Machines vertueuses : Vers une intelligence artificielle générale scientifique

papers.abstract

Les systèmes d'intelligence artificielle transforment la découverte scientifique en accélérant des tâches de recherche spécifiques, allant de la prédiction de structures protéiques à la conception de matériaux, tout en restant confinés à des domaines étroits nécessitant une supervision humaine importante. La croissance exponentielle de la littérature scientifique et la spécialisation croissante des domaines limitent la capacité des chercheurs à synthétiser les connaissances à travers les disciplines et à développer des théories unificatrices, ce qui motive l'exploration de systèmes d'IA plus polyvalents pour la science. Nous montrons ici qu'un système d'IA agentique et indépendant du domaine peut naviguer de manière autonome dans le processus scientifique - de la génération d'hypothèses à la collecte de données jusqu'à la préparation de manuscrits. Le système a conçu et exécuté de manière autonome trois études psychologiques sur la mémoire de travail visuelle, la rotation mentale et la vivacité de l'imagerie, a mené une nouvelle collecte de données en ligne avec 288 participants, a développé des pipelines d'analyse lors de sessions de codage continues de plus de 8 heures, et a produit des manuscrits complets. Les résultats démontrent la capacité des pipelines de découverte scientifique par IA à mener des recherches non triviales avec un raisonnement théorique et une rigueur méthodologique comparables à ceux de chercheurs expérimentés, bien qu'avec des limites en termes de nuances conceptuelles et d'interprétation théorique. Cela représente une étape vers une IA incarnée capable de tester des hypothèses à travers des expériences réelles, accélérant la découverte en explorant de manière autonome des régions de l'espace scientifique que les contraintes cognitives et de ressources humaines pourraient autrement laisser inexplorées. Cela soulève des questions importantes sur la nature de la compréhension scientifique et l'attribution du crédit scientifique.

English

Artificial intelligence systems are transforming scientific discovery by accelerating specific research tasks, from protein structure prediction to materials design, yet remain confined to narrow domains requiring substantial human oversight. The exponential growth of scientific literature and increasing domain specialisation constrain researchers' capacity to synthesise knowledge across disciplines and develop unifying theories, motivating exploration of more general-purpose AI systems for science. Here we show that a domain-agnostic, agentic AI system can independently navigate the scientific workflow - from hypothesis generation through data collection to manuscript preparation. The system autonomously designed and executed three psychological studies on visual working memory, mental rotation, and imagery vividness, executed one new online data collection with 288 participants, developed analysis pipelines through 8-hour+ continuous coding sessions, and produced completed manuscripts. The results demonstrate the capability of AI scientific discovery pipelines to conduct non-trivial research with theoretical reasoning and methodological rigour comparable to experienced researchers, though with limitations in conceptual nuance and theoretical interpretation. This is a step toward embodied AI that can test hypotheses through real-world experiments, accelerating discovery by autonomously exploring regions of scientific space that human cognitive and resource constraints might otherwise leave unexplored. It raises important questions about the nature of scientific understanding and the attribution of scientific credit.

Machines vertueuses : Vers une intelligence artificielle générale scientifique

Virtuous Machines: Towards Artificial General Science

papers.abstract

Support