Référentiel B — capacité IA
AlphaGo/AlphaZero/AlphaFold
Architecture
Apprentissage par renforcement profond combiné à une recherche arborescente Monte-Carlo (AlphaGo/AlphaZero) ; réseau de neurones spécialisé pour la prédiction de structures protéiques (AlphaFold)
Capacités clés
- AlphaGo : première IA à battre un champion du monde professionnel de Go (2016), jeu jusque-là considéré hors de portée de l'IA
- AlphaZero : généralisation à plusieurs jeux (échecs, shogi, Go) par apprentissage purement autodidacte, sans données humaines
- AlphaFold : prédiction de la structure tridimensionnelle des protéines à partir de leur séquence d'acides aminés, avec une précision inédite
Usages documentés par secteur
ScienceTRL 9 / 9
La base AlphaFold, exploitée par l'EMBL-EBI avec Google DeepMind, est ouverte au public depuis 2021 (plus de 365 000 protéines humaines et 20 organismes modèles) et couvre en 2024 la quasi-totalité des protéines connues : infrastructure en service courant.
Résolution du problème du repliement des protéines, considéré comme l'un des grands défis non résolus de la biologie structurale
- Base AlphaFold ouverte au public en 2021 avec plus de 365 000 protéines humaines et 20 organismes modèles, couvrant en 2024 la quasi-totalité des protéines connues
- Base exploitée par l'EMBL-EBI avec Google DeepMind et consultable librement
Sources de cet usage
PharmaceutiqueTRL 8 / 9
Isomorphic Labs a déclaré en mai 2024 utiliser AlphaFold 3, avec d'autres modèles d'IA, pour automatiser son processus de découverte de médicaments.
Accélération de la découverte de cibles thérapeutiques grâce à la prédiction de structures protéiques
- Isomorphic Labs a déclaré en mai 2024 utiliser AlphaFold 3, avec d'autres modèles d'IA, pour automatiser la découverte de médicaments
- AlphaFold 3 prédit les interactions des protéines avec l'ADN, l'ARN et certains ligands ou ions
Sources de cet usage
- 1.AlphaFold — Wikipédia (article en français)secondaire
Limites connues
Les succès d'AlphaGo/AlphaZero concernent des environnements à information parfaite et règles fixes (jeux de plateau), très différents des problèmes du monde réel ; AlphaFold prédit des structures statiques et peine encore à modéliser pleinement la dynamique et les interactions protéiques complexes.
Débats documentés
Repose sur la même source (2)
Ces fiches citent au moins une source identique : si elles s'accordent, cet accord ne vaut pas confirmation indépendante.
- AlphaFold (DeepMind)repose sur la même source
Les deux fiches citent « Jumper et al., « Highly accurate protein structure prediction with AlphaFold », Nature 596 (2021) ».
- IA en génomique et drug discoveryrepose sur la même source
Les deux fiches citent « Jumper et al., « Highly accurate protein structure prediction with AlphaFold », Nature 596 (2021) ».
Sources
Analyses de gap citant cette fiche
- B.F. Skinner × AlphaGo/AlphaZero/AlphaFoldConditionnement opérant et apprentissage par renforcement machine
Fiche humaine : B.F. Skinner
- Joseph Schumpeter × AlphaGo/AlphaZero/AlphaFoldDestruction créatrice appliquée à la production de connaissance scientifique
Fiche humaine : Joseph Schumpeter
- Alain Badiou × AlphaGo/AlphaZero/AlphaFoldNouveauté indéductible et limites de la recherche automatisée dans un espace de règles fixé
Fiche humaine : Alain Badiou
- Théorie des jeux (équilibre de Nash) × AlphaGo/AlphaZero/AlphaFoldRésolution automatisée des équilibres stratégiques
Fiche humaine : Théorie des jeux (équilibre de Nash)
- Hégémonie unilatérale (Pax Britannica, Pax Americana) × AlphaGo/AlphaZero/AlphaFoldSuprématie technologique et théorie de la stabilité hégémonique
Fiche humaine : Hégémonie unilatérale (Pax Britannica, Pax Americana)
Fiches connexes — Génératif / raisonnement
Données brutes de cette fiche : /api/fiches/alphago-alphazero-alphafold — voir la méthodologie.