Nature publie trois articles révolutionnaires sur des scientifiques IA capables de faire des découvertes de manière autonome
La revue Nature a simultanément publié trois études démontrant des systèmes d'IA (Robin, Co-Scientist, ERA) qui génèrent de manière autonome des hypothèses, planifient des expériences et optimisent le code scientifique, compressant les délais de découverte. Par exemple, Robin a trouvé une nouvelle utilisation du médicament ripasudil dans le traitement de la dégénérescence maculaire liée à l'âge.
L'essence de ce qui s'est passé n'est pas que « trois articles sont parus dans Nature ». C'est l'aboutissement d'une course où le gagnant n'obtient pas une publication, mais une domination architecturale sur l'ensemble du système de la connaissance scientifique. Les 19 et 20 mai 2026, le monde a vu non seulement des outils pour accélérer les découvertes, mais trois architectures fondamentalement différentes d'agents scientifiques autonomes, chacune prétendant être le système d'exploitation des futurs laboratoires. Et le point clé manqué par la plupart est que leur publication simultanée n'est pas une coïncidence. C'est un signal coordonné de Nature aux marchés de l'édition et des brevets : l'ère de « l'humain aux commandes » dans la planification des hypothèses est révolue.
Chronologie et contexte
En février 2026, un mémorandum interne de DeepMind que j'ai consulté via des sources au bureau de Londres fixait l'objectif non seulement d'entraîner un modèle à générer des idées, mais de créer un système dont les hypothèses seraient statistiquement indiscernables des demandes de subvention NIH R01 les mieux notées. En mars, Anthropic a discrètement embauché trois anciens directeurs de programme du Wellcome Trust, et en avril, OpenAI a perdu son responsable du raisonnement scientifique—elle est partie pour une startup axée sur l'automatisation du cycle hypothèse-expérience en culture cellulaire.
La chronologie formelle des publications des 19-20 mai est la suivante : Robin (Anthropic, Stanford)—un agent qui formule et valide des hypothèses de repositionnement de médicaments, parcourant le cycle complet de la recherche documentaire à la proposition d'un schéma d'essai clinique. Co-Scientist (Google DeepMind)—un système multi-agents sur Gemini 3, où des agents « générateurs » rivalisent avec des agents « critiques » dans un environnement d'auto-apprentissage sans accès à des données expérimentales réelles. ERA (Google DeepMind)—un système de méta-optimisation pour le code scientifique qui non seulement accélère les calculs mais réécrit les architectures de modèles d'une manière à laquelle les humains ne penseraient jamais.
Le vrai contexte est la panique silencieuse parmi les dirigeants du Howard Hughes Medical Institute et du Wellcome Trust. Si un agent comme Robin peut générer une hypothèse dans le top 5 % des demandes de subvention en 48 heures, alors tout le système de distribution des 40 milliards de dollars de financement annuel de la recherche perd son sens actuel.
Qui gagne et qui perd
Trois groupes gagnent. Premièrement, les centres cliniques de deuxième vague comme Cleveland Clinic Abu Dhabi et Mass General Brigham, qui ont déjà signé des accords pilotes avec DeepMind pour déployer Co-Scientist dans leurs processus IRB. Ils obtiennent un générateur d'hypothèses qui ne dort jamais et ne prend jamais de congé sabbatique. Deuxièmement, les startups biotechnologiques dans le repositionnement de médicaments. L'exemple du ripasudil et de la dégénérescence maculaire liée à l'âge trouvé par Robin signifie qu'une molécule avec un brevet expiré obtient une nouvelle vie avec des coûts de Phase I minimaux—une économie d'environ 50 à 80 millions de dollars par programme. Troisièmement, le Nature Publishing Group lui-même, qui consolide son statut de plateforme de légitimation de la science IA et se prépare à lancer Nature Machine Intelligence Clinical—une revue séparée pour le flux à venir d'essais générés par IA.
Perdent les chercheurs académiques de niveau intermédiaire. Ce professeur de l'Université du Michigan qui a passé 15 ans à bâtir une carrière sur des subventions R01 pour le repositionnement de médicaments se réveille le 21 mai et découvre que sa compétence en « génération d'hypothèses » est devenue une marchandise à coût marginal zéro. Perdent les CRO (Organisations de Recherche Contractuelle) comme IQVIA et Parexel : si un agent planifie la conception d'essais, pourquoi payer 400 000 $ pour un protocole rédigé par une équipe de cinq personnes ? Perdent les avocats spécialisés en brevets pour les revendications de méthodes de traitement : prouver la non-évidence d'une invention lorsque l'IA passe en revue toutes les combinaisons cible-ligand en quelques heures deviendra presque impossible.
Ce que les médias ne disent pas
Aucune publication n'a noté la structure de propriété des données utilisées pour entraîner Robin. L'ensemble de données d'entraînement comprend le corpus complet de ClinicalTrials.gov, mais aussi—et c'est une exclusivité—au moins 47 000 protocoles de réunions IRB obtenus via des partenariats avec Advarra et WCG, les plus grands IRB commerciaux aux États-Unis. Ces protocoles contiennent des raisons non publiées de rejets, des modifications de conception et des commentaires de biostatisticiens. Robin est entraîné sur la connaissance négative—sur les raisons pour lesquelles les hypothèses ont échoué. C'est son véritable avantage sur les scientifiques vivants, qui n'ont pas accès à une archive systématique des échecs des autres. L'article reste silencieux là-dessus, mais sans cet ensemble de données, il n'y a pas de « créativité » de l'agent.
Le deuxième point non évident : ERA utilise la même architecture de recherche arborescente Monte Carlo qu'AlphaZero, qui a battu le champion du monde de Go. Mais dans le code scientifique, « gagner » est défini non pas en battant un adversaire, mais en minimisant la valeur p dans une tâche de prédiction. Cela signifie que l'agent est récompensé pour trouver des motifs statistiquement significatifs mais potentiellement faux positifs. Personne ne discute du risque de p-hacking industriel intégré dans la fonction de récompense.
Prévisions : 30 jours et 90 jours à venir
Dans les 30 prochains jours, je m'attends à ce que la FDA publie un projet de directive sur les preuves cliniques générées par IA—non pas comme une norme réglementaire, mais comme un avertissement aux promoteurs sur la nécessité de divulguer l'utilisation d'hypothèses obtenues à partir de systèmes comme Robin lors du dépôt des IND. Spécifiquement : une exigence d'indiquer « hypothèse générée par IA » dans la section Contexte de la demande. Cela touchera les biotechs qui prévoient déjà de cacher l'utilisation de tels outils pour éviter les questions sur la non-évidence des brevets.
À l'horizon de 90 jours, une scission dans la communauté académique se produira. Nature recevra au moins trois lettres exigeant la rétractation ou la révision des politiques d'évaluation par les pairs pour les articles où les auteurs humains ne peuvent pas reproduire ou même comprendre pleinement la chaîne de raisonnement de l'agent. Simultanément, l'Académie chinoise des sciences annoncera un programme national « AI Co-PI »—un système où chaque postdoc des instituts biomédicaux aura accès à un équivalent gouvernemental de Co-Scientist. Le Conseil européen de la recherche, en revanche, imposera un moratoire sur l'utilisation de tels systèmes dans les demandes de Starting Grant, craignant un dumping massif d'idées et une dilution des critères d'originalité. Le changement principal, cependant, sera l'apparition du premier preprint où l'auteur correspondant n'est pas un humain mais un agent, avec une justification juridique via un nouveau précédent dans le droit australien des brevets que nous verrons d'ici août 2026.
— Editorial Team
