Les universités doivent revoir la manière dont elles évaluent les travaux de recherche et forment les doctorants face aux progrès rapides de l’IA. Dans un essai présenté par MIT News le 8 octobre 2026, Sasha Rakhlin, directeur du MIT Statistics and Data Science Center, plaide aussi pour des infrastructures communes capables de conserver les résultats, les échecs et les savoir-faire des laboratoires. (news.mit.edu)
La vérification accélère les progrès
En mathématiques, des systèmes ont atteint le niveau d’une médaille d’or aux Olympiades internationales de mathématiques, puis commencé à produire des résultats de recherche, rapporte Rakhlin. Il cite notamment une solution récemment proposée à l’un des problèmes du prix du millénaire, sans la présenter comme validée.
Pour le professeur du MIT, le rythme des progrès dépend en partie de la facilité à vérifier les résultats. Une démonstration formalisée peut être contrôlée automatiquement et un programme testé. Quand cette vérification est rapide et fiable, les systèmes peuvent générer des pistes, évaluer leurs résultats et recommencer. Les outils qui contribuent à améliorer les modèles peuvent à leur tour accélérer leur évolution.
Ces capacités pourraient aider les chercheurs expérimentés à s’attaquer à des questions jusque-là trop exigeantes sur le plan technique. Mais produire une réponse ne suffit pas : il faut aussi comprendre pourquoi elle fonctionne, déterminer ce qui peut être généralisé et choisir les prochaines questions. Rakhlin estime que les universités doivent se préparer à ce que l’IA prenne une place croissante dans de nombreuses tâches intellectuelles.
Repenser l’évaluation et la formation
Un article soigné ne permet pas toujours de savoir précisément quelle part du travail revient à chaque chercheur lorsque des outils automatisés ont contribué à sa réalisation. Rakhlin invite les départements à clarifier les contributions et les responsabilités intellectuelles de chacun, y compris dans les projets largement assistés par l’IA. Ces critères pourraient compter dans les décisions de recrutement, de promotion et de financement, et être explicités auprès des doctorants.
Il propose également de mieux reconnaître des activités parfois moins visibles : formuler de bonnes questions, reproduire des résultats, relier des idées, partager des jeux de données ou publier des résultats négatifs instructifs. L’enjeu, souligne-t-il, n’est pas de valoriser uniquement ce que les outils ne savent pas encore faire, mais de mieux définir ce qui constitue une contribution scientifique.
La formation pose une difficulté particulière. Les calculs ordinaires, les essais infructueux et les petites découvertes contribuent à construire l’intuition et le jugement des étudiants. Si ces étapes sont systématiquement déléguées, certains apprentissages peuvent disparaître, même si les outils permettent d’aborder des projets plus ambitieux. Rakhlin préconise donc d’apprendre aux doctorants à formuler des problèmes, contrôler les réponses obtenues, reproduire des résultats et défendre leurs choix. La maîtrise des fondamentaux reste, selon lui, essentielle pour utiliser ces outils avec discernement.
Relier les laboratoires et préserver leurs connaissances
Rakhlin défend une recherche universitaire capable de poursuivre des objectifs de long terme, de partager ses résultats et d’évaluer les affirmations de manière indépendante. Les partenariats industriels resteront nécessaires, écrit-il, mais ne couvriront pas nécessairement tous les besoins scientifiques. Il juge donc utile que les établissements disposent d’une certaine autonomie technologique.
Une partie importante du savoir des laboratoires ne figure pas dans les publications : expériences abandonnées, tentatives infructueuses ou raisons pour lesquelles une méthode n’a pas fonctionné. Ce savoir pratique, accumulé par les scientifiques et les ingénieurs, pourrait aider les outils à mieux anticiper les conséquences d’une expérience, notamment dans les sciences empiriques. Rakhlin estime que consigner ces résultats négatifs et leur interprétation pourrait améliorer l’exploration scientifique.
Il envisage des systèmes partagés reliant les équipes et leurs données, avec des accès définis selon les autorisations accordées. Dans son exemple, un laboratoire de neurosciences cherchant à mieux segmenter des neurones sur des images de microscopie pourrait être mis en relation avec un groupe de vision par ordinateur disposant d’une méthode pertinente. De tels outils pourraient aussi conserver la trace des idées et rendre plus visibles les contributions des étudiants.
Cette organisation demanderait des investissements publics et institutionnels dans la puissance de calcul, la sécurité des données et les compétences nécessaires pour adapter les modèles. Pour Rakhlin, ces infrastructures communes permettraient aux établissements de mieux partager les connaissances entre équipes, à condition de définir des règles de consentement et de reconnaissance des contributions.
Source : MIT News (news.mit.edu)
Article original : Consulter la source originale
Auteur : Stefanie Koperniak | Institute for Data, Systems, and Society
