OpenScience publie un agent de recherche open source, alors que l'argent afflue dans l'automatisation des laboratoires

Le dépôt décrit OpenScience comme « un agent de recherche avec un établi autour ». On lui donne un objectif en langage courant, selon le README du projet. Il planifie, rassemble des preuves, exécute du code et des expériences, puis rend des résultats que l'utilisateur peut vérifier.

Il tourne comme application de bureau, espace de travail dans le navigateur ou commande en terminal, sur la machine de l'utilisateur, sur ses fichiers. La page du projet dit sans détour ce qu'il n'est pas. « Il est conçu pour les parties de la recherche qui sont du vrai travail mais pas l'idée : extraire et nettoyer des données, reproduire une affirmation, balayer un paramètre, rédiger la section méthodes, vérifier une référence », lit-on dans le README. « Vous gardez l'idée et le jugement. » Les choix de conception se lisent comme une réponse à une inquiétude précise : les agents qui font de la science sont difficiles à auditer.

Chaque tour montre ce que l'agent a pensé, ce qu'il a cherché, ce qu'il a exécuté et ce qu'il a écrit.

Des noyaux Shell, Python et R sont disponibles, ainsi qu'un système de fichiers avec des autorisations de lecture et d'écriture explicites et du calcul distant pour les tâches qu'un ordinateur portable ne peut pas porter. Les compétences fournies couvrent la biologie, la chimie, la physique, le machine learning et l'ingénierie des données, avec des connecteurs vers ChEMBL, UniProt, PubMed et arXiv. Les utilisateurs apportent leurs propres clés API, font tourner un modèle local ou paient une option gérée appelée Ace.

La ligne de financement ne cesse de s'allonger

OpenScience n'est pas une sortie isolée. Le 29 octobre, Opentrons a annoncé un tour de série E de 40 000 000 de dollars mené par Avego pour étendre l'automatisation de laboratoire pilotée par l'IA, selon Business Wire. Genetic Engineering and Biotechnology News a couvert le même tour le 30 octobre comme des fonds pour la robotique, les logiciels et l'infrastructure de données. Robotics & Automation News a suivi le 30 octobre, et hi-Tech.ua rapportait le 2 novembre que l'entreprise veut une collaboration à la GitHub pour les robots de laboratoire.

Le capital se dirige aussi vers le versant sécurité et opérations de l'informatique d'entreprise.

Tech.eu rapportait le 3 novembre que CyberKord, basé à Milan, a levé 2 700 000 d'euros en pré-amorçage, mené par 360 Capital avec la participation de Plus Partners, Addendum Capital et Vento. L'entreprise, fondée en 2026 par Alessandro Maggio, Dragos Tanasa et Cosimo Michelagnoli, utilise l'IA et un jumeau numérique de l'infrastructure d'un client pour analyser les incidents, simuler des correctifs et les appliquer. Ce n'est pas une entreprise de laboratoire. Le discours est pourtant le même : sortir le travail manuel de la boucle et laisser le logiciel faire le premier passage.

Le signal le plus fort de la semaine vient toutefois d'un éditeur de logiciels qui supprime des postes et cite l'automatisation comme raison. Le directeur général de SUSE, Dirk-Peter van Leeuwen, a écrit à ses équipes dans un courriel interne que l'entreprise supprimerait environ 10 pour cent de ses 1 900 salariés dans le monde, selon une information de The Register lundi reprise par heise online le 2 novembre. « L'automatisation et l'IA changent fondamentalement la façon dont les entreprises de logiciels travaillent », écrit-il, selon heise. Les salariés concernés devaient être prévenus mercredi, les entretiens individuels commençant en début de semaine suivante.

Ce que montrent vraiment les articles de recherche

La littérature technique est plus prudente que les gros titres sur le financement.

Le 30 octobre, des chercheurs menés par Jae-Hyun Baek ont publié sur arXiv un article décrivant une chaîne guidée par LLM pour découvrir des familles de codes correcteurs quantiques assistés par intrication. La chaîne combinait évolution de programmes et évaluation exacte, vérification formelle de preuves en Lean et contrôles certifiés de non-existence. Elle a comblé 54 lacunes dans des tables archivées et publié 115 enregistrements de codes vérifiés. Les auteurs ont aussi mené une comparaison contrôlée : les programmes itératifs sélectionnés par validation ont réussi dans 46,1 pour cent et 31,6 pour cent des exécutions tenues à l'écart, à des longueurs de code inédites, contre 19,5 pour cent et 3,1 pour cent pour des programmes générés indépendamment.

Un deuxième article arXiv, soumis le même jour par Akshat Jani, Sakhinana Sagar Srinivas et Venkataramana Runkana, demande si les agents peuvent spécifier de façon fiable des simulations d'ingénierie. Sur 120 demandes liées à des modèles, leur flux de travail complet atteignait 98,3 pour cent de spécifications et de décisions correctes au premier tour, contre 92,5 pour cent pour une passe unique assistée par schéma et 82,5 pour cent pour une approche fondée sur le seul modèle. Le flux n'a pris aucune décision faussement prête sur 42 demandes qui exigeaient une clarification ou un rejet. Sur 12 tests en conditions réelles de la demande aux résultats, 9 ont réussi la spécification, l'exécution, l'export et la référence numérique, soit 75 pour cent.

« Notre objectif était d'examiner comment différentes approches d'apprentissage quantique se comportent quand la quantité de données d'entraînement est volontairement limitée », a déclaré Arslan Munir de la Florida Atlantic University, selon HPCwire.

HPCwire rapportait le 2 novembre que l'équipe de Munir a testé l'apprentissage automatique quantique sur la prédiction du cancer du poumon à partir de données limitées. Les machines à recuit de D-Wave, utilisées dans une machine à vecteurs de support quantique, ont atteint 94,31 pour cent de précision en simulation et 91,90 pour cent sur matériel. Le jeu de données partait de 309 enregistrements et a été équilibré à 540 échantillons avec des exemples synthétiques, que les chercheurs disent ne pas représenter de nouveaux patients recrutés.

Le matériel avance en parallèle. Semiengineering rapportait le 2 novembre que des chercheurs d'IBM ont démontré quatre coupleurs longue distance entre deux processeurs supraconducteurs Nighthawk R1 de 120 qubits, dans un article sur arXiv. Les travaux d'IBM sur la culture d'états magiques, publiés sur arXiv, vont dans le même sens.

Où placer le scepticisme

Le cas qui illustre le mieux l'écart entre démonstration et déploiement, c'est Claude et la chercheuse sur la grippe aviaire.

Science News rapportait le 26 octobre qu'Anthropic a déclaré qu'une chercheuse avait utilisé Claude pour planifier des études et analyser des données sur l'influenza aviaire hautement pathogène, y compris des travaux visant à identifier des mutations qui pourraient aider le virus à s'adapter aux mammifères. Anthropic a banni le compte en mai 2026 pour contournement des restrictions d'accès. Gregory Koblentz de la George Mason University a déclaré à Science News qu'il n'existe « aucune preuve que l'une de ces recherches ait été liée au développement d'armes biologiques », et Thomas Friedrich de l'University of Wisconsin–Madison a estimé que le compte rendu de l'entreprise suggère que le modèle « n'a pas ajouté de capacité scientifique de manière significative ».

C'est le test auquel chacun de ces outils est désormais confronté. L'automatisation peut comprimer les parties ennuyeuses de la recherche, et l'établi open source rend ses étapes inspectables, ce que la plupart ne font pas. Mais une boucle plus rapide n'est pas une meilleure question. Le courriel de SUSE le rappelle : l'argument qui finance les outils coûte déjà des emplois.