Ce que l'IA peut revendiquer, ou non, en matière de découverte de protéines et de matériaux

Le débat ne porte pas sur ce que le logiciel a fait. Il porte sur ce que le mot découverte est autorisé à recouvrir. Selon MIT Technology Review, qui a révélé le litige le 28 septembre, Anthropic a déclaré que son système de 950 agents avait repéré un motif répété autour d'une enzyme connue après 21 heures de travail.

Les biologistes ont répliqué en quelques jours.

Lucas Harrington, le biologiste auteur de la critique largement partagée, soutient que trouver un étrange amas de gènes et de séquences répétées est souvent la partie facile. La partie difficile consiste à déterminer ce que le système fait réellement.

Cette critique a été approuvée par le président-directeur général d'Eli Lilly, rapporte MIT Technology Review. Un second biologiste, Mario Rodríguez Mestre, de l'université de Copenhague, a déclaré le week-end dernier que son équipe avait déjà trouvé le même motif. Il discute régulièrement avec Claude dans le cadre de son travail et se demande si l'équipe d'Anthropic a appris de ces conversations. Anthropic le nie. Mestre affirme qu'il arrête de toute façon toute utilisation de Claude.

Pourquoi le niveau d'exigence compte pour le travail sur les protéines

La même ambiguïté traverse le reste du domaine de l'IA appliquée à la biologie. Il faut distinguer trois choses que l'on regroupe habituellement : prédire une structure, concevoir une molécule, et prouver qu'une molécule fait quelque chose d'utile dans un système vivant.

La prédiction de structure est la plus mature.

Des travaux récents du dossier montrent jusqu'où le versant conception a progressé. Un laboratoire cloud d'ingénierie des protéines piloté par l'IA a reçu 20 000 000 de dollars de la National Science Foundation. Hansa Biopharma a annoncé le 1er octobre qu'elle travaillerait avec Cradle sur la conception de protéines assistée par IA. Des chercheurs ont rapporté avoir utilisé la prédiction de structure par IA pour accélérer la recherche de colles moléculaires, de petites molécules qui forcent deux protéines à se rapprocher. Chacun de ces éléments est une capacité réelle. Aucun n'est un résultat clinique.

C'est sur la vérification que le domaine concentre désormais ses efforts. Le 1er octobre, DeepMind a ajouté un filigrane aux protéines pour que les laboratoires puissent les contrôler. Un rapport connexe du 30 septembre décrivait SynthID Bio comme un moyen de sécuriser les séquences de protéines générées par IA. La logique est simple : si un modèle peut produire des milliers de conceptions plausibles, le goulot d'étranglement se déplace de la génération vers la vérification du comportement réel de ces conceptions.

Ce déplacement est visible aussi hors de la biologie.

Le même schéma apparaît dans les matériaux, où les modèles d'IA proposent des composés candidats plus vite qu'aucun laboratoire ne peut les synthétiser et les tester. Le dossier ne donne aucun résultat marquant en matériaux cette semaine. La formulation honnête est donc celle-ci : le litige en biologie est l'indicateur avancé d'un problème auquel tout le domaine fait face.

« Trouver un amas bizarre de gènes et de séquences répétées est souvent la partie facile. La partie difficile, et c'est de là que viennent les vraies découvertes, consiste à comprendre ce que le système fait réellement. »

Cette citation, tirée du post devenu viral de Harrington, est le nœud du problème. Elle a été rapportée par MIT Technology Review, pas par Anthropic, et l'entreprise n'y a pas répondu sur le fond dans les éléments disponibles ici.

Une autre découverte, plus solide

Toutes les affirmations récentes ne sont pas contestées de la même manière. Des astronomes ont rapporté le 15 septembre, dans un article déposé sur arXiv, la première détection directe d'une émission radio aurorale provenant d'une exoplanète, la planète géante beta Pictoris b, grâce au réseau MeerKAT. L'équipe, Kevin N. Ortiz Ceballos, Edo Berger et Yvette Cendes, a détecté des sursauts rapides, récurrents et fortement polarisés circulairement, ainsi qu'une émission persistante, à des fréquences de 0,85 à 3,5 GHz.

Ils identifient le signal comme un rayonnement maser à cyclotron électronique, ce qui implique un champ magnétique d'au moins 1,25 kG au niveau de la planète. C'est la première mesure directe de l'intensité d'un champ pour une exoplanète. Ce qui rend cette affirmation solide : un instrument précis, un signal précis, un mécanisme physique précis, et un chiffre que d'autres équipes peuvent tenter de reproduire avec leurs propres télescopes. Aucun agent d'IA n'est appelé à en revendiquer le mérite.

Le contraste ne revient pas à dire que l'IA ne peut pas contribuer à une découverte. Il porte sur la manière dont l'affirmation est formulée. Réduire 200 000 candidats à quelques-uns qui valent la peine d'être testés est un travail scientifique légitime, comme l'a noté MIT Technology Review. Un chatbot généraliste qui fait ce travail est remarquable, même si des humains l'ont guidé et ont mené les expériences.

Le précédent des mathématiques

Le schéma n'est pas propre à la biologie. Plus tôt en septembre, OpenAI a déclaré que ses propres agents avaient résolu un problème de mathématiques doté d'un million de dollars. Deux semaines plus tard, comme l'a rapporté MIT Technology Review, des sceptiques de l'IA partageaient un article demandant si c'était bien le problème mathématique qui importait vraiment. Le texte ne soutenait pas que la solution d'OpenAI était fausse. Il soutenait que le résultat n'était peut-être pas celui qui intéresse le plus les mathématiciens. Un mathématicien a aussi accusé les modèles d'avoir utilisé une partie de son travail sans le créditer.

Dès qu'une entreprise présente son résultat comme une découverte plutôt que comme le produit d'un outil, le débat se réduit à deux réponses, percée ou échec, et tout ce qui se situe entre les deux disparaît. C'est ce mécanisme que les biologistes contestent, plus que le motif enzymatique précis.

La solution proposée par Harrington était explicite : les entreprises d'IA devraient fixer la barre haut dès maintenant, afin que lorsqu'une IA découvrira réellement un mécanisme biologique fondamentalement nouveau, tout le monde mesure l'ampleur de l'événement. MIT Technology Review a noté que, tandis que Sam Altman et Dario Amodei rivalisent pour se surpasser, relever cette barre est peut-être la dernière de leurs préoccupations.

Ce qu'il faut surveiller

Deux dates comptent pour la suite. MIT Technology Review publiera sa liste 2026 des entreprises de technologies climatiques à suivre le 6 octobre. Cela ne tranchera pas le débat biologique, mais montrera quelles entreprises la publication juge capables de résultats mesurables plutôt que d'annonces.

La seconde est la question de la réplication autour de beta Pictoris b, exactement le type d'affirmation qui survit ou meurt selon une observation indépendante. Si un autre réseau confirme les sursauts, le domaine dispose d'une mesure de champ magnétique sur laquelle s'appuyer. Sinon, l'article rejoint la longue liste de résultats issus d'une seule détection en attente de confirmation.

Pour les travaux d'IA sur les protéines et les matériaux, le test est plus étroit. La sortie d'un modèle devient une découverte quand quelqu'un d'autre peut reproduire le comportement en laboratoire humide ou dans un four, et quand le résultat est bien ce que le domaine cherchait. D'ici là, la description exacte est celle d'un candidat prometteur, pas d'une trouvaille.

La formulation d'Anthropic elle-même invite à la lecture la plus sévère. Son annonce qualifiait le motif de rappel de ce qui a mené à CRISPR, qui a déjà transformé la science et la médecine, selon le compte rendu de ce texte par MIT Technology Review. C'est une comparaison à un mécanisme couronné d'un prix Nobel, faite à propos d'un motif répété autour d'une enzyme connue, et c'est pourquoi la réaction a été si vive.

Le litige ne se réglera pas par la discussion. Il se réglera selon que des laboratoires indépendants pourront reprendre le motif signalé et montrer ce qu'il fait. Ce travail est lent, peu spectaculaire, et précisément la partie que les affirmations actuelles ont tendance à sauter.