Référentiel B — capacité IA
Conception expérimentale assistée et laboratoires autonomes
Capacités clés
- Planification de synthèses à partir d'un modèle entraîné sur 33 343 procédures issues de la littérature, couplé à un algorithme d'apprentissage actif (A-Lab)
- Pilotage physique d'instruments de laboratoire par un agent fondé sur un modèle de langue : planification, recherche documentaire, écriture de code et exécution (Coscientist)
- Exécution robotisée d'expériences programmées à distance (Emerald Cloud Lab)
Usages documentés par secteur
ScienceTRL non déterminableDiffusion émergente
Synthèse autonome de matériaux inorganiques et optimisation de réactions chimiques
- A-Lab, Lawrence Berkeley National Laboratory : campagne de 17 jours, 353 expériences, 36 des 57 matériaux cibles synthétisés (Nature, novembre 2023)
- Coscientist, Carnegie Mellon University : agent pilotant des instruments de chimie, Nature, décembre 2023
Sources de cet usage
Limites connues
Le résultat le plus visible de ce domaine est contesté nominativement. Robert Palgrave (University College London) et Leslie Schoop (Princeton), cités par Chemistry World en 2024, qualifient l'analyse par diffraction des rayons X de l'A-Lab de « très mauvaise, niveau débutant » : environ deux tiers des composés présentés comme nouveaux seraient des composés déjà connus, mal identifiés faute de prise en compte du désordre compositionnel. Conclusion de Palgrave : aucune découverte n'a probablement été faite. L'étude originale documente par ailleurs elle-même 21 cibles non synthétisées, classées en quatre catégories d'échec (cinétique lente, volatilité des précurseurs, amorphisation, erreurs de calcul DFT). Pour Emerald Cloud Lab, aucun client nommé avec une date de déploiement n'a été trouvé dans une source indépendante : la diffusion commerciale n'est établie que par l'éditeur lui-même.
Débats documentés
Aucune autre fiche du référentiel ne nomme celle-ci, et celle-ci n'en nomme aucune. Ce n'est pas un signe d'accord : c'est un silence documentaire, et il se comble en écrivant les limites de la fiche avec des noms.
Sources
- 1.Daniil A. Boiko, Robert MacKnight, Ben Kline, Gabe Gomes, « Autonomous chemical research with large language models », Nature, vol. 624, 20 décembre 2023, p. 570-578 (DOI 10.1038/s41586-023-06792-0)primaire
- 2.Chemistry World, « New analysis raises doubts over autonomous lab's materials discoveries », 2024 — critique de Robert Palgrave (UCL) et Leslie Schoop (Princeton)secondaire
Analyses de gap citant cette fiche
Aucune paire humain × IA documentée pour cette capacité à ce jour. Le comparateur permet de tester la combinaison et affiche son statut réel.
Fiches connexes — Scientifique
- AlphaFold (DeepMind)Google DeepMind
- AlphaGenome (Google DeepMind)Google DeepMind
- GNoME (découverte de matériaux)Google DeepMind
- IA en génomique et drug discoveryMultiples acteurs : DeepMind (AlphaFold), Insilico Medicine, Isomorphic Labs, laboratoires pharmaceutiques et académiques
- IA en modélisation climatique (type GraphCast)Google DeepMind (GraphCast) et autres modèles météorologiques par IA concurrents (Pangu-Weather de Huawei, FourCastNet de NVIDIA)
- IA pour le contrôle de plasma en fusion nucléaireGoogle DeepMind, en collaboration avec le Swiss Plasma Center (EPFL)
- Moteurs de simulation physiqueMultiples acteurs : NVIDIA, Google DeepMind et Disney Research pour le moteur Newton, contribué à la Linux Foundation le 29 septembre 2025 ; Google DeepMind pour MuJoCo, MJX et les simulateurs appris à base de réseaux de graphes (GNS, MeshGraphNets)
- Prévision climatique et météorologique opérationnelle par IACentre européen pour les prévisions météorologiques à moyen terme (AIFS) et NOAA avec Google DeepMind (GraphCast / WeatherNext).
Données brutes de cette fiche : /api/fiches/conception-experimentale-assistee-et-laboratoires-autonomes — voir la méthodologie.