L’audience des prix Nobel n’est plus ce qu’elle était, mais ces récompenses scientifiques sont toujours utiles pour rappeler certaines leçons et éclairer les relations entre la science et la société. Cette année par exemple, les comités de sélection ont confirmé leur sexisme, en ne primant aucune femme sur les sept lauréats des trois disciplines, médecine, physique et chimie.
Dans le cas de la médecine, le comité aggrave son cas avec l’invisibilisation de deux femmes, Rosalind Lee et Rhonda Feinbaum (la première étant la femme d’un des lauréats), qui ont visiblement eu un rôle-clé dans les résultats primés par le Nobel. Certes elles n’étaient pas à l’initiative du travail mais en 2018, le comité de physique avait célébré le physicien, Gérard Mourou, et son étudiante, Donna Strickland, dans des circonstances proches. Mais les plus nombreuses leçons portent sur la thématique récompensée en physique et en chimie : l’intelligence artificielle.
A celles et ceux qui, devant la profusion des « applications » de l’intelligence artificielle actuelle (génération de textes, d’images, de vidéos, jeu de go et d’échecs…), douteraient du caractère scientifique de ces innovations, le jury de physique est venu rappeler que les racines du domaine sont, en partie, à chercher dans la physique statistique. Même si les systèmes étudiés par les deux lauréats sont éloignés de ceux utilisés de nos jours. Quand bien même les progrès importants sont plus liés aux mathématiques, à l’informatique et à l’ingénierie, il est utile de souligner la place prise par la science derrière ces innovations qui envahissent notre quotidien.
Méfiance des chercheurs
Le Nobel a été encore plus loin dans son souci, peut-être involontaire, de pédagogie. Si en physique l’Académie suédoise a célébré la science derrière une découverte, le lendemain, en chimie, elle a montré que l’IA pouvait changer la science. La moitié du prix va en effet à un logiciel, AlphaFold, développé à l’époque par une filiale de Google, Deepmind, et qui a résolu un vieux problème des biochimistes, la prédiction des structures tridimensionnelles des molécules.
Et ce n’est qu’un exemple parmi de nombreux autres montrant comment des systèmes d’apprentissage machine peuvent aider des astrophysiciens, des physiciens des particules, des biologistes en imagerie, et bientôt peut-être des mathématiciens ou des sociologues. Quant à savoir si cette facilitation du travail quotidien débouchera sur de nouvelles connaissances, voire de nouvelles applications, il est encore trop tôt pour le dire, même si les habituelles surenchères pour « vendre » ces technologies pour les batteries, contre le cancer, ou pour la transition écologique vont bon train.
Il vous reste 54.79% de cet article à lire. La suite est réservée aux abonnés.
