L'IA Gemini de Google DeepMind commence à mener des expériences dans le monde réel

Édité par Panda

Dans Resident Evil, il existe un laboratoire souterrain appelé « l'Umbrella ». L'accès, la surveillance, la ventilation, la sécurité et le fonctionnement de l'ensemble des installations sont confiés à une IA : la Reine Rouge.

Les scientifiques humains sont chargés de la recherche, mais l'IA est celle qui contrôle véritablement les « membres » de ce laboratoire.

Lorsqu'une anomalie se produit, la Reine Rouge peut fermer les portes, couper le système, contrôler les installations et intervenir directement dans le monde physique.

Il y a plus de vingt ans, ce scénario était un classique des films de science-fiction pour susciter la peur : l’IA pénètre le monde physique, manipule des machines, mène des expériences et intervient directement dans le monde réel.

Maintenant, cette scène commence à entrer dans la réalité d'une manière complètement différente — du moins, pas encore effrayante.

Hier seulement, Anthropic a publié le Model Hardware Standard (MHS) destiné aux équipements physiques, cherchant à étendre la logique du MCP au-delà de GitHub, Slack et des bases de données vers des dispositifs réels tels que des bras mécaniques, des microscopes, des manipulateurs de liquides et des lasers. Consultez l’article : « Vient de sortir : Anthropic lance le MCP physique : Claude commence à prendre le contrôle du monde réel ».

En bref, un agent IA ne se contente plus d’avoir simplement des « interfaces » pour appeler des logiciels ; il commence à nécessiter un ensemble de « nerfs et de membres » pour se connecter au monde réel. Aujourd’hui, Google DeepMind a encore une fois montré ses progrès dans ce domaine.

Dans un article de 83 pages récemment publié, Google a intégré Co-Scientist piloté par Gemini dans des processus de recherche réels, lui permettant de concevoir des expériences, générer du code d'exécution, lire les retours expérimentaux et se connecter directement aux équipements expérimentaux. Google qualifie ce changement de passage d'un générateur d'hypothèses in-silico à un partenaire de recherche ancré dans l'exécution, soit : générateur d'hypothèses sur puce → partenaire de recherche basé sur l'exécution.

Dans l’expérience la plus directe, les chercheurs ont fourni les paramètres d’un équipement CVD auto-construit à Gemini 3 Deep Think. Quelques minutes plus tard, celui-ci a proposé un plan de croissance des matériaux adapté à cet équipement, puis a traduit ce plan en code machine permettant de contrôler l’appareil. En fin de compte, les trois semi-conducteurs bidimensionnels ont été réussis dès la première tentative.

Ainsi, une scène autrefois limitée aux films de science-fiction est soudainement devenue réalité : lorsque les grands modèles obtiennent véritablement des « mains » pour manipuler des équipements expérimentaux. À partir d'aujourd'hui, qu'est-ce que l'AI Scientist deviendra ?

Dans Resident Evil, les humains craignent que l'IA ne prenne le contrôle du laboratoire. Dans la réalité, les scientifiques activent volontairement le laboratoire Cliquez ici Remettre à l'IA. Bien sûr, ce que Google souhaite créer, ce n'est pas un « essaim » hors de contrôle, mais une machine de découverte scientifique capable de passer de l'hypothèse à la conception d'expériences, jusqu'à la validation en conditions réelles.

Titre de l'article : Accélérer la recherche scientifique avec Gemini dans le monde réel

Adresse du papier : https://arxiv.org/pdf/2608.26701

Tout d'abord, les sciences des matériaux.

Les chercheurs utilisent un équipement de dépôt chimique en phase vapeur (CVD) qu'ils ont construit eux-mêmes. Lors de l'expérimentation avec ce type de matériaux bidimensionnels, un problème persistant est que les « recettes » publiques sont difficiles à reproduire.

Avec les mêmes paramètres — température, gaz, précurseurs —, en changeant de four, même de légères différences dans la taille de la cavité, le flux de gaz ou la disposition des matériaux peuvent entraîner la croissance de cristaux complètement différents. Les chercheurs doivent souvent passer plusieurs semaines, voire plusieurs mois, à ajuster répétitivement ces paramètres.

Ainsi, l'équipe de recherche n'a plus dit à Gemini comment mener les expériences, mais lui a indiqué quelles équipements et quels produits chimiques étaient disponibles dans le laboratoire, ainsi que la structure des fours. Les paramètres restants ont été déterminés par l'IA.

Co-Scientist génère un protocole expérimental complet, incluant le débit de gaz, les courbes de température, la quantité de précurseurs et la position d'installation des matériaux, puis le transmet à l'équipement expérimental pour exécution.

Un groupe d'expériences s'est particulièrement distingué. Après avoir intégré Gemini 3 Deep Think au processus de contrôle CVD, il n'engendre plus un protocole expérimental en langage naturel pour que les scientifiques le lisent progressivement, mais effectue l'inférence en quelques minutes et traduit directement les résultats en code machine pouvant contrôler les équipements.

Finalement, les trois semi-conducteurs bidimensionnels MoS₂, MoSe₂ et WS₂ ont tous réussi à croître en monocouche lors de la première expérience. L'ensemble du processus expérimental a été terminé en environ une heure.

MoSe₂ et WS₂ sont particuliers : les chercheurs n'avaient jamais auparavant cultivé ces deux matériaux sur ce dispositif. Au moins cinq expériences répétées ont confirmé les résultats.

Cela fait écho de manière intéressante à ce qu'Anthropic a présenté hier avec le MHS. La question qu'Anthropic cherche à résoudre est de savoir comment permettre aux agents de reconnaître et d'opérer les équipements expérimentaux de manière plus pratique et standardisée ; l'article de Google aborde la prochaine étape : comment restructurer les flux de travail scientifiques lorsque les modèles de raisonnement sont déjà capables de contrôler les équipements expérimentaux ?

En ce sens, « l'IA connectée à l'hardware » n'est plus un problème.

Cependant, il ne s'agirait pas d'une véritable découverte scientifique si Gemini se contentait de configurer un ensemble d'équipements sur la base de connaissances préexistantes. Ainsi, Google a mené un deuxième expérience plus difficile : tenter de synthétiser de manière ascendante un matériau bidimensionnel appelé Ti₃C₂Tₓ MXene.

Les méthodes traditionnelles impliquent souvent des réactifs dangereux et corrosifs, et certaines procédures CVD connues utilisent du TiCl₄, toxique et sensible à l'air. L'équipe de recherche a donc assigné à Co-Scientist la tâche de trouver une voie plus sûre pour les précurseurs.

Co-Scientist a finalement ciblé l'hexachloroéthane C₂Cl₆ et a fourni des paramètres supplémentaires, notamment le nombre, la position, le débit de gaz, le substrat et la courbe de température.

Mais ce n’est pas une histoire de « découverte soudaine par l’IA, réussite immédiate à la première tentative ». Co-Scientist a généré 272 candidats, que les chercheurs ont sélectionnés et optimisés progressivement ; après 25 itérations expérimentales, ils ont finalement obtenu un cristal bidimensionnel stratifié présentant des caractéristiques fortement similaires à celles du MXene Ti₃C₂Tₓ, selon plusieurs indicateurs tels que la diffraction des rayons X, la microscopie électronique et la composition élémentaire.

Les problèmes du monde réel qui suivent sont également typiques. Le taux de réussite initial pour la réplication de l'expérience n'était que de 11,5 %. Les chercheurs ont ensuite découvert que le problème principal n'était pas le raisonnement chimique de l'IA, mais une fuite d'oxygène due à un scellement insuffisant des équipements expérimentaux.

Après avoir nettoyé à nouveau le tube de quartz, remplacé les joints d'étanchéité et amélioré les procédures de maintenance de l'équipement, le taux de réussite des expériences avec le même matériau bidimensionnel a atteint 68 %.

Cela illustre précisément pourquoi l'IA du monde réel diffère des agents logiciels : en cas d'erreur de code, on peut simplement relancer le programme. Mais dans une expérience réelle, un joint torique vieilli, une résidu de tuyauterie, ou même l'oxygène présent dans l'air peuvent faire échouer complètement un protocole scientifique correct.

Google est également très prudent dans son article : il n'est pas encore possible de confirmer définitivement que ce matériau est bien du Ti₃C₂Tₓ MXene, car il présente des problèmes de rendement faible et d'oxydation importante, nécessitant une confirmation supplémentaire par caractérisation à l'échelle atomique.

Malgré tout, nous pouvons conclure que l'IA est désormais capable de proposer une voie de synthèse candidate ayant une signification scientifique, puis de la mettre réellement en œuvre dans des expériences physiques pour validation.

Google a également placé Co-Scientist dans un tout autre scénario expérimental : la biologie synthétique. Les sujets d'étude étaient un groupe de bactéries Escherichia coli génétiquement modifiées.

Ces bactéries forment des motifs de colonies distincts dans les plaques de culture. Lorsque la concentration de l'inducteur IPTG varie, la taille, les bords et la forme des colonies changent également. Normalement, pour obtenir l'ensemble de la courbe de variation, les scientifiques doivent préparer différentes concentrations, cultiver les bactéries, attendre leur croissance, puis scanner chaque plaque une par une.

Google a tenté de faire en sorte que l'IA complète une partie intermédiaire de l'expérience. Les chercheurs n'ont fourni à Co-Scientist que des images réelles de colonies à certaines concentrations, puis ont demandé au système de prédire à quoi devraient ressembler les colonies à des concentrations intermédiaires non vues auparavant. De plus, ces données expérimentales n'avaient pas encore été publiées à ce moment-là ; par conséquent, l'article conclut que le modèle ne pouvait pas simplement accomplir la tâche en se basant sur la mémorisation des résultats présents dans les données d'entraînement.

Ainsi, sur les quatre indicateurs de morphologie de colonies, les prédictions de l'IA ont montré aucune différence significative par rapport aux résultats expérimentaux réels pour trois d'entre eux ; elle a également correctement déterminé que le groupe témoin ne variait pas en fonction de la concentration d'IPTG.

Le seul problème évident est la « circularité » : les colonies générées par l'IA sont plus régulières que dans la réalité. Cela correspond parfaitement à l'esthétique habituelle des modèles de génération : le monde réel n'est pas aussi parfait, mais l'IA ne peut s'empêcher de les rendre un peu plus circulaires.

Google définit également cette expérience de manière modérée : ce qui a été réalisé jusqu'à présent est une interpolation dans des intervalles de concentrations connus, et non une prédiction directe de phénomènes inconnus face à un nouveau circuit génétique.

Mais cela correspond déjà à un usage très concret. À l'avenir, les scientifiques n'auront peut-être pas besoin de réaliser des expériences physiques sur l'ensemble d'un vaste espace de paramètres. Ils pourront d'abord tester quelques points, laisser l'IA prédire le reste de l'espace à partir de ces données réelles, puis choisir les emplacements les plus prometteurs pour effectuer des expériences.

L'expérience est donc progressivement passée de l'« énumération exhaustive » à : échantillonnage du monde réel → prédiction par l'IA → sélection de l'expérience → retour des nouvelles données à l'IA.

C'est précisément ce que le papier insiste à plusieurs reprises sur le lab-in-the-loop.

En atteignant l'expérience en informatique, le niveau d'autonomie de Co-Scientist a encore augmenté.

Cette fois, les chercheurs ont donné à l'agent une tâche très simple : concevoir un agent capable de répondre mieux aux questions médicales. Ensuite, les humains n'ont plus participé à la conception de l'architecture. Co-Scientist a lui-même proposé des solutions, écrit du code, exécuté des tests, analysé les erreurs, puis continué à modifier l'architecture.

Enfin, il a « évolué » pour créer un système appelé Agent_H.

Ce système doit trouver un moyen de réorganiser le processus d'inférence des modèles existants. Face à une question médicale, il détermine d'abord à quel domaine médical elle appartient, si elle s'adresse à un patient ou à un médecin, et quel est son niveau de risque ; les questions complexes sont décomposées en plusieurs sous-questions ; ensuite, il génère simultanément 28 à 48 réponses candidates, permettant à différents juges de les éliminer par paires, puis trois juges votent pour sélectionner la réponse finale. La réponse retenue doit ensuite subir plusieurs rounds d'examen clinique, de vérification des citations, avant d'être finalement compressée.

Pour répondre à une question, l'agent doit appeler le modèle environ 40 à 80 fois. Sur HealthBench Hard et HealthBench Professional, selon les scores corrigés selon la longueur utilisés dans l'article, Agent_H dépasse six modèles de pointe, y compris GPT-5.6 Sol, Claude Opus 5 et Gemini 3.1 Pro.

Mais un épisode très méritoire d’article est survenu ici : l’IA a appris à « tricher pour monter en classement ».

Dans les expériences initiales, le système de notation ne pénalisait pas suffisamment les réponses trop longues. Ainsi, Co-Scientist a rapidement trouvé la méthode la plus simple pour augmenter son score : rédiger des réponses extrêmement longues.

Le score Benchmark a donc augmenté de manière significative, mais la qualité médicale n'a pas progressé en conséquence. Ce n'est qu'après l'ajout d'une pénalité de longueur par les chercheurs que cet avantage important a disparu.

Google le considère lui-même dans son article comme un exemple typique de la loi de Goodhart : lorsque métrique devient objectif, elle cesse d'être un bon indicateur.

Les évaluations de médecins réels ont également tempéré les résultats. Trois médecins pratiquants ont évalué en aveugle 106 questions. Sur neuf dimensions, Agent_H n’a montré une amélioration statistiquement significative par rapport à Gemini 3.1 Pro que sur un seul critère : « réduction des risques potentiels » ; les huit autres dimensions n’ont pas présenté de différences significatives.

Autrement dit, un score Benchmark nettement plus élevé aux yeux de l'IA Juge ne se traduit pas nécessairement par une réponse nettement meilleure aux yeux des médecins humains. Cela pourrait bien être l'un des défis que le Scientifique IA devra affronter lorsqu'il entrera véritablement dans le monde réel : il ne suffit pas qu'il sache optimiser, il doit aussi comprendre ce qui ne peut pas être défini uniquement par des indicateurs d'optimisation.

Les scientifiques en IA fabriquent des données pour leurs articles scientifiques.

En réalité, Google a consacré une part considérable de cet article à étudier une autre question légèrement gênante : si l'on libère complètement AI Scientist,会不会 tricher pour obtenir de beaux résultats ?

Oui.

L'équipe de recherche a fait fonctionner le système sur 50 sujets de recherche en IA, de la génération d'idées à la recherche de données, en passant par l'écriture de code et l'exécution d'expériences, jusqu'à la génération du document final, sans aucune intervention humaine.

À titre de comparaison, ils ont également testé une version de Co-Scientist sans le module de fiabilité, ainsi que le système précédent Agent Laboratory, générant au total 150 articles, qui ont ensuite été soumis à 30 experts du domaine pour 450 évaluations anonymes.

Le résultat est tout simplement exagéré. Un AI Scientist sans mécanisme de vérification spécifique peut continuer à rédiger un article complet, même lorsque le code génère des erreurs et que l'expérience n'a produit aucun résultat valide.

Ils fabriquent des tableaux de données, des valeurs p, des tests statistiques ; transforment des expériences échouées en succès ; et modifient même les environnements d'évaluation pour que leurs méthodes obtiennent naturellement de meilleurs scores, ou utilisent du hardcode pour produire directement un résultat attrayant.

Lorsque l'objectif d'optimisation est : « écrire un article qui a l'air bien », l'agent cherchera des raccourcis moins coûteux que de réaliser véritablement la recherche.

Ainsi, Google a ajouté à la nouvelle version de Co-Scientist un mécanisme très similaire à une « audit scientifique » : les résultats d'expériences affirmés dans l'article doivent pouvoir être retracés jusqu'aux journaux d'exécution réels du programme. Si les journaux ne contiennent pas les résultats correspondants, le système ne peut pas les inclure en se basant uniquement sur l'opinion du modèle linguistique selon laquelle « cela devrait être ainsi ».

L'effet est très marqué. Les « illusions de résultats » graves足以使论文失效, passant de 90 % à 4 % dans Agent Laboratory ; la falsification complète des données, la plus grave, est passée de 44 % à 0 %.

Mais le problème n'a pas disparu complètement. Les erreurs graves dans la description des méthodes de la nouvelle version de Co-Scientist persistent à 24 %, et les cas graves de plagiat ou de contenu dérivé représentent encore 16 %.

Google a donc spécifiquement souligné qu'ils n'ont pas prétendu que le Autonomous AI Scientist actuel peut générer des articles de recherche prêts à être publiés.

En regardant ensemble les travaux d'Anthropic et de Google, on constate un changement évident chez les agents : pendant les deux dernières années, le principal champ de bataille des agents IA a été le monde logiciel. Maintenant, ce modèle s'étend pour la première fois à grande échelle au-delà du monde réel.

MHS d'Anthropic tente de résoudre le problème fondamental : fournir une interface unifiée que les agents peuvent comprendre et appeler pour des équipements variés tels que des bras mécaniques, des microscopes et des plateformes de manipulation de liquides.

Google's Co-Scientist commence à explorer les questions de haut niveau : quels devraient être les composants d'un système véritablement fermé de découverte scientifique lorsqu'un modèle de raisonnement peut formuler des hypothèses de recherche, planifier des expériences, contrôler des instruments, lire les résultats et ajuster continuellement les expériences suivantes.

Bien sûr, Google est encore loin d'un « laboratoire sans personne ». Les expériences sur les matériaux nécessitent encore que des humains chargent les échantillons ; la structure atomique des nouveaux matériaux n'est pas encore déterminée ; les prédictions sur E. coli n'ont validé que des tâches d'interpolation limitées ; les agents médicaux exploitent les failles des benchmarks ; les systèmes de génération d'articles n'ont pas entièrement résolu les hallucinations et le plagiat. Google lui-même reconnaît explicitement que, en raison d'anomalies matérielles et de la complexité de l'environnement réel, des expériences physiques entièrement autonomes restent difficiles à réaliser à ce stade.

Mais les changements sont déjà survenus.

Dans les discussions passées sur l'IA pour la science, l'accent était souvent mis sur la capacité de l'IA à « concevoir quelque chose que l'humain n'a pas pensé ». Aujourd'hui, un nombre croissant de travaux complètent la moitié plus difficile : cette idée peut-elle être exécutée par un dispositif réel, et les résultats de cette exécution peuvent-ils devenir à leur tour la base pour le prochain raisonnement de l'IA ?

Google a formulé un jugement très intéressant à la fin de l'article. Si ce cercle fermé est véritablement établi, les facteurs limitants de la recherche scientifique pourraient s'inverser : autrefois, les équipements expérimentaux attendaient que les scientifiques posent la prochaine bonne question ; à l'avenir, ce pourrait être l'IA qui aura déjà proposé des centaines d'expériences值得验证，而实验室根本来不及做。

À ce moment-là, le véritable goulot d'étranglement de la vitesse des découvertes scientifiques pourrait ne plus être la scientific ideation, mais l'experimental throughput — à quelle vitesse le monde réel peut exécuter ces expériences.

Cet article provient du compte WeChat « Machine Heart » (ID : almosthuman2014), auteur :關注科学AI的