ERA, système d’écriture logicielle scientifique par LLM et recherche arborescente

Le fait — Nature News & Comment a mis en avant le 26 juin 2026 un travail sur ERA, pour Empirical Research Assistance. Le système utilise un grand modèle de langage et une recherche arborescente, c’est-à-dire une exploration systématique de solutions possibles. Selon le snippet, ERA produit un logiciel scientifique de niveau expert pour maximiser une mesure de qualité. Le texte affirme aussi qu’ERA explore et intègre des idées complexes issues de sources externes. Les résultats cités couvrent plusieurs domaines. En bioinformatique, ERA aurait trouvé 40 méthodes nouvelles pour l’analyse de données cellulaires, devant les meilleures méthodes humaines sur un classement public. En épidémiologie, ERA aurait généré 14 modèles dépassant l’ensemble du CDC pour prévoir les hospitalisations Covid-19. Le snippet mentionne aussi des résultats en analyse géospatiale, en prédiction d’activité neuronale chez le poisson-zèbre, en calcul d’intégrales et en prévision de séries temporelles.

Le contexte — Ce type de résultat compte dans le suivi vers l’AGI car il ne s’agit pas d’un simple usage sectoriel figé. Le système enchaîne lecture, génération de code, exploration d’options et amélioration itérative sur plusieurs domaines. Cela rapproche davantage ERA d’un agent de recherche généraliste que d’un modèle conversationnel standard. Depuis 2024, une partie du récit AGI s’est déplacée des scores de benchmark vers les systèmes capables d’accomplir des boucles de travail complètes. ERA s’inscrit précisément dans cette dynamique. L’analyse — Le signal important n’est pas une preuve d’AGI, mais un franchissement de capacité agentique dans un environnement scientifique mesurable. Le recours à une recherche arborescente suggère que les gains viennent aussi de la structure du système, pas seulement de la taille du modèle. Cela renforce l’idée qu’une trajectoire vers des systèmes plus généraux pourrait passer par l’orchestration, la planification et l’évaluation automatique. En même temps, le fait que les résultats dépendent de métriques définies et de contextes expérimentaux limite ce qu’on peut inférer sur une généralité ouverte. La question reste donc ouverte : jusqu’où ce type d’agent peut-il transférer hors de tâches scientifiques bien instrumentées ?