Les entreprises d'IA attirent les meilleurs talents universitaires, déplaçant la recherche des universités

Deux ans après avoir remporté le prix Nobel, près d’un quart des membres clés de l’équipe Google AlphaFold ont quitté Google, avec des lauréats du Nobel comme John Jumper qui ont rejoint Anthropic. L’industrie de l’IA absorbe massivement les talents académiques : en 2022, 70,7 % des doctorants en IA ont rejoint le secteur privé, contre seulement 20 % qui sont restés dans le milieu académique. Le revenu annuel des chercheurs de pointe dans les entreprises atteint déjà 1,94 million de dollars, soit cinq fois plus que dans le milieu académique. Bien que les entreprises d’IA puissent accélérer les percées scientifiques et produire des résultats qui changent l’histoire de la science, une fois transférées en entreprise, la production scientifique diminue en moyenne de 65 %, les résultats passant des articles aux brevets et aux secrets commerciaux. Plus grave encore, les entreprises manquent de motivation pour former la prochaine génération de scientifiques, et la recherche fondamentale est de plus en plus marginalisée. La science s’échappe rapidement des universités.

Auteur et source de l'article : APPSO

Deux ans après avoir obtenu le prix Nobel, l'équipe originale de Google AlphaFold a été dissoute.

La plupart des auteurs originaux de la publication sur AlphaFold ont été réaffectés au cours de la dernière année, dont près d’un quart des auteurs principaux à temps plein ont quitté Google définitivement.

Les autres se sont tournés vers des domaines tels que l'agent de recherche Gemini, la conception d'enzymes, la génomique et la fusion nucléaire, tandis que certains sont allés directement chez Isomorphic Labs, une entreprise de recherche pharmaceutique filiale d'Alphabet.

Même les lauréats du prix Nobel John Jumper et Jonas Adler ont été temporairement transférés à l'équipe Code Strike pour se concentrer sur les capacités de codage par IA. Mais comme nous le savons tous, ces deux grands noms ont finalement rejoint Anthropic.

À gauche : Demis Hassabis, PDG de Google DeepMind ; à droite : John Jumper. Lien vers l'article original : https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33?utm_source=chatgpt.com&syn-25a6b1a6=1

À propos de ce reportage, Pushmeet Kohli, vice-présidente de la recherche chargée de l'IA pour la science chez Google, a répondu que l'équipe scientifique de DeepMind n'a pas changé de cap, mais a simplement élargi son champ d'action ; elle continue de faire avancer la conception de protéines, de génomes et d'enzymes, en utilisant Gemini pour accélérer la recherche.

AlphaFold représentait autrefois un modèle de recherche relativement traditionnel : constituer une équipe autour d'une question claire, y investir à long terme, concentrer les ressources et livrer enfin des résultats.

Aujourd'hui, des équipes similaires laissent progressivement la place à des plateformes de modèles plus universels. Les protéines, les mathématiques, le génome, la fusion nucléaire et le code, qui semblent appartenir à des disciplines différentes, deviennent, une fois intégrés dans les entreprises d'IA, un ensemble de modules de capacités pour Gemini.

Dans le même temps, les talents scientifiques, les ressources de calcul et le contrôle des sujets se concentrent de plus en plus entre les mains de quelques entreprises d’IA.

Au cours des dernières années, de plus en plus de professeurs en mathématiques, physique, biologie et informatique ont rejoint l'industrie de l'IA.

Par exemple, Anthropic recrute continuellement des physiciens, des économistes et des philosophes ; OpenAI attire des chercheurs spécialisés dans les trous noirs, la théorie des cordes et les mathématiques pures ; DeepMind regroupe également des experts en biologie et en fusion nucléaire.

Récemment, le professeur de l'Université d'Arizona State, Subbarao Kambhampati, a ironisé sur le fait que le milieu académique avait récemment adopté un nouveau mem : « Je veux rejoindre Anthropic. »

Selon une estimation approximative de The Atlantic, seulement quatre grandes entreprises d'IA regroupent au moins 80 professeurs actuels ou anciens.

La direction des flux de talents devient également de plus en plus unique.

Le rapport « AI Index » de l'Université de Stanford montre qu'en 2011, la proportion de doctorants en IA entrant dans le secteur privé et dans le milieu académique était à peu près équivalente, à 40,9 % et 41,6 % respectivement. En 2022, la proportion entrant dans le secteur privé a augmenté à 70,7 %, tandis que celle entrant dans le milieu académique est tombée à 20 %.

Un article de travail du NBER de 2026 a suivi environ 42 000 chercheurs américains en IA. Les chercheurs de moins de 40 ans ont environ six fois plus de chances de quitter l'université que ceux de 40 ans et plus ; environ 70 % des personnes ayant changé d'emploi sont toujours chez l'entreprise cinq ans plus tard.

L'argent est bien sûr important. Le revenu annuel des 1 % meilleurs chercheurs en IA dans les entreprises est passé de 595 000 dollars à 1,94 million de dollars ; chez les universités, le même groupe est passé de 301 000 dollars à 392 000 dollars. L'écart entre les deux a augmenté d'environ 1,5 million de dollars.

Il est plus difficile de refuser les conditions de recherche.

Au début des années 2010, environ 65 % des grands modèles d'apprentissage automatique étaient développés indépendamment par des laboratoires universitaires. À l'entrée des années 2020, ce pourcentage est tombé à moins de 10 %. En 2022, environ 81 % des modèles de pointe avaient été réalisés indépendamment par des entreprises.

Lorsque la professeure d'UC Berkeley Anca Dragan a rejoint DeepMind, elle a clairement exprimé ses besoins : les « données, puissance de calcul et budget » nécessaires à un institut de recherche sur la sécurité de pointe.

En comparaison, une recherche dans une université nécessite d'abord de demander un financement, d'acheter du matériel, de recruter des ingénieurs, puis d'attendre une disponibilité pour les ressources de calcul. Une fois dans une entreprise d'IA, le même chercheur peut directement accéder à de grands modèles, à des données propriétaires, à une puissance de calcul distribuée et à un système d'ingénierie composé de centaines de personnes.

Cependant, le départ d'un professeur de premier plan de l'université entraîne des pertes bien plus importantes que quelques articles. L'université perd simultanément un mentor, un groupe de recherche, une chaîne de formation de doctorants, ainsi que les orientations de recherche qui pourraient se développer au cours des prochaines décennies.

Autrefois, les entreprises technologiques achetaient des résultats de recherche aux universités. Aujourd'hui, elles commencent à acheter directement les personnes qui produisent ces résultats. Les entreprises obtiennent une personne, tandis que les universités pourraient perdre une génération.

Attribuer tous les mouvements de talents à un déclin de l'académie sous-estime également la valeur créée par la recherche industrielle.

AlphaFold a démontré que les entreprises peuvent produire des résultats qui changent l'histoire de la science. Plus de deux cent millions de prédictions de structures protéiques ont fait gagner des mois, voire des années, à un grand nombre de biologistes.

Les laboratoires Bell ont déjà démontré qu'un institut de recherche d'entreprise peut changer la science. À son apogée, il comptait environ 1 200 docteurs et a produit au moins 10 prix Nobel. Demis Hassabis l'a à plusieurs reprises prise comme référence pour DeepMind.

Les entreprises d'IA deviennent effectivement de plus en plus des instituts de recherche novateurs couvrant plusieurs disciplines, dotés de solides compétences en ingénierie et de débouchés commerciaux.

DeepMind intègre Gemini dans les domaines des mathématiques, du génome et de la fusion nucléaire ; Isomorphic Labs collabore avec des entreprises pharmaceutiques pour développer de nouveaux médicaments ; Anthropic lance Claude Science ; OpenAI intègre ChatGPT et Codex dans les processus de recherche scientifique.

Des résultats pertinents sont déjà apparus. Le physicien Rogerio Jorge a développé un logiciel open source de fusion nucléaire à l'aide de l'IA, tandis que le scientifique en informatique théorique Barna Saha et d'autres ont utilisé GPT-5.5 Pro pour aider à la démonstration de géométrie de haute dimension.

OpenAI affirme qu'environ 1,3 million de personnes utilisent ChatGPT chaque semaine pour effectuer des tâches scientifiques et mathématiques avancées, et prévoit de proposer gratuitement des modèles de pointe et Codex à 100 000 chercheurs universitaires.

Du point de vue de l’impact personnel, un scientifique qui rejoint une entreprise peut voir son influence amplifiée. Comme mentionné précédemment, il pourrait diriger une dizaine d’étudiants à l’université, mais dans une entreprise d’IA, il peut mobiliser des centaines d’ingénieurs, d’immenses ressources de calcul et des plateformes de données mondiales. Les méthodes qui n’étaient auparavant que théoriques, contenues dans des articles scientifiques, deviennent plus facilement applicables dans les domaines des médicaments, des logiciels, des équipements expérimentaux et des systèmes industriels.

But the cost is obvious.

Une étude du NBER révèle que, après un transfert à long terme vers le secteur privé, la production académique des chercheurs en IA diminue en moyenne de 65 %. Entre 2000 et 2019, la part des chercheurs en IA employés par des entreprises est passée de 48 % à 68 %, tandis que leur part dans les publications est passée de 27 % à 32 %, et leur part dans les brevets de 86 % à 95 %.

Les chercheurs sont encore en train d’étudier, mais les résultats passent déjà des articles scientifiques aux brevets, aux modèles internes et aux secrets commerciaux. Google a autrefois rendu public Transformer, faisant croître toute l’industrie. Aujourd’hui, les données d’entraînement, les poids des modèles et les enregistrements d’échecs deviennent de plus en plus difficiles à sortir des serveurs des entreprises.

La science continue d'accélérer, mais la science ouverte pourrait freiner.

Les entreprises d'IA peuvent devenir des instituts de recherche, mais il leur est difficile de devenir des universités.

L'université assume une tâche souvent négligée : elle doit former un grand nombre d'étudiants qui n'ont pas encore prouvé leur valeur, tout en conservant à long terme des problèmes qui n'ont pas encore d'application, ne peuvent pas être évalués, et dont la valeur ne se révélera peut-être que des décennies plus tard.

Cependant, les entreprises d'IA privilégient les professeurs et chercheurs expérimentés ayant déjà fait leurs preuves, et montrent moins de patience envers le développement de nouveaux talents. Selon les données de SignalFire, les diplômés récents ne représentaient que 7 % des recrutements dans les grandes entreprises technologiques en 2024, soit une baisse de plus de la moitié par rapport à 2019.

🔗 https://www.signalfire.com/blog/signalfire-state-of-talent-report-2025

Les entreprises attirent des professeurs et des chercheurs expérimentés des universités, tout en réduisant les postes juniors et les investissements dans la formation. Elles peuvent rassembler un groupe de scientifiques de premier plan, mais ne prennent pas nécessairement en charge la responsabilité de former en masse la prochaine génération de scientifiques.

Les impacts se font déjà sentir dans les salles de cours universitaires. Les étudiants interrogés par The Atlantic ont constaté que certains cours ont été soudainement annulés, avec pour raison bien réelle que les professeurs partaient en « congé » chez des entreprises d'IA.

Dans le même temps, après le départ du professeur célèbre, les doctorants perdent non seulement un cours, mais aussi des ressources de recommandation, un réseau de recherche, des compétences en organisation de projets, ainsi que l'accès à des questions de pointe.

Des changements plus subtils se produisent dans les sujets de recherche.

La conception de médicaments, la programmation, le raisonnement mathématique et la découverte de matériaux peuvent renforcer les modèles et se traduire par des produits, ce qui les rend naturellement plus susceptibles d'obtenir un soutien en ressources. Les sujets tels que les études de terrain à long terme et la protection de l'environnement se trouvent souvent dans une situation embarrassante.

Cependant, l'histoire aime bien jouer des tours aux rendements à court terme.

La théorie des nombres a longtemps été considérée comme la branche la plus pure et la moins pratique des mathématiques, avant de devenir la fondation de la cryptographie moderne. Au moment de son apparition, le laser a également été qualifié de « solution à la recherche d’un problème ». Au début, Internet était tout aussi difficile à évaluer à l’aide de modèles commerciaux.

Le sens du système de recherche publique réside dans sa capacité à permettre à l'humanité d'étudier des questions dont la valeur ne peut pas encore être expliquée.

Les entreprises d'IA d'aujourd'hui sont confrontées à une concurrence intense en matière de performance des modèles, de lancement de produits et d'investissements en capital. Même si elles sont disposées à investir dans la science fondamentale, les ressources ont plus de chances d'être orientées vers des domaines qui améliorent les modèles, soutiennent les produits ou permettent de déposer des brevets.

Une prospérité maladroite est très probable à l'avenir.

Les humains trouvent plus rapidement de nouveaux médicaments, démontrent des théorèmes et découvrent des matériaux ; les scientifiques les plus brillants disposent des outils les plus puissants de l'histoire. Toutefois, il devient une question de savoir qui décide de ce qui doit être recherché, qui forme la prochaine génération de scientifiques, et qui est disposé à continuer à mener des recherches non financées.

Les scientifiques n'ont pas quitté la science. La science, en revanche, s'éloigne à toute vitesse des universités.

Parfois, je compare l'université et les entreprises d'IA aux deux extrémités d'une rivière. L'université ressemble davantage à la partie amont. Le courant est lent, chargé de boue, et de nombreux affluents semblent inutiles. Certains y mesurent, enregistrent et débattent, tandis que d'autres passent toute leur vie à étudier un ruisseau qui ne se jette jamais dans une ville.

Les entreprises d'IA ressemblent davantage à des centrales hydroélectriques en aval. Elles peuvent concentrer le flux d'eau, faire fonctionner les machines et produire une énergie énorme, propulsant rapidement la science dans les médicaments, les logiciels et l'industrie.

Les centrales hydroélectriques sont bien sûr importantes. Sans elles, l'eau du fleuve ne fait que s'écouler.

Mais si tout le monde se dirige vers la génération d'électricité en aval, la source en amont s'asséchera progressivement, et dans quelques années, tout le monde ne pourra que s'asseoir dans les salles serveurs en attendant une rivière qui ne coule plus.

Lorsque les mathématiciens s'efforcent d'améliorer les modèles, les biologistes s'occupent d'entraîner des agents et les physiciens étendent les limites du pouvoir de calcul, l'humanité pourrait obtenir une IA plus puissante. Les problèmes laissés en arrière, sans feuille de route produit, sans retour sur investissement et sans explication immédiate de leur utilité.

Elles sont silencieuses. À tel point qu'on pourrait facilement croire qu'elles ne sont pas importantes.