Les systèmes d’IA agentique ne se limitent pas à la génération de texte ou de code. Ils sont capables de planifier des séquences d’actions, d’utiliser des logiciels scientifiques, d’exécuter des flux de travail informatiques, d’analyser des résultats intermédiaires et d’adapter leur comportement.

Ces capacités pourraient transformer chaque étape de la science computationnelle, depuis la formulation d’hypothèses et la conception d’expériences jusqu’à la simulation, l’analyse, la validation et la publication. Toutefois, l’autonomie n’a de valeur scientifique que lorsqu’elle renforce la rigueur scientifique, plutôt que de la remplacer.

Le prochain document de synthèse de NumPEx propose une stratégie visant à rendre l’IA agentique fiable, reproductible et opérationnelle sur des infrastructures informatiques à grande échelle.

La valeur à long terme de l’IA scientifique dépendra non seulement des modèles eux-mêmes, mais aussi des capacités, des infrastructures et des normes qui permettent d’évaluer, de valider et de reproduire des flux de travail autonomes.

Définir des agents scientifiques dignes de confiance

Les chercheurs ne doivent pas se contenter de produire des résultats plausibles ou du code exécutable. Leurs résultats doivent être validés scientifiquement, fiables sur le plan numérique, reproductibles, vérifiables et cohérents avec les connaissances établies et les contraintes physiques.

Ils doivent également fonctionner efficacement, interagir avec des logiciels scientifiques et des infrastructures de calcul haute performance (HPC), et rester soumis à une supervision humaine pertinente.

Développez le système d’exploitation pour Agentic Science

La science agentique nécessite une couche commune d’infrastructures scientifiques et informatiques autour des modèles d’IA.

Cela comprend les environnements d’exécution natifs pour le calcul haute performance (HPC), les logiciels scientifiques compatibles avec les agents, les interfaces lisibles par machine, les systèmes de provenance, les cadres de validation, les plateformes de benchmarking, les outils de déploiement, les ressources de connaissances scientifiques, ainsi que les mécanismes de sécurité et de gouvernance appropriés.

Ces capacités devraient être indépendantes du modèle et réutilisables dans tous les domaines scientifiques.

Préparer les scientifiques à l’ère de la « science agentique »

L’IA agentique ne mettra pas les scientifiques à l’écart du processus de recherche, mais elle modifiera leur rôle.

Les chercheurs seront de plus en plus amenés à définir des objectifs, à superviser des flux de travail autonomes, à valider les résultats générés par l’IA et à veiller à ce que les conclusions scientifiques restent reproductibles et crédibles. Cela nécessite des compétences alliant l’IA, les méthodes numériques, le génie logiciel scientifique, le déploiement de calcul haute performance (HPC) et l’évaluation scientifique critique.

1. Mettre en place un groupe de travail sur l’IA agentique

Mettez en place un groupe interdisciplinaire réunissant des experts en intelligence artificielle, en calcul haute performance (HPC), en méthodes numériques, en logiciels scientifiques, en gestion des données, en flux de travail et dans divers domaines d’application.

2. Créer une plateforme indépendante d’analyse comparative

Offrir un accès contrôlé à des modèles représentatifs de type « open-weight » et propriétaires, et évaluer des flux de travail complets impliquant des agents — et pas seulement des modèles linguistiques individuels.

L’évaluation doit porter sur la rigueur scientifique, la qualité du logiciel, la reproductibilité, l’évolutivité, les contraintes de déploiement, les coûts d’inférence et l’efficacité énergétique.

3. Développer une infrastructure agentique native pour le HPC

Concevez des environnements d’exécution sécurisés permettant aux agents scientifiques d’interagir avec les planificateurs, le stockage distribué, les accélérateurs, les services d’authentification et les politiques HPC de production.

4. Développer des logiciels scientifiques prêts à l’emploi pour les agents

Doter les bibliothèques et applications scientifiques d’interfaces lisibles par machine, de métadonnées structurées, d’hypothèses documentées, de mécanismes de validation, d’implémentations de référence et de modèles de performance.

5. Mettre en place une infrastructure de connaissances scientifiques

Développer des bases de données de provenance réutilisables, des index de documentation, des systèmes de recherche, des modèles de flux de travail scientifiques et une mémoire scientifique persistante.

Il convient de développer des ontologies ou des graphes de connaissances organisés lorsque des évaluations contrôlées démontrent un bénéfice scientifique mesurable.

6. Développer des compétences

Former les scientifiques à adopter une approche critique vis-à-vis des agents d’IA, à valider leurs résultats, à mettre en place des flux de travail reproductibles et à déployer des applications basées sur l’IA sur des infrastructures de calcul haute performance (HPC).

L’objectif est de former des scientifiques spécialisés en informatique et maîtrisant l’IA, capables de superviser des flux de travail de recherche autonomes sans pour autant renoncer à leur responsabilité scientifique.

Découvrez plus en détail notre prise de position sur l’IA agentique au service de la science.