Gemini for Science : fonctionnalités expérimentales et outils d’IA pour une nouvelle ère de découvertes

La méthode scientifique est le principal moteur du progrès humain depuis des siècles. Chez Google, notre mission est profondément ancrée dans la création d’outils qui l’accélèrent. Nous sommes convaincus qu’une nouvelle ère de découverte ne viendra pas de modèles spécialisés et restrictifs, mais plutôt d’agents généraux qui donnent aux scientifiques les moyens d’avancer, quel que soit leur domaine.

C’est pourquoi nous lançons Gemini for Science, une collection de fonctionnalités expérimentales et d’outils scientifiques conçus pour améliorer la portée et la précision de l’exploration scientifique.

Un multiplicateur de l’ingéniosité humaine

La science se trouve aujourd’hui face à un paradoxe : notre savoir collectif croît si rapidement qu’il devient de plus en plus difficile pour les scientifiques d’en appréhender la globalité. Les percées scientifiques reposent souvent sur l’établissement de liens ingénieux entre les données, mais le travail manuel que cela requiert peut prendre des semaines, voire des mois. L’IA peut contribuer à lever cet obstacle et à décupler l’efficacité du travail scientifique en prenant en charge les tâches complexes. Les chercheurs peuvent ainsi se concentrer sur l’identification et la résolution des enjeux scientifiques les plus importants et sur les pistes de recherche les plus prometteuses.

Les outils expérimentaux Gemini for Science sur Google Labs comprennent trois prototypes principaux conçus pour gérer de telles tâches.

1. Hypothesis Generation, propulsé par Co-Scientist : l’idéation se trouve au coeur de la science, mais personne n’est capable de synthétiser les millions d’articles publiés chaque année. Hypothesis Generation comble cette lacune en simulant la méthode scientifique : il collabore avec les chercheurs pour définir un défi de recherche, puis utilise un « concours d’idées » multi-agent pour générer des hypothèses, en débattre et les évaluer. Afin de garantir une rigueur absolue, les affirmations sont minutieusement vérifiées et étayées par des citations cliquables.
   
2. Computational Discovery, propulsé par AlphaEvolve et ERA (Empirical Research Assistance) : le progrès scientifique est souvent limité par le nombre d’hypothèses que l’on peut tester de manière réaliste avec des expérimentations informatiques. Le prototype Computational Discovery est un moteur de recherche agentique qui résout ce problème en générant et en évaluant en parallèle des milliers de variantes de code. Cela permet aux scientifiques de tester des approches de modélisation novatrices (pour les domaines complexes comme les prévisions solaires et l’épidémiologie) dont l’exploration manuelle prendrait des mois.
   
3. Literature Insights, propulsé par Google NotebookLM : la compréhension de la littérature scientifique est essentielle à tout projet de recherche. Literature Insights explore la littérature scientifique et organise les résultats dans des tableaux avec des attributs personnalisés pouvant faire l’objet d’une recherche, pour permettre des analyses comparatives. Les chercheurs peuvent utiliser le clavardage pour dégager des nuances dans le corpus qu’ils ont constitué et créer des artefacts de haute qualité tels que des rapports, des présentations, des infographies, ainsi que des aperçus audio et vidéo. Grâce à la puissance de NotebookLM, Literature Insights facilite la synthèse des résultats issus de différents articles, l’identification de lacunes de la recherche et la mise en lumière des pistes de recherche prometteuses.

À compter d’aujourd’hui, nous donnerons progressivement accès à ces fonctionnalités expérimentales. Rendez-vous sur labs.google/science pour signaler votre intérêt.

Au-delà de chacune de ces fonctionnalités expérimentales, nous mettons également ces capacités d’IA avancées à la disposition des entreprises par le biais de Google Cloud. Nos solutions d’entreprise destinées à la RD scientifique et industrielle sont déjà utilisées dans le cadre d’aperçus privés et génèrent une incidence concrète. Des entreprises comme BASF utilisent AlphaEvolve pour optimiser leurs chaînes d’approvisionnement, et Klarna s’en sert pour améliorer ses modèles d’apprentissage automatique. Par ailleurs, des organisations comme Daiichi Sankyo, Bayer Crop Science et les Laboratoires nationaux des États-Unis (dans le cadre de la Mission Genesis du département de l’Énergie) utilisent Co-Scientist pour accélérer leur recherche et s’attaquer aux défis scientifiques fondamentaux. Ces outils professionnels s’avèrent particulièrement utiles dans leur phase d’aperçu. Nous sommes ravis des avancées réalisées par nos partenaires et nous avons hâte d’étendre l’accès à davantage d’organisations dans les prochains mois.

Plusieurs articles de validation basés sur ces outils et d’autres ont déjà été publiés. L’article concernant l’ERA sera bientôt publié et l’article de recherche sur Co-Scientist paraît aujourd’hui dans Nature.

Une boîte à outils scientifique sur votre ordinateur

Dans le cadre de Gemini for Science, nous lançons également Science Skills, un ensemble spécialisé qui intègre des informations issues de plus de 30 bases de données et outils majeurs en sciences biologiques, comme UniProt, AlphaFold Database, AlphaGenome API et InterPro. En utilisant ces compétences sur des plateformes agentiques comme Antigravity, les chercheurs peuvent effectuer en quelques minutes des flux de travail complexes et souvent manuels qui prendraient des heures, comme la bio-informatique structurale et les analyses génomiques.

Nos équipes de recherche qui utilisent Science Skills ont déjà constaté cette accélération en pratique. Dès les premiers tests, notre équipe s’est servie de Science Skills pour effectuer en quelques minutes une analyse complexe qui prend normalement plusieurs heures. Cela a permis de mieux comprendre les mécanismes potentiels d’une maladie génétique rare causée par des mutations du gène AK2.

Pour en savoir plus sur l’utilisation de Science Skills dans Google Antigravity, rendez-vous sur antigravity.google/use-cases/science.

Un travail collaboratif avec la communauté scientifique

Notre engagement à développer et à déployer de manière responsable des outils pour la science commence par l’écosystème scientifique. Nous travaillons de pair avec plus de 100 institutions (comme l’Université de Stanford pour la fibrose hépatique, l’Imperial College London pour la résistance aux antimicrobiens et le Crick Institute dans le cadre d’un engagement sur plusieurs années) pour valider nos nouveaux systèmes et outils. Afin de nous assurer de l’intégrité des analyses générées par l’IA, nous avons constitué une communauté de testeurs approuvés, composée autant d’étudiants au doctorat que de chercheurs industriels et de lauréats du prix Nobel, chargée de mettre nos systèmes à l’épreuve avec des défis complexes du monde réel.

Nous avons également mis en place des projets pilotes dédiés avec des organisations scientifiques majeures comme l’ICML, STOC et NeurIPS afin de développer des outils pionniers pour l’évaluation agentique par les pairs et la validation scientifique, tels que nos outils expérimentaux Paper Assistant Tool (PAT) et ScholarPeer.

Tous ces travaux s’appuient sur une longue tradition de progrès en IA. Nos modèles d’IA spécialisés accélèrent déjà les progrès : AlphaFold a aidé plus de 3 millions de chercheurs à travailler sur les vaccins contre la malaria et les enzymes qui dégradent le plastique. Pour sa part, AlphaGenome aide les scientifiques à déterminer les facteurs à l’origine des maladies. Ces outils complètent ceux que les chercheurs utilisent tous les jours, de Google Scholar et Earth Engine à Colab, MedGemma, Earth AI et Gemini Deep Research. Avec notre dernière version de Gemini Deep Think, nous continuons d’améliorer les capacités de notre modèle de base en ce qui concerne les tâches scientifiques complexes. Ces outils sont déjà devenus des éléments essentiels de l’écosystème scientifique, aidant les chercheurs à organiser l’information et à effectuer des analyses de données complexes à grande échelle.