Science et santé

14.1L'IA, nouvel instrument de la science

Repère

Du laboratoire automatisé aux mathématiques

Deux illustrations concrètes. D'un côté, des laboratoires autonomes (« self-driving labs ») couplent l'IA à des robots pour formuler des hypothèses, mener des expériences et apprendre de leurs résultats en boucle, accélérant la découverte de matériaux ou de catalyseurs. De l'autre, en mathématiques, des systèmes de DeepMind (AlphaProof, AlphaGeometry) ont atteint en 2024 un niveau de médaille d'argent aux Olympiades internationales, signe que l'IA commence à contribuer au raisonnement formel, et non plus seulement à reconnaître des motifs. Depuis, ce niveau a été dépassé : aux Olympiades internationales de mathématiques 2026 (Shanghai, juillet), deux systèmes d'IA, Celia (Huawei) et dots-note 3.0 (Xiaohongshu), ont obtenu le score parfait de 42 sur 42, avec une correction assurée par les organisateurs, si bien que l'épreuve cesse d'être discriminante pour les modèles. L'enjeu se déplace vers la recherche elle-même. Le 10 août 2026, Anthropic a publié un article dans lequel une version de recherche non publiée de Claude fait passer de 41,6 à 67,2 % la proportion démontrée de zéros de la fonction zêta de Riemann qui sont simples et situés sur la droite critique ; la démonstration a été formalisée en Lean et relue par des mathématiciens, et Anthropic précise ne pas s'attendre à ce que ces techniques démontrent l'hypothèse de Riemann. Le 1er août 2026, OpenAI a annoncé dix résultats en mathématiques et en informatique théorique obtenus, selon l'entreprise, par un modèle alors non publié (Astra), chacun formalisé en Lean.

Repère

Un problème du millénaire résolu par des agents ?

Le 8 septembre 2026, OpenAI a annoncé qu'un essaim d'environ 10 000 agents autonomes, fondé sur un modèle interne non publié, avait démontré qu'une solution des équations de Navier-Stokes en trois dimensions peut développer une singularité en temps fini (avec un terme de forçage régulier). Si le résultat est confirmé, il répondrait à l'un des six problèmes du millénaire encore ouverts, dotés chacun d'un million de dollars par l'institut Clay. Selon OpenAI, la démonstration a demandé 88 heures de calcul, puis 17 heures pour être formalisée et vérifiée dans l'assistant de preuve Lean. Trois réserves s'imposent. La vérification formelle garantit la démonstration, mais pas que l'énoncé formalisé équivaut exactement à celui du prix : ce contrôle revient aux mathématiciens, et l'institut Clay ne s'était pas prononcé fin septembre 2026. Le résultat s'appuie sur une technique mise au point par des mathématiciens humains (Diego Córdoba et Luis Martínez-Zoroa), comme l'a souligné Charles Fefferman, de Princeton. Enfin, la priorité est disputée : Tristan Buckmaster (université de New York) et Levent Alpöge (Anthropic) avaient annoncé douze heures plus tôt un résultat voisin sur les équations d'Euler, obtenu avec un modèle d'Anthropic. L'épisode marque un seuil, quelle qu'en soit l'issue : la question n'est plus de savoir si une IA peut contribuer à des mathématiques de premier plan, mais comment on vérifie, et à qui on attribue, ce qu'elle produit.

14.2Biologie et découverte de médicaments

Schéma14.1. La compression du temps de découverte. En simulant numériquement l'interaction entre une molécule et sa cible, l'IA permet d'écarter très tôt les candidats voués à l'échec, raccourcissant la phase la plus lente et la plus coûteuse.

Sous le capot

AlphaFold 3 (2024) ne prédit plus seulement la forme des protéines, mais aussi leurs interactions avec les petites molécules (les médicaments), l'ADN et l'ARN ; sa base de données recense plus de 200 millions de structures, ouvertes à la recherche. La spin-off de DeepMind, Isomorphic Labs, en a fait un moteur de conception de médicaments (parfois surnommé « AlphaFold 4 » par les experts), a levé 2,1 milliards de dollars en 2026, noué des partenariats avec de grands laboratoires (Eli Lilly, Novartis, Johnson & Johnson), et vise l'entrée en essais cliniques de son premier médicament conçu par IA (contre le cancer) fin 2026. D'autres sont plus avancés : Insilico Medicine a lancé le 7 juillet 2026 la phase III de la rentosertib (contre la fibrose pulmonaire idiopathique), avec l'essai GENESIS-IPF-3, randomisé en double aveugle contre placebo (320 patients, 47 centres en Chine, 52 semaines), dont le premier patient a été traité le 9 septembre 2026 ; le 29 juillet 2026, la FDA (l'agence américaine du médicament) a par ailleurs accordé une procédure accélérée (Fast Track) à un autre candidat d'Insilico conçu par IA (ISM6331, contre le mésothéliome). Au 30 septembre 2026, aucun médicament découvert ou conçu par IA n'a toutefois reçu d'autorisation de mise sur le marché de la FDA. À côté de la conception de molécules, l'IA accélère aussi la génomique (interpréter l'ADN, prédire l'effet des mutations) et l'analyse de la biologie cellulaire. Au-delà de la prédiction, elle permet désormais de concevoir de toutes pièces des protéines et des enzymes aux propriétés voulues (un domaine également distingué par le prix Nobel de chimie 2024), ouvrant la voie à de nouveaux vaccins, traitements et biomatériaux.

Repère

De la protéine au génome

Le 8 septembre 2026, Google DeepMind a mis en ligne l'AlphaGenome Atlas, une base d'environ 1 pétaoctet qui contient les prédictions du modèle AlphaGenome pour la totalité des 9 milliards de substitutions d'une seule lettre possibles dans le génome humain, avec un score d'impact unique (AVI) et un portail web. Le 6 août 2026, une équipe de Stanford et de l'Arc Institute a publié dans Science la conception, par des modèles de langage génomique (Evo), de génomes entiers de bactériophages : sur près de 300 génomes synthétisés, 16 phages viables ont infecté et tué une souche d'Escherichia coli. Les modèles avaient été privés de données de pathogènes humains, mais des spécialistes de biosécurité avertissent que ce garde-fou peut être en partie contourné et recommandent un criblage des commandes d'ADN de synthèse (voir chapitre 24).

Repère

Un essaim d'agents repère un système enzymatique inconnu

Le 23 septembre 2026, Anthropic a annoncé, avec une prépublication non encore évaluée par les pairs, que Claude avait repéré un système enzymatique non caractérisé, baptisé ART, présent surtout chez des bactériophages. Environ 950 agents ont passé au crible, en 21 heures, plus de 200 000 transcriptases inverses et retenu les 20 systèmes candidats les plus prometteurs. Le système associe une transcriptase inverse, déjà identifiée auparavant, un gène partenaire de fonction inconnue et un long réseau de répétitions d'ADN, disposition qui rappelle CRISPR (les « ciseaux génétiques »). Des chercheurs humains ont montré, dans le laboratoire de biologie d'Anthropic, que ce réseau est exprimé sous forme de courts ARN. La fonction du système reste inconnue, et rien n'établit à ce stade qu'il puisse servir à l'édition du génome.

Repère

Le biohacking et la démocratisation de la biologie

En abaissant la barrière de compétence, l'IA met des outils de biologie de pointe entre les mains d'amateurs éclairés, un mouvement parfois appelé biohacking. Le cas le plus parlant : en 2025-2026, un consultant australien sans formation en biologie, Paul Conyngham, a utilisé un assistant conversationnel et AlphaFold pour concevoir un vaccin à ARN messager personnalisé contre le cancer (un mastocytome) de sa chienne Rosie. La démarche reprend la logique de la médecine de précision : comparer le génome sain et le génome tumoral pour repérer les mutations, modéliser les protéines correspondantes avec AlphaFold, puis cibler ces « néoantigènes ». Il n'a pas fabriqué le vaccin lui-même : un institut universitaire spécialisé (à l'UNSW, à Sydney) l'a synthétisé, pour quelques milliers de dollars. Résultat rapporté : une réduction d'environ moitié de la tumeur, sans être une guérison. Cet épisode illustre la promesse (l'IA ne remplace pas les chercheurs, mais élargit le cercle de ceux qui peuvent contribuer, vers une médecine plus participative) autant que ses limites : comme le rappellent les spécialistes, ce sont des hypothèses de travail, non des traitements validés ; seule la voie des essais cliniques peut établir un bénéfice réel, et la fabrication exige encore un laboratoire. Le revers plus sombre de cette démocratisation, le risque biosécuritaire, est abordé au chapitre 24.

Repère

L'IA et la longévité

Un champ connexe attire des financements considérables : la recherche sur le vieillissement et la longévité. L'idée n'est plus seulement de soigner les maladies une à une, mais de comprendre, voire de ralentir, les mécanismes du vieillissement lui-même. L'IA y joue plusieurs rôles : analyser d'immenses jeux de données biologiques pour construire des horloges du vieillissement (estimer l'âge « biologique » d'un organisme à partir de marqueurs moléculaires), repérer des molécules candidates pour agir sur les cellules sénescentes ou les voies du vieillissement, et accélérer la découverte de traitements (les mêmes moteurs qu'à la section précédente). Des entreprises spécialisées (comme Insilico Medicine, déjà citée, ou Retro Biosciences et Altos Labs côté biotech de la longévité) misent sur cette convergence. La prudence reste de mise : prolonger la vie en bonne santé est un objectif scientifique sérieux, mais le domaine attire aussi un marketing très optimiste, et aucune « pilule contre le vieillissement » validée n'existe à ce jour. La frontière entre recherche rigoureuse et promesses survendues y est particulièrement fine.

14.3Matériaux, climat et autres sciences fondamentales

En clair

La même approche se déploie dans de nombreuses disciplines, où l'IA agit comme un accélérateur et un explorateur au service du chercheur :

Science des matériaux : des systèmes d'IA ont proposé des centaines de milliers de structures cristallines nouvelles, candidates pour de meilleures batteries, des supraconducteurs ou des panneaux solaires (lien avec la transition énergétique du chapitre 10).
Météorologie et climat : des modèles d'IA prédisent désormais le temps plus vite, et parfois mieux, que les lourdes simulations physiques classiques, et aident à modéliser le climat.
Physique : l'IA a permis de mieux contrôler le plasma brûlant des réacteurs de fusion, et d'analyser les montagnes de données des grands instruments (accélérateurs, télescopes).
Neurosciences : elle aide à décoder l'activité cérébrale, jusqu'aux interfaces cerveau-machine.
Mathématiques : elle commence à proposer des conjectures et à vérifier (voire trouver) des démonstrations, avec depuis l'été 2026 de premiers résultats de recherche formalisés (section 14.1).

Repère

L'IA pour le nucléaire et la physique des particules

Deux domaines méritent un éclairage, car ils inversent la relation habituelle : l'IA n'y est plus seulement gourmande en énergie, elle devient un outil au service de la science et de l'énergie. Dans le nucléaire civil, elle optimise déjà l'exploitation des centrales : maintenance prédictive (anticiper la panne d'un équipement), détection d'anomalies dans les flots de données de capteurs, planification des arrêts et gestion du combustible, et accélération de la conception de réacteurs (y compris les petits réacteurs modulaires, SMR). L'Agence internationale de l'énergie atomique (AIEA) coordonne depuis 2021 des programmes dédiés et a labellisé des centres de référence (à Purdue pour le nucléaire, au MIT pour la fusion). Dans la fusion, l'enjeu phare est le contrôle en temps réel du plasma : un gaz à plusieurs millions de degrés, intrinsèquement instable, que des systèmes d'apprentissage par renforcement ont appris à confiner en pilotant les champs magnétiques, là où les méthodes classiques peinent ; l'IA aide aussi à explorer les paramètres des futurs réacteurs. En septembre 2026, des chercheurs de Princeton et du PPPL ont ainsi publié dans Nuclear Fusion le cadre PACMAN, testé lors de cinq expériences sur le tokamak DIII-D : son cycle de décision est d'environ 20 millisecondes, et un mode de déchirement magnétique y a été prédit puis évité environ 200 millisecondes à l'avance. Enfin, en physique des particules, des laboratoires comme le CERN s'appuient de longue date sur l'apprentissage automatique pour trier les montagnes de données de collisions du grand collisionneur (LHC) et y repérer les rares signaux intéressants. L'IA et l'énergie se nourrissent ainsi mutuellement (chapitre 10).

Repère

L'IA et l'espace

Le secteur spatial est devenu un grand consommateur d'IA. En observation de la Terre, des modèles analysent en continu les images des satellites pour suivre la déforestation, les cultures, les catastrophes, la fonte des glaces ou les émissions, transformant un déluge d'images en informations exploitables. En astronomie, l'apprentissage automatique trie les données massives des grands télescopes : détection d'exoplanètes dans les courbes de luminosité (méthode qui a révélé de nouveaux mondes dans les données de Kepler), classification de galaxies, repérage d'événements transitoires. Dans l'exploration, l'IA aide à la navigation autonome des rovers et des sondes (où le délai de communication interdit le pilotage en direct), à la planification des observations et à la maintenance prédictive des engins. Enfin, la surveillance de l'espace (suivi des débris en orbite, prévention des collisions) s'appuie de plus en plus sur ces techniques, à mesure que l'orbite basse se peuple de satellites. Là encore, l'IA agit comme un démultiplicateur du travail scientifique et opérationnel.

Repère

L'IA pour l'environnement et la biodiversité

L'IA sert aussi à surveiller et protéger le vivant. Elle identifie des espèces à partir d'images de pièges photographiques automatiques ou de sons (chants d'oiseaux, cris de cétacés), suit les populations animales et repère le braconnage ; elle cartographie la déforestation et l'état des forêts, surveille les océans et les récifs coralliens, et aide à modéliser les effets du changement climatique sur les écosystèmes. Ces outils donnent aux chercheurs et aux gestionnaires d'espaces naturels une capacité d'observation à grande échelle, longtemps hors de portée. La nuance habituelle s'applique : ces analyses restent des estimations à valider sur le terrain, et l'empreinte écologique de l'IA elle-même (chapitre 10) invite à mettre en balance ses bénéfices environnementaux et ses coûts.

Repère

L'IA qui prévoit le temps

L'une des réussites les plus tangibles de l'IA pour la science est la prévision météorologique. Des modèles entraînés sur des décennies de données atmosphériques (les réanalyses, comme ERA5) ont rattrapé puis dépassé, sur de nombreux indicateurs, les systèmes physiques traditionnels qui tournent sur des supercalculateurs. Le pionnier, GraphCast (Google DeepMind, 2023), produit une prévision à dix jours en moins d'une minute sur une seule carte graphique, là où le modèle de référence du Centre européen (l'ECMWF) demande des heures, et l'a surpassé sur environ 90 % des indicateurs testés ; son successeur probabiliste, GenCast (2024), génère des scénarios d'ensemble et a battu le système d'ensemble européen sur près de 97 % des cibles. D'autres acteurs sont dans la course : Pangu-Weather (Huawei), particulièrement bon pour les cyclones, Aurora (Microsoft), un « modèle de fondation » de l'atmosphère, et l'ECMWF lui-même, qui a développé son propre modèle d'IA (AIFS) et l'a rendu opérationnel. En pratique, ces modèles ne remplacent pas (encore) les modèles physiques : les services météo et les centres d'ouragans s'en servent comme d'une source de prévision supplémentaire, et la divergence entre l'IA et le modèle classique devient elle-même une information sur l'incertitude. Deux limites tempèrent l'enthousiasme : entraînés sur le passé, ces modèles peuvent mal anticiper des événements extrêmes sans précédent (une question d'autant plus vive dans un climat qui change, chapitre 10), et leur résolution reste limitée. La trajectoire n'en est pas moins spectaculaire : un domaine où la précision gagnait environ un jour de prévision par décennie a vu l'IA compresser ce progrès en quelques années.

Repère

L'intégrité de la science menacée

Au-delà de la reproductibilité, l'IA générative fait peser une menace plus directe sur la fiabilité de la littérature scientifique. Des articles sont désormais partiellement, voire entièrement, rédigés par des modèles, parfois sans que cela soit déclaré ; on a repéré dans des revues des tournures révélatrices laissées par mégarde, voire des images ou des données fabriquées. Le phénomène nourrit les « usines à articles » (paper mills), qui produisent en masse de fausses publications, et met sous tension l'évaluation par les pairs, déjà débordée, que certains tentent (avec prudence) d'assister par l'IA. Le risque est double : polluer le corpus scientifique de résultats douteux, et éroder la confiance dans la publication. En réponse, éditeurs et institutions développent des outils de détection, des règles de divulgation de l'usage de l'IA et une vigilance accrue. En France, le CNRS a publié le 7 septembre 2026 un article d'alerte sur ce sujet : il y rappelle qu'environ 10 000 articles ont été rétractés en 2023 sur 4,5 millions publiés dans le monde (toutes causes confondues, et non du seul fait de l'IA) et met en avant la déclaration obligatoire de l'usage de l'IA, la détection des références rétractées avant publication et la réforme de l'évaluation des chercheurs. La science doit ici se prémunir contre un outil qu'elle emploie par ailleurs pour progresser.

14.4La santé au quotidien

En clair

Au chevet du patient, l'IA progresse sur plusieurs fronts.

Imagerie médicale : elle détecte tumeurs et anomalies sur les radiographies, scanners ou IRM, parfois avec une sensibilité supérieure à l'oeil humain, et accélère le diagnostic.
Aide au diagnostic : des systèmes d'IA conversationnelle obtiennent, dans certaines études, de meilleurs résultats que des médecins sur des cas types (résultat à confirmer en conditions réelles).
Chirurgie : les robots opératoires s'enrichissent de copilotes IA capables d'anticiper des complications (chapitre 13).
Médecine personnalisée : adapter un traitement au profil génétique et clinique du patient, et repositionner des médicaments existants.
Allègement administratif : transcription des consultations, rédaction de comptes rendus, ce qui peut redonner du temps médical. C'est aujourd'hui l'un des usages les plus déployés : des assistants dits ambiants écoutent la consultation (avec le consentement du patient) et en rédigent automatiquement le compte rendu, intégré au dossier patient. L'exemple le plus avancé est le français Nabla, utilisé mi-2026 par environ cent mille praticiens dans quelque cent quatre-vingt-dix organisations de santé, qui s'intègre aux principaux dossiers patients informatisés et vise surtout à réduire la charge administrative et l'épuisement des soignants.
Santé mentale : des agents conversationnels proposent un premier soutien psychologique, accessible et sans jugement. C'est une piste prometteuse pour l'accès aux soins, mais à hauts risques (chapitre 19) : un tel outil ne remplace pas un professionnel, peut donner de mauvais conseils, et doit impérativement orienter vers une aide humaine en cas de détresse.

Repère

Les interfaces cerveau-machine

À la frontière des neurosciences et de la clinique, les interfaces cerveau-machine (ICM, en anglais BCI) connectent directement le cerveau à un ordinateur, et l'IA y est indispensable pour décoder les signaux neuronaux en intentions. La plus médiatisée, Neuralink, a implanté son premier patient humain début 2024 (un homme tétraplégique qui a pu déplacer un curseur, jouer et naviguer par la pensée) ; à la mi-2026, une vingtaine de patients avaient reçu son implant (de la taille d'une pièce de monnaie, doté de milliers d'électrodes posées par un robot chirurgien), dans le cadre d'essais sur le contrôle moteur (PRIME), la restauration de la parole (VOICE) et de la vision (Blindsight). Mais Neuralink n'est pas seule : Synchron insère son capteur par voie sanguine, sans ouvrir la boîte crânienne (moins de résolution, mais bien moins risqué) ; Precision Neuroscience, Paradromics ou Blackrock Neurotech explorent d'autres approches, tandis que des casques non invasifs (EEG) détectent des états mentaux sans lire les pensées. Les promesses sont immenses pour les personnes paralysées, mais les enjeux le sont aussi : sécurité, vie privée des données les plus intimes qui soient (l'activité cérébrale), et la perspective plus lointaine d'une augmentation des capacités, qui soulève la question de « droits neuronaux ». À très long terme, certains acteurs (Neuralink au premier rang) affichent une ambition plus radicale : une symbiose homme-IA, soit une interface à très haut débit pensée pour que l'humain « ne se fasse pas distancer » par une IA toujours plus puissante. Cette perspective relève pour l'instant de la vision revendiquée, très éloignée des capacités réelles d'aujourd'hui, et soulève d'immenses questions de faisabilité comme d'éthique.

14.5Limites et risques propres à la santé

Débat

Le domaine de la santé concentre des risques spécifiques qui imposent la prudence.

La responsabilité. Si une IA se trompe de diagnostic, qui est responsable : le médecin, l'éditeur du logiciel, l'hôpital ? Le cadre juridique reste flou (chapitre 21).
Les biais. Un modèle entraîné surtout sur des populations occidentales peut être moins fiable pour d'autres groupes, créant des inégalités de soin (chapitre 21).
La validation et la régulation. En santé, l'exigence de preuve est maximale. L'Union européenne classe les dispositifs médicaux à base d'IA en « haut risque », imposant audits et transparence (l'application de ces règles de haut risque a été reportée à décembre 2027 et août 2028, chapitre 25). Aux États-Unis, une étude publiée le 19 août 2026 dans PLOS Digital Health a recensé les 1 357 dispositifs médicaux à base d'IA autorisés par la FDA au 5 décembre 2025 : seuls 34 (2,5 %) étaient liés à un essai clinique prospectif enregistré, et 3 (0,2 %) avaient été évalués sur des critères centrés sur le patient (mortalité, hospitalisations, qualité de vie), la voie d'autorisation la plus courante exigeant seulement une « équivalence substantielle » avec un dispositif déjà autorisé. La FDA a par ailleurs ouvert le 18 août 2026 une consultation (jusqu'au 19 octobre 2026) sur la régulation des dispositifs médicaux à IA générative : le document propose une matrice de risque à deux axes (autonomie du dispositif, gravité des conséquences), une évaluation « par compétences » inspirée de celle des cliniciens et une surveillance renforcée après mise sur le marché, et il cite les confabulations d'apparence crédible. Il ne s'agit à ce stade que d'une consultation : aucune règle contraignante n'a été adoptée.
La confidentialité. L'entraînement sur des données de santé, parmi les plus sensibles qui soient, doit respecter des règles strictes (le RGPD en Europe, chapitre 21).
L'hallucination. Un modèle de langage peut inventer une référence ou une posologie : dans un contexte médical, cela peut être mortel. D'où une règle d'or qui vaut pour toute la science et la santé : l'IA assiste, mais un humain qualifié décide.

À retenir (chapitre 14)

L'IA devient un instrument scientifique majeur : non pour discuter, mais pour découvrir, voire pour formuler des hypothèses (« co-scientifique »). Symbole : AlphaFold (prix Nobel de chimie 2024).
En découverte de médicaments, elle compresse les délais : AlphaFold 3 (200 millions de structures), Isomorphic Labs (2,1 milliards levés, essais cliniques visés fin 2026), Insilico (phase 3 depuis juillet 2026) ; aucun médicament conçu par IA n'est encore autorisé.
L'impact s'étend aux matériaux, au climat, à la fusion, aux neurosciences et aux mathématiques (score parfait de deux systèmes aux Olympiades 2026, premiers résultats de recherche formalisés) ; mais l'IA mal employée menace aussi la reproductibilité scientifique.
En santé, elle progresse en imagerie, diagnostic, chirurgie, médecine personnalisée et soutien en santé mentale (cette dernière à hauts risques).
Les risques sont spécifiques : responsabilité, biais de population, validation, confidentialité et hallucination. Principe : l'IA assiste, l'humain qualifié décide.

De la découverte scientifique à la transmission du savoir : le chapitre 15 examine comment l'IA bouleverse l'éducation.

14.1L'IA, nouvel instrument de la science#

14.2Biologie et découverte de médicaments#

14.3Matériaux, climat et autres sciences fondamentales#

14.4La santé au quotidien#

14.5Limites et risques propres à la santé#

À retenir (chapitre 14)

14.1L'IA, nouvel instrument de la science

14.2Biologie et découverte de médicaments

14.3Matériaux, climat et autres sciences fondamentales

14.4La santé au quotidien

14.5Limites et risques propres à la santé