Prix Nobel 2024 : l’IA récompensée en physique et en chimie

En deux jours, les prix Nobel 2024 ont offert une reconnaissance spectaculaire à des recherches qui ont façonné l’intelligence artificielle contemporaine et son entrée dans les laboratoires. Le 8 octobre 2024, le Nobel de physique a distingué John Hopfield et Geoffrey Hinton. Le lendemain, le Nobel de chimie a consacré des méthodes informatiques capables de prédire ou de concevoir des protéines. Un signal fort, à condition de comprendre précisément ce qui est récompensé : ni une machine qui penserait seule, ni la fin de l’expérimentation scientifique.

Ces prix racontent deux histoires complémentaires. La première remonte aux fondations mathématiques et physiques des réseaux neuronaux, ces systèmes informatiques qui apprennent à repérer des régularités dans de grandes quantités de données. La seconde illustre l’usage de ces méthodes pour s’attaquer à une question majeure de la biologie : la forme des protéines, molécules indispensables au fonctionnement du vivant.

Deux prix Nobel, cinq chercheurs et des contributions différentes

Parler des « Nobel de l’IA » est pratique, mais réducteur. Les jurys n’ont pas récompensé l’intelligence artificielle comme une discipline homogène. Ils ont distingué des avancées bien identifiées, à la croisée de l’informatique, de la physique, de la biologie et de la chimie.

Le prix de chimie comprend donc trois lauréats, et non deux. David Baker reçoit une moitié du prix pour la conception computationnelle de protéines. L’autre moitié est partagée entre Demis Hassabis et John Jumper, pour la prédiction de la structure des protéines. Cette répartition est essentielle : prédire la forme d’une protéine existante et en imaginer une nouvelle ne sont pas le même problème scientifique.

Pourquoi John Hopfield et Geoffrey Hinton reçoivent-ils le Nobel de physique ?

À première vue, l’attribution du Nobel de physique à deux pionniers des réseaux neuronaux peut surprendre. John Hopfield et Geoffrey Hinton sont pourtant liés à des idées venues de la physique statistique, branche qui étudie les comportements collectifs de très grands ensembles, comme les particules d’un matériau.

John Hopfield, alors âgé de 91 ans, a développé au début des années 1980 un modèle devenu le réseau de Hopfield. Son principe consiste à représenter l’état d’un réseau par une sorte de paysage énergétique. Le système évolue vers des états stables, qui peuvent correspondre à des souvenirs ou à des motifs mémorisés. Cette idée a apporté un cadre rigoureux pour comprendre comment une machine peut stocker puis retrouver une information à partir d’un signal partiel ou bruité.

Imaginez une image très dégradée, dont il manque une partie des informations. Un système de mémoire associative ne se contente pas de comparer cette image à une liste fixe : il cherche la configuration la plus cohérente avec ce qu’il a déjà appris. Le modèle de Hopfield a montré comment formaliser ce mécanisme à l’aide d’outils inspirés de la physique.

Geoffrey Hinton a, de son côté, contribué à développer des méthodes permettant aux machines de découvrir elles-mêmes des régularités dans des données. Ses travaux sur les machines de Boltzmann, menés avec d’autres chercheurs, ont notamment exploité des concepts de physique statistique afin d’apprendre des caractéristiques dans des exemples. Ils ont compté dans l’histoire longue qui a conduit aux réseaux neuronaux modernes et à leurs usages en reconnaissance d’images, de sons ou de textes.

Le comité Nobel souligne ainsi un point souvent oublié dans l’actualité des assistants conversationnels : l’essor récent de l’IA ne repose pas seulement sur des produits apparus ces dernières années. Il s’appuie aussi sur plusieurs décennies de recherche théorique, de progrès informatiques et d’accumulation de données.

Le Nobel de chimie met les protéines au centre

Les protéines sont de longues chaînes d’acides aminés qui se replient dans l’espace. Leur forme en trois dimensions est étroitement liée à leur fonction : elle peut déterminer la manière dont une protéine interagit avec d’autres molécules, participe à une réaction chimique ou intervient dans une cellule.

Or, déduire cette forme à partir de la seule séquence d’acides aminés a longtemps été l’un des grands défis de la biologie. Des méthodes expérimentales permettent bien d’observer les structures, mais elles peuvent être longues et complexes à mettre en œuvre. C’est dans ce contexte que les méthodes de prédiction informatique ont pris une importance considérable.

Demis Hassabis et John Jumper ont été récompensés pour le développement d’AlphaFold, un système reposant sur l’apprentissage profond. En 2020, AlphaFold2 a démontré une capacité remarquable à prédire la structure de protéines à partir de leur séquence. L’enjeu n’est pas seulement d’obtenir une image moléculaire : disposer d’une hypothèse structurale peut orienter les recherches sur le fonctionnement d’une protéine et aider à choisir les expériences les plus pertinentes.

Le troisième lauréat, David Baker, est honoré pour une autre ambition : la conception computationnelle de protéines. Au lieu de partir d’une protéine connue pour en estimer la forme, cette approche vise à imaginer des séquences susceptibles de se replier en structures nouvelles et de remplir une fonction recherchée. Dès 2003, ses travaux avaient montré qu’il était possible de créer, à l’aide de méthodes informatiques, une protéine qui n’existait pas dans la nature.

Prédire, concevoir, vérifier : ce que l’IA change réellement

L’apport de l’IA à la recherche ne consiste pas à remplacer la démarche scientifique par une réponse automatique. Il consiste avant tout à explorer plus vite un espace de possibilités immense.

Dans le cas des protéines, une séquence peut adopter des conformations extrêmement nombreuses. Les algorithmes aident à classer, estimer et proposer des structures plausibles. Pour les scientifiques, cela peut raccourcir le chemin entre une question initiale et l’expérience à réaliser. Une équipe peut, par exemple, utiliser une prédiction pour formuler une hypothèse sur une interaction moléculaire, puis la tester au laboratoire.

Cette accélération ne dispense pas de prudence. Une structure prédite reste un résultat informatique qui doit être interprété selon son niveau de confiance et confronté, lorsque cela est nécessaire, à des mesures expérimentales. Connaître la forme supposée d’une protéine ne permet pas non plus, à elle seule, de déduire toutes ses fonctions biologiques ni d’assurer qu’une piste deviendra un médicament.

Le même principe vaut pour les réseaux neuronaux en général. Ils peuvent produire des résultats très performants à partir des données sur lesquelles ils ont appris, mais ils ne rendent pas toujours leur raisonnement facile à expliquer. En science, la performance d’un modèle ne remplace ni la reproductibilité, ni la qualité des données, ni l’examen critique par des chercheurs.

Pourquoi cette reconnaissance compte pour la recherche

Les Nobel 2024 donnent une visibilité rare à une transformation déjà engagée dans de nombreuses disciplines. L’intelligence artificielle est utilisée pour analyser de vastes jeux de données, repérer des corrélations, simuler des systèmes complexes ou suggérer des candidats prometteurs. En physique, en chimie et en biologie, elle modifie progressivement la manière de poser certaines questions.

Cette évolution ne signifie pas que tous les problèmes scientifiques sont désormais accessibles à un modèle. Les systèmes d’IA dépendent de données fiables et suffisamment riches. Ils nécessitent aussi une puissance de calcul importante, ce qui peut renforcer l’avantage des grandes organisations disposant d’infrastructures et de jeux de données conséquents. Les résultats doivent enfin pouvoir être discutés, reproduits et, autant que possible, compris par la communauté scientifique.

La distinction de Hopfield et Hinton rappelle également que les frontières entre disciplines sont poreuses. Des idées élaborées à partir de concepts physiques ont contribué à l’apprentissage automatique. À son tour, cet apprentissage automatique apporte des outils à la chimie et à la biologie. Le Nobel ne transforme donc pas la physique en simple prétexte pour parler d’IA : il met en lumière une circulation féconde des méthodes entre domaines scientifiques.

Des questions éthiques et scientifiques qui demeurent

La reconnaissance de l’IA par le Nobel nourrit aussi des interrogations légitimes. Plus les outils algorithmiques influencent le choix des hypothèses, plus il devient important de documenter leurs limites, leurs données d’entraînement et leurs conditions d’utilisation. La recherche a besoin de résultats robustes, mais aussi de méthodes qui puissent être évaluées par d’autres équipes.

Plusieurs points méritent une attention particulière :

• la qualité et la représentativité des bases de données utilisées pour entraîner les modèles ;
• la possibilité pour les chercheurs de vérifier ou de reproduire les résultats ;
• la transparence sur les incertitudes associées aux prédictions ;
• l’accès aux ressources de calcul et aux outils, qui ne doit pas être réservé à un petit nombre d’acteurs.

Ces enjeux ne diminuent pas la portée des travaux récompensés. Ils rappellent plutôt que l’adoption d’un outil puissant dans la recherche doit aller de pair avec des règles de rigueur renforcées. La science assistée par IA sera d’autant plus utile qu’elle restera capable de rendre compte de ses méthodes, de ses marges d’erreur et de ses validations.

Ce qu’il faut surveiller après les Nobel 2024

La leçon principale de ces prix est moins l’idée d’une IA devenue chercheuse autonome que celle d’une recherche équipée de nouveaux instruments. Les prochaines avancées dépendront de la capacité à combiner des modèles performants, des données de qualité, des expériences bien conçues et l’expertise de scientifiques capables d’interpréter les résultats.

Dans le domaine des protéines, il faudra observer comment les prédictions structurales et la conception computationnelle se traduisent en résultats vérifiables, notamment pour mieux comprendre des mécanismes biologiques ou élaborer de nouvelles molécules. Du côté des réseaux neuronaux, la question restera celle de systèmes à la fois puissants, fiables et suffisamment explicables pour être utilisés dans des domaines sensibles.

Les Nobel de physique et de chimie 2024 consacrent donc une étape importante : l’intelligence artificielle n’est plus seulement un sujet de l’informatique ou un produit numérique grand public. Elle est devenue un outil central de la recherche fondamentale, avec des promesses considérables et des exigences de preuve qui, elles, ne changent pas.