Google DeepMind dévoile Co-Scientist — une IA pour générer des hypothèses scientifiques basée sur l'auto-jeu
Un système multi-agents construit sur Gemini a proposé et validé de manière autonome plusieurs hypothèses biomédicales : il a trouvé un inhibiteur d'IRE1 pour traiter la leucémie et redécouvert un mécanisme de transfert de gènes de résistance bactérienne en seulement deux jours de calcul.
L'article dans Nature du 19 mai 2026 n'est pas seulement une démonstration des capacités de Gemini. C'est un élément clé d'une bataille architecturale plus large pour le contrôle de la manière dont la connaissance scientifique est générée. Alors que le public s'émerveille devant de nouveaux candidats médicaments pour la leucémie, un changement tectonique se produit dans les laboratoires : les systèmes multi-agents basés sur des modèles de langage passent de simples récupérateurs d'informations passifs à des arbitres de la vérité scientifique. Le Co-Scientist de Google DeepMind n'est pas un outil pour les scientifiques ; c'est une tentative de créer un nouveau système d'exploitation pour l'ensemble du processus de recherche, capable non seulement de générer des hypothèses, mais aussi de les classer, de les critiquer et de les améliorer de manière évolutive.
Le cœur : du générateur de texte au simulateur de la méthode scientifique
Le système est une coalition de sept agents d'IA spécialisés répartis en trois phases : génération, débat et évolution. L'architecture diffère fondamentalement des chatbots conventionnels. Les agents ne se contentent pas de produire du texte à la demande — ils interagissent de manière asynchrone où un « générateur » propose des idées, un « réflecteur » agit comme un évaluateur virtuel, et un « classeur » organise des tournois d'idées en utilisant un principe emprunté à AlphaGo. Au lieu de jouer au Go, le système joue à des débats scientifiques, optimisant les paris non pas sur la victoire au plateau mais sur la nouveauté et la vérifiabilité de l'hypothèse.
L'innovation clé est la mise à l'échelle du temps de calcul de test. Le système alloue la part du lion des ressources non pas à la génération mais à la vérification des hypothèses, en recoupant chaque affirmation avec la littérature scientifique et des bases de données comme ChEMBL et UniProt, et dans certains cas en invoquant même AlphaFold pour une validation structurelle. Co-Scientist ne se contente pas d'« inventer » — il vérifie, et c'est là sa différence fondamentale avec ses prédécesseurs hallucinants.
Chronologie et contexte : la course des agents scientifiques
L'annonce de Co-Scientist a coïncidé avec la publication d'un système concurrent, Robin, de FutureHouse. Nature a délibérément synchronisé la publication des deux articles, signalant au marché la formation d'une nouvelle catégorie de produits. Derrière cela se cachent des mois de préparation : les premiers tests de Co-Scientist ont été menés en mode fermé avec l'Imperial College London, où le système, sous la direction du professeur José Penadés, a redécouvert un mécanisme de transfert horizontal de gènes chez les bactéries que l'équipe de Penadés avait découvert expérimentalement mais pas encore publié. La légende raconte que le scientifique, en voyant le résultat de Co-Scientist, a demandé si l'IA avait jeté un coup d'œil à ses brouillons — tant le système avait reproduit avec précision la logique de la découverte humaine en seulement deux jours de calcul.
Qui gagne et qui perd
Le principal gagnant est Google Cloud. Déployer Co-Scientist auprès des masses via la plateforme Google Labs est une stratégie classique de capture de marché par dépendance à l'infrastructure. Les chercheurs qui s'habituent à organiser des « tournois d'hypothèses » sur les TPU de Google sont peu susceptibles de passer à un autre cloud.
Les grandes sociétés pharmaceutiques ayant des contrats existants avec DeepMind gagnent également. Comme l'a démontré l'acquisition de la startup Reliant AI par Cohere pour verticaliser l'IA dans la pharmacie, l'industrie est prête à payer des sommes énormes pour des systèmes qui accélèrent la R&D.
Les postdocs et les jeunes chercheurs, dont le travail consistait à 70 % en recherche bibliographique et génération d'hypothèses, perdent. Leur fonction est désormais automatisée à coût marginal nul. Des entreprises comme OpenAI perdent également, car elles n'ont pas encore présenté une architecture multi-agents similaire pour la science, se limitant à un raisonnement général avec o1.
Ce que les médias ne disent pas
Le premier angle mort est le problème de reproductibilité des hypothèses générées par l'IA. Si Co-Scientist utilise un autre agent basé sur le même modèle Gemini comme « évaluateur », la critique devient une boucle fermée : un modèle vérifie un modèle selon des règles écrites par un modèle.
Le deuxième point non évident est le silence stratégique autour de la « redécouverte » du mécanisme de résistance. Un système entraîné sur un corpus de littérature scientifique absorbe inévitablement des motifs statistiques, même si un article spécifique était sous embargo. Le succès du système peut s'expliquer non pas par la créativité mais par la capacité de Gemini à capter des signaux faibles provenant de publications connexes.
Prévisions : les 30 et 90 prochains jours
Dans les 30 prochains jours, je m'attends à une vague d'inscriptions sur labs.google/science et aux premières tentatives indépendantes de reproduire les résultats rapportés. Dans les 90 jours, la communauté scientifique se divisera entre ceux qui acceptent Co-Scientist comme co-auteur (et soumettent des subventions rédigées par l'IA) et ceux qui exigent une interdiction totale d'utiliser de tels systèmes dans l'évaluation par les pairs en raison du risque de contamination de l'environnement intellectuel par des hypothèses synthétiques. Le marché des agents d'IA scientifiques atteindra 2 milliards de dollars d'ici la fin de l'année — et Google a l'intention d'en capturer une part significative.
— Editorial Team
