Nobel 2024 : la physique et la chimie consacrent les fondations de l’IA

Le 10 octobre 2024, le constat est inédit par son ampleur : en deux jours, les prix Nobel de physique et de chimie ont distingué des recherches qui ont profondément contribué à l’intelligence artificielle contemporaine ou à son emploi dans les sciences du vivant. Ces récompenses ne couronnent pas une application grand public ni une entreprise de la tech. Elles mettent en lumière des idées scientifiques patientes, parfois vieilles de plusieurs décennies, devenues essentielles pour faire apprendre des machines et comprendre les protéines.

Le 8 octobre 2024, le prix Nobel de physique a été attribué à John J. Hopfield et Geoffrey Hinton. Le lendemain, le prix Nobel de chimie a distingué David Baker, Demis Hassabis et John Jumper. Les cinq chercheurs n’ont pas travaillé sur le même problème, mais leurs travaux racontent une même trajectoire : des modèles mathématiques inspirés de la physique ont contribué à l’essor des réseaux de neurones, puis l’apprentissage automatique est devenu un instrument puissant pour répondre à des questions de biologie moléculaire.

Deux Nobel, deux contributions majeures à l’intelligence artificielle

Il n’existe pas de prix Nobel d’informatique. Lorsqu’un travail lié à l’IA est récompensé, il l’est donc dans la discipline où sa contribution scientifique est jugée décisive. C’est précisément le sens des prix annoncés en octobre 2024 : la physique pour les principes qui permettent à des réseaux neuronaux d’apprendre, la chimie pour l’étude et la conception des protéines.

Cette double reconnaissance ne signifie pas que l’IA est soudainement devenue une sous-discipline de la physique ou de la chimie. Elle rappelle plutôt que ses avancées reposent sur des échanges constants entre mathématiques, informatique, physique statistique, biologie et expérimentation. Les systèmes d’IA les plus visibles en 2024 sont l’aboutissement d’une longue accumulation de connaissances, de données et de puissance de calcul.

En physique, des réseaux de neurones inspirés par la matière

Un réseau de neurones artificiels est un modèle informatique composé d’unités reliées entre elles. Chaque connexion peut recevoir un poids, c’est-à-dire une importance plus ou moins grande. Pendant l’apprentissage, le système ajuste ces poids afin de mieux repérer des motifs dans les données : une image, un son, une séquence de mots ou une mesure scientifique.

L’expression « neurones » est une métaphore inspirée du cerveau. Les réseaux utilisés par les ingénieurs ne reproduisent pas fidèlement le fonctionnement biologique d’un cerveau humain. Ils constituent plutôt des systèmes mathématiques qui transforment des données à travers des couches de calculs. Leur force est de détecter des relations trop nombreuses ou trop complexes pour être programmées une à une avec des règles explicites.

John Hopfield et la mémoire associative

À 91 ans lors de l’annonce du prix, John Hopfield est distingué pour un modèle désormais appelé réseau de Hopfield. Son idée, formulée au début des années 1980, consiste à utiliser une représentation de la mémoire fondée sur un principe emprunté à la physique.

Dans un matériau magnétique, les spins des atomes peuvent adopter différentes orientations et tendre vers un état stable. Hopfield a transposé cette intuition à un réseau d’unités connectées. Chaque configuration du réseau correspond à un niveau d’« énergie ». En évoluant, le système cherche une configuration plus stable, ce qui lui permet de retrouver une information stockée à partir d’un signal partiel ou altéré.

Concrètement, un tel réseau peut être compris comme une mémoire associative. Si l’on lui présente une information incomplète ou bruitée, il peut converger vers le motif qu’il a appris auparavant. Cette manière de relier apprentissage, stabilité et énergie a ouvert une voie majeure entre physique statistique et intelligence artificielle.

Geoffrey Hinton et les réseaux qui apprennent des régularités

Geoffrey Hinton, chercheur à l’Université de Toronto, est souvent présenté comme l’un des pères de l’intelligence artificielle moderne. Le Nobel de physique récompense notamment son rôle dans le développement de méthodes permettant aux réseaux neuronaux de découvrir des structures dans les données.

Les travaux de Hinton se sont appuyés sur des notions proches de celles employées par Hopfield. Avec les réseaux de Boltzmann, il a contribué à développer des systèmes capables d’apprendre des caractéristiques statistiques à partir d’exemples. L’enjeu est considérable : au lieu de demander à un programmeur de définir toutes les règles, la machine peut inférer elle-même des régularités dans un ensemble de données.

Cette logique est au cœur de l’apprentissage profond. Les progrès ultérieurs en reconnaissance d’images, reconnaissance vocale, traduction automatique ou génération de textes reposent sur des architectures et des méthodes différentes de celles imaginées dans les années 1980. Mais ils s’inscrivent dans la continuité de cette idée fondamentale : un réseau artificiel peut apprendre en modifiant ses paramètres à partir des données.

Ce que le Nobel de physique récompense vraiment

L’attribution du prix à Hopfield et Hinton peut surprendre, car l’IA est souvent perçue comme un domaine exclusivement informatique. Or les réseaux neuronaux ont longtemps été étudiés à la croisée de plusieurs disciplines. La physique fournit des outils pour décrire des systèmes comportant un très grand nombre d’éléments en interaction, qu’il s’agisse d’atomes dans un matériau ou d’unités de calcul dans un réseau.

Le motif officiel du Nobel de physique est particulièrement précis : les deux lauréats sont récompensés « pour des découvertes et inventions fondamentales qui permettent l’apprentissage automatique avec des réseaux de neurones artificiels ». Il ne s’agit donc pas d’affirmer qu’ils ont, à eux seuls, créé les assistants conversationnels ou tous les systèmes d’IA actuels.

L’essor récent de l’apprentissage profond a nécessité une combinaison de facteurs : des idées algorithmiques, de grands jeux de données, des ordinateurs très puissants et le travail de nombreuses équipes. Les contributions de Hopfield et Hinton ont toutefois fourni des repères théoriques essentiels pour penser la manière dont une machine peut représenter et apprendre de l’information.

En chimie, l’IA aide à comprendre et concevoir les protéines

Le Nobel de chimie 2024 déplace la focale. Il ne distingue pas les fondations des réseaux neuronaux, mais leur capacité à accélérer une discipline scientifique cruciale : la biologie des protéines.

Les protéines sont de longues chaînes d’acides aminés. Leur fonction dépend en grande partie de leur forme tridimensionnelle. Une même succession d’acides aminés peut se replier dans une structure complexe, et comprendre cette structure aide les chercheurs à étudier le rôle de la protéine dans un organisme ou dans une maladie. Pendant des décennies, déterminer cette forme a souvent exigé des expériences longues et difficiles.

La moitié du prix de chimie revient à David Baker, de l’Université de Washington à Seattle, « pour la conception computationnelle de protéines ». Son travail consiste à partir d’un objectif de structure ou de fonction et à imaginer des protéines inédites susceptibles de le remplir. Cette démarche inverse le problème habituel : plutôt que d’observer uniquement les protéines existantes, elle cherche à en concevoir de nouvelles avec l’aide du calcul.

L’autre moitié est attribuée conjointement à Demis Hassabis et John Jumper, de Google DeepMind, « pour la prédiction de la structure des protéines ». Leur système AlphaFold a marqué un tournant en prédisant la structure tridimensionnelle de protéines à partir de leur séquence d’acides aminés. Selon l’Académie royale des sciences de Suède, AlphaFold avait permis de prédire la structure de presque toutes les 200 millions de protéines connues des chercheurs.

Cette avancée ne remplace pas automatiquement l’expérience en laboratoire. Une prédiction doit être interprétée, confrontée à des mesures et replacée dans son contexte biologique. Mais elle permet aux équipes scientifiques de formuler plus vite des hypothèses, de sélectionner des pistes prometteuses et de concentrer leurs efforts expérimentaux sur les questions les plus utiles.

Pourquoi la prédiction des protéines change la recherche

Les travaux récompensés en chimie illustrent une transformation importante : l’IA peut être un outil de découverte, pas seulement un moyen d’automatiser une tâche numérique. Les modèles apprennent à reconnaître des relations dans d’immenses ensembles de données, puis proposent des structures plausibles ou des séquences de protéines à explorer.

Cette approche intéresse directement la recherche biomédicale, mais ses applications potentielles dépassent la santé. Les protéines jouent un rôle dans le vivant, l’industrie, l’agriculture et l’environnement. Pouvoir mieux prévoir leur structure ou en imaginer de nouvelles ouvre un espace de recherche considérable.

Il faut néanmoins éviter un raccourci fréquent : prédire une structure de protéine n’équivaut pas à mettre au point un médicament. Entre une piste informatique et une solution thérapeutique, il reste des étapes exigeantes, notamment les expériences biologiques, l’évaluation de la sécurité et les essais cliniques lorsqu’ils sont nécessaires. Le Nobel récompense ici une méthode qui augmente les capacités de la recherche, non une promesse de résultats immédiats pour chaque maladie.

Ce qu’il faut surveiller après ces Nobel

Les prix Nobel 2024 rendent visibles deux conditions essentielles à une IA utile : des fondations scientifiques solides et une confrontation avec le réel. Dans les réseaux neuronaux, cela implique de mieux comprendre les capacités, les limites et les erreurs possibles des modèles. Dans la recherche sur les protéines, cela exige de valider les prédictions et les conceptions par des expériences rigoureuses.

Les prochaines avancées dépendront aussi de la capacité des chercheurs à partager les outils, les données et les méthodes de validation, sans négliger les questions de responsabilité. Les systèmes d’IA peuvent reproduire des biais présents dans leurs données, produire des résultats erronés ou être détournés de leur finalité scientifique. Leur déploiement appelle donc des règles adaptées, une évaluation indépendante et une transparence suffisante sur leurs performances.

En récompensant Hopfield, Hinton, Baker, Hassabis et Jumper, les Nobel de 2024 adressent surtout un message scientifique : l’IA ne se réduit ni à un effet de mode ni à une interface conversationnelle. Elle est aussi un ensemble de méthodes qui, lorsqu’elles sont comprises, testées et utilisées avec discernement, peuvent aider à résoudre des problèmes longtemps restés hors de portée des outils classiques.