutables par les machines du laboratoire.
C’est un peu comme une cuisine de restaurant : le chef imagine le plat, le sous-chef choisit la version réalisable, et le commis la découpe en gestes précis.
Étape 3 : les robots passent à l’action
Des automates font pousser les cellules, y ajoutent produits chimiques et nutriments, suivent la croissance au fil des heures, puis analysent les métabolites. C’est de la métabolomique : la lecture, par spectrométrie de masse, de l’empreinte chimique des cellules.
Étape 4 : la boucle se referme
Les mesures reviennent dans le système. Détail précieux : les chercheurs précisent que hypothèses, expériences et données sont consignées dans une base de données en graphe (un réseau de faits reliés entre eux), avec un vocabulaire contrôlé. Même les expériences ratées y restent, et nourrissent les hypothèses suivantes. Un laboratoire humain, lui, oublie souvent ses échecs au fond d’un cahier.
Le vrai tour de force : empêcher le LLM de divaguer
Un LLM brille par sa fluidité, mais il peine avec les structures logiques : il peut écrire un plan d’expérience séduisant et pourtant incohérent. Les auteurs de l’étude ont donc bâti autour des agents un véritable échafaudage logique : apprentissage relationnel symbolique, vocabulaires structurés, contraintes expérimentales, et une façon inédite de représenter les hypothèses grâce aux logiques de description (un langage formel que les informaticiens emploient pour décrire des concepts sans ambiguïté). Résultat revendiqué : des flux de travail plus cohérents et plus fiables.
| Une image pour comprendre Un LLM seul, c’est un conteur brillant. Avec l’échafaudage logique, il joue au contraire dans le cadre d’un règlement de jeu d’échecs : il garde sa créativité, mais il ne peut plus déplacer le fou en ligne droite. |
L’échec qui a rapporté gros
L’intérêt de cette étude ne se mesure pas seulement à ce qui a marché, mais à la manière dont l’IA a exploité ce qui n’a pas marché.
Deux interactions repérées
- Glutamate et spermine : l’ajout de glutamate (un acide aminé) a rendu la levure nettement plus vulnérable à la spermine, un composé qui peut freiner la croissance cellulaire. Les chercheurs jugent cette interaction jusque-là peu étudiée.
- Arginine et caféine : une interaction inattendue entre ces deux molécules a également été signalée.
Le détour par l’acide formique
L’IA avait parié que le glutamate rendrait la levure plus fragile face à l’acide formique, un stress intense pour les cellules. Pari perdu : la levure est devenue légèrement plus résistante, et un acide aminé « témoin » a même protégé davantage. Signal limpide pour les chercheurs : l’hypothèse de départ était fausse et un autre mécanisme cellulaire était probablement à l’œuvre.
Plutôt que de jeter ces données, le système les a réutilisées pour chercher d’autres molécules associées à la survie sous acide formique. Il en a classé plusieurs et a retenu l’aminoadipate, le mieux placé parmi ceux que le labo pouvait tester facilement. Au tour suivant, l’aminoadipate a partiellement protégé la levure, avec une croissance améliorée d’environ 7 % par millimolaire de composé. Les auteurs affirment que cet effet n’avait jamais été démontré.
Les scientifiques appellent cela de la sérendipité : la découverte heureuse née d’un accident. L’astuce ici, c’est qu’un logiciel l’a rendue systématique.
| Gardons la mesure « Partiellement » et « 7 % par millimolaire » : on parle d’un effet modeste, observé sur de la levure en éprouvette. Il ne s’agit pas d’un médicament ni d’une cure miracle. La démonstration porte sur la méthode : une IA peut aller d’un échec à une piste nouvelle, sans intervention humaine à chaque étage. |
Autonome… mais pas seule
Le robot n’est pas encore un chercheur qui travaillerait sans surveillance. Les humains préparaient toujours certains matériaux, déplaçaient parfois des plaques d’une machine à l’autre, transféraient des fichiers et relisaient les expériences proposées sous l’angle de la sécurité. Les auteurs notent en outre que les modèles de langage se perdent parfois face à des hypothèses plus complexes, par exemple sur le sens d’un effet biologique (un composé aide-t-il ou nuit-il ?).
| À ne pas confondre « Autonome » ne veut pas dire « sans humain ». Ross King lui-même résume que les chercheurs restent indispensables pour fixer les priorités, juger de la portée scientifique d’une trouvaille et veiller à l’éthique. L’IA exécute la partie qui suit la question ; c’est encore l’humain qui choisit la question. |
Une comparaison parlante vient de l’automobile. Des chercheurs ont proposé de classer les « laboratoires autonomes » selon des niveaux inspirés de ceux des voitures sans conducteur. Dans cette grille, la plupart des systèmes actuels sont jugés « conditionnellement autonomes » : ils accomplissent un cycle complet de la méthode scientifique, mais réclament encore la présence d’un humain à certaines étapes. Le système de Chalmers s’y range à merveille.
Les cousins : Coscientist, A-Lab… et leurs déboires
Eve n’est pas seule sur la piste. En 2023, Coscientist, piloté par GPT-4, planifiait et exécutait des expériences de chimie ; le laboratoire autonome A-Lab de Berkeley, lui, tentait de synthétiser des matériaux inorganiques grâce à l’IA et à la robotique. Mais l’histoire d’A-Lab est un avertissement salutaire : l’équipe annonçait plus de 40 nouveaux matériaux, et des chimistes, dont Robert Palgrave (University College London), ont rapidement relevé des erreurs d’identification dans l’analyse des données. Les concepteurs ont reconnu que le regard humain restait nécessaire.
Moralité : une machine qui expérimente à haute cadence peut aussi se tromper à haute cadence. La rigueur de la vérification compte donc autant que la vitesse.
Pourquoi cela nous concerne
- La cadence. Un robot ne prend ni week-end ni vacances. Pour des domaines où le nombre d’expériences à tester est vertigineux, c’est un multiplicateur de force.
- Les échecs deviennent un capital. Les résultats négatifs, rarement publiés, sont ici archivés et réutilisés.
- La traçabilité. Tout est enregistré dans un graphe structuré : en théorie, une expérience devient plus facile à auditer et à reproduire.
- Le fossé d’accès. Un laboratoire robotisé coûte cher. Reste à voir si ces outils seront un jour accessibles aux universités africaines ou si le fossé scientifique va se creuser.
Une IA peut-elle devenir « scientifique » ?
Le système de Chalmers ne remplace pas les chercheurs, mais il en accomplit déjà une bonne partie du travail d’exécution. Reste la question de fond : à partir de quand une machine mérite-t-elle d’être appelée « scientifique », et surtout, de quoi voulons-nous la laisser décider ? Les pays peu dotés en laboratoires gagneront-ils à ces outils, ou resteront-ils sur le bord de la route ?
À vous la parole.
Source : The Royal Society