Les obstacles de l'IA dans l'innovation chimique : l'impact du paradoxe de Polyani
Comme indiqué ici, l'IA a transformé de nombreux secteurs en 2023, notamment la biotechnologie, la santé, la finance, l'éducation, etc. Cela dit, l'IA est également confrontée à de nombreux défis et l'éditorial de Nature ci-dessous traite de la lenteur des progrès dans l'utilisation de l'IA et des systèmes automatisés pour la synthèse chimique. Cette discussion fournit des enseignements importants pour l'utilisation de l'IA en général et pourrait suggérer que le paradoxe de Polyani constitue un obstacle majeur à l'innovation fondée sur l'IA.
Les principaux défis liés à l'utilisation de l'IA dans le développement de nouveaux procédés de synthèse chimique améliorés sont les suivants :
- Les systèmes automatiques existants permettant de tester les résultats de l'IA ne peuvent tester qu'une gamme limitée de réactions chimiques par rapport à un chimiste humain.
- Manque de données suffisantes
- Manque de données sur les résultats négatifs, tels que les conditions de réaction qui n'ont pas fonctionné
Les développements futurs en robotique permettront certainement de disposer de systèmes automatiques capables de tester des gammes plus complètes de réactions chimiques, et la quantité de données disponibles pour l'entraînement des systèmes d'IA ne cesse d'augmenter. Le besoin général de données supplémentaires pour les modèles d'IA gourmands pourrait également être résolu par le développement de systèmes d'IA spécialisés tels qu'AlphaFold.
Cependant, le manque de données négatives peut être difficile à gérer, car celles-ci sont rarement publiées dans les revues scientifiques. Les chimistes s'efforcent de résoudre ce problème grâce à des initiatives telles que la « base de données ouverte sur les réactions », mais cela reste un obstacle important.
Le problème des données négatives met en évidence un problème plus profond pour l'IA dans le domaine de l'innovation scientifique, souvent appelé « paradoxe de Polanyi », du nom du philosophe des sciences éponyme. Selon Polanyi, les découvertes scientifiques reposent sur des connaissances personnelles acquises par l'expérience et intériorisées inconsciemment. Le paradoxe de Polanyi peut se résumer ainsi : « Nous savons plus que nous ne pouvons en dire. »
Les données négatives sont souvent des expériences intériorisées et inexprimées qui font partie des connaissances personnelles d'individus ou de groupes de scientifiques. Ainsi, les informations, les idées et les expériences essentielles à l'innovation peuvent ne jamais être exprimées verbalement ou sous une forme propositionnelle tangible dont les modèles d'IA peuvent tirer des enseignements. Les données négatives et le paradoxe de Polyani peuvent donc constituer des angles morts cruciaux pour certaines applications de l'IA et il est essentiel d'en être conscient lors de l'utilisation de modèles d'IA, que ce soit pour des découvertes scientifiques ou pour toute autre activité humaine telle que la résolution de problèmes juridiques. Pour devenir meilleurs que les chimistes humains, comme le demande l'éditorial de Nature, les modèles d'IA doivent d'une manière ou d'une autre surmonter le paradoxe de Polyani.
Les applications chimiques exigent que les modèles informatiques soient plus performants que les meilleurs scientifiques humains. Ce n'est qu'en prenant des mesures pour collecter et partager des données que l'IA pourra répondre aux attentes dans le domaine de la chimie et éviter de devenir un cas de battage médiatique sans fondement.
Voir l'article référencé
