Les grandes avancées scientifiques de l'IA : un panorama

Il existe une manière paresseuse de raconter l'intelligence artificielle : une succession de démonstrations spectaculaires, chacune présentée comme une surprise venue de nulle part. La réalité est plus belle et plus lente. Derrière chaque annonce qui fait la une, il y a un article de recherche, une intuition théorique, parfois vieille de plusieurs décennies, qui a patiemment rendu la suivante possible. Ce panorama retrace les percées scientifiques qui ont façonné l'IA telle que nous la connaissons aujourd'hui — de la reconnaissance d'images au repliement des protéines, des transformeurs aux modèles capables de raisonner. C'est le principe de la chronique « Le Paper du lundi » : suivre le fil des idées, maillon par maillon, avec l'émerveillement de celui qui aime comprendre comment la science avance.

Notre ambition tient en une phrase : montrer que l'IA d'aujourd'hui n'est pas née de l'urgence des dernières années, mais d'une chaîne continue de découvertes fondamentales. Nous allons parcourir les jalons qui comptent, en expliquant à chaque fois quelle idée nouvelle a été introduite, pourquoi elle a marqué la communauté, et ce qu'elle a rendu possible ensuite. Chaque section s'appuie sur des sources vérifiables : articles publiés dans Nature ou Science, communiqués officiels du comité Nobel, prépublications sur arXiv, blogs de recherche des laboratoires concernés.

Un mot de méthode. Un panorama n'est pas un classement. Les travaux que nous allons décrire ne se hiérarchisent pas facilement : certains ont ouvert un champ entier, d'autres ont résolu un problème vieux de cinquante ans, d'autres encore ont surpris jusqu'à leurs propres auteurs. Ce qui les relie, c'est une progression cumulative — l'idée que la connaissance scientifique se construit brique par brique, et que l'IA moderne est le fruit de cette construction collective.

2012 : AlexNet et le réveil du deep learning

Si l'on devait désigner un moment de bascule, beaucoup de chercheurs pointeraient l'automne 2012. Cette année-là, un réseau de neurones profond baptisé AlexNet remporte le concours ImageNet Large Scale Visual Recognition Challenge, la compétition de référence en vision par ordinateur. Le résultat n'est pas une amélioration marginale : c'est un écart qui laisse la communauté sans voix.

Un écart qui change tout

AlexNet, conçu par Alex Krizhevsky, Ilya Sutskever et Geoffrey Hinton à l'université de Toronto, atteint un taux d'erreur « top-5 » de 15,3 % sur ImageNet. Le deuxième système du classement, fondé sur les méthodes classiques de vision par ordinateur, plafonne à 26,2 %. Un écart de près de onze points de pourcentage, dans un domaine où l'on se battait jusque-là pour grappiller des fractions de pourcent. Le message est clair : les réseaux de neurones profonds, longtemps considérés comme une curiosité académique, viennent de démontrer une supériorité massive sur une tâche concrète et difficile.

Ce qui rend AlexNet remarquable, ce n'est pas seulement le résultat, c'est la combinaison de techniques qu'il popularise. Le réseau est entraîné sur des processeurs graphiques (GPU), une décision d'ingénierie qui rend possible l'entraînement de modèles profonds en un temps raisonnable. Il emploie la fonction d'activation ReLU (unité de rectification linéaire), qui accélère l'apprentissage, et le dropout, une méthode qui consiste à désactiver aléatoirement des neurones pendant l'entraînement pour limiter le surapprentissage. Aucune de ces idées n'est entièrement nouvelle prise isolément — mais leur assemblage, appliqué à grande échelle sur un jeu de données massif, produit un résultat inédit.

AlexNet n'a pas inventé les réseaux de neurones. Il a démontré, sur une tâche que personne ne pouvait ignorer, que la profondeur, les données et la puissance de calcul, réunies, changeaient la nature du possible.

Pourquoi ce jalon compte-t-il tant ?

La portée d'AlexNet dépasse la vision par ordinateur. Le concours ImageNet servait de terrain d'entente : une tâche standardisée, un million d'images, un classement objectif. Gagner ce concours, et de cette manière, c'était fournir une preuve difficilement contestable. Dans les mois qui suivent, les laboratoires du monde entier réorientent leurs efforts vers l'apprentissage profond. Les grandes entreprises technologiques recrutent massivement dans ce domaine. La décennie 2010 sera celle du deep learning, et 2012 en marque le coup d'envoi médiatique et scientifique.

Un détail mérite qu'on s'y arrête : l'un des trois auteurs d'AlexNet, Geoffrey Hinton, deviendra douze ans plus tard lauréat du prix Nobel de physique. Un autre, Ilya Sutskever, deviendra l'une des figures scientifiques les plus influentes de la décennie suivante. Cette convergence de trajectoires n'est pas fortuite. Elle rappelle que les percées de l'IA ne sont pas des accidents isolés, mais les fruits de parcours de recherche longs et cohérents. Pour comprendre AlexNet, il faut remonter aux fondations théoriques que Hinton et quelques autres ont patiemment construites pendant les décennies précédentes.

Il faut aussi mesurer le rôle qu'a joué le jeu de données lui-même. ImageNet, constitué sous la direction de Fei-Fei Li, rassemblait plus d'un million d'images annotées réparties en un millier de catégories. Sans ce corpus, l'exploit d'AlexNet aurait été impossible : un réseau profond a besoin d'exemples nombreux et variés pour apprendre. Ce couple — une architecture capable d'apprendre et un jeu de données à sa mesure — résume une leçon que tout notre panorama va confirmer. Les grandes avancées scientifiques de l'IA naissent rarement d'une idée isolée ; elles émergent de la rencontre entre une méthode, des données et une puissance de calcul suffisante.

Les fondations : des réseaux de neurones au Nobel de physique

Comment une architecture inspirée du cerveau a-t-elle pu apprendre à voir, à traduire, à générer ? La réponse plonge ses racines bien avant 2012, dans un travail théorique mené dès les années 1980 par deux chercheurs qui n'ont jamais directement collaboré : John Hopfield et Geoffrey Hinton. En octobre 2024, le comité Nobel a consacré cette filiation en leur décernant le prix de physique.

Le Nobel 2024 : la physique au cœur de l'apprentissage

Le 8 octobre 2024, l'Académie royale des sciences de Suède attribue le prix Nobel de physique à John J. Hopfield, de l'université de Princeton, et à Geoffrey E. Hinton, de l'université de Toronto, « pour des découvertes et inventions fondamentales qui permettent l'apprentissage automatique avec des réseaux de neurones artificiels ». La formulation est précise : le comité honore des méthodes, pas une application particulière. Selon le communiqué officiel, les deux lauréats ont « utilisé des outils de la physique pour développer des méthodes qui constituent le fondement de l'apprentissage automatique actuel ».

John Hopfield a conçu, en 1982, une mémoire associative capable de stocker et de reconstruire des motifs. Son réseau s'appuie sur le modèle d'Ising, un pilier de la physique statistique décrivant le comportement des matériaux magnétiques. Geoffrey Hinton, quant à lui, a inventé au milieu des années 1980 la machine de Boltzmann, un modèle capable de découvrir de façon autonome des régularités dans les données. Son nom même emprunte à la thermodynamique statistique. Deux briques distinctes, mais qui s'emboîtent : Hinton a d'ailleurs utilisé le réseau de Hopfield comme point de départ de ses propres travaux.

Pourquoi la physique ?

La question a animé les discussions académiques dans les heures qui ont suivi l'annonce. La réponse tient à une vision généreuse de ce qu'est la physique : non pas seulement un objet d'étude, mais un ensemble de méthodes. Les outils mathématiques sous-jacents aux réseaux de neurones — fonctions d'énergie, convergence vers un état d'équilibre, distributions de probabilité — sont ceux de la physique statistique. Si ces outils permettent de concevoir des systèmes qui apprennent, alors ces systèmes relèvent légitimement de la discipline. Selon le comité Nobel, les travaux des deux lauréats, menés à partir des années 1980, ont « aidé à poser les bases de la révolution de l'apprentissage automatique qui a commencé aux alentours de 2010 ».

Cette consécration éclaire rétrospectivement tout le reste de notre panorama. Le deep learning d'AlexNet, les transformeurs, AlphaFold : tous descendent, d'une manière ou d'une autre, de l'idée qu'un système composé de nombreuses unités simples, correctement connectées et entraînées, peut apprendre à représenter le monde. C'est cette idée que Hopfield et Hinton ont contribué à rendre rigoureuse et opérationnelle. Pour approfondir cette lignée, de McCulloch et Pitts jusqu'au deep learning, nous lui avons consacré une chronique entière sur les réseaux de neurones.

2016 : AlphaGo et la renaissance de l'apprentissage par renforcement

Comment une machine peut-elle apprendre une stratégie qu'aucun humain ne lui a explicitement enseignée ? Le jeu de go a longtemps servi de mètre-étalon pour cette question. Avec un nombre de configurations possibles supérieur au nombre d'atomes dans l'univers observable, le go résistait aux approches par force brute qui avaient permis de résoudre les échecs. En mars 2016, à Séoul, le système AlphaGo de DeepMind bat le champion du monde Lee Sedol par quatre parties à une.

Deux réseaux et un arbre de recherche

L'architecture d'AlphaGo, décrite dans un article publié dans Nature en 2016 sous le titre « Mastering the Game of Go with Deep Neural Networks and Tree Search », combine trois ingrédients. D'abord, un réseau de politique (policy network) qui propose les coups prometteurs. Ensuite, un réseau de valeur (value network) qui évalue la qualité d'une position sur le plateau. Enfin, une recherche arborescente de Monte-Carlo (Monte Carlo Tree Search) qui explore les suites de coups en s'appuyant sur les deux réseaux pour se concentrer sur les branches les plus intéressantes.

L'apprentissage se déroule en plusieurs phases. Le réseau de politique est d'abord entraîné à imiter des coups de joueurs professionnels — DeepMind a rassemblé environ trente millions de positions issues de parties humaines. Puis le système s'améliore par auto-jeu : il joue contre lui-même des millions de parties, apprenant progressivement quelles stratégies fonctionnent. C'est là que réside la puissance de l'apprentissage par renforcement : le système découvre par l'expérience des configurations que personne ne lui a montrées.

Au trente-septième coup de la deuxième partie, AlphaGo joue un coup si inattendu que les commentateurs le croient d'abord erroné. Il s'avérera brillant. La machine n'avait pas copié un humain : elle avait exploré un territoire stratégique nouveau.

De la stratégie de jeu à la méthode générale

Au moment du match, cette victoire était considérée comme en avance d'une décennie sur ce que la plupart des experts jugeaient possible. Mais l'apport d'AlphaGo dépasse le go. La combinaison de l'apprentissage profond et de la recherche arborescente, affinée par l'auto-jeu, constitue une méthode générale de prise de décision séquentielle. Ses descendants — dont AlphaZero, qui apprend plusieurs jeux à partir des seules règles, sans données humaines — ont montré que le principe se généralisait. Et, comme nous le verrons, cette famille de techniques d'apprentissage par renforcement irrigue aujourd'hui les systèmes de raisonnement mathématique et les modèles de langage les plus avancés.

2017 : les transformeurs, l'architecture qui a tout unifié

Il arrive qu'un seul article redéfinisse un domaine entier. En 2017, une équipe de chercheurs publie « Attention Is All You Need » et introduit le transformeur (transformer), une architecture de réseau de neurones qui deviendra le socle commun de presque toute l'IA moderne. Selon les décomptes disponibles, cet article figure parmi les dix articles les plus cités du XXIe siècle, avec plus de 250 000 citations (au 2026, chiffre en progression constante).

L'idée de l'attention

Avant les transformeurs, les modèles de traitement du langage reposaient sur des réseaux récurrents, qui lisaient le texte mot après mot, dans l'ordre. Cette approche séquentielle avait deux limites : elle traitait mal les dépendances entre mots éloignés, et elle se prêtait difficilement à la parallélisation, donc à l'entraînement rapide. Le transformeur abandonne la récurrence au profit d'un mécanisme unique : l'attention.

Le principe de l'attention est intuitif. Pour comprendre un mot dans une phrase, un modèle doit savoir à quels autres mots il se rapporte. Dans « le chat qui dormait sur le canapé s'est réveillé », le mot « réveillé » se rapporte à « chat », pas à « canapé ». Le mécanisme d'attention permet au modèle de calculer, pour chaque mot, un poids d'importance vis-à-vis de tous les autres mots de la phrase. Il « regarde » l'ensemble du contexte simultanément, plutôt que de le parcourir pas à pas. Cette capacité à établir des relations à longue distance, combinée à une parallélisation efficace, rend les transformeurs à la fois plus performants et plus rapides à entraîner.

Les lois d'échelle : une régularité surprenante

Le transformeur a une propriété qui s'est révélée décisive : il s'améliore de façon prévisible quand on l'agrandit. En 2020, une équipe menée par Jared Kaplan a établi des lois d'échelle (scaling laws) pour les modèles de langage. En entraînant plus de deux cents modèles de tailles variées, les chercheurs ont montré que l'erreur du modèle diminue selon une loi de puissance régulière en fonction du nombre de paramètres, de la quantité de données et de la puissance de calcul. Autrement dit : agrandir un transformeur améliore ses performances de manière remarquablement prévisible, sur plusieurs ordres de grandeur.

En 2022, une équipe de DeepMind a affiné cette compréhension avec le modèle Chinchilla. Leur constat : la plupart des grands modèles de l'époque étaient trop grands par rapport à la quantité de données sur laquelle ils étaient entraînés. La loi de Chinchilla propose un équilibre : pour chaque doublement de la puissance de calcul, il faut augmenter d'environ 40 % à la fois la taille du modèle et le volume de données. Un modèle Chinchilla de 70 milliards de paramètres, entraîné sur 1 400 milliards de mots, a ainsi surpassé des modèles beaucoup plus volumineux mais sous-entraînés.

Les capacités émergentes

Un phénomène particulièrement fascinant accompagne cette montée en échelle : les capacités émergentes. En 2022, une équipe menée par Jason Wei a documenté que certaines aptitudes des modèles de langage apparaissent de façon abrupte au-delà d'un certain seuil de taille. En dessous, la capacité est quasi absente ; au-dessus, elle est pleinement présente. Parmi ces capacités : le raisonnement en chaîne, la capacité à suivre des instructions complexes, la résolution de problèmes arithmétiques multi-étapes. Aucune n'avait été explicitement programmée — elles ont « émergé » de l'échelle, comme des propriétés macroscopiques émergent des interactions microscopiques en physique statistique.

Percée	Année	Apport scientifique
AlexNet (ImageNet)	2012	15,3 % d'erreur top-5 contre 26,2 % — le deep learning s'impose en vision
AlphaGo	2016	Apprentissage par renforcement + recherche arborescente, victoire au go
Transformeur	2017	Mécanisme d'attention, socle des modèles de langage modernes
Lois d'échelle / Chinchilla	2020-2022	Progrès prévisibles selon taille, données et calcul
AlphaFold 2	2020	Prédiction fiable de la structure des protéines
Nobel physique & chimie	2024	Consécration des réseaux de neurones et d'AlphaFold

Les transformeurs sont ainsi devenus l'architecture universelle : ils sous-tendent les modèles de langage, mais aussi des systèmes de vision, de génération d'images, et — nous allons y venir — des outils scientifiques majeurs comme AlphaFold. Une seule idée, l'attention, s'est révélée assez générale pour traverser des domaines entiers.

AlphaFold : quand l'IA résout un problème vieux de cinquante ans

Certaines percées de l'IA relèvent de l'informatique. Celle-ci relève de la biologie fondamentale — et elle a valu à ses auteurs le prix Nobel de chimie 2024. Le problème que résout AlphaFold est l'un des plus anciens de la biologie moléculaire : prédire la structure tridimensionnelle d'une protéine à partir de sa séquence d'acides aminés.

Le problème du repliement des protéines

Les protéines sont les ouvrières du vivant. Chacune est une longue chaîne d'acides aminés qui se replie sur elle-même pour adopter une forme tridimensionnelle précise. Or c'est cette forme qui détermine la fonction : une enzyme, un anticorps, un récepteur agissent grâce à leur géométrie. Comprendre la structure d'une protéine, c'est comprendre comment elle fonctionne — et comment concevoir des médicaments qui interagissent avec elle. Le hic : déterminer expérimentalement une structure protéique, par cristallographie aux rayons X ou cryo-microscopie électronique, pouvait prendre des années de travail en laboratoire, quand cela réussissait.

Prédire la structure par le calcul, à partir de la seule séquence, était considéré comme un défi ouvert depuis un demi-siècle. La difficulté est vertigineuse : une protéine de taille modeste peut adopter un nombre astronomique de conformations possibles, et rien ne garantissait qu'un algorithme puisse trouver la bonne.

La percée d'AlphaFold 2

En 2020, Demis Hassabis et John Jumper, de Google DeepMind, présentent AlphaFold 2 lors du concours CASP (Critical Assessment of Structure Prediction), l'évaluation de référence du domaine. Le système atteint un niveau de précision jugé comparable aux méthodes expérimentales pour une large part des protéines testées. Ce qui prenait des années peut désormais se calculer en quelques minutes. La communauté, qui suivait ce concours depuis des décennies, considère le problème comme largement résolu.

L'ampleur de l'impact tient aussi à un choix d'ouverture. Les prédictions d'AlphaFold ont été mises à disposition via la base de données AlphaFold Protein Structure Database, qui couvre la structure prédite de la quasi-totalité des quelque 200 millions de protéines cataloguées. Selon Google DeepMind, plus de trois millions de chercheurs, issus de plus de 190 pays, ont utilisé cet outil (bilan de novembre 2025). Pour la recherche sur les maladies négligées, la conception de nouveaux traitements ou l'étude d'organismes peu explorés, l'accès libre à ces structures a constitué un accélérateur considérable.

Un problème resté ouvert pendant cinquante ans a basculé, en quelques années, du statut de défi théorique à celui d'outil quotidien utilisé par des millions de scientifiques. C'est cette bascule que le comité Nobel a choisi de récompenser.

Le Nobel de chimie 2024 et AlphaFold 3

Le 9 octobre 2024, le prix Nobel de chimie récompense ces travaux. Une moitié revient à David Baker « pour la conception computationnelle de protéines », l'autre moitié conjointement à Demis Hassabis et John Jumper « pour la prédiction de la structure des protéines ». Fait notable : deux prix Nobel scientifiques la même année — physique et chimie — honorent des avancées directement liées à l'IA. Un signal fort de la reconnaissance de ces méthodes par les institutions scientifiques les plus établies.

La recherche n'en est pas restée là. En mai 2024, DeepMind et Isomorphic Labs présentent AlphaFold 3, décrit dans Nature. Ce nouveau modèle élargit le champ : il ne prédit plus seulement la structure des protéines isolées, mais aussi leurs interactions avec l'ADN, l'ARN et les petites molécules — les ligands, catégorie qui englobe de nombreux médicaments. Sur le plan technique, AlphaFold 3 introduit une architecture appelée « Pairformer », inspirée du transformeur, dont les prédictions sont affinées par un modèle de diffusion qui part d'un nuage d'atomes et ajuste progressivement leurs positions. Selon les résultats publiés, la précision des prédictions d'interactions protéine-molécule progresse d'au moins 50 % par rapport aux méthodes antérieures. On retrouve ici les deux architectures phares de l'IA moderne — le transformeur et la diffusion — appliquées à un problème de biologie structurale.

La génération : apprendre à créer des images et du texte

Nous venons de croiser le mot « diffusion » à propos d'AlphaFold 3. Cette technique mérite qu'on s'y arrête, car elle a nourri une autre grande vague scientifique : celle des modèles génératifs. Générer une image réaliste, un texte cohérent ou une molécule plausible n'est pas la même tâche que classer ou prédire. C'est un problème d'un autre ordre, et sa résolution a mobilisé des idées mathématiques élégantes.

Les modèles de diffusion

L'idée fondatrice des modèles de diffusion est étonnamment simple à énoncer. On part d'une image nette et on lui ajoute progressivement du bruit, jusqu'à obtenir une image entièrement aléatoire. Puis on entraîne un réseau de neurones à effectuer l'opération inverse : partir du bruit et retrouver, étape par étape, une image nette. Une fois entraîné, ce réseau peut générer de nouvelles images à partir d'un simple point de départ aléatoire, en « débruitant » patiemment jusqu'à faire émerger une image plausible. Le processus rappelle la manière dont un sculpteur dégage une forme d'un bloc de marbre : la structure était latente, il fallait l'extraire progressivement.

Cette approche s'appuie sur des concepts empruntés, là encore, à la physique — la diffusion étant à l'origine un phénomène thermodynamique décrivant la dispersion de particules. On retrouve la même fécondité que dans les travaux de Hopfield et Hinton : des outils forgés pour comprendre la matière trouvent une seconde vie dans l'apprentissage automatique. Les modèles de diffusion sont aujourd'hui au cœur des systèmes de génération d'images les plus performants, et leur usage s'étend à la génération de sons, de vidéos et, comme on l'a vu, de structures moléculaires.

Les modèles de langage génératifs

Du côté du texte, ce sont les transformeurs qui ont rendu possible la génération à grande échelle. En apprenant à prédire le mot suivant sur d'immenses corpus, les grands modèles de langage acquièrent une représentation riche de la langue et des connaissances qu'elle véhicule. La qualité de cette génération dépend directement des lois d'échelle évoquées plus haut : plus le modèle est grand et bien entraîné, plus son texte devient cohérent, nuancé et utile. C'est cette convergence — architecture transformeur, montée en échelle prévisible, entraînement sur de vastes corpus — qui a fait passer les modèles de langage du laboratoire à l'usage quotidien.

Un point mérite d'être clarifié pour le lecteur curieux. Générer du texte plausible et dire la vérité sont deux choses distinctes. Un modèle de langage optimise la vraisemblance de ses réponses, pas leur exactitude factuelle. C'est pourquoi la recherche consacre aujourd'hui des efforts considérables à ancrer ces modèles dans des sources vérifiables, à mesurer leur véracité et à réduire les affirmations erronées. La génération est une capacité remarquable ; sa fiabilité reste un chantier scientifique actif, et c'est très bien ainsi : cela signifie que le champ progresse encore.

L'IA au service de la science : météo, mathématiques, découverte

AlphaFold a ouvert une catégorie à part entière : l'« IA pour la science ». L'idée est simple et puissante : utiliser l'apprentissage automatique non pas pour des applications grand public, mais comme instrument de découverte scientifique, au même titre qu'un télescope ou un microscope. Plusieurs domaines ont déjà été transformés.

La météorologie : GraphCast

En novembre 2023, DeepMind publie dans Science les résultats de GraphCast, un modèle de prévision météorologique fondé sur des réseaux de neurones de graphes. Le résultat est remarquable : GraphCast produit des prévisions à dix jours plus précises que le système de référence du Centre européen pour les prévisions météorologiques à moyen terme (CEPMMT) sur plus de 90 % des zones de test, tout en calculant ses prévisions en moins d'une minute sur une seule machine, là où les systèmes physiques classiques mobilisent des supercalculateurs pendant des heures.

Entraîné sur quarante années de données atmosphériques mondiales, GraphCast a appris des régularités que les modèles physiques traditionnels ne parvenaient pas à encoder pleinement. Dans un cas documenté, il a anticipé neuf jours à l'avance la trajectoire de l'ouragan Lee vers la Nouvelle-Écosse. La météorologie illustre un principe général : lorsqu'un phénomène est régi par des lois complexes et qu'on dispose de grandes quantités de données historiques, un modèle appris peut compléter — et parfois devancer — les approches fondées sur la simulation physique.

Les mathématiques : de l'argent à l'or à l'Olympiade

Le raisonnement mathématique est un test exigeant pour l'IA, car il ne tolère pas l'à-peu-près : une démonstration est juste ou fausse. En 2024, DeepMind franchit une étape avec AlphaProof et AlphaGeometry 2, deux systèmes qui, ensemble, résolvent quatre des six problèmes de l'Olympiade internationale de mathématiques (IMO), atteignant le niveau d'une médaille d'argent avec 28 points. AlphaProof, fondé sur l'apprentissage par renforcement dans le langage de preuve formelle Lean, résout deux problèmes d'algèbre et un de théorie des nombres, dont le plus difficile de l'épreuve. AlphaGeometry 2, système neuro-symbolique, résout le problème de géométrie en dix-neuf secondes.

L'année suivante, en juillet 2025, la progression est spectaculaire. Une version avancée de Gemini Deep Think résout cinq des six problèmes de l'IMO 2025, obtenant 35 points sur 42 et atteignant le niveau d'une médaille d'or — une première officiellement reconnue par les organisateurs de l'Olympiade. La différence méthodologique est essentielle : là où les systèmes de 2024 nécessitaient une traduction manuelle des énoncés vers un langage formel et plusieurs jours de calcul, le modèle de 2025 opère de bout en bout en langage naturel, produisant directement des démonstrations rigoureuses à partir des énoncés officiels, dans le temps imparti aux candidats humains. OpenAI a rapporté un score équivalent sur les mêmes problèmes avec l'un de ses modèles.

En un an, l'IA est passée du niveau argent au niveau or à l'Olympiade internationale de mathématiques, tout en abandonnant les béquilles de la traduction formelle. La vitesse de cette progression est l'un des faits marquants de la période récente.

La découverte de matériaux

Un troisième domaine illustre la fécondité de l'« IA pour la science » : la chimie des matériaux. En 2023, DeepMind a présenté dans Nature un système capable de prédire la stabilité de nouvelles structures cristallines à très grande échelle, élargissant considérablement le catalogue de matériaux inorganiques jugés stables par le calcul. L'enjeu est concret : de meilleurs matériaux pour les batteries, les panneaux solaires ou les supraconducteurs supposent d'explorer un espace de possibilités immense, bien trop vaste pour l'expérimentation seule. Un modèle qui hiérarchise les candidats les plus prometteurs oriente les chimistes vers les pistes qui méritent une synthèse en laboratoire. On retrouve le principe d'AlphaFold : l'IA ne remplace pas l'expérience, elle la guide et l'accélère.

Ce que ces trois exemples — météorologie, mathématiques, matériaux — ont en commun est instructif. Dans chacun, un problème régi par des règles complexes rencontre un modèle appris sur de grandes quantités de données ou d'auto-expérimentation. Et dans chacun, le résultat n'est pas de rendre les scientifiques superflus, mais de leur offrir un instrument nouveau. L'IA rejoint ainsi la longue lignée des outils qui ont élargi le champ du connaissable : le microscope pour l'infiniment petit, le télescope pour l'infiniment lointain, l'ordinateur pour le calcul massif.

Un fil conducteur : l'auto-amélioration par renforcement

Ces succès mathématiques partagent une racine commune avec AlphaGo : l'apprentissage par renforcement et l'auto-jeu. Un système qui se confronte à des problèmes, évalue ses propres tentatives et affine progressivement sa stratégie peut atteindre des niveaux de performance qu'aucun corpus d'exemples humains ne suffirait à enseigner. C'est le même principe qui, transposé du go aux mathématiques, produit ces avancées. La cohérence de cette lignée — d'un jeu de plateau à la démonstration formelle — illustre bien la nature cumulative de la recherche en IA.

Les modèles de raisonnement : apprendre à réfléchir avant de répondre

La dernière grande vague scientifique concerne une capacité que l'on croyait longtemps hors de portée des modèles de langage : le raisonnement structuré. Les premiers grands modèles répondaient d'un trait, sans étape intermédiaire visible. Les modèles de raisonnement introduisent une idée différente : prendre le temps de « réfléchir » avant de répondre.

La chaîne de pensée

Le point de départ est une observation empirique : quand on demande à un grand modèle de langage de détailler son raisonnement étape par étape — la fameuse « chaîne de pensée » (chain-of-thought) — ses performances sur les problèmes complexes s'améliorent nettement. Décomposer un problème en sous-étapes, comme le ferait un élève au tableau, aide le modèle à ne pas se tromper. Cette technique, d'abord utilisée comme une simple consigne, a inspiré une nouvelle génération de modèles entraînés spécifiquement pour raisonner.

o1, o3 et la mise à l'échelle du raisonnement

Dès septembre 2024, OpenAI présente la série o1, décrite comme sa première famille de modèles de « raisonnement ». Le principe : le modèle est entraîné, par apprentissage par renforcement à grande échelle, à produire une longue chaîne de pensée interne avant de formuler sa réponse. Il consacre davantage de temps de calcul aux problèmes difficiles, ce qui améliore ses résultats en sciences et en mathématiques. Selon les évaluations publiées, o1 se classe parmi les meilleurs candidats à des qualifications d'olympiades de mathématiques et atteint un niveau comparable à celui d'un doctorant sur des questions de physique, de biologie et de chimie.

Son successeur, o3, annoncé en décembre 2024, pousse ces résultats plus loin. Sur le concours de mathématiques AIME 2024, o3 atteint des scores nettement supérieurs à ceux d'o1. Sur GPQA Diamond, un ensemble de questions de niveau doctoral en sciences, il progresse également. Ces modèles illustrent une idée neuve : au-delà de l'échelle du modèle et des données, on peut aussi mettre à l'échelle le temps de réflexion à l'usage. Consacrer plus de calcul à un problème donné, au moment de répondre, devient un levier de performance à part entière.

Un raisonnement mesuré par des épreuves exigeantes

Ces progrès se mesurent sur des épreuves conçues pour résister à la mémorisation. Le benchmark ARC-AGI, créé par François Chollet, évalue la capacité à résoudre des problèmes de raisonnement abstrait jamais vus auparavant. En quelques années, les scores des meilleurs systèmes sur cette épreuve ont fortement progressé, même si un écart subsiste avec la performance humaine et que des versions plus exigeantes du benchmark continuent d'être publiées pour maintenir le défi. Cette dynamique — des modèles qui progressent, des épreuves qui se durcissent — est saine : elle garantit que les mesures restent discriminantes et que la recherche conserve des objectifs ambitieux.

• Chaîne de pensée : détailler le raisonnement étape par étape améliore les résultats sur les problèmes complexes.
• o1 (2024) : premier modèle entraîné par renforcement à raisonner longuement avant de répondre, niveau doctoral sur plusieurs sciences.
• o3 (2024) : progrès nets sur les mathématiques de compétition et les questions scientifiques avancées.
• Calcul à l'usage : consacrer plus de temps de réflexion à un problème devient un levier de performance, en plus de la taille du modèle.

Le fil rouge : une science cumulative

Prenons du recul. Que nous apprend ce panorama, mis bout à bout ? D'abord, que les percées de l'IA ne sont pas indépendantes les unes des autres. Elles forment une chaîne. Les fondations théoriques de Hopfield et Hinton rendent possible le deep learning. Le deep learning d'AlexNet démontre la supériorité de l'approche. L'apprentissage par renforcement d'AlphaGo ouvre la voie à l'auto-amélioration. Le transformeur unifie les architectures. Les lois d'échelle rendent les progrès prévisibles. Et ces briques, combinées, produisent AlphaFold, GraphCast, les systèmes de démonstration mathématique et les modèles de raisonnement.

Ensuite, que le rythme s'est accéléré, mais que la logique reste la même : chaque avancée repose sur les précédentes. AlphaFold 3 emprunte au transformeur (2017) et à la diffusion. Les modèles de raisonnement héritent de l'apprentissage par renforcement (AlphaGo, 2016) et de la chaîne de pensée. Rien ne surgit du néant. C'est peut-être la leçon la plus rassurante de cette histoire : l'IA progresse par accumulation méthodique, article après article, benchmark après benchmark.

Enfin, que la reconnaissance institutionnelle a rattrapé la recherche. Deux prix Nobel scientifiques en 2024 — physique pour les réseaux de neurones, chimie pour AlphaFold — consacrent des travaux qui, il y a dix ans encore, étaient perçus comme relevant d'un domaine technique de niche. La science fondamentale de l'IA est désormais reconnue au plus haut niveau, aux côtés des grandes disciplines qui l'ont nourrie.

Ce que ces percées annoncent

Où mène cette trajectoire ? Plusieurs axes se dessinent avec clarté. L'interprétabilité mécanistique cherche à comprendre les circuits internes des grands modèles, neurone par neurone — un effort essentiel pour rendre ces systèmes vérifiables. L'IA pour la science s'étend au-delà de la biologie et de la météorologie : chimie des matériaux, physique des plasmas, mathématiques pures. Les modèles de raisonnement continuent de progresser, en apprenant à consacrer leur calcul là où il est le plus utile.

Un point mérite d'être souligné pour finir. Chacune des percées décrites ici a été rendue possible par une pratique scientifique ouverte : publication d'articles, partage de jeux de données, mise à disposition d'outils, concours communs comme ImageNet, CASP ou l'IMO. Cette culture de l'évaluation transparente et de la publication est le véritable moteur du progrès. Les benchmarks, les prépublications, les bases de données ouvertes : ce sont les instruments qui permettent à la communauté de vérifier, de reproduire et de dépasser chaque résultat. La prochaine percée, quelle qu'elle soit, naîtra de cette même mécanique cumulative — et « Le Paper du lundi » sera là pour la décortiquer.

Sources

• NobelPrize.org — Communiqué du prix Nobel de physique 2024 (Hopfield, Hinton)
• NobelPrize.org — Communiqué du prix Nobel de chimie 2024 (Baker, Hassabis, Jumper)
• Krizhevsky, Sutskever, Hinton — « ImageNet Classification with Deep Convolutional Neural Networks » (AlexNet, 2012)
• Vaswani et al. — « Attention Is All You Need » (transformeur, 2017)
• Wei et al. — « Emergent Abilities of Large Language Models » (arXiv, 2022)
• Google DeepMind — AlphaFold 2 et le prix Nobel de chimie
• Isomorphic Labs / DeepMind — AlphaFold 3 (Nature, mai 2024)
• Lam et al. — « Learning skillful medium-range global weather forecasting » (GraphCast, Science, 2023)
• DeepMind — AlphaProof & AlphaGeometry 2 à l'IMO 2024 (médaille d'argent)
• DeepMind — Gemini Deep Think, médaille d'or à l'IMO 2025
• OpenAI — Carte système o1 (modèles de raisonnement, 2024)
• « Mastering the Game of Go with Deep Neural Networks and Tree Search » (AlphaGo, Nature, 2016) — synthèse
• Survey — « Towards Large Reasoning Models » (arXiv, 2025)