AlphaFold a résolu en 18 mois ce que la science cherchait depuis 50 ans

Il y a des problèmes que les humains ont renoncé à résoudre. Puis les machines ont commencé à regarder.

Pendant cinquante ans, des milliers de chercheurs ont buté contre le même mur : comment prédire la forme tridimensionnelle d'une protéine à partir de sa séquence d'acides aminés ? Un problème si complexe qu'il semblait condamné à rester ouvert pour des décennies. En 2020, un algorithme d'intelligence artificielle l'a résolu en quelques mois. Pas parfaitement, pas magiquement — mais suffisamment pour que la communauté scientifique mondiale parle d'un avant et d'un après.

Ce moment n'était pas un accident. Il annonçait quelque chose de plus profond : l'IA ne se contente plus d'accélérer la science. Elle commence à la débloquer.

Pourquoi certains problèmes scientifiques résistent aux humains

La science humaine est brillante, mais elle a des limites structurelles. Notre cerveau traite mal les espaces à très haute dimensionnalité. Nous sommes lents face à des données massives. Nous avons des biais cognitifs qui nous font ignorer certaines pistes. Et surtout, nous manquons de temps.

Un chercheur passe en moyenne 30 à 40 ans de carrière active sur un domaine. Une molécule candidate pour un médicament peut nécessiter des années de tests avant d'être écartée. Dans ce contexte, l'intelligence artificielle n'est pas un gadget — c'est un changement de métabolisme pour la recherche.

L'IA excelle précisément là où nous peinons :

• Identifier des patterns cachés dans des millions de données sans fatigue cognitive
• Explorer simultanément des milliers d'hypothèses en parallèle
• Relier des disciplines distantes que les humains compartimentent
• Proposer des solutions contre-intuitives que l'intuition humaine aurait rejetées

AlphaFold : le cas d'école qui a tout changé

Développé par DeepMind (Google), AlphaFold 2 a prédit la structure de pratiquement toutes les protéines connues — environ 200 millions. Ce que des laboratoires mettaient des mois à déterminer expérimentalement pour une seule protéine, l'algorithme le produit en quelques minutes.

Les implications concrètes sont déjà visibles. Des chercheurs utilisent cette base de données pour :

• Concevoir de nouveaux antibiotiques contre des bactéries résistantes
• Mieux comprendre les mécanismes de maladies neurodégénératives comme Parkinson
• Accélérer la recherche sur des parasites responsables de maladies tropicales négligées

Ce n'est pas l'IA qui fait la science. C'est l'IA qui ouvre des portes que les chercheurs humains peuvent ensuite franchir beaucoup plus vite.

D'autres fronts où les machines avancent là où nous peinons

La fusion nucléaire

Le plasma dans un réacteur à fusion est instable par nature — il se déstabilise en quelques millisecondes selon des dynamiques chaotiques. Des équipes du MIT et de DeepMind ont entraîné des IA capables de prédire et contrôler ces instabilités en temps réel, une tâche jugée quasi impossible pour un opérateur humain. Résultat : des temps de confinement du plasma significativement améliorés.

La découverte de matériaux

Google DeepMind a annoncé en 2023 avoir identifié 2,2 millions de nouvelles structures cristallines stables, dont 380 000 potentiellement utilisables pour des batteries, des semi-conducteurs ou des panneaux solaires. L'exploration de cet espace avait pris plus d'un siècle à la chimie traditionnelle pour quelques dizaines de milliers de composés connus.

Les mathématiques pures

En 2022, AlphaTensor (toujours DeepMind) a découvert un algorithme de multiplication matricielle plus efficace que celui utilisé depuis 1969. Un résultat qui a surpris des mathématiciens de premier plan — dans un domaine où l'on pensait ne plus avoir grand-chose à trouver.

Ce que ça change vraiment pour la science

Il serait tentant de conclure que les machines vont remplacer les scientifiques. Ce serait une lecture à côté du sujet. Ce qui se passe est plus nuancé et, à bien des égards, plus intéressant.

L'IA redistribue le travail cognitif. Les tâches exploratoires brutes — scanner des espaces de solutions immenses, tester des combinaisons, détecter des corrélations — migrent vers les algorithmes. Ce qui reste à l'humain, c'est le plus précieux : formuler les bonnes questions, interpréter les résultats dans un contexte éthique et social, et décider quoi faire de ces découvertes.

Un médecin ne veut pas savoir quelles sont les 400 000 molécules candidates pour traiter un cancer. Il veut savoir laquelle tester en priorité, pourquoi, et comment en évaluer les risques. L'IA fait la première partie. L'expertise humaine reste irremplaçable pour la seconde.

Une science augmentée, pas automatisée

Nous entrons dans une période où la vitesse de découverte scientifique va s'accélérer de manière significative dans certains domaines. Pas parce que les machines sont plus intelligentes que les humains — elles ne le sont pas, au sens profond du terme. Mais parce qu'elles peuvent explorer des territoires que notre cerveau ne peut pas cartographier seul.

Le vrai défi ne sera pas technique. Il sera organisationnel et culturel : former des chercheurs capables de travailler avec ces outils, sans leur déléguer le sens de ce qu'ils font. AlphaFold n'a pas résolu le problème du repliement des protéines parce qu'il comprend la biologie. Il l'a résolu parce que des humains ont su lui poser la bonne question, au bon moment, avec les bonnes données.

C'est peut-être là la leçon principale : la qualité des questions humaines reste le facteur limitant — même quand les machines trouvent les réponses.

— Reservoir Live