L'IA mange la science : ce que montrent vraiment les derniers résultats

Le document, NBER Working Paper 35 782, est daté de septembre 2026 et a été mis en ligne sur le site du bureau le 29 septembre. Ses auteurs, Matthew Schwartz, Isaiah Andrews et Jesse M. Shapiro, expliquent que le flux de travail tente d'abord de reproduire les calculs d'origine d'un article. Il vérifie ensuite les écarts avec les résultats publiés, puis lance une analyse de sensibilité automatisée.

Sur 4 452 ensembles de réplication publiés dans cinq revues d'économie, le flux de travail a signalé des écarts dans 3 460 articles ou dans leurs annexes. Cela ne signifie pas que la majorité des travaux d'économie sont faux. Cela dit à quelle fréquence une réexécution automatique ne retrouve pas ce qui a été imprimé, que la cause soit une erreur de code, une incompatibilité de version ou un choix non documenté. Le même document donne deux autres chiffres. Dans 496 articles, le flux de travail a réduit le temps de calcul d'une opération par plus d'un facteur 10, avec une précision équivalente ou supérieure. Dans 923 articles, il a produit une extension absente de l'article d'origine et conforme à ses objectifs et à ses hypothèses.

Une déclaration honnête dans le document lui-même

Il y a une déclaration à lire avant de citer ces résultats où que ce soit. Le document du NBER indique que des LLM ont été utilisés pour l'analyse et la rédaction de l'article. Schwartz a travaillé comme contractuel pour Anthropic, et le document précise que les résultats et les opinions exprimés ne sont pas approuvés par Anthropic. Shapiro a été par le passé visiteur rémunéré chez Microsoft Research New England et consultant rémunéré pour FutureOfCapitalism, et a été payé pour écrire par le New York Times. C'est plus de transparence que n'en portent la plupart des annonces du secteur, et cela joue dans les deux sens : les lecteurs peuvent peser les conflits, et ces conflits sont réels.

Les mathématiciens débattent de la même question

Deux textes publiés le 29 septembre abordent la question du côté des mathématiques pures. Sur son blog, Dan Romik écrit qu'à la suite de l'annonce par OpenAI d'une solution au problème de Navier-Stokes, les mathématiciens s'inquiètent de la place qui leur restera. Il cite la réaction de Scott Aaronson à cette nouvelle, une suite de la lettre A, puis soutient que cette lecture inquiète est fausse.

La recherche en mathématiques est une boucle de rétroaction qui produit de nouvelles connaissances, dans un processus constant de réexamen, de digestion et de distillation des connaissances existantes, avec la tentative de les améliorer, écrit Romik.

Son argument technique est plus étroit que la version qu'en donnent les titres. Les modèles d'IA entraînés sur le corpus existant peuvent produire des théorèmes situés, selon son expression, à une distance un des connaissances produites par l'humain, et ils le feront plus vite que les humains. Ce qu'ils ne savent pas faire, soutient-il, c'est réfléchir à cette production, la simplifier, extraire pourquoi une preuve fonctionne et généraliser l'idée pour qu'elle soit réutilisable. Livré à lui-même, prédit-il, un système autonome cale après la première vague et se noie dans sa propre production. Stephen Wolfram développe un argument proche dans un long texte daté du 28 septembre et publié le 29 septembre. Il écrit que l'IA moderne est avant tout une manière de puiser dans le corpus existant des connaissances humaines, et qu'au coeur des mathématiques pures se trouve l'imagination humaine, qui guide le choix des questions à poser. Wolfram trace aussi une frontière entre l'IA et le calcul. L'IA, selon lui, exploite ce que les humains ont déjà produit. Le calcul, qui part d'une règle et l'exécute, engendre des résultats irréductiblement nouveaux, une propriété qu'il appelle irréductibilité computationnelle.

La couche industrielle avance en parallèle

Ces résultats de recherche arrivent en même temps que des annonces commerciales qui traitent la recherche autonome comme une fonctionnalité de produit. CoreWeave a publié le 29 septembre un texte présentant ARIA, un agent de codage intégré à Weights & Biases. Il lit les expériences d'une équipe, formule une hypothèse, écrit une configuration et lance l'exécution via W&B Launch, puis évalue le résultat par rapport à une référence et rédige un rapport.

L'entreprise indique qu'ARIA construit des espaces de travail, des panneaux et des rapports W&B partageables plutôt que de renvoyer du texte, et qu'il est disponible dans l'application mobile de Weights & Biases. Le texte a d'abord été publié sur le blog de W&B le 29 juillet, selon une ligne en haut de la page, et le site de CoreWeave le reprend sous une date de septembre. Oracle a fait un mouvement comparable le 29 septembre en annonçant Fusion Claw, un environnement d'exécution agentique gouverné pour ses Fusion Applications. L'entreprise indique que 25 applications agentiques propulsées par Claw sont disponibles, sur un portefeuille de 75, et que l'environnement associe un modèle de frontière à un calcul d'entreprise déterministe, avec un Outcome Receipt comme trace auditable de ce qui a été exécuté. L'annonce d'Oracle cite Mike Sicilia, le directeur général de l'entreprise. Les systèmes tournent sur Oracle Cloud Infrastructure et s'appuient sur des modèles de frontière, dont Gemini et OpenAI, avec un support d'autres modèles prévu, selon le communiqué.

Le matériel attaque le même problème par le côté de l'énergie. Efficient Computer a annoncé le 29 septembre avoir levé 97 000 000 dollars en série B, menée par TQ Ventures, portant le total levé à 173 000 000 dollars pour une valorisation de 650 000 000 dollars. Son directeur général, Brandon Lucia, écrit que les processeurs de l'entreprise offrent une efficacité énergétique 10 à 100 fois meilleure que celle des architectures CPU classiques, et qu'elle lance l'Electron E1 en volume pour les systèmes d'IA physique embarqués. Cette affirmation vient du blog de l'entreprise et n'a pas été vérifiée indépendamment ici.

Énergie, eau et les territoires priés d'accueillir tout cela

Le déploiement du calcul a une géographie, et cette géographie a une politique. CBC News a rapporté le 29 septembre que le ministre de l'Énergie de Terre-Neuve-et-Labrador, Lloyd Parrott, avait déclaré à la Chambre d'assemblée, lors d'une session spéciale de la mi-septembre sur l'accord de Churchill Falls, que la porte de la province est ouverte aux affaires. Un porte-parole du ministère, Brodie Thomas, a confirmé à CBC que des entreprises avaient approché le gouvernement au sujet de centres de données, et précisé que des discussions commercialement sensibles ne pouvaient pas être commentées. CBC cite Paris Marx, auteur d'un livre sur les centres de données, qui demande s'il est judicieux de donner cette électricité à des centres de données alors qu'il pourrait y avoir de meilleurs usages. Andrea King, directrice générale de TechNL, a déclaré à la chaîne que le Labrador remplit les critères recherchés par les promoteurs, une hydroélectricité bas carbone, un climat froid et du terrain, mais que cela ne suffit pas à faire d'un projet une bonne idée.

Le débat n'est pas seulement canadien. CBC note que le centre de données que Meta prévoit dans le comté de Sturgeon, en Alberta, devrait coûter 13 000 000 000 dollars et entrer en service dans deux à trois ans, et que le premier ministre de la Nouvelle-Écosse, Tim Houston, a fixé cinq conditions préalables à tout promoteur. L'arithmétique énergétique derrière tout cela est ancienne et peu à la mode. Sustainable Energy Without the Hot Air de David MacKay, dont le site porte une date de dernière modification au 29 août 2015, reste le traitement de référence au dos d'une enveloppe, et la page remontait encore le 29 septembre.

Un traitement plus récent vient de Hannah Ritchie, qui a publié le 29 septembre une analyse de l'électrification sur sa Substack. En reprenant les chiffres du professeur d'Oxford Nick Eyre, elle rapporte que la demande mondiale d'énergie finale passe de 416 à 247 exajoules dans un système post-transition, soit environ 40 % de moins, tandis que la demande d'électricité monte de 110 à 189 EJ. Les voitures électriques convertissent environ 80 % de l'énergie en mouvement, contre 20 % pour l'essence, écrit-elle. Le modèle suppose que tous les secteurs non électrifiés fonctionnent à l'hydrogène, une simplification qu'elle signale.

Ce que la semaine a réellement établi

Rien ici ne montre que l'IA a remplacé les chercheurs. Le document du NBER porte sur un flux de travail de réplication, pas sur une découverte. L'argument de Romik est une prédiction, pas un résultat, et il dit clairement qu'il ne pense pas que nous soyons déjà dans ce monde. Celui de Wolfram est un essai. Ce que la semaine a établi, c'est que les outils de réplication et d'extension automatisées de travaux publiés existent désormais au grand jour, que leur taux d'erreur sur un grand corpus est assez élevé pour compter, et que ceux qui construisent l'infrastructure commerciale vendent l'autonomie sur un calendrier bien plus court que ceux qui réfléchissent à quoi sert l'autonomie.