Une recherche menée par un économiste au MIT révèle que les équipes dotées d'IA d'une grande entreprise américaine de matériaux ont découvert 44 % de nouveaux matériaux en plus et déposé 39 % de brevets en plus par rapport aux équipes utilisant des méthodes standard. Cependant, la technologie a des effets étonnamment disparates sur la distribution de la productivité des chercheurs. L'ensemble de ces résultats démontre le potentiel de la recherche augmentée par l'IA et met en évidence la complémentarité entre les algorithmes et l'expertise dans le processus d'innovation.Une recherche menée dans un laboratoire d'entreprise anonyme comptant plus de 1 000 scientifiques, a suivi la mise en œuvre d'un système d'apprentissage automatique personnalisé combinant des réseaux neuronaux graphiques et l'apprentissage par renforcement. L'outil d'IA, déployé en 2022, a été pré-entraîné sur des bases de données de structures cristallines et moléculaires. L'étude a été réalisée par Aidan Toner-Rodgers, économiste au MIT.
Selon les résultats, les équipes dotées d'IA d'une grande entreprise américaine de matériaux ont découvert 44 % de nouveaux matériaux en plus et déposé 39 % de brevets en plus par rapport aux équipes utilisant des méthodes standard. Les scientifiques les plus performants ont enregistré les gains les plus importants grâce à l'assistance de l'IA, tandis que les chercheurs moins bien classés n'en ont retiré que des avantages minimes. Les matériaux conçus par l'IA ont fait preuve d'une plus grande nouveauté par rapport aux conceptions humaines, d'après l'analyse des textes des brevets.
Présentation de l'étude
Aidan Toner-Rodgers a étudié l'impact de l'intelligence artificielle (IA) sur l'innovation, en exploitant l'introduction aléatoire d'une nouvelle technologie de découverte de matériaux auprès de 1 018 scientifiques du laboratoire de R&D d'une grande entreprise américaine. Les chercheurs assistés par l'IA ont découvert 44 % de matériaux en plus, ce qui se traduit par une augmentation de 39 % des dépôts de brevets et de 17 % des innovations de produits en aval.
Ces composés possèdent davantage de structures chimiques nouvelles et conduisent à des inventions plus radicales. Cependant, la technologie a des effets étonnamment disparates sur la distribution de la productivité : alors que le tiers inférieur des scientifiques n'en tire que peu d'avantages, la production des chercheurs de haut niveau double presque.
En étudiant les mécanismes à l'origine de ces résultats, les résultats montrent que l'IA automatise 57 % des tâches de "génération d'idées", réaffectant les chercheurs à la nouvelle tâche d'évaluation des matériaux candidats produits par des modèles. Les meilleurs scientifiques tirent parti de leur connaissance du domaine pour donner la priorité aux suggestions prometteuses de l'IA, tandis que d'autres gaspillent des ressources importantes en testant les faux positifs.
L'ensemble de ces résultats démontre le potentiel de la recherche augmentée par l'IA et met en évidence la complémentarité entre les algorithmes et l'expertise dans le processus d'innovation. Les résultats de l'enquête révèlent toutefois que ces gains ont un coût : 82 % des scientifiques se disent moins satisfaits de leur travail en raison d'une baisse de la créativité et d'une sous-utilisation des compétences.
Voici les conclusions de Aidan Toner-Rodgers concernant l'étude :
L'impact à long terme de l'intelligence artificielle dépend de la mesure dans laquelle les technologies de l'IA transforment la science et l'innovation. Cet article apporte une première réponse à cette question, en étudiant l'introduction aléatoire d'un nouvel outil de découverte de matériaux dans un grand laboratoire de R&D. Je constate que l'IA stimule considérablement l'innovation scientifique et technologique. Je constate que l'IA stimule considérablement la découverte de matériaux, ce qui entraîne une augmentation des dépôts de brevets et une hausse de l'innovation des produits en aval.
Toutefois, la technologie n'est efficace que lorsqu'elle est associée à des scientifiques suffisamment qualifiés. En étudiant les mécanismes à l'origine de ces résultats, je montre que l'IA automatise une majorité des tâches de génération d'idées, réaffectant les chercheurs à la nouvelle tâche consistant à juger les composés candidats produits par des modèles. Les meilleurs scientifiques apprennent à donner la priorité aux suggestions prometteuses de l'IA, tandis que les autres gaspillent des ressources importantes en testant les faux positifs. Interprétée dans l'optique d'un cadre de tâches, cette constatation montre que l'IA modifie les compétences nécessaires pour faire des découvertes scientifiques.
Mes conclusions s'inscrivent dans un débat plus large sur l'expertise et la créativité humaines dans un monde d'intelligence artificielle. Un point de vue, souvent associé à la communauté des chercheurs en intelligence artificielle, estime que la combinaison du big data et de l'apprentissage profond rendra obsolète la connaissance du domaine, car les modèles automatisent la plupart des formes de travail cognitif. D'autres, en revanche, sont pessimistes quant au potentiel de l'IA à accomplir des tâches économiquement utiles, en particulier dans des domaines tels que la découverte scientifique, qui nécessitent des sauts qualitatifs.
Mes résultats suggèrent un point de vue intermédiaire. Dans la science des matériaux, je montre que l'IA peut accélérer de manière significative l'invention. Toutefois, le modèle doit être complété par des experts du domaine qui peuvent évaluer et affiner ses prédictions. Mon analyse laisse plusieurs questions clés inexplorées. Premièrement, il est important d'étudier les effets d'équilibre sur l'offre et la demande d'expertise scientifique. Deuxièmement, bien que j'examine une adaptation organisationnelle à l'IA - les pratiques d'embauche et de licenciement - je n'étudie pas les changements en matière de formation ou d'incitations. Enfin, il est essentiel de comprendre comment les résultats évoluent au fur et à mesure que les technologies de l'IA s'améliorent.
Toutefois, la technologie n'est efficace que lorsqu'elle est associée à des scientifiques suffisamment qualifiés. En étudiant les mécanismes à l'origine de ces résultats, je montre que l'IA automatise une majorité des tâches de génération d'idées, réaffectant les chercheurs à la nouvelle tâche consistant à juger les composés candidats produits par des modèles. Les meilleurs scientifiques apprennent à donner la priorité aux suggestions prometteuses de l'IA, tandis que les autres gaspillent des ressources importantes en testant les faux positifs. Interprétée dans l'optique d'un cadre de tâches, cette constatation montre que l'IA modifie les compétences nécessaires pour faire des découvertes scientifiques.
Mes conclusions s'inscrivent dans un débat plus large sur l'expertise et la créativité humaines dans un monde d'intelligence artificielle. Un point de vue, souvent associé à la communauté des chercheurs en intelligence artificielle, estime que la combinaison du big data et de l'apprentissage profond rendra obsolète la connaissance du domaine, car les modèles automatisent la plupart des formes de travail cognitif. D'autres, en revanche, sont pessimistes quant au potentiel de l'IA à accomplir des tâches économiquement utiles, en particulier dans des domaines tels que la découverte scientifique, qui nécessitent des sauts qualitatifs.
Mes résultats suggèrent un point de vue intermédiaire. Dans la science des matériaux, je montre que l'IA peut accélérer de manière significative l'invention. Toutefois, le modèle doit être complété par des experts du domaine qui peuvent évaluer et affiner ses prédictions. Mon analyse laisse plusieurs questions clés inexplorées. Premièrement, il est important d'étudier les effets d'équilibre sur l'offre et la demande d'expertise scientifique. Deuxièmement, bien que j'examine une adaptation organisationnelle à l'IA - les pratiques d'embauche et de licenciement - je n'étudie pas les changements en matière de formation ou d'incitations. Enfin, il est essentiel de comprendre comment les résultats évoluent au fur et à mesure que les technologies de l'IA s'améliorent.
Selon Robert Palgrave, chimiste à l'University College London, le secret de l'entreprise limite la vérification indépendante des résultats. En effet, les chercheurs utilisant l'IA ont fait état d'une satisfaction professionnelle moindre, citant une implication créative réduite dans le processus de découverte.
Source : Artificial Intelligence, Scientific Discovery, and Product Innovation
Et vous ?
Pensez-vous que cette étude est crédible ou pertinente ? Quel est votre avis sur le sujet ?Voir aussi :
Les gains de productivité promis par l'IA : une réalité ou une illusion ? James Manyika de Google pense que les gains de productivité ne sont pas garantis Les salariés veulent l'IA au travail et n'attendront pas que les entreprises les rattrapent, car pour eux l'IA place la barre plus haut et brise leur plafond de carrière, d'après Microsoft L'IA générative renforce la créativité individuelle mais réduit la diversité collective des nouveaux contenus, selon une étude comparant l'utilisation de l'IA générative dans le domaine de l'écriture