On the Limits of AI-driven Discovery in Science

On the Limits of AI-driven Discovery in Science

par Samuel Schindler

Sciences humaines, sociales & pensée Philosophie & Éthique PDSciences : généralitésPDAPhilosophie des sciences
🎙 Samuel Schindler 👥 4K 📅 22 novembre 2025 ⏱ 89 min 👁 108 📄 conférence 🧭 2026-08-16
Disponible en : Français (actuel) English

Mots-clés

IAdécouvertephénomènesopacitéartefact

Résumé

Dans cette conférence, Samuel Schindler, philosophe des sciences, examine les limites de la découverte scientifique assistée par l’IA, en se concentrant sur la découverte de nouveaux phénomènes plutôt que de nouvelles idées. Il commence par contextualiser l’enthousiasme actuel pour l’IA, citant des exemples comme AlphaFold et le prix Nobel. Il présente ensuite un dilemme : l’apprentissage supervisé, par conception, ne peut découvrir que ce pour quoi il a été entraîné, le rendant épistémiquement étroit ; l’apprentissage non supervisé, bien que potentiellement plus prometteur, se heurte au problème de l’artefact aggravé, dû à l’opacité des réseaux de neurones profonds. Il illustre son propos avec le cas de l’antibiotique Halicin, découvert par IA, mais souligne que la molécule était déjà connue et que l’IA était ciblée sur les antibiotiques. Il compare les DNN aux instruments scientifiques traditionnels, qui sont épistémiquement ouverts et permettent les surprises, contrairement aux DNN. Il conclut que les DNN ne sont pas adaptés à la découverte de phénomènes radicalement nouveaux, car ils sont conçus pour reconnaître des motifs connus. Il discute également de l’opacité des DNN et de ses implications épistémiques, en s’appuyant sur les travaux de philosophes comme Katherine Creel. La conférence se termine par une discussion sur les implications pour la physique au-delà du modèle standard.

210 mots

Évaluation critique

Valeur des informations & solidité de l’argumentation

La conférence apporte une contribution originale en formulant un dilemme clair concernant la découverte de phénomènes par l’IA. L’argumentation est solide, s’appuyant sur des exemples concrets et des distinctions conceptuelles. Schindler ne rejette pas l’IA, mais en souligne les limites épistémiques, ce qui est une position nuancée. Il utilise des analogies (les jumelles) pour rendre ses idées accessibles. La distinction entre découverte de phénomènes et découverte d’idées est pertinente et bien exploitée. Cependant, on pourrait reprocher un certain manque de discussion sur les approches hybrides ou les développements récents de l’IA qui pourraient atténuer ces limites.

Rigueur scientifique, qualité des sources, adéquation du titre

La conférence est rigoureuse sur le plan philosophique, avec des références à des auteurs comme Kuhn et des travaux récents sur l’opacité (Creel, Sullivan). Les exemples scientifiques (AlphaFold, Halicin) sont bien choisis et correctement présentés. Le titre est parfaitement adéquat au contenu. La conférence ne fournit pas de sources détaillées dans la vidéo, mais le site personnel de l’auteur est mentionné. La rigueur est donc bonne, même si l’absence de citations précises dans la vidéo limite la vérifiabilité immédiate.

190 mots

Adéquation titre / contenu

Le titre correspond parfaitement au contenu : la conférence explore les limites épistémiques de la découverte scientifique assistée par l'IA.

Qualité & fiabilité

8/10

Exposé philosophique rigoureux, s'appuyant sur des exemples concrets (AlphaFold, Halicin) et des distinctions conceptuelles (opacité, apprentissage supervisé/non supervisé). L'argumentation est structurée et nuancée, mais repose sur une interprétation personnelle des limites de l'IA.

Moments clés

Repères établis par PSI à partir de la transcription : le créateur n'a pas défini de chapitres.

Sources citées

Sources concordantes

  • Katherine Creel, 'Transparency in Complex Computational Systems' — Référence citée par l'auteur pour la distinction entre différents types de transparence.

Apport & nouveautés

L’apport original de cette conférence est de formuler un dilemme clair concernant la découverte de phénomènes par l’IA, en distinguant apprentissage supervisé et non supervisé, et en introduisant le concept d’‘artefact aggravé’. Cette approche philosophique nuance l’enthousiasme général pour l’IA en science.

Pour aller plus loin :

  • Opacité des réseaux de neurones — Pertinent pour comprendre les enjeux épistémiques de l’IA.
  • AlphaFold — Exemple central de la conférence.
  • Halicin — Antibiotique découvert par IA, discuté en détail.
  • Philosophie des sciences — Contexte général de la réflexion.

86 mots

Profil radar

Le profil radar montre une excellente qualité d'information et une bonne fiabilité, avec une quantité d'information élevée. Le niveau technique est modéré, reflétant une approche philosophique plutôt que technique. La fiabilité globale est bonne, mais pourrait être renforcée par des références plus précises.

Fiabilité 8/10