Premières expériences pour accélérer la recherche scientifique avec GPT‑5

La science façonne tout, de la santé humaine à la production d'énergie, de la sécurité nationale à notre compréhension de l'univers. Si l'IA peut accélérer la recherche scientifique, en raccourcissant le temps nécessaire pour générer de nouvelles idées ou pour passer d'une idée à un résultat testé, les bénéfices s'étendront à l'ensemble de la société.

Mais le rythme de l'innovation demeure une contrainte. Même quand une bonne idée existe déjà, la transformer en produit ou en traitement peut prendre des années. Selon une étude récente⁠(ouverture dans une nouvelle fenêtre), 60 % des personnes interrogées aux États-Unis estiment que les avancées scientifiques et médicales leur parviennent trop lentement ; 73 % jugent nécessaire de trouver de meilleurs moyens d'accélérer les découvertes ; et 69 % considèrent le leadership scientifique comme une priorité nationale majeure.

Aujourd'hui, nous publions « Premières expériences pour accélérer la recherche scientifique avec GPT‑5⁠(ouverture dans une nouvelle fenêtre)», un article cosigné avec des collaborateurs de plusieurs universités et laboratoires nationaux, dont Vanderbilt, UC Berkeley, Columbia, Oxford, Cambridge, le Lawrence Livermore National Laboratory et The Jackson Laboratory. Il présente les premières études de cas en mathématiques, physique, biologie, informatique, astronomie et science des matériaux où GPT‑5 a aidé des chercheurs à synthétiser des résultats connus de manière inédite, à mener des revues de littérature approfondies, à accélérer des calculs complexes et même à produire de nouvelles démonstrations de propositions non résolues. L'article documente également les limites du modèle. Notre objectif est d'offrir à la communauté une vision claire de ce que ces systèmes peuvent faire (ou ne pas faire) aujourd'hui dans des contextes de recherche.

Ces études de cas montrent comment, entre les mains d'experts, GPT‑5 accélère la découverte scientifique, et pourquoi cette accélération est importante :

• Biologie : dans une étude dirigée par Derya Unutmaz, M.D., des scientifiques ont passé des mois à tenter d'expliquer une modification déroutante observée dans des cellules immunitaires humaines. GPT‑5 a identifié en quelques minutes le mécanisme probable à partir d'un graphique non publié, puis proposé une expérience qui l'a confirmé. Ce gain de temps pourrait aider les chercheurs à comprendre plus rapidement les maladies et à mettre au point de meilleurs traitements.
• Mathématiques : dans un autre cas, les chercheurs Mehtaab Sawhney et Mark Sellke s'attaquaient à un problème ouvert vieux de plusieurs décennies, initialement formulé par Paul Erdős. Ils étaient bloqués sur l'étape finale, et GPT‑5 a apporté une idée nouvelle montrant comment un nombre impair brise le schéma, ce qui les a aidés à achever la démonstration. De telles avancées renforcent les fondements mathématiques sur lesquels reposent de nombreux algorithmes et techniques de sécurité.
• Algorithmes et optimisation : les chercheurs Sébastien Bubeck et Christian Coester étudiaient la fiabilité réelle d'une méthode de décision couramment utilisée en robotique et pour le routage, afin de vérifier si elle était aussi fiable qu'on le pensait. GPT‑5 a trouvé un nouvel exemple simple montrant que cette méthode peut se révéler défaillante, et a également amélioré un résultat classique en optimisation, la branche des mathématiques qui sert à déterminer la meilleure façon de résoudre un problème. Ce type d'avancée aide les ingénieurs à mieux comprendre les systèmes de décision utilisés en robotique, dans le routage et dans d'autres applications concrètes.

La mission d'OpenAI for Science est d'accélérer la découverte scientifique : aider les chercheurs à explorer davantage d'idées, à tester leurs hypothèses plus rapidement et à mettre au jour des enseignements qui demanderaient autrement beaucoup de temps. Pour cela, nous associons des modèles de pointe aux bons outils, aux bons workflows et aux bonnes collaborations.

Nous travaillons en étroite collaboration avec des chercheurs du monde académique, de l'industrie et de laboratoires nationaux. Ces collaborations nous aident à comprendre là où les modèles sont utiles, là où ils échouent, et comment les intégrer dans le processus scientifique — de la revue de littérature et la génération de démonstrations jusqu'à la modélisation, la simulation et la conception d'expériences.

Notre approche repose sur deux convictions complémentaires. D'une part, des outils scientifiques spécialisés, comme les moteurs de simulation, les bases de données de protéines ou les systèmes d'algèbre informatique, sont essentiels pour l'efficacité et la précision. D'autre part, la montée en puissance des modèles de base continue de débloquer de nouvelles capacités de raisonnement : relier des idées entre disciplines, esquisser des démonstrations, proposer des mécanismes et parcourir de vastes corpus scientifiques de façon conceptuelle plutôt que par mots-clés. Lorsque des outils spécialisés existent, nous voulons les utiliser ; lorsque c'est un raisonnement plus général qui est nécessaire, nous concevons des modèles faits pour cela. Ces deux approches se renforcent mutuellement.

Les progrès les plus significatifs viennent des équipes humain + IA. Les scientifiques fixent le cap : ils définissent les questions, choisissent les méthodes, critiquent les idées et valident les résultats. GPT‑5 apporte l'ampleur, la rapidité et la capacité d'explorer de nombreuses pistes en parallèle.

Utiliser GPT‑5 efficacement est une compétence à part entière. Les chercheurs apprennent comment formuler leurs questions, quand remettre les réponses en question, comment décomposer les problèmes en étapes et ce qu'il faut vérifier de manière autonome. Le travail productif prend souvent la forme d'un dialogue, le chercheur et le modèle itérant jusqu'à ce qu'une piste prometteuse émerge ou que l'idée soit écartée.

À travers ces premières études, GPT‑5 semble capable de raccourcir certaines étapes du cycle de recherche lorsqu'il est utilisé par des experts. Il ne pilote pas de projets et ne résout pas les problèmes scientifiques de manière autonome, mais il peut élargir le champ d'exploration et aider les chercheurs à converger plus rapidement vers des résultats justes.

• L'une des capacités émergentes est la recherche bibliographique à un niveau conceptuel. GPT‑5 peut souvent identifier des relations plus profondes entre des concepts et retrouver des ressources pertinentes dans plusieurs langues et dans des sources moins accessibles. Des chercheurs indiquent avoir découvert des références, des liens et des travaux qu'ils ne connaissaient pas auparavant.
• En mathématiques et en informatique théorique, où les structures sont explicites et les boucles de rétroaction rapides, GPT‑5 se révèle particulièrement utile. Des mathématiciens ont utilisé GPT‑5 pour générer en quelques minutes des esquisses de démonstrations viables, transformant un travail qui aurait autrement pris des jours ou des semaines. En physique et dans d'autres domaines de calcul, le modèle peut proposer des transformations de simplification ou signaler des structures analogues dans d'autres disciplines.
• En biologie et dans d'autres sciences expérimentales, le modèle peut proposer des mécanismes et concevoir des expériences pour valider ces hypothèses en laboratoire.

Nous avons dépassé le stade où les modèles se contentent de résumer les connaissances existantes. Désormais, les premières contributions de GPT‑5 peuvent aider de manière significative les chercheurs, sous la supervision d'experts. Le rythme des progrès laisse entrevoir un potentiel d'accélération bien plus profond à mesure que les capacités et les outils évoluent.

Ces études de cas sont des exemples sélectionnés illustrant les situations où GPT‑5 s'est avéré utile ; il ne s'agit pas d'un échantillon systématique et elles ne couvrent pas l'ensemble des cas d'échec possibles. La supervision par des experts reste essentielle. GPT‑5 peut parfois halluciner des références, des mécanismes ou des démonstrations qui semblent plausibles ; il peut être sensible au cadrage et aux exercices préliminaires ; il lui arrive de passer à côté de subtilités propres à un domaine ; et il peut poursuivre des raisonnements peu productifs s'il n'est pas corrigé. Il s'agit de domaines de recherche actifs, et nous travaillons avec nos partenaires pour mesurer et atténuer ces échecs à mesure que nous affinons les systèmes futurs.

Pris dans leur ensemble, ces premiers travaux montrent que GPT‑5 commence à contribuer à de nouveaux types de tâches scientifiques. Le modèle n'est pas autonome, mais entre les mains d'experts, il peut aider à démontrer des théorèmes, à redécouvrir et étendre des structures, à faire émerger des liens entre disciplines et à proposer des mécanismes et des expériences que les scientifiques pourront valider.

Nous observons également une trajectoire dans laquelle ces systèmes s'améliorent avec davantage de temps de calcul et de ressources. Si GPT‑5 peut apporter une aide significative sur certaines questions de recherche en 20 minutes, nous nous attendons à des résultats plus profonds lorsque les modèles pourront raisonner pendant des heures, voire des jours, sur un problème. Combinés à l'expertise de scientifiques de premier plan, ces systèmes laissent entrevoir la possibilité d'un véritable saut de productivité scientifique à long terme.