L’IA pour la découverte scientifique : de la prévision météo à la science des matériaux

Quand l’IA Surpasse la Référence

En novembre 2023, Google DeepMind a publié dans Science une étude démontrant que GraphCast, son modèle de prévision météo par IA, pouvait produire des prévisions météorologiques mondiales à 10 jours plus précisément que le Système de Prévision Intégré (IFS) du Centre Européen pour les Prévisions Météorologiques à Moyen Terme (ECMWF) — la référence sur laquelle les agences météorologiques du monde entier s’appuyaient depuis des décennies. GraphCast produisait ces prévisions en moins d’une minute sur un seul Google TPU v4, contre les heures de temps superordinateur requises par les modèles numériques de prévision météo traditionnels.

Ce n’était pas une amélioration marginale. GraphCast a surpassé le modèle HRES de l’ECMWF sur plus de 90 % des 1 380 variables de test et horizons de prévision. Limité à la troposphère — la région de l’atmosphère la plus proche de la surface terrestre, de 6 à 20 kilomètres de hauteur, où la précision des prévisions est la plus critique — GraphCast surpassait HRES sur 99,7 % des variables de test. Pour les événements météorologiques extrêmes, GraphCast a montré une force particulière dans la prédiction de trajectoire des cyclones tropicaux, surpassant les modèles traditionnels par des marges significatives. Pangu-Weather de Huawei, publié dans Nature la même année, a atteint une précision comparable, surpassant les prévisions opérationnelles de l’ECMWF pour de nombreuses variables à 10 000 fois la vitesse. FourCastNet de Nvidia (2022) avait été pionnier de l’approche IA pour la prévision météo à haute résolution mais n’avait pas atteint la précision opérationnelle — ce sont GraphCast et Pangu-Weather qui ont prouvé que l’IA pouvait véritablement égaler et dépasser les modèles basés sur la physique.

Les implications vont bien au-delà de la météo. Ce que GraphCast a démontré, c’est que l’IA peut apprendre la physique de systèmes complexes directement à partir des données — dans ce cas, 40 ans de données de réanalyse ERA5 — sans être explicitement programmée avec les équations gouvernantes. Le même principe est maintenant appliqué à la science des matériaux, aux mathématiques, à la biologie et à la physique fondamentale, soulevant la question : l’IA devient-elle non seulement un outil pour les scientifiques, mais un scientifique en soi ?

De GraphCast à GenCast : La Prévision Météo IA Devient Opérationnelle

La percée GraphCast n’était que le début. En décembre 2024, DeepMind a publié GenCast dans Nature, un modèle météo probabiliste de nouvelle génération qui surpassait la prévision d’ensemble de l’ECMWF (ENS) sur 97,2 % des cibles — et sur 99,8 % pour les horizons supérieurs à 36 heures. Contrairement aux prévisions déterministes ponctuelles de GraphCast, GenCast produit des ensembles de 50 prédictions ou plus représentant la gamme complète des scénarios météorologiques possibles, fournissant aux prévisionnistes des distributions de probabilité plutôt que des réponses uniques. Une prévision d’ensemble à 15 jours ne prend que 8 minutes sur un seul Google Cloud TPU v5.

La validation la plus forte est venue en 2025, lorsque l’ECMWF elle-même — l’institution dont les modèles de référence avaient été surpassés par l’IA — a adopté l’IA de manière opérationnelle. En février 2025, l’ECMWF a lancé son Système de Prévision par Intelligence Artificielle (AIFS) comme produit opérationnel fonctionnant aux côtés de son IFS traditionnel basé sur la physique. En juillet 2025, la version d’ensemble (AIFS ENS, 51 membres) a suivi. AIFS ENS surpasse l’ensemble physique pour de nombreuses mesures, y compris les prévisions de température de surface, avec des gains allant jusqu’à 20 % — tout en utilisant jusqu’à 1 000 fois moins d’énergie. Le système est construit sur Anemoi, un framework open source co-développé avec les États membres de l’ECMWF.

Quand la première agence mondiale de prévision météo exécute des modèles IA de manière opérationnelle, le changement de paradigme n’est plus théorique. C’est une infrastructure.

Science des Matériaux : 2,2 Millions de Nouveaux Cristaux — et des Questions Difficiles

En novembre 2023 — le même mois que la publication de GraphCast — DeepMind a annoncé GNoME (Graph Networks for Materials Exploration), un système IA qui a prédit la stabilité de 2,2 millions de nouvelles structures cristallines, dont 381 000 ont été jugées stables et potentiellement synthétisables. Pour mettre cela en perspective, le nombre total de cristaux inorganiques stables connus découverts par les scientifiques humains à travers toute l’histoire était d’environ 48 000. GNoME a élargi le paysage connu des matériaux stables d’un facteur de près de huit, en un seul projet de recherche. Les résultats ont été publiés dans Nature et les 380 000 matériaux stables ont été versés à la base de données Materials Project du Berkeley Lab.

La science des matériaux est fondamentale pour le progrès technologique. Les nouvelles chimies de batteries nécessitent de nouveaux matériaux d’électrode et d’électrolyte. Des cellules solaires plus efficaces dépendent de matériaux semi-conducteurs avec des bandes interdites spécifiques. Supraconducteurs, catalyseurs, thermoélectriques — chaque technologie de frontière est ultimement contrainte par les matériaux disponibles pour la construire. La découverte traditionnelle de matériaux est laborieusement lente : un chercheur émet une hypothèse sur un composé, le synthétise en laboratoire, teste ses propriétés et publie les résultats. Ce processus prend des mois à des années par matériau candidat.

GNoME a compressé l’étape de génération d’hypothèses de années à heures. L’A-Lab du Lawrence Berkeley National Laboratory, un laboratoire autonome combinant prédiction IA et synthèse robotique, a rapporté avoir produit 41 des 58 matériaux prédits par GNoME qu’il a tenté de synthétiser sur 17 jours d’opération continue. Cependant, une analyse ultérieure par des chercheurs de Princeton et de University College London a contesté ces résultats, arguant que la plupart des matériaux prétendument nouveaux étaient en réalité des mélanges de composés déjà connus et que la méthodologie de validation était peu fiable. L’équipe de Berkeley a contesté la critique mais a reconnu qu’au moins deux matériaux n’étaient pas véritablement nouveaux. L’épisode illustre une tension récurrente dans la science pilotée par l’IA : la prédiction computationnelle avance bien plus vite que la validation expérimentale. Comme l’a noté MIT Technology Review fin 2025, malgré le battage autour de l’IA découvrant des millions de nouveaux matériaux, aucun « matériau miracle » révolutionnaire n’a encore émergé de ces prédictions — l’étape la plus chronophage et coûteuse reste de les fabriquer dans le monde réel.

Mathématiques, Biologie et la Frontière en Expansion

Les contributions scientifiques de l’IA s’étendent bien au-delà de la météo et des matériaux. En juillet 2024, AlphaProof et AlphaGeometry 2 de DeepMind ont résolu quatre des six problèmes de l’Olympiade Internationale de Mathématiques (IMO), obtenant 28 des 42 points possibles — l’équivalent d’une médaille d’argent. AlphaProof a résolu deux problèmes d’algèbre et un problème de théorie des nombres, dont le problème le plus difficile de la compétition (résolu par seulement cinq concurrents humains). AlphaProof combinait un modèle de langage avec le système de preuve formel Lean, apprenant à construire des arguments mathématiques valides par apprentissage par renforcement. AlphaGeometry 2 a prouvé le problème de géométrie.

Puis, en février 2025, DeepMind a franchi un cap supplémentaire. Une version avancée de Gemini avec Deep Think a résolu cinq des six problèmes de l’IMO 2025, obtenant 35 des 42 points — le niveau médaille d’or. Contrairement à AlphaProof, Gemini Deep Think a opéré de bout en bout en langage naturel, produisant des preuves mathématiques rigoureuses directement à partir des descriptions officielles des problèmes dans la limite de 4,5 heures de la compétition. Le passage de l’argent à l’or en un an a souligné la rapidité des progrès du raisonnement mathématique de l’IA.

En biologie structurale, l’impact d’AlphaFold continue de se composer. Depuis la prédiction des structures 3D de pratiquement toutes les protéines connues (plus de 200 millions) en 2022, AlphaFold a été cité plus de 20 000 fois et utilisé par plus de 3 millions de chercheurs dans 190 pays. En octobre 2024, Demis Hassabis et John Jumper ont reçu le Prix Nobel de Chimie pour AlphaFold — aux côtés de David Baker pour la conception computationnelle de protéines — tandis que Geoffrey Hinton et John Hopfield ont reçu le Prix Nobel de Physique pour les travaux fondateurs sur les réseaux de neurones. C’était la première fois que la recherche en IA revendiquait les deux Nobels scientifiques la même année. AlphaFold 3, publié en mai 2024, a étendu les prédictions aux interactions protéine-ADN, protéine-ARN et protéine-ligand, modélisant la machinerie moléculaire complète des cellules. Le code et les poids ont été publiés pour usage académique en novembre 2024. En février 2026, Isomorphic Labs, la spin-off de découverte de médicaments de DeepMind, a annoncé un système de nouvelle génération qui a plus que doublé les performances d’AlphaFold 3 sur les cas les plus difficiles de conception de médicaments.

En physique des particules, le CERN intègre des modèles de substitution et des méthodes de simulation rapide pilotés par l’IA pour réduire le coût computationnel de la modélisation des collisions de particules, avec son nouveau Comité Directeur IA (CAISC, établi en avril 2025) formalisant la stratégie à travers l’organisation. En science du climat, les émulateurs IA mûrissent rapidement : ACE2 d’Allen AI est devenu le premier émulateur climatique précis à la fois pour la variabilité climatique et le changement climatique, simulant 1 200 ans de climat par jour sur un seul GPU H100 — une accélération de 1 000 fois par rapport aux modèles traditionnels. NeuralGCM de Google, un modèle hybride physique-IA, a produit des simulations climatiques raisonnables sur 30 ans, bien que des problèmes de stabilité persistent. En génomique, les systèmes IA continuent de prédire les patterns d’expression génique, d’identifier les variants associés aux maladies et de concevoir des séquences d’ADN synthétique. Le fil conducteur est le même : l’IA excelle à apprendre des mappings complexes à partir de données, et la science consiste fondamentalement à mapper des entrées vers des sorties dans des systèmes complexes.

Le Changement Méthodologique : De l’Hypothèse aux Données

La signification plus profonde de ces réalisations est méthodologique. La science traditionnelle suit la méthode hypothético-déductive : formuler une hypothèse, concevoir une expérience pour la tester, analyser les résultats et affiner la théorie. Cette approche a guidé le progrès scientifique pendant des siècles, mais elle a des limites inhérentes — un scientifique ne peut tester que les hypothèses qu’il peut concevoir, et l’espace des hypothèses est contraint par la capacité cognitive humaine et les connaissances antérieures.

La science pilotée par l’IA inverse ce processus. Au lieu de partir d’une théorie et de la tester contre des données, l’IA part des données et découvre des patterns qui peuvent suggérer de nouvelles théories. GNoME n’a pas commencé avec une hypothèse sur quelles structures cristallines devraient être stables — il a appris la relation entre la composition atomique, la géométrie cristalline et la stabilité thermodynamique à partir de données existantes, puis a généralisé pour prédire des millions de nouveaux composés. GraphCast n’a pas encodé les équations de Navier-Stokes qui gouvernent la dynamique atmosphérique — il a appris l’évolution temporelle des états météorologiques directement à partir d’observations historiques.

Cette inversion soulève des questions épistémologiques que les scientifiques débattent activement. Un pattern découvert par une IA peut-il être qualifié de « découverte » si aucun humain ne comprend pourquoi le pattern existe ? Quand GNoME prédit une structure cristalline stable, il n’explique pas le mécanisme physique de la stabilité — il identifie une régularité statistique. Certains philosophes des sciences soutiennent que la compréhension exige l’explication, pas seulement la prédiction. D’autres rétorquent que la prédiction est le test ultime de la connaissance scientifique, et que l’explication est une préférence cognitive humaine, pas une exigence scientifique.

La résolution pratique pourrait être pragmatique. Les systèmes IA sont des outils qui génèrent des hypothèses à une vitesse surhumaine. Les scientifiques humains testent, valident et expliquent ensuite les prédictions les plus prometteuses générées par l’IA. Cette division du travail — l’IA pour la génération d’hypothèses, les humains pour l’interprétation et la validation expérimentale — pourrait représenter la future méthode scientifique. La controverse A-Lab illustre les enjeux : quand les prédictions IA dépassent la capacité expérimentale de plusieurs ordres de grandeur, le goulot d’étranglement passe des idées à la vérification. Le risque est que la science devienne dépendante de systèmes IA opaques dont les prédictions ne peuvent être auditées, créant une « boîte noire » au fondement de la connaissance. Mais les Prix Nobel 2024 suggèrent que l’establishment scientifique embrasse l’IA non comme une menace pour la méthode, mais comme son accélérateur le plus puissant.

Questions Fréquemment Posées

Sources et lectures complémentaires

• GraphCast: Learning Skillful Medium-Range Global Weather Forecasting — Science
• GenCast: Probabilistic Weather Forecasting with Machine Learning — Nature
• ECMWF’s AI Forecasts Become Operational — ECMWF
• GNoME: Scaling Deep Learning for Materials Discovery — Nature
• A-Lab: Autonomous Laboratory for Accelerated Synthesis — Nature
• AlphaProof and AlphaGeometry 2: AI Solves IMO Problems at Silver Medal Level — Google DeepMind
• Gemini Deep Think Achieves Gold Medal Standard at IMO — Google DeepMind
• AlphaFold 3: Accurate Structure Prediction of Biomolecular Interactions — Nature
• Nobel Prize in Chemistry 2024 — NobelPrize.org
• Pangu-Weather: Accurate Medium-Range Global Weather Forecasting — Nature
• AI Materials Discovery Now Needs to Move into the Real World — MIT Technology Review
• AlphaFold Protein Structure Database — DeepMind / EMBL-EBI