Le système d’intelligence artificielle de Google aide les chercheurs à formuler des hypothèses et à préparer des expériences. Présenté en 2025, puis décrit dans Nature en mai 2026, il a déjà produit des pistes testées en laboratoire. Son utilité à grande échelle reste à évaluer.
Pour un laboratoire, choisir la prochaine expérience engage du temps, des équipes et un budget. Google entend intervenir au moment de ce choix. Son système Co-Scientist explore la littérature disponible et soumet aux scientifiques des hypothèses accompagnées de propositions d’expériences. L’objectif affiché est de repérer plus vite les pistes qui méritent d’être testées.
Annoncé le 19 février 2025 sous le nom d’AI co-scientist, le projet s’appuyait initialement sur Gemini 2.0. Son fonctionnement repose sur plusieurs agents, des programmes auxquels sont confiées des tâches distinctes. Certains génèrent des idées, d’autres en examinent la solidité ou recherchent des travaux susceptibles de les contredire. Les propositions sont ensuite comparées, classées et retravaillées au fil des échanges.
Cette organisation cherche à reproduire une partie des discussions d’une équipe de recherche. Une première intuition peut être abandonnée, précisée ou combinée à une autre. Le scientifique définit l’objectif, apporte ses connaissances et peut réorienter le système. L’apport recherché tient notamment à sa capacité à rapprocher des publications et des observations dispersées entre plusieurs spécialités.
Les premiers travaux ont porté sur la biomédecine. Dans le cas de la leucémie aiguë myéloïde, un cancer du sang, des molécules proposées par le système ont montré une activité contre des cellules cancéreuses en culture. Cette étape constitue un résultat expérimental, sans démontrer l’efficacité ni la sécurité d’un traitement chez des patients.
À Stanford, l’équipe du chercheur Gary Peltz a également utilisé Co-Scientist pour explorer des médicaments susceptibles d’agir contre la fibrose hépatique, un processus de cicatrisation excessive du foie. Selon le compte rendu publié par Google DeepMind en mai 2026, deux des trois candidats suggérés par l’IA ont freiné la fibrose dans le modèle de cellules humaines utilisé au laboratoire. Ces observations permettent de sélectionner des pistes à approfondir ; elles restent précliniques.
Un autre essai, mené avec Imperial College London, illustre la portée du système et les précautions nécessaires pour raconter ses résultats. Les chercheurs lui ont soumis une question sur le transfert de matériel génétique entre bactéries. L’IA a proposé une hypothèse correspondant à un mécanisme que l’équipe avait déjà établi expérimentalement, mais qui n’était pas encore publié. Le système a ainsi retrouvé une explication à partir des connaissances accessibles. Les années d’expériences qui avaient permis de démontrer ce mécanisme demeuraient le travail des scientifiques.
L’étude consacrée à Co-Scientist a été publiée dans Nature le 19 mai 2026. Ses résultats demandent toutefois une lecture attentive. Une partie de l’évaluation repose sur un classement automatisé des hypothèses : une meilleure note indique une préférence du système, sans constituer une preuve expérimentale. Une évaluation humaine a aussi porté sur onze problèmes de recherche. Les auteurs soulignent la taille limitée de cet échantillon et le besoin de tests plus larges.
Ils identifient également plusieurs fragilités. L’accès incomplet aux publications payantes peut laisser de côté des travaux importants. Les expériences négatives, moins visibles dans la littérature, risquent aussi de manquer. Enfin, le système peut reprendre une erreur présente dans ses sources ou produire une affirmation inexacte. Pour un laboratoire, vérifier les références et examiner les protocoles proposés reste donc une part entière du travail.
Google cherche désormais à diffuser cette approche auprès de davantage de chercheurs. En mai 2026, le groupe a annoncé son intégration à Gemini for Science, à travers l’outil expérimental Hypothesis Generation. Celui-ci accompagne la définition d’une question scientifique avant de proposer des directions de recherche. La page publique de Google Labs invite les personnes intéressées à manifester leur intérêt ; cette démarche ne garantit pas un accès immédiat.
Le déploiement permettra aussi d’examiner une question très pratique : quel temps l’outil fait-il réellement gagner, une fois comptées les vérifications et les expériences nécessaires ? Les chercheurs d’Imperial mettent en avant la possibilité d’éviter certaines impasses. Pour les équipes qui l’utiliseront, cette promesse devra se traduire par des pistes plus utiles et des résultats reproductibles.
Maramory Bouka Niaré
Rédacteur en Chef RPMEDIAS
