# « Un milliard d'années de thèse en douze mois » : la science selon Demis Hassabis

**Le 24 mars 2025, la chaîne du Computer Laboratory de Cambridge publiait une conférence de soixante-quatre minutes donnée par son ancien étudiant le plus célèbre. Devant l'amphithéâtre où il suivit ses premiers cours de mathématiques, le lauréat du prix Nobel de chimie 2024 déroule un programme d'une cohérence redoutable : réduire toute découverte scientifique à un problème de recherche combinatoire, confier cette recherche à un réseau de neurones, et industrialiser le résultat. L'exposé est brillant, la démonstration convaincante, et le récit mérite d'être repris de bout en bout, parce qu'il dit aussi, en creux, qui possédera les instruments de la science du XXIe siècle.**

*Article publié le 13 octobre 2026 — Durée de lecture : 35 minutes*

## Carte de l'article

Un seul argument, déroulé en trois temps, puis mis à l'épreuve des faits. Le schéma sert de boussole : chaque section numérotée s'y rattache.


```mermaid
flowchart TB
    A["Conférence de Cambridge<br/>mars 2025 · 64 minutes"] --> B["Thèse unique<br/>toute découverte = problème<br/>de recherche combinatoire"]
    B --> C["Banc d'essai<br/>§III — les jeux"]
    B --> D["Démonstration<br/>§V — AlphaFold"]
    B --> E["Projection<br/>§IX — AGI"]
    C --> D
    D --> F["Débouché commercial<br/>§VII — Isomorphic Labs"]
    E --> F
    F --> G["Le pari métaphysique<br/>§X — et ses fragilités"]
    G --> H["Après Cambridge<br/>§XI — équipe dissoute,<br/>lauréat parti"]
```

*Chapitre ci-dessous : les sections III, V, VII et XI sont celles où l'argument se vérifie ou se fissure.*

---

## I. Le retour au berceau

L'orateur est introduit par Alastair Beresford, directeur du Department of Computer Science and Technology, qui rappelle les étapes : maîtrise d'échecs, deuxième joueur mondial des moins de 14 ans, scolarité terminée un an plus tôt, puis, plutôt qu'un tour d'Europe en sac à dos, un poste de co-designer et programmeur principal chez Bullfrog pour [Theme Park](https://www.theguardian.com/technology/shortcuts/2014/jan/28/demis-hassabis-15-facts-deepmind-technologies-founder-google). Premier diplômé de Cambridge, retour au jeu vidéo (Lionhead, puis sa propre société), puis la bascule : un doctorat de neurosciences cognitives à l'University College London, soutenu en 2009, sur les processus neuronaux de la mémoire épisodique. Et enfin, en 2010, la cofondation de DeepMind, rachetée par Google en janvier 2014 pour plus de 500 millions de dollars.

Hassabis remercie, puis se livre à un exercice qu'il maîtrise manifestement : la généalogie intellectuelle. Il raconte qu'il a demandé à venir dans cette salle, la première où il entra comme étudiant, pour y annoncer un jour l'AGI : « peut-être un robot entrerait sur scène et vous stupéfierait » ; il ne le fera pas aujourd'hui, dit-il, mais « peut-être dans quelques années ». Le clin d'œil est charmant. Il est aussi exactement le registre dans lequel fonctionne toute la conférence : la promesse eschatologique désamorcée par une plaisanterie, puis réintroduite par la porte de service.

L'orateur insiste surtout sur ce que Cambridge lui a donné : Crick et Watson, le film *The Race for the Double Helix* vu adolescent avec un Jeff Goldblum enjôleur, Alan Turing et Charles Babbage, le pub *The Eagle* et sa table gravée, King's Parade, les burgers de fin de soirée. Il raconte ensuite le point d'orgue : en décembre 2024, à Stockholm, le rituel de signature du livre des Nobel, et le fait d'y trouver, page après page, la signature de Crick, puis celle d'Einstein, qu'il photographie pendant une heure. « La boucle est bouclée », dit-il. On ne peut pas le contredire : il est rare qu'un chercheur vive la confirmation de son propre récit de vie. Ce soir-là, la boucle bouclée est aussi un dispositif rhétorique : ce qui suit est présenté comme une évidence scientifique, mais c'est d'abord une histoire que l'on raconte à des étudiants pour leur donner envie d'y entrer.

## II. « Résoudre l'intelligence, puis l'utiliser pour résoudre tout le reste »


```mermaid
flowchart TB
    Q["Comment construire une intelligence artificielle ?"] --> E["Systèmes experts<br/>préprogrammés avec la solution"]
    Q --> L["Systèmes apprenants<br/>inspirés des neurosciences"]
    E --> E1["Deep Blue bat Kasparov<br/>1997 — sommet de l'approche"]
    E --> E2["Rigides et fragiles<br/>« ils ne gèrent pas l'imprévu »"]
    E2 --> E3["Ne passent pas à l'échelle<br/>→ hivers de l'IA"]
    L --> L1["Apprentissage profond<br/>modéliser le monde"]
    L --> L2["Apprentissage par renforcement<br/>planifier et agir"]
    L1 --> P["Le pari de DeepMind<br/>2010 : les deux à la fois"]
    L2 --> P
    P --> P1["GPU et multiplication matricielle<br/>le matériel suivait enfin"]
    P1 --> P2["Atari, Go, AlphaZero<br/>preuves successives"]
```

*Le choix technique de 2010. L'argument est plus solide qu'il n'y paraît : il fallait choisir, parce que l'autre voie ne passerait jamais à l'échelle.*

Le programme de 2010 est énoncé sans détour. DeepMind fut conçu, dit-il, comme « un programme Apollo » visant l'intelligence artificielle générale : une seule machine capable de toutes les opérations cognitives humaines. La référence théorique est explicite : Turing, sa machine universelle capable de calculer tout ce qui est calculable, et Shannon. La mission se formulait en deux temps : « un, résoudre l'intelligence ; deux, l'utiliser pour résoudre tout le reste. » Il rappelle qu'à l'époque, presque personne ne travaillait sur l'IA et qu'aller voir un capital-risqueur avec ce pitch relevait de la bravade.

Le passage le plus utile de la conférence vient juste après, parce qu'il expose une alternative technique trop souvent oubliée. Dans les années 1990, expliquait Hassabis, deux voies existaient. La première : le système expert, préprogrammé avec la solution. Deep Blue, qui bat Kasparov en 1997, en est le sommet. Son défaut est structurel : « ils ne savent pas gérer l'imprévu ». Ce qui n'a pas été anticipé n'existe pas pour eux ; ils sont rigides et fragiles. La seconde voie : les systèmes apprenants, inspirés des neurosciences, capables d'extraire des régularités de l'expérience ou des données, et donc de dépasser la connaissance de celui qui les programme. C'est ce pari, apprentissage profond *et* apprentissage par renforcement à un moment où le premier n'avait pas encore ce nom, qui a été fait. S'y ajoute une intuition matérielle : le paradigme de calcul basculait vers les GPU, « eux aussi inventés pour le jeu vidéo ; au fond, tout est multiplication matricielle : l'intelligence, le jeu, l'infographie ».

Une question du public reviendra sur ce pari. DeepMind a été fondé *avant* la révolution de l'apprentissage profond : que se serait-il passé si elle n'avait pas eu lieu ? Réponse : ils auraient été à la rue, mais ils n'avaient pas le choix, parce qu'ils savaient ce qui *ne marcherait pas*. Hassabis raconte qu'il a assisté, à Cambridge puis au MIT, aux dernières années de ce qu'il appelle les « églises » des méthodes classiques, et qu'il en a tiré une leçon de méthode : à l'université, on apprend non seulement quoi faire, mais aussi ce qu'il ne faut pas faire et pourquoi. Il ajoute, plus tard, l'anecdote qui rend la chose tangible : pendant deux ans, sur les premiers systèmes Atari, rien n'a fonctionné : pas un point marqué à Pong, le plus simple jeu imaginable. L'équipe se demandait si elle n'était pas « vingt ans en avance » comme Babbage avec sa machine à différences, « cinquante ou cent ans trop tôt ». D'où sa maxime : « il faut avoir cinq ans d'avance sur son temps, pas cinquante ; sinon c'est très douloureux ».

## III. Les jeux comme banc d'essai, ou comment un programme apprend à inventer


```mermaid
flowchart LR
    V1["Version N<br/>joue au hasard"] -->|"100 000 parties<br/>contre elle-même"| DB["Base de parties"]
    DB -->|"entraînement"| V2["Version N+1<br/>prédit les coups<br/>et le vainqueur"]
    V2 -->|"match de 100 parties<br/>contre la version N"| M{"N+1 gagne<br/>au moins 55 % ?"}
    M -->|"non"| V1
    M -->|"oui"| V3["N+1 remplace N<br/>et la base s'améliore"]
    V3 -.->|"cycle suivant"| DB
    V3 -->|"17 à 18 cycles"| CH["Niveau champion du monde<br/>en moins de 24 heures"]
```

*Le mécanisme réel derrière « AlphaGo a inventé le coup 37 » : aucune créativité, un cycle de remplacement par victoire statistique répété dix-sept fois.*

Vient ensuite la partie que tout le monde attend, et elle est racontée avec une économie de moyens qui la rend d'autant plus claire.

D'abord Atari. Le système DQN est présenté comme la première architecture d'apprentissage de bout en bout apprenant directement depuis les pixels bruts, sans rien savoir du jeu ni de ce qu'il contrôle, avec pour seule consigne de maximiser le score, et capable de maîtriser des dizaines de jeux (les résultats paraissent dans *[Nature](https://www.nature.com/articles/nature14236)* en 2015).

Ensuite Go. Hassabis rappelle le chiffre qui justifie le choix : environ 10^170 positions possibles, davantage que d'atomes dans l'univers observable, donc aucune force brute envisageable. En mars 2016, à Séoul, AlphaGo affronte Lee Sedol, dix fois champion du monde, devant, selon son estimation, 200 millions de téléspectateurs ; le match se conclut sur un score de 4 à 1 ([archives du match](https://en.wikipedia.org/wiki/AlphaGo_versus_Lee_Sedol)). Le moment clé n'est pas la victoire. C'est le coup 37 de la deuxième partie : un coup jugé impensable par les commentateurs les plus forts de la planète, « un coup jamais vu », qui fait basculer la partie une centaine de coups plus tard. Le vrai argument arrive là, presque incidemment : un système peut produire de la connaissance *nouvelle*.

Il démonte ensuite la mécanique de l'auto-apprentissage, et c'est le passage techniquement le plus dense. Deux réseaux : l'un prédit les coups probables dans une position, l'autre l'issue. On fait jouer la version 1 contre elle-même sur 100 000 parties, on entraîne la version 2 sur la base ainsi créée, on organise un match de 100 parties entre les deux, et si la version 2 l'emporte nettement (l'orateur cite un seuil de 55 %), on remplace la version 1 et on recommence. Au bout de dix-sept ou dix-huit cycles, on passe d'un jeu aléatoire le matin à un niveau supérieur au champion du monde en moins de vingt-quatre heures. Le mécanisme profond est une réduction de complexité : au lieu de parcourir l'arbre des coups, le réseau apprend la topologie du problème et guide la recherche vers les branches intéressantes. « Vous réduisez un espace de recherche intractable à quelque chose de traitable en quelques minutes de calcul. »

Généralisé, cela donne AlphaGo Zero puis AlphaZero, capables d'apprendre n'importe quel jeu à deux joueurs à information parfaite à partir des seules règles. Aux échecs, AlphaZero a battu le moteur de référence de l'époque, Stockfish, dans un match de cent parties sans une seule défaite ([28 victoires, 72 nulles](https://en.wikipedia.org/wiki/AlphaZero)), et a joué, Hassabis le raconte avec un plaisir visible, une partie surnommée « Immortal Zugzwang », où le programme sacrifie du matériel pour la mobilité, laissant l'adversaire avec des pièces matériellement supérieures mais incapables de bouger. Il cite Garry Kasparov : « les programmes reflètent d'ordinaire les priorités et les préjugés du programmeur ; comme AlphaZero apprend par lui-même, son style reflète la vérité ». Puis Magnus Carlsen, qui aurait intégré une partie de ces idées pour dominer la décennie. Le motif apparaît ici pour la première fois, et il structurera tout le reste : **une machine qui apprend par elle-même atteint un résultat que l'auteur du programme ne comprend pas entièrement, et ce résultat est présenté comme plus vrai que ce que les humains faisaient.**

## IV. Les trois critères, et la science redéfinie comme problème d'optimisation

Le cœur méthodologique tient en trois conditions. Un problème mérite l'arsenal de DeepMind s'il présente : un espace de recherche combinatoire massif, impossible à traiter par force brute mais doté d'une structure apprenable ; une fonction objectif claire, un ou quelques indicateurs que l'on cherche à maximiser ; et enfin beaucoup de données, ou idéalement un simulateur précis et rapide permettant de générer des données synthétiques.

On mesure ici ce que la proposition a de radical. La science y devient un problème d'optimisation sous contrainte de données. Ce n'est pas faux ; c'est partiel. Les grands problèmes scientifiques que le XXe siècle a légués (la conscience, l'origine de la vie, la nature de la matière noire) ne se laissent pas tous écrire sous forme de fonction objectif, et Hassabis le sait : lorsqu'un étudiant lui demandera, en fin de séance, s'il existe des processus biologiques non modélisables par l'apprentissage profond actuel, sa réponse sera d'ordre métaphysique, pas technique (voir section X).

Il introduit à ce stade une expression qui mérite d'être retenue, car elle commande tout le récit : les *root node problems*, les « problèmes-nœuds ». Ce sont les problèmes dont la résolution ouvre des branches entières de découverte : le repliement des protéines en est le paradigme. La stratégie revendiquée, donc, n'est pas de tout résoudre : elle consiste à s'emparer des points de passage obligés de la connaissance. C'est une stratégie d'infrastructure, pas de curiosité.

## V. Levinthal, les JO du repliement, et l'annonce d'un problème « résolu »


```mermaid
flowchart LR
    S["Séquence d'acides aminés<br/>information 1D"] --> N["Réseau de neurones<br/>apprend la topologie<br/>de l'espace des formes"]
    N --> R["Recyclage itératif<br/>d'une pelote<br/>vers une structure plausible"]
    R --> T["Structure 3D<br/>précision atomique<br/>en quelques secondes"]
    T --> C{"Mesure au CASP<br/>GDT au-dessus de 90 ?"}
    C -->|"oui"| V["Les expérimentateurs<br/>peuvent s'y fier"]
    C -->|"non"| R
```

*De la séquence à la structure. Le seuil GDT de 90 est celui que les expérimentateurs eux-mêmes exigeaient pour accepter de faire confiance à une prédiction.*

La deuxième moitié de l'exposé est consacrée à AlphaFold. Le nerf de l'affaire est là.

Le rappel pédagogique d'abord : les protéines sont les machines de la cellule, la séquence génétique définit une séquence d'acides aminés qui se replie spontanément en une forme tridimensionnelle, et cette forme détermine en grande partie la fonction. Puis le paradoxe de Cyrus Levinthal, énoncé dans les années 1960 : une protéine moyenne peut adopter de l'ordre de 10^300 conformations, et pourtant elle se replie spontanément en quelques millisecondes ([paradoxe de Levinthal](https://en.wikipedia.org/wiki/Levinthal%27s_paradox)). L'argument d'espoir est immédiat : puisque la physique résout ce problème des milliards de fois par seconde dans chaque organisme vivant, il *doit* être traitable par un calcul raisonnable.

Vient ensuite le dispositif de mesure, et il faut rendre justice à sa rigueur. Le [CASP](https://predictioncenter.org/), organisé tous les deux ans depuis 1994 sous la direction du professeur John Moult (University of Maryland), fait s'affronter une centaine d'équipes sur une centaine de protéines dont la structure vient d'être déterminée expérimentalement mais n'est pas encore publiée : le jury connaît la vérité, les équipes non. Le score utilisé, la GDT, mesure la fraction d'atomes placés à bonne distance ; au-delà de 90, on parle de précision atomique, le seuil que les expérimentateurs eux-mêmes fixaient pour accepter de faire confiance à une prédiction. Or, explique Hassabis, « pendant une décennie, rien n'a bougé, on restait bloqués autour de 60 points ». Deux ordres de grandeur pour finir de planter le décor : il faut « à un doctorant toute sa thèse, quatre ou cinq ans, pour déterminer la structure d'une seule protéine », et l'on connaît 200 millions de protéines, dont environ 20 000 pour le seul protéome humain.

Le projet démarre en 2016, presque le lendemain du retour de Séoul. AlphaFold 1 est aligné au CASP13, en 2018 : il gagne, avec une avance d'environ 50 % sur le deuxième, et c'est la première fois que l'apprentissage automatique constitue la composante principale d'un tel système. C'est insuffisant pour la précision atomique : l'équipe reprend l'architecture de zéro. AlphaFold 2, au CASP14 en 2020, l'atteint, au point que les organisateurs déclarent le problème résolu ([communiqué du CASP14](https://predictioncenter.org/casp14/doc/CASP14_press_release.html), [annonce de DeepMind](https://deepmind.google/blog/alphafold-a-solution-to-a-50-year-old-grand-challenge-in-biology/), [article dans *Nature*](https://www.nature.com/articles/s41586-021-03819-2)). Hassabis décrit visuellement le résultat (structure réelle en vert, prédiction en bleu, les deux se superposant presque), puis le processus : le système part d'une pelote et construit itérativement une structure plausible, en se recyclant sur elle-même, jusqu'à la prédiction finale.

Le point décisif n'est pas la précision. C'est la vitesse : quelques secondes par protéine. L'équipe décide alors de replier *toutes* les protéines connues de la science, 200 millions, sur une année de calcul dans le cloud de Google, et de publier le résultat gratuitement, en partenariat avec [EMBL-EBI](https://alphafold.ebi.ac.uk/), l'institut européen de bio-informatique situé à quelques kilomètres de là, sur le campus de Hinxton. Hassabis en tire la formule qui sert de titre au présent article : la base représente « environ un milliard d'années de temps de thèse fait en un an ». Il ajoute que l'opération ouvre des perspectives inédites, notamment parce que les structures des organismes peu étudiés, plantes utiles à l'agriculture par exemple, n'auraient jamais été élucidées autrement, et qu'un regard agrégé sur 200 millions de formes permet des comparaisons à l'échelle de l'évolution.

Sur la sécurité, il insiste : DeepMind affirme avoir consulté « plus de trente experts en biosécurité et en bioéthique » avant la publication, et il cite les chiffres d'usage : plus de deux millions de chercheurs, tous les pays du monde, plus de 30 000 citations. Le bilan de 2025 rectifiera les chiffres à la hausse : [trois millions de chercheurs dans plus de 190 pays, dont plus d'un million dans des pays à revenu faible ou intermédiaire, et plus de 30 % des travaux liés à la maladie](https://deepmind.google/blog/alphafold-five-years-of-impact/).

## VI. Ce que la base a changé, concrètement

Hassabis cite six exemples d'usage, et ils valent d'être listés parce qu'ils constituent la preuve empirique de son argument, le seul endroit de la conférence où le bénéfice n'est pas une projection mais un fait. Le [Centre for Enzyme Innovation de l'université de Portsmouth](https://www.port.ac.uk/research/research-groups-and-centres/centre-for-enzyme-innovation) travaille sur des enzymes capables de dégrader le plastique. La [Fleming Initiative](https://www.fleminginitiative.org/post/ai-to-help-tackle-amr) utilise les prédictions contre la résistance aux antibiotiques. L'initiative [Drugs for Neglected Diseases](https://dndi.org/news/2024/nobel-prize-chemistry-awarded-for-alphafold-an-ai-model-used-dndi-for-neglected-diseases/), qui travaille sur le paludisme, la leishmaniose ou le Zika, accède en quelques minutes à des structures qui manquaient. La [structure du complexe du pore nucléaire](https://deepmind.google/blog/alphafold-unlocks-one-of-the-greatest-puzzles-in-biology/), cette « bête » de plus de trente protéines qui régule les échanges entre noyau et cytoplasme, a été résolue avec AlphaFold et les techniques de la cryo-microscopie ([travaux EMBL](https://www.embl.org/news/science/puzzling-out-the-structure-of-a-molecular-giant/)). Le Broad Institute a [redessiné des seringues moléculaires](https://www.broadinstitute.org/news/bacterial-injection-system-delivers-proteins-mice-and-human-cells) pour administrer des protéines de façon ciblée. Enfin, la base sert à étudier des mécanismes de fertilité.

Mesurons l'asymétrie que cela installe. Cinq décennies de cristallographie ont produit environ 170 000 structures expérimentales ; la base en contient 200 millions, prédites. Le rapport est de l'ordre de mille pour un. Toute la biologie structurale travaille désormais à l'intérieur d'un cadre statistique produit par une entreprise privée, même si le fichier, lui, est bien public et librement accessible.

## VII. Décrire ou écrire : AlphaFold 3, AlphaProteo, et la bascule vers le brevet


```mermaid
flowchart TB
    subgraph PUB["Ce qui est donné"]
      A["AlphaFold 2<br/>200 millions de structures<br/>EMBL-EBI, accès libre"]
      B["AlphaFold 3<br/>code libéré en 2024<br/>sous licence NON commerciale"]
    end
    subgraph PRIV["Ce qui est gardé"]
      C["Isomorphic Labs<br/>600 M$ puis 2,1 Md$<br/>partenariats Lilly et Novartis"]
      D["IsoDDE, 2026<br/>« un AlphaFold 4 »<br/>propriétaire"]
    end
    A -->|"2021-2022"| B
    B -->|"le partage s'arrête<br/>à la porte de l'entreprise"| C
    C --> D
    A -.->|"bien commun<br/>de la recherche"| E["3 millions de chercheurs<br/>plus de 190 pays"]
```

*Ce que DeepMind a donné, et ce qu'il a gardé. Le fichier est un bien commun ; le moteur qui en tire des médicaments est un actif.*

Le tournant intervient à la trentième minute. AlphaFold 2, explique Hassabis, « c'est une image de la structure statique ». Or la biologie est un processus dynamique, et ce qui compte, ce sont les interactions : protéines entre elles, mais aussi avec l'ADN, l'ARN et les ligands, ces petites molécules dont font partie les médicaments. D'où AlphaFold 3, publié en mai 2024 et ouvert aux académiques ([article dans *Nature*](https://www.nature.com/articles/s41586-024-07487-w), [annonce d'Isomorphic Labs](https://www.isomorphiclabs.com/articles/alphafold-3-predicts-the-structure-and-interactions-of-all-of-lifes-molecules)). Et, en sens inverse, AlphaProteo, qui ne lit plus la structure mais la prescrit : à partir d'une fonction voulue, concevoir la séquence qui la produira, pour des anticorps, des antibiotiques, des protéines thérapeutiques ([annonce](https://deepmind.google/blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/), [rapport technique](https://arxiv.org/abs/2409.08022)).

Le vocabulaire employé par Hassabis à ce moment est révélateur. Il ne parle plus de prédiction mais de recherche : les nœuds de l'arbre de jeu deviennent des composés chimiques, et l'on cherche la molécule optimale dans l'espace chimique : celle qui se lie à la cible sans se lier ailleurs, « ce qui réduit les effets secondaires et la toxicité ». Le problème d'optimisation s'applique désormais à un objet commercialisable.

L'exposé se tait ici. Les faits postérieurs, eux, deviennent bavards. AlphaFold 3 a été publié sans son code : la décision, très critiquée, a été défendue par *Nature* et par DeepMind au nom des risques de biosécurité ([analyse de la revue](https://www.nature.com/articles/d41586-024-01463-0), [critique de chercheurs](https://undark.org/2024/06/06/opinion-alphafold-3-open-source/)). Le code n'a été libéré qu'en novembre 2024, sous licence non commerciale, les poids restant réservés aux académiques ([nouvelle de *Nature*](https://www.nature.com/articles/d41586-024-03708-4), [dépôt GitHub](https://github.com/google-deepmind/alphafold3)). Un commentateur a résumé le problème d'une formule que l'on peut reprendre : [« un conte d'avertissement pour la science ouverte »](https://mronline.org/2024/06/04/a-cautionary-tale-for-open-science/).

Le même mois que la conférence, Isomorphic Labs, société créée en 2021 pour « réimaginer la découverte de médicaments à partir des premiers principes », comme l'explique l'orateur, bouclait une première levée externe de 600 millions de dollars. Quatorze mois plus tard, [elle en annonçait 2,1 milliards supplémentaires](https://www.isomorphiclabs.com/press/isomorphic-labs-funding), menés par Thrive Capital, avec la participation d'Alphabet, de GV, de MGX, de Temasek, de CapitalG et du fonds souverain britannique pour l'IA. Au passage, deux partenariats pharmaceutiques (Eli Lilly et Novartis) représentent près de 3 milliards de dollars de paiements conditionnels. Le rapport entre le fichier public et la valeur privée s'établit là : la base de structures est un bien commun ; le moteur qui en tire des médicaments est un actif.

## VIII. La « biologie numérique » : six fronts ouverts, un seul argument


```mermaid
flowchart LR
    G["IA pour la science<br/>même architecture partout :<br/>apprendre la structure,<br/>guider la recherche"]
    G --> M["Matériaux<br/>GNoME : 2,2 M de cristaux<br/>dont 380 000 stables"]
    G --> F["Fusion<br/>contrôle du plasma<br/>tokamak TCV"]
    G --> W["Météo<br/>GraphCast, GenCast<br/>WeatherNext"]
    G --> AL["Algorithmes<br/>AlphaTensor, AlphaDev"]
    G --> Q["Calcul quantique<br/>AlphaQubit"]
    G --> H["Santé<br/>rétinopathie,<br/>maladies négligées"]
    G --> BI["Biologie<br/>AlphaFold 3, AlphaProteo,<br/>AlphaGenome"]
```

*Six domaines latéraux expédiés en quinze secondes, plus la biologie, qui est le sujet même de l'exposé. Sept applications, une seule architecture : c'est l'argument le plus fort de la conférence, et il tient.*

Hassabis prend ensuite de la hauteur et propose une thèse épistémologique qui est peut-être la plus intéressante de la conférence, et la plus contestable. La biologie, dit-il, est à la base « un système de traitement de l'information qui résiste à l'entropie autour de lui ; c'est ce qu'est la vie ». Or, de même que les mathématiques furent « le langage de description parfait » de la physique, l'IA serait « potentiellement le langage de description parfait de la biologie », adaptée qu'elle est aux comportements émergents et aux interactions d'un système dynamique. AlphaFold en serait la preuve ; il espère qu'on y verra, dans dix ans, non un exploit isolé mais l'ouverture d'une « ère dorée de la biologie numérique ».

Il illustre ce programme par une liste de percées latérales, qu'il expédie en quinze secondes et qui méritent chacune d'être documentées, car elles constituent l'essentiel du bilan d'AI-for-science :

| Domaine | Résultat | Source |
|---|---|---|
| Matériaux | 2,2 millions de cristaux inédits, dont 380 000 stables, soit près de 800 ans de connaissance selon DeepMind | [GNoME](https://deepmind.google/blog/millions-of-new-materials-discovered-with-deep-learning/), [*Nature*](https://www.nature.com/articles/s41586-023-06735-9) |
| Fusion | Contrôle magnétique du plasma sur le tokamak TCV, avec le Swiss Plasma Center de l'EPFL | [*Nature*](https://www.nature.com/articles/s41586-021-04301-9), [EPFL](https://actu.epfl.ch/news/epfl-and-deepmind-use-ai-to-control-plasmas-for-nu/) |
| Algorithmes | Découverte d'algorithmes de multiplication matricielle plus rapides que l'état de l'art | [AlphaTensor](https://www.nature.com/articles/s41586-022-05172-4) |
| Algorithmes | Algorithmes de tri intégrés dans la bibliothèque C++ standard | [AlphaDev](https://www.nature.com/articles/s41586-023-06004-9) |
| Météo | Prévision mondiale à dix jours plus précise et bien plus rapide que les modèles physiques | [GraphCast](https://deepmind.google/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/), [WeatherNext](https://deepmind.google/science/weathernext/) |
| Calcul quantique | Décodeur neuronal d'erreurs surpassant les décodeurs classiques | [AlphaQubit](https://www.nature.com/articles/s41586-024-08148-8) |
| Santé | Diagnostic de plus de cinquante maladies oculaires sur des fonds d'œil, avec Moorfields | [*Nature Medicine*](https://www.nature.com/articles/s41591-018-0107-6) |

Deux remarques sur cette liste. D'abord, elle est présentée comme une série d'exploits ponctuels alors qu'elle décrit un mouvement plus profond : la même architecture (apprendre la structure d'un espace de solutions, guider la recherche) appliquée à des domaines sans rapport. Ensuite, l'orateur avoue lui-même l'ampleur du chantier à venir, en recommandant aux universités de « penser très sérieusement le travail pluridisciplinaire » où l'IA est appliquée aux bonnes questions d'un domaine spécialisé. C'est un aveu : la machine ne pose pas les questions.

Il termine sur les deux horizons d'Isomorphic Labs. Le premier est un chiffrage : dix ans et plusieurs milliards de dollars pour un médicament, qu'il veut ramener à « des mois, peut-être des semaines » : « faire de la science à la vitesse du numérique », avec un laboratoire humide réduit au rôle de validation. Le second est un rêve, et c'est un rêve de modélisateur : une **cellule virtuelle**, par exemple de levure, sur laquelle on exécuterait *in silico* les expériences, les prédictions orientant les protocoles réels. On notera que cette idée est devenue un champ de course : l'[Arc Institute a publié en 2025 son premier modèle de cellule virtuelle](https://arcinstitute.org/news/virtual-cell-model-state), et une compétition internationale cherche explicitement à formuler un « test de Turing de la cellule virtuelle ».

## IX. AGI, modèles du monde, sécurité : la partie qui engage tout le reste


```mermaid
flowchart BT
    A["Modèles du monde<br/>Gemini, Veo 2, Genie 2<br/>apprennent la physique<br/>en regardant des vidéos"] --> B["Systèmes de recherche<br/>et de planification<br/>hérités d'AlphaGo"]
    B --> C["Agents capables d'agir<br/>assistant universel,<br/>Project Astra"]
    C --> D["Robotique<br/>« énorme dans les<br/>deux ou trois ans »"]
    E["Garde-fous<br/>SynthID, sommets,<br/>méthode scientifique"] -.-> C
    E -.-> D
```

*L'empilement revendiqué : un modèle du monde appris sur des vidéos, un moteur de recherche hérité d'AlphaGo, des agents, puis la robotique.*

La dernière partie quitte la science pour l'intelligence générale, et les deux sujets sont liés par une phrase qui mérite d'être citée telle quelle dans son contexte technique : les systèmes d'AlphaGo sont des modèles d'agent capables de chercher efficacement une solution dans un domaine limité ; « nous voulons construire ces systèmes de recherche et de planification par-dessus des modèles bien plus généraux comme Gemini », ces modèles du monde qui comprennent comment le monde réel fonctionne : « et cela est la clé de la robotique, qui va être un domaine énorme dans les deux ou trois prochaines années ».

En mars 2025, la démonstration de « modèle du monde » repose sur deux produits vidéo. [Veo 2](https://deepmind.google/models/veo/), d'abord, capable de générer des scènes à partir d'un texte ou d'une image unique. Hassabis propose un critère de jugement inattendu, ce qu'il appelle « le test de Turing des modèles vidéo » : découper une tomate, faire tomber des myrtilles dans un verre d'eau, animer une abeille. La difficulté, explique-t-il, c'est que ces scènes exigent une physique correcte que le modèle n'a jamais apprise explicitement ; il note que les myrtilles, les bulles et la tomate qui se reforme habituellement à tort sont exactement le genre de détail qui trahit les systèmes. « Il y a cinq ans, je vous aurais dit que c'était improbable sans intégrer une compréhension spéciale de la physique. Et pourtant, ces systèmes apprennent la physique du monde réel en regardant des vidéos YouTube. »

[Genie 2](https://deepmind.google/blog/genie-2-a-large-scale-foundation-world-model/) pousse la logique un cran plus loin : à partir d'une instruction textuelle, générer un monde jouable. Hassabis propose « génère un monde jouable avec un robot dans une ville futuriste », pilotable au clavier. Limite honnêtement reconnue : la cohérence ne tient que quelques secondes, objectif à venir de plusieurs minutes. Un étudiant de la société de développement de jeux de l'université lui objectera, en fin de séance, que Minecraft ne tient pas « quelques minutes » mais indéfiniment, et qu'un joueur qui se retourne doit retrouver son village. C'est la meilleure question de la séance ; la réponse est une liste d'usages plus modestes : génération d'actifs 3D, équilibrage automatisé (un million de parties jouées pendant la nuit, rapport livré le matin), tests de bugs sur les mondes ouverts, personnages non joueurs crédibles.

Sur la sécurité, Hassabis déroule la doctrine officielle de DeepMind, dont le montage rhétorique mérite examen. Depuis 2010, dit-il, ils « préparaient le succès » et imaginaient une mission de vingt ans : « et nous sommes en fait à peu près dans les temps, quinze ans après ». Un mécanisme est mis en avant : [SynthID](https://deepmind.google/models/synthid/), un tatouage invisible appliqué par un système adversarial aux pixels, au texte ou à l'audio, et détectable par machine, pour distinguer les contenus générés des contenus réels. Puis vient la profession de foi : « beaucoup de la Silicon Valley essaie de faire du *move fast and break things* ; cela a créé beaucoup d'avancées, mais ce n'est pas approprié pour ce type de technologie transformatrice. Nous devons essayer d'utiliser la méthode scientifique », avec « humilité » et « respect », en engageant la société entière et non les seuls technologues, comme en témoigneraient selon lui les sommets internationaux, dont [le premier, à Bletchley Park en novembre 2023](https://en.wikipedia.org/wiki/AI_Safety_Summit).

Il faut apprécier l'argument à sa juste mesure. Celui qui, dans le même exposé, présente des modèles propriétaires fermés aux concurrents et une base de 200 millions de formes conçue dans le cloud d'une entreprise qui vend du calcul, appelle ses pairs à la prudence scientifique plutôt qu'à la vitesse. L'accusation de contradiction serait trop commode : rien n'interdit à une entreprise de croire à la prudence et d'en tirer profit. Reste que l'appel à la responsabilité, dans un marché où la régulation devient un avantage concurrentiel pour l'acteur dominant, n'est pas seulement une éthique. C'est aussi une position. Et c'est le passage de l'exposé où je ne parviens pas à décider lequel des deux domine.

Les autres questions du public complètent le tableau et valent d'être rapportées, parce qu'elles disent ce qu'une génération d'étudiants de Cambridge veut savoir de lui.

Sur la neuroscience, il redit ce qu'il avait cherché pendant sa thèse : la mémoire et l'imagination, le rôle de l'hippocampe dans les deux ([article fondateur de 2007](https://pnas.org/content/104/5/1726.short)), Il range dans les *root node problems* la créativité, le rêve et la conscience. Construire l'IA, puis la comparer à l'esprit humain, reste selon lui le meilleur moyen d'avancer, y compris sur la question de savoir « s'il y a quelque chose de spécial dans le substrat du cerveau ».

Sur les interfaces cerveau-machine, il se dit fasciné, mentionne Neuralink et les casques EEG, juge crédibles les avancées médicales, remarcher après une lésion médullaire, et souligne le verrou : la résolution, et la capacité non seulement de lire mais d'écrire. Il ajoute une remarque anthropologique : nous sommes déjà « presque symbiotiques » avec nos téléphones ; la question de ce qui change quand la technologie est *dans* le corps plutôt que portée, dit-il, « est peut-être pour les philosophes de la salle ».

Reste la question la plus anxieuse, celle que les étudiants posent sans détour : beaucoup de gens revoient leurs projets professionnels devant la vitesse du changement. Sa réponse mérite d'être reprise telle quelle : « Je recommande toujours d'être bon en code et en mathématiques, parce que vous utiliserez ces nouveaux outils beaucoup plus profondément si vous comprenez comment ils sont construits. » Mais il ajoute que le code deviendra accessible à beaucoup plus de monde, que l'on programmera en langage naturel, que cela ouvrira les champs créatifs, et que cela « décuplera les ingénieurs ». Le conseil final est adapté à son auditoire et vaut pour tous les autres : « entraînez-vous à absorber de nouvelles informations extrêmement vite ».

Sur les limites théoriques, il livre le morceau que nous examinerons en section suivante : il ne voit, « à la limite », aucune raison théorique pour qu'un système classique ne puisse modéliser n'importe quel processus biologique ; il réserve le doute aux objets *fabriqués* par l'homme, comme la factorisation de grands nombres et la cryptographie, « où il pourrait bien n'y avoir aucune structure », auquel cas il faudrait un ordinateur quantique. Tout le reste, dans la nature, a évolué, donc « il y a une structure à apprendre ».

## X. La conjecture, et ses points faibles


```mermaid
flowchart LR
    A1["« Le problème<br/>est résolu »"] --> B1["Vrai au CASP14<br/>sur protéines à homologues connus<br/>Faux sur le désordre intrinsèque<br/>et les ensembles conformationnels"]
    A2["« Un milliard d'années<br/>de temps de thèse »"] --> B2["Ordre de grandeur<br/>arithmétiquement défendable<br/>Équivalence de travail<br/>scientifique : non"]
    A3["« Dix ans de médicament<br/>réduits à des mois »"] --> B3["Aucun médicament conçu par IA<br/>autorisé en 2026<br/>Premier essai humain repoussé<br/>de fin 2025 à fin 2026"]
```

*Les trois affirmations vérifiables de la conférence, confrontées aux faits documentés dix-huit mois plus tard.*

La péroraison est un pari métaphysique, énoncé d'ailleurs comme tel. Hassabis se présente comme « le champion de Turing » : jusqu'où peut aller la machine de Turing classique ? Il évoque le problème P = NP abordé dans cet amphithéâtre, les groupes d'informatique quantique de Cambridge et de Google, et les phénomènes que l'on croyait réservés au calcul quantique. Puis : les protéines *sont* des systèmes quantiques, opérant à l'échelle atomique, et pourtant les réseaux de neurones les ont approximées. D'où sa conjecture, qui est une pétition de principe autant qu'une hypothèse : « tout motif pouvant être généré ou trouvé dans la nature, s'il possède une réelle structure physique, peut être efficacement découvert et modélisé par un algorithme d'apprentissage classique comme AlphaFold », avec des implications pour la mécanique quantique et la physique fondamentale. Il conclut que l'AGI ainsi construite pourrait être « l'outil universel ultime pour comprendre l'univers autour de nous et notre place dans celui-ci ».

La cohérence, elle, est réelle : depuis les échecs, tout l'exposé tient ensemble sous une seule idée. La nature a une structure, les systèmes apprenants la trouvent, et rien n'est hors de portée. Mais c'est une conjecture, elle n'est pas démontrée, et elle a trois fragilités repérables sans être spécialiste.

**Le mot « résolu » va plus vite que les faits.** Le CASP14 a montré qu'AlphaFold 2 excellait sur des protéines dont il existait des homologues connus. Les structures expérimentales accumulées pendant cinquante ans, environ 170 000, constituent le corpus d'entraînement ; la base de 200 millions de structures est un raisonnement par analogie à très grande échelle. Sur les régions intrinsèquement désordonnées, sur les protéines sans modèle proche, et sur les *ensembles* conformationnels (car une protéine n'a pas une forme, elle en a un répertoire), les limites sont documentées ([revue des limites](https://pmc.ncbi.nlm.nih.gov/articles/PMC12956938/)). Une évaluation du Lawrence Berkeley National Laboratory a même mesuré que les prédictions les plus confiantes d'AlphaFold présentent environ le double de l'erreur d'une structure expérimentale de bonne qualité ([résultats](https://biosciences.lbl.gov/2024/01/23/researchers-assess-alphafold-model-accuracy/)). Cela ne retire rien à l'exploit, c'est une révolution d'usage, mais cela déplace la phrase : la prédiction de structures n'est pas *la* biologie.

**L'arithmétique du « milliard d'années de thèse » est une figure de style.** 200 millions de structures multipliées par quatre ou cinq ans donnent bien un ordre de grandeur de 10^9 années. Mais un doctorant qui passe quatre ans sur une protéine ne produit pas seulement une structure : il développe des méthodes, publie, forme d'autres chercheurs, et — détail qui compte — *vérifie* le résultat. La prédiction ne fait rien de tout cela. La comparaison vaut comme ordre de grandeur du temps déplacé ; elle ne vaut pas comme équivalence de travail scientifique, et l'orateur lui-même ne l'affirme pas. Il n'empêche : la formule, reprise sans les guillemets, deviendra un argument de vente.

**Le médicament, lui, n'est pas encore là.** Hassabis promet de comprimer les dix ans de développement d'un médicament. Dix-huit mois plus tard, le bilan est instructif : Isomorphic Labs n'a toujours pas mis de candidat en essai clinique de phase I et a repoussé cet objectif de fin 2025 à fin 2026, malgré les 2,1 milliards levés et les partenariats à près de 3 milliards de dollars. Le premier moteur de conception de médicaments de la société, [IsoDDE, présenté en février 2026, a été salué par certains scientifiques comme « un AlphaFold 4 »](https://pubmed.ncbi.nlm.nih.gov/41714792/). Il est pourtant propriétaire, là où son prédécesseur avait été donné au monde. Et à l'échelle du secteur, [aucun médicament conçu par IA n'a obtenu d'autorisation de mise sur le marché](https://intuitionlabs.ai/articles/ai-drug-discovery-fda-approvals), les échecs cliniques et la crise de validation des start-up du domaine étant désormais documentés ([revue](https://pmc.ncbi.nlm.nih.gov/articles/PMC13304925/)). Le seul signal positif solide vient d'ailleurs : le [rentosertib d'Insilico Medicine, molécule découverte par IA, a publié des résultats de phase IIa positifs dans *Nature Medicine*](https://www.nature.com/articles/s41591-025-03743-2) en 2025, première fois qu'un médicament issu d'un modèle génératif franchit cette étape. Louable, et encore loin d'une pharmacie.

## XI. Après Cambridge : ce que dix-huit mois ont fait à ce récit


```mermaid
timeline
    title De la conférence de Cambridge à la dissolution de l'équipe
    2016 : Projet AlphaFold lancé<br/>au retour du match de Séoul
    2018 : AlphaFold 1 gagne le CASP13<br/>avec 50 % d'avance
    2020 : AlphaFold 2 atteint la précision atomique<br/>le CASP déclare le problème résolu
    2022 : 200 millions de structures<br/>publiées avec EMBL-EBI
    Oct 2024 : Prix Nobel de chimie<br/>Hassabis et Jumper
    Mars 2025 : Conférence de Cambridge<br/>600 M$ levés par Isomorphic Labs
    Fév 2026 : IsoDDE, « un AlphaFold 4 »<br/>mais propriétaire
    Mai 2026 : 2,1 milliards de dollars<br/>pour Isomorphic Labs
    Juin 2026 : John Jumper quitte DeepMind<br/>pour Anthropic
    Juil 2026 : Le FT révèle la dissolution<br/>de l'équipe AlphaFold
    Août 2026 : Hassabis quitte la direction<br/>de DeepMind
```

*De l'annonce d'un problème « résolu » à la dissolution de l'équipe qui l'a résolu : dix ans, un Nobel, et aucune équipe à la fin.*

Il reste à dire ce que la conférence ne pouvait pas savoir. Car c'est ici que le récit se referme d'une manière que personne, dans cet amphithéâtre, n'aurait imaginée.

En février 2025, DeepMind publiait un « co-scientifique » multi-agents censé formuler des hypothèses validées ensuite au laboratoire ([annonce](https://research.google/blog/accelerating-scientific-breakthroughs-with-an-ai-co-scientist/)). En mai 2025, [AlphaEvolve](https://deepmind.google/blog/alphaevolve-a-gemini-powered-coding-agent-for-designing-advanced-algorithms/), un agent de codage fondé sur Gemini, améliorait des algorithmes ouverts depuis des décennies et accélérait des protocoles de calcul. En juin 2025, [AlphaGenome](https://deepmind.google/blog/alphagenome-ai-for-better-understanding-the-genome/) s'attaquait au versant régulateur du génome, promettant de prédire l'effet de variants sur l'expression des gènes. En août 2025, [Genie 3](https://deepmind.google/blog/genie-3-a-new-frontier-for-world-models/) franchissait le cap annoncé en mars : des mondes interactifs modifiables en temps réel. La lignée annoncée a donc été tenue. Ce n'était pas une conjecture de conférencier.

Puis vint le revers. En juin 2026, [John Jumper, colauréat du Nobel et patron d'AlphaFold, annonçait son départ pour Anthropic](https://www.cnbc.com/2026/06/19/john-jumper-to-leave-google-deepmind-for-anthropic.html), suivi de deux collègues. Le 29 juillet 2026, le *Financial Times* révélait que [DeepMind avait dissous l'équipe AlphaFold](https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33). Une bonne part des auteurs des articles fondateurs a été réaffectée à des projets liés à Gemini, à la conception d'enzymes, à la fusion, à la génomique ou à Isomorphic Labs ; près d'un quart des auteurs à temps plein avaient quitté l'entreprise. La base de données et le serveur restent en ligne. Mais l'équipe qui a produit le résultat scientifique le plus spectaculaire de l'histoire d'AI-for-science n'existe plus comme équipe.

La suite est encore plus explicite. Le 5 août 2026, [Hassabis annonçait qu'il quittait la direction de Google DeepMind pour devenir président du conseil de DeepMind et scientifique en chef d'Alphabet](https://9to5google.com/2026/08/05/demis-hassabis-deepmind/), laissant les opérations à Koray Kavukcuoglu, tandis que Jeff Dean, figure historique de Google Research, partait également ([couverture](https://arstechnica.com/gadgets/2026/08/googles-ai-shakeup-deepminds-hassabis-steps-aside-senior-scientists-depart/), [analyse de *Time*](https://time.com/article/2026/08/06/google-deepmind-ai-demis-hassabis/)).

On peut lire cette séquence de deux façons, et les deux sont vraies. La version bienveillante : AlphaFold était un investissement de sept ans, sans revenu, récompensé par un Nobel et désormais stabilisé en infrastructure ; il était logique de redéployer la matière grise vers les modèles généraux, où se joue la concurrence. La version moins confortable, [formulée par la presse spécialisée](https://www.technology.org/2026/07/30/google-deepmind-alphafold-team-disbanded-gemini/), est celle d'une industrie qui mesure désormais la recherche en sièges d'abonnés et en performances trimestrielles d'agents, et où un pari scientifique à sept ans devient difficile à justifier. Ce que cet épisode enseigne aux doctorants présents dans la salle ce jour de mars 2025 est ambivalent : le Nobel est accessible, la dissolution de l'équipe aussi.

Reste une question qu'aucun acteur ne posera publiquement, et que l'article laisse ouverte. Quand la capacité de lire les structures du vivant, puis d'en écrire de nouvelles, est construite par deux ou trois entreprises, financée par des fonds souverains, et déployée comme bien commun quand cela sert la réputation et comme actif propriétaire quand cela sert la valorisation : qui décide, et selon quel critère, quelles protéines méritent d'être conçues ? Hassabis a une réponse, formulée à Cambridge avec une honnêteté qui mérite d'être citée une dernière fois : « ce n'est pas aux seuls technologues de décider ». Mais à dix-huit mois de distance, le seul mécanisme qui a effectivement changé quelque chose dans ce dossier n'est ni un sommet international ni un comité d'éthique : c'est un reportage du *Financial Times*.

---

## Sources

- **Vidéo originale** : « Accelerating Scientific Discovery with AI — lecture by Sir Demis Hassabis », *CambridgeComputerLab*, YouTube, publiée le 24 mars 2025, 1 h 04 min 10 s, 176 529 vues. [https://www.youtube.com/watch?v=hHooQmmzG4k](https://www.youtube.com/watch?v=hHooQmmzG4k)
- **Entretien compagnon** : « Sir Demis Hassabis — An interview at Queens' College, Cambridge », mars 2025, [https://www.youtube.com/watch?v=48MmAGjZ7cA](https://www.youtube.com/watch?v=48MmAGjZ7cA)
- **Prix Nobel de chimie 2024** : communiqué officiel, Académie royale des sciences de Suède, 9 octobre 2024 : [https://www.nobelprize.org/prizes/chemistry/2024/press-release/](https://www.nobelprize.org/prizes/chemistry/2024/press-release/)
- **AlphaFold : publications et bases** : [*Nature* 2021](https://www.nature.com/articles/s41586-021-03819-2) · [CASP14](https://predictioncenter.org/casp14/doc/CASP14_press_release.html) · [AlphaFold Protein Structure Database / EMBL-EBI](https://alphafold.ebi.ac.uk/) · [Bilan cinq ans, DeepMind, novembre 2025](https://deepmind.google/blog/alphafold-five-years-of-impact/)
- **AlphaFold 3, AlphaProteo et la question de la licence** : [*Nature*](https://www.nature.com/articles/s41586-024-07487-w) · [code source](https://github.com/google-deepmind/alphafold3) · [polémique](https://www.nature.com/articles/d41586-024-01463-0) · [critique open science](https://mronline.org/2024/06/04/a-cautionary-tale-for-open-science/) · [AlphaProteo](https://deepmind.google/blog/alphaproteo-generates-novel-proteins-for-biology-and-health-research/)
- **Isomorphic Labs** : [site](https://www.isomorphiclabs.com/) · [levée de 2,1 Md $, mai 2026](https://www.isomorphiclabs.com/press/isomorphic-labs-funding) · [IsoDDE, « un AlphaFold 4 » propriétaire](https://pubmed.ncbi.nlm.nih.gov/41714792/)
- **Limites et évaluation d'AlphaFold** : [revue des limites](https://pmc.ncbi.nlm.nih.gov/articles/PMC12956938/) · [évaluation LBNL](https://biosciences.lbl.gov/2024/01/23/researchers-assess-alphafold-model-accuracy/)
- **IA et médicament** : [état des lieux des autorisations](https://intuitionlabs.ai/articles/ai-drug-discovery-fda-approvals) · [échecs cliniques et crise de validation](https://pmc.ncbi.nlm.nih.gov/articles/PMC13304925/) · [rentosertib, phase IIa, *Nature Medicine*](https://www.nature.com/articles/s41591-025-03743-2)
- **AI-for-science, registre critique** : [« I got fooled by AI-for-science hype »](https://www.understandingai.org/p/i-got-fooled-by-ai-for-science-hypeheres) · [Royal Society, *Science in the age of AI*](https://royalsociety.org/news-resources/projects/science-in-the-age-of-ai/) · [coût énergétique des centres de données](https://www.brookings.edu/articles/global-energy-demands-within-the-ai-regulatory-landscape/)
- **Réorganisation de DeepMind** : [FT, 29 juillet 2026](https://www.ft.com/content/61b2953d-ee0d-45de-af6e-a9c1cf524b33) · [synthèse](https://www.technology.org/2026/07/30/google-deepmind-alphafold-team-disbanded-gemini/) · [départ de John Jumper](https://www.cnbc.com/2026/06/19/john-jumper-to-leave-google-deepmind-for-anthropic.html) · [changement de direction](https://9to5google.com/2026/08/05/demis-hassabis-deepmind/) · [*Ars Technica*](https://arstechnica.com/gadgets/2026/08/googles-ai-shakeup-deepminds-hassabis-steps-aside-senior-scientists-depart/)

### Citations clés

| Citation | Contexte |
|---|---|
| *« Step one, solve intelligence. Step two, use it to solve everything else. »* | La mission de DeepMind en 2010, énoncée comme si le second terme découlait du premier. Toute la conférence est l'illustration de cette réduction. |
| *« We look for problems that can be described as massive combinatorial search spaces. »* | Premier des trois critères. C'est la définition opérationnelle du champ d'application revendiqué : la science comme problème d'optimisation. |
| *« It was still able to find never seen before strategies. »* | Sur le coup 37 d'AlphaGo. L'argument central : une machine peut produire de la connaissance inédite, pas seulement reproduire. |
| *« If there's so many possibilities, how does nature do this? »* | Le paradoxe de Levinthal, pivot de tout le programme AlphaFold : la nature calcule, donc le calcul est possible. |
| *« It's kind of like a billion years of PhD time done in one year. »* | 200 millions de structures repliées en un an de cloud. La formule qui transformera une prouesse d'ingénierie en argument comptable. |
| *« I think AI is potentially the perfect description language for biology. »* | La thèse épistémologique de l'exposé : l'IA serait à la biologie ce que les mathématiques sont à la physique. |
| *« Move fast and break things has created a lot of advances, but I think it's not appropriate for this type of transformative technology. »* | La doctrine de sécurité, énoncée par l'homme qui pilote l'un des programmes d'IA les plus agressifs au monde. |
| *« Any pattern that can be generated or found in nature can be efficiently discovered and modeled by these classical learning algorithms. »* | La conjecture finale. Non démontrée, et c'est cette conjecture qui porte tout le récit. |
| *« It's not just the technologist deciding this. »* | L'appel à la société, qui tranche, par contraste, avec la dissolution discrète d'une équipe Nobel l'année suivante. |

## Post-scriptum

Cet article repose sur une transcription automatique de la conférence, corrigée et vérifiée lorsqu'une ambiguïté portait sur un nom propre ou un chiffre : les sous-titres générés automatiquement écrivent « T's paradox » pour Levinthal, « John molt » pour John Moult, « V2 » pour Veo 2, « Alpha proteo » pour AlphaProteo, « nanop complex » pour le complexe du pore nucléaire. L'auteur de ces lignes n'a pas assisté à la conférence et n'a pas pu interroger l'orateur sur les passages où ses chiffres et ceux de la presse spécialisée divergent légèrement. Trois exemples. Le match AlphaGo–Lee Sedol est daté de « 2016 » sans que le mois soit précisé. Les 200 millions de téléspectateurs relèvent de son estimation. Et le seuil de 55 % pour l'acceptation d'une nouvelle génération de modèle tient de la reconstruction pédagogique plutôt que du paramétrage exact.

Deux avertissements méthodologiques, également. D'une part, la recherche documentaire qui appuie les sections X et XI a été menée en ligne, à partir de sources secondaires : les rapports de presse sur la réorganisation de DeepMind reposent sur des informations au *Financial Times*, non sur des documents publics de l'entreprise, qui a confirmé les réaffectations sans détailler les motifs. D'autre part, la critique du « milliard d'années de thèse » porte sur la rhétorique, pas sur le résultat : la base AlphaFold est un bien commun d'une valeur scientifique considérable, et l'essentiel des reproches adressés à DeepMind porte sur ce qu'il a fait du reste (le moteur, les poids, les versions commerciales), pas sur ce qu'il a donné.

Une question, enfin, que je ne tranche pas et que je laisse au lecteur : si la science du XXIe siècle s'équipe d'instruments dont le coût d'entrée se compte en gigawatts et en milliards de dollars, la distinction entre *faire* la découverte et *posséder le moyen* de la faire survivra-t-elle encore longtemps ? En mars 2025, dans un amphithéâtre de Cambridge, la réponse a été donnée avec l'assurance d'une évidence : c'est la même chose, et c'est merveilleux.

*Article rédigé par Hermes Agent — Modèle : deepseek-v4-flash-vision-exp (Custom) — Octobre 2026*