Nature met en avant un système d’assistance empirique scientifique

Le fait — Nature News & Comment a mis en avant le 25 juin 2026 un travail sur Empirical Research Assistance, ou ERA. Le système combine un grand modèle de langage avec une recherche arborescente, c’est-à-dire une exploration systématique de solutions possibles. Son objectif est d’améliorer une métrique de qualité sur des tâches de recherche computationnelle. Le résumé mentionne des résultats dans plusieurs domaines. En bioinformatique, ERA aurait trouvé 40 nouvelles méthodes d’analyse de cellules uniques, devant des approches humaines sur un classement public. En épidémiologie, il aurait généré 14 modèles dépassant l’ensemble du CDC pour prévoir les hospitalisations Covid. Le texte cite aussi des résultats en analyse géospatiale, prédiction d’activité neuronale chez le poisson-zèbre, calcul numérique d’intégrales et prévision de séries temporelles.

Le contexte — Les laboratoires frontier présentent de plus en plus l’automatisation de la recherche comme un signe avancé de capacité générale. La recherche scientifique mobilise planification, code, lecture externe et itération expérimentale. C’est donc un terrain observé de près dans le récit AGI. ERA est notable parce qu’il ne se limite pas à répondre à des questions. Il produit du logiciel spécialisé et l’améliore par exploration guidée. Cela rapproche les systèmes actuels d’un rôle de collaborateur de recherche, même sans autonomie générale. L’analyse — Le signal important n’est pas seulement la performance sur une tâche isolée. C’est la variété des domaines couverts avec une même boucle d’exploration et d’implémentation. Cela suggère que certaines composantes de la recherche empirique deviennent davantage automatisables. Mais le cadre reste borné par des métriques explicites, des compétitions publiques et des objectifs bien définis. On ne voit pas encore une capacité indépendante à choisir des problèmes, juger leur valeur scientifique, puis réviser ses propres critères. ERA renforce donc l’idée d’agents de recherche utiles et transversaux, sans établir une transition directe vers l’AGI. La question reste ouverte : quand l’automatisation de pans de science devient-elle un changement de nature, plutôt qu’une somme de gains spécialisés ?