Est-ce qu'une IA a déjà trouvé quelque chose que personne ne savait ?

Il y a dans un laboratoire de l'État de Washington une batterie qui fonctionne. Rien d'extraordinaire à la regarder, sauf que la matière dont elle est faite n'existait nulle part il y a deux ans. Aucun livre, aucun catalogue, aucune thèse, aucun cerveau humain. Une machine l'a trouvée en fouillant 32 millions de possibilités, et le tri lui a pris 80 heures.

Quatre-vingts heures. Un long week-end.

Voilà le genre d'histoire qui m'intéresse. Pas une IA qui recopie proprement une démonstration que des humains avaient déjà faite, non : une machine qui pose sur la table un truc que personne n'avait jamais vu.

Alors posons la vraie question, celle qu'on se pose tous. Est-ce qu'une machine peut trouver ce que personne n'a jamais trouvé ? Pas le retrouver, pas le vérifier, pas le mettre au propre. Le trouver.

La réponse est oui. Avec des étoiles à côté, parce qu'il y a trois façons de trouver et qu'elles ne se valent pas du tout.

Une chose qui marche, sortie d'un océan de choses qui n'existaient pas.

La batterie qui n'était écrite nulle part

L'affaire commence chez Microsoft, avec un laboratoire public américain, le Pacific Northwest National Laboratory. L'objectif est simple à comprendre : dans la batterie de ta voiture électrique ou de ton téléphone, il y a du lithium. C'est cher, c'est rare, ça s'extrait dans des mines qui ne font rêver personne, et tout le monde cherche à en mettre moins.

Sauf qu'une batterie, c'est de la chimie. Pour savoir si un mélange tient debout, il faut le fabriquer et le tester. Un chimiste en essaie quelques centaines dans toute sa carrière. À ce rythme, explorer sérieusement le problème prend des décennies.

La machine, elle, a examiné 32 millions de combinaisons possibles. Puis elle a trié.

De 32 millions à une poignée. Le plus dur n'est pas de trouver, c'est de jeter.

Au bout de l'entonnoir, il reste une matière, baptisée N2116, que personne n'avait jamais fabriquée. Le laboratoire l'a synthétisée pour de vrai et en a fait un prototype qui fonctionne, en moins de neuf mois. Elle utiliserait jusqu'à 70 % de lithium en moins.

Je répète, parce que c'est ça le morceau : cette matière n'existait dans aucun livre. Elle n'a pas été découverte au fond d'une mine, elle a été trouvée dans une liste de possibilités que personne n'avait eu le temps de lire.

Comment on essaie 32 millions de trucs sans en fabriquer un seul

C'est là que les gens imaginent une machine géniale qui a une intuition. Il n'y a pas d'intuition là-dedans, et c'est presque plus intéressant.

Imagine un cadenas à quatre chiffres. Tu peux réfléchir longuement à la combinaison, ou tu peux essayer les dix mille. Un humain met des heures, une machine met une seconde. Personne ne dira que la machine a été maligne : elle a été rapide, et à partir d'un certain point la rapidité fait le même effet que l'intelligence.

Le vrai tour de force est ailleurs. Une machine ne peut pas fabriquer 32 millions de mélanges, ce serait absurde. Ce qu'elle sait faire, c'est calculer si un mélange tiendrait debout, sans le fabriquer. Les lois qui décident si un cristal est stable sont connues depuis un siècle, elles sont écrites, et un ordinateur peut les appliquer à une combinaison qui n'a jamais existé.

Autrement dit, elle a le droit d'être bête. Elle peut proposer des millions d'idées absurdes et laisser la physique faire le tri, parce que ça ne lui coûte rien d'avoir tort. Un chercheur humain, lui, n'a que quelques essais dans sa vie, alors il ne se permet que des idées raisonnables. Et parfois la bonne idée n'était pas raisonnable !

En maths, c'est encore plus troublant

Prends la multiplication de deux tableaux de nombres. Ça sent l'exercice de collège, sauf que c'est l'opération que ton téléphone exécute des milliards de fois par seconde dès qu'il affiche une photo, que ta console calcule une ombre ou qu'une IA réfléchit. Gagner une seule opération là-dessus, c'est gagner partout, sur toute la planète, en même temps.

En 1969, un mathématicien allemand, Volker Strassen, trouve comment faire ce calcul en 49 opérations au lieu de 64. Beau coup. Et ensuite, plus rien. Pendant cinquante-six ans, des milliers de gens très intelligents cherchent, et personne ne descend en dessous de 49.

En 2025, un système de Google trouve 48.

Une seule de moins, oui. Mais c'est la première depuis l'année où l'homme a marché sur la Lune. Et le plus drôle, c'est que ce système n'avait pas été construit pour ça : on l'avait lâché sur des problèmes d'algorithmes en général, et il est tombé là-dessus au passage.

Même chose du côté d'un vieux monsieur hongrois, Paul Erdős, qui a passé sa vie à poser des problèmes plutôt qu'à les résoudre et en a laissé des centaines derrière lui, certains ouverts depuis les années trente. Depuis décembre, ils tombent les uns après les autres.

Et les mathématiciens, qui sont des gens sérieux, tiennent une page publique où ils notent qui a résolu quoi. Avec des colonnes séparées, et c'est cette séparation qui m'intéresse : une cinquantaine de problèmes où la machine a travaillé sans aide humaine notable, environ cent trente où elle a travaillé avec quelqu'un, et vingt-quatre où l'on s'est aperçu après coup que la solution dormait déjà dans un vieil article que personne n'avait relié au problème.

Ces vingt-quatre-là, je les adore. La machine a résolu le problème pour de bon, sauf qu'un type l'avait fait avant elle en 1973 et que tout le monde avait oublié. Vexant pour absolument tout le monde.

Bon, et elle trouve vraiment toute seule ?

Il y a trois marches, et on ne les monte pas au même rythme.

La première, c'est refaire proprement ce qui existe déjà. Traduire une vieille démonstration dans un langage qu'un ordinateur vérifie ligne à ligne, par exemple. C'est utile, ça rend service, et ça n'invente rien du tout.

La deuxième, c'est trouver du neuf sur une question qu'un humain a posée. La batterie, les 48 opérations, les problèmes d'Erdős : tout est là. Le résultat n'existait nulle part, et il est bien sorti de la machine.

La troisième marche, personne ne l'a encore montée. On en est à mi-escalier, ce qui est déjà beaucoup.

La troisième, ce serait qu'elle décide toute seule de quoi s'occuper. Et là, non. Dans chacune de ces histoires, c'est un humain qui a choisi le problème, un humain qui a lancé la machine et un humain qui a vérifié le résultat. Aucune IA ne s'est réveillée un matin en se disant « tiens, si je regardais du côté des batteries ». Ce qu'elle apporte, c'est la partie du travail où il faut essayer un million de choses sans se décourager. C'est-à-dire précisément la partie que personne n'aime.

Et ça va dans les deux sens, ce qui me réjouit. Sur un problème de géométrie, le système de Google avait battu un record vieux de plusieurs décennies. Un chercheur finlandais est passé derrière, a regardé comment elle s'y était prise, et a fait mieux qu'elle. Un partout, balle au centre.

Ça ressemble beaucoup à ce que je racontais à propos du service d'Amazon où l'on croyait acheter de l'IA et où c'étaient des humains derrière, mais dans l'autre sens : ici la machine fait le gros du travail, et l'humain reste dans la pièce, à choisir la question et à contrôler la réponse.

Ce que ça change chez toi, et quand

Trois choses, avec les délais dits honnêtement, parce que c'est là qu'on vend souvent du rêve.

La batterie, d'abord. Moins de lithium, c'est moins cher à fabriquer et moins de mines à creuser, et le lithium est une des raisons pour lesquelles une voiture électrique coûte ce qu'elle coûte. Mais on parle d'un prototype de laboratoire, pas d'un produit. Entre une matière qui marche sur une paillasse et une batterie dans ton garage, il y a une usine à construire, une chaîne d'approvisionnement, des tests de sécurité et beaucoup de projets qui meurent en route. Dix ans, et ça peut ne jamais arriver.

Les médicaments ensuite, et c'est peut-être le plus important. À l'université McMaster, au Canada, un système a dessiné un antibiotique entièrement nouveau en explorant 46 milliards de composés possibles. Quand tu sais que des bactéries deviennent résistantes à tout ce qu'on a en stock et qu'on ne trouve presque plus de nouvelles familles d'antibiotiques depuis les années quatre-vingt, ce chantier-là n'est pas un gadget.

Et les matériaux en général. Une équipe de Google a publié 2,2 millions de structures cristallines inédites, dont 380 000 qui devraient tenir debout. Ça multiplie par dix le nombre de matériaux stables connus de l'humanité. Combien serviront à quelque chose ? On n'en sait rien, et c'est honnête de le dire. Un catalogue n'est pas une invention.

Un repère pour situer tout ça : quand le laser est sorti en 1960, on l'a longtemps appelé « une solution à la recherche d'un problème ». Il est aujourd'hui dans la caisse de ton supermarché et dans la fibre qui amène cet article sur ton écran. Un catalogue de 380 000 matériaux, c'est exactement ça : une réserve de solutions qui attendent leur problème.

Alors demain, l'antigravité ?

Non. Enfin, pas comme ça, et l'explication est plus intéressante que le refus.

Tout ce que je viens de raconter fonctionne parce que le terrain de jeu est connu. Les atomes existent, les règles qui décident si un cristal tient debout sont écrites depuis cent ans, et la machine se contente de parcourir les combinaisons à une vitesse que personne ne peut suivre. Elle cherche une aiguille dans une meule de foin gigantesque, mais elle sait à quoi ressemble une aiguille.

L'antigravité, ce n'est pas une aiguille dans la meule. C'est une aiguille dont on ignore si elle existe, dans une meule dont on ne connaît pas la forme. Une machine ne peut pas trouver ce qui n'est pas dans les règles du jeu, et à ce jour rien dans la physique connue ne dit qu'on peut annuler la gravité. La même chose vaut pour la téléportation d'une personne : le problème n'est pas qu'on n'a pas assez cherché, c'est qu'on n'a aucune règle qui le permette.

Elle est très forte pour fouiller la meule. Elle ne peut rien contre la porte du fond.

Mais ne referme pas le dossier trop vite, parce que la meule est immense et qu'il y a dedans des aiguilles qui ressemblent à de la science-fiction. Un antibiotique contre les bactéries que plus rien ne soigne. Un matériau qui transporte l'électricité sans perdre un watt en chemin, à température ambiante, ce qui changerait le réseau électrique de la planète. Une batterie qui divise par deux le prix d'une voiture. Tout ça est dans la meule, tout ça obéit à des règles qu'on connaît, et personne ne l'a encore trouvé faute d'avoir eu le temps de chercher.

Le temps, justement, on vient d'en gagner une quantité indécente. Le même genre de bascule que l'ordinateur quantique de Google qui apprend à se corriger tout seul : ce ne sont pas des machines qui pensent mieux que nous, ce sont des machines qui ne se fatiguent jamais.

Alors la téléportation, non. Mais souviens-toi qu'en 1969, quand Strassen a sorti ses 49 opérations, l'idée qu'une machine fasse un jour mieux que lui aurait fait rire tout son département. Il a fallu cinquante-six ans, et c'est arrivé. Je n'ai aucune idée de ce qui sortira d'un ordinateur dans cinquante-six ans, mais la liste des choses impossibles raccourcit tous les ans !

Sources

• Microsoft : How AI and HPC are speeding up scientific discovery, le criblage de 32 millions de matériaux inorganiques, les étapes du tri jusqu'à 23 candidats, les 80 heures de calcul et le travail commun avec le Pacific Northwest National Laboratory
• TechRound : Microsoft's AI-powered battery discovery could replace lithium, le nom du matériau N2116, les 32 millions de candidats ramenés à 18, la réduction de lithium d'environ 70 % et le passage de la matière première au prototype fonctionnel en moins de neuf mois
• Google DeepMind : AlphaEvolve, la multiplication de matrices 4×4 en 48 opérations au lieu des 49 de Strassen, premier progrès depuis 1969, obtenu par un système généraliste
• Le décompte public des contributions de l'IA aux problèmes d'Erdős, tenu par les mathématiciens eux-mêmes, avec ses colonnes séparées : IA seule, IA accompagnée d'un humain, et cas où la littérature existante a été retrouvée après coup
• Quanta Magazine : Why the Legendary Erdős Problems Are Falling to AI, 3 août 2026, le contexte de cette série de résolutions et le débat qu'elle ouvre chez les mathématiciens
• Helsinki Institute for Information Technology : un chercheur améliore les bornes du problème des sphères tangentes, en faisant mieux que le système de Google sur le même problème après avoir étudié sa méthode
• Google DeepMind : Millions of new materials discovered with deep learning, les 2,2 millions de structures cristallines, les 380 000 prédites stables et le facteur dix sur le nombre de matériaux stables connus
• Drug Target Review : AI designs new antibiotics to take on drug-resistant superbugs, les travaux de l'université McMaster et de l'université de Pennsylvanie sur la conception de molécules antibiotiques inédites