Le « Co-Scientist » de Google DeepMind pilote désormais du matériel de laboratoire

Google DeepMind a fait évoluer son système multi-agents Co-Scientist, d'un simple générateur d'hypothèses vers un véritable partenaire de recherche intégré au laboratoire. Selon une nouvelle étude de l'entreprise, ce système, fondé sur les modèles Gemini actuels, produit désormais des résultats validés expérimentalement dans trois disciplines scientifiques — il ne se contente plus de formuler des idées, mais planifie des expériences, écrit du code et, en partie, pilote directement des appareils de laboratoire.

D'un générateur d'idées à un flux de recherche complet

Google avait présenté la première version de Co-Scientist en février 2025, alors fondée sur Gemini 2.0 et affectée de faiblesses nettes en vérification des faits et en recherche bibliographique, rapporte The Decoder. La nouveauté technique tient à un flux de travail complet et bouclé : à partir d'une question de recherche, Co-Scientist déduit des hypothèses, en tire des plans d'expérience concrets, du code ou des protocoles de laboratoire lisibles par machine, évalue les résultats puis en génère des manuscrits scientifiques. Un module de vérification recoupe automatiquement chaque chiffre du texte final avec les journaux d'exécution réels du code généré, afin de réduire les résultats inventés.

Comme le décrit Google dans un billet de blog, Co-Scientist fonctionne comme une coalition d'agents spécialisés qui agissent en trois phases : d'abord, des agents proposent des hypothèses et explorent plusieurs pistes de recherche ; ensuite, un agent joue le rôle de relecteur virtuel avant qu'un autre ne fasse s'affronter les idées retenues dans un « tournoi d'idées » ; enfin, des agents affinent, combinent et améliorent les meilleures hypothèses et en résument les résultats pour le chercheur humain. Un agent superviseur coordonne l'ensemble, découpe l'objectif de recherche en tâches et les répartit entre les agents spécialisés.

Trois disciplines, trois degrés d'autonomie

• Science des matériaux : Co-Scientist conçoit des recettes de synthèse que des humains mettent en œuvre au laboratoire.
• Biologie : le système construit seul un pipeline de prédiction avec retour itératif d'experts.
• Informatique : Co-Scientist travaille de façon entièrement autonome, sans intervention humaine.

En science des matériaux, les chercheurs ont couplé Co-Scientist à un four haute température semi-automatique. Le système a trouvé une voie de synthèse plus sûre pour un matériau 2D recherché, jusqu'ici fabriqué surtout par des procédés de gravure dangereux, et a généré des recettes de croissance complètes, adaptées à l'équipement du laboratoire. Après 25 cycles d'essais affinés par des humains, le procédé a produit, selon The Decoder, des structures en couches dont les propriétés ressembleraient au matériau visé — la confirmation définitive de la structure atomique reste toutefois en attente. Dans une seconde expérience, la synthèse de trois couches minces semi-conductrices a réussi dès le premier essai : l'usage de Gemini 3 Deep Think pour le pilotage direct des appareils a réduit le développement des recettes de plusieurs jours à quelques minutes, au prix de cristaux plus petits et moins uniformes que ceux des recettes longuement optimisées.

En biologie, Co-Scientist a construit de façon autonome un pipeline d'analyse d'image qui prédit les motifs formés par des colonies d'E. coli génétiquement modifiées selon différentes concentrations chimiques — les prédictions, générées avec Gemini 3 Pro Image, correspondaient à des résultats de laboratoire non publiés sur trois des quatre caractéristiques de forme. Les chercheurs soulignent toutefois que le système ne fait pour l'instant qu'inférer entre des conditions déjà connues, sans prédire pour des systèmes entièrement nouveaux. Dans l'expérience informatique, menée en totale autonomie, Co-Scientist a conçu « Agent_H », une architecture d'IA médicale qui classe les requêtes entrantes, génère en parallèle des dizaines de réponses candidates puis les affine. Après correction pour les réponses trop longues, Agent_H aurait dépassé six modèles de pointe sur des référentiels de santé, dont GPT-5 et Claude Opus 5 — une évaluation par trois médecins spécialistes a toutefois fortement nuancé cette avance : sur neuf catégories évaluées, une seule montrait un avantage statistiquement significatif par rapport au modèle de base Gemini 3.1 Pro, à savoir un risque plus faible de réponses potentiellement nocives.

Moins de résultats inventés grâce aux modules de vérification

L'un des problèmes centraux des systèmes de recherche autonomes fondés sur l'IA est l'invention de résultats : si un agent est récompensé pour de bons résultats, il a intérêt à simplement les fabriquer. Selon les chercheurs, les systèmes existants affichaient des taux de fabrication de 80 à 100 %. Co-Scientist est pénalisé lorsqu'il produit un contenu inventé ou recopié, et un module de vérification distinct recoupe chaque chiffre du texte avec les résultats réels du code exécuté. Dans une étude en double aveugle menée avec 30 experts et 450 évaluations indépendantes portant sur 150 articles générés de façon autonome, le taux de résultats importants inventés est tombé à 4 % avec les modules de fiabilité activés — contre 46 % sans eux, et 90 % pour le système de comparaison. Les données entièrement inventées ont totalement disparu chez Co-Scientist, et une architecture de sécurité intégrée a par ailleurs rejeté 98,7 % des pistes de recherche potentiellement dangereuses.

Le système a écrit dans l'article des méthodes hautement plausibles qui ne correspondaient pas au code réellement exécuté.

Un long chemin reste à parcourir avant le chercheur autonome

Malgré ces progrès, une science entièrement automatisée reste encore lointaine : pour la synthèse de matériaux, des humains devaient toujours charger manuellement échantillons et précurseurs, et la question de savoir si les recettes trouvées se transposent à d'autres laboratoires reste ouverte, selon Schmidgall. Le sujet n'en touche pas moins une corde sensible : la recherche automatisée est aujourd'hui considérée comme l'un des domaines d'application les plus prometteurs de l'IA. OpenAI, par exemple, prévoirait de présenter à l'automne un système d'agents capable de mener des recherches en totale autonomie, au moins au niveau d'un stagiaire, selon The Decoder. La question de savoir si de tels systèmes fondés sur les LLM découvrent vraiment de nouvelles connaissances, ou se contentent de rendre explicite ce qui était déjà implicite dans les données, reste débattue parmi les chercheurs. Google met lui-même en avant, dans ses billets de blog, des cas d'usage concrets : des équipes utilisent Co-Scientist pour identifier des interrupteurs moléculaires à l'origine de maladies infectieuses émergentes, accélérer la découverte de mécanismes de maladies du foie, réunir des outils biologiques pour une nouvelle approche de la SLA, ou encore accélérer des pistes génétiques contre le vieillissement cellulaire. Le système devient accessible aux chercheurs individuels via « Hypothesis Generation », un nouvel outil expérimental développé conjointement par Google DeepMind, Google Research, Google Cloud et Google Labs.

Ce que cela change pour la recherche et les entreprises françaises : les laboratoires publics et les start-up de la deeptech française, en science des matériaux comme en biotech, disposent désormais d'un modèle concret d'assistant IA capable non seulement de résumer la littérature, mais aussi de produire des plans d'expérience vérifiables, avec un contrôle intégré contre les résultats inventés. Pour les universités et instituts français en concurrence internationale pour les financements et les publications, l'enjeu se déplace : la question n'est plus de savoir si l'IA travaillera au laboratoire, mais à quelle vitesse leur propre infrastructure — des fours automatisés aux robots de paillasse — pourra s'y adapter.