DiscoveryRSI : l'IA apprend à émettre des hypothèses

Contexte

Une étape clé de la découverte scientifique consiste à transformer une hypothèse de valeur en recherche concrète. Écrire une conjecture qui paraît nouvelle est facile. La faire avancer par des révisions, des investigations et des relectures, jusqu'à ce qu'elle soit testable, est bien plus difficile. Beaucoup d'agents de recherche sont jugés sur leur seul résultat final. Ils apprennent donc peu de la manière dont une hypothèse évolue au fil des tours.

L'article derrière DiscoveryRSI commence par définir ce qu'est une hypothèse précieuse et testable. Les auteurs la décomposent en éléments qui doivent tous être présents. Il faut une affirmation fondée sur des preuves, qui vise une incertitude importante. Il faut un plan d'investigation réalisable. Il faut des critères de décision clairs, c'est-à-dire savoir quel résultat soutiendrait l'affirmation et lequel la réfuterait. Il faut enfin des explications alternatives, pour que le chercheur ne s'attache pas à sa réponse favorite.

Sur cette base, le cadre DiscoveryRSI permet à un modèle d'améliorer sa capacité à formuler des hypothèses grâce à l'auto-amélioration récursive. Le benchmark DFM-Bench sert à mesurer ce progrès. Le travail porte sur quatre domaines des sciences de la vie.

Analyse approfondie

DiscoveryRSI construit d'abord un arbre d'hypothèses par recherche évolutive multi-agents. Plusieurs agents proposent, critiquent et révisent des hypothèses autour d'une même direction de recherche. Chaque branche de l'arbre représente une trajectoire de développement différente. Les investigations retenues sont ensuite compilées en tâches Harbor exécutables. La recherche cesse ainsi d'être une simple description textuelle : elle peut s'exécuter et laisser une trace. Trois mécanismes pilotent l'apprentissage récursif. L'optimisation du crédit des hypothèses rattache les résultats de l'évaluation scientifique à des contributions de recherche précises, consignées dans les documents. Le modèle voit quelle révision a réellement amélioré la qualité de l'hypothèse, au lieu de répartir le mérite sur toute la trajectoire. La relecture de harness revient sur les exécutions de recherche existantes, repère les stratégies efficaces et les échecs récurrents, puis s'en sert pour améliorer le flux de travail lui-même. La redécouverte applique les améliorations acceptées à de nouvelles investigations, qui produisent de l'expérience pour le tour suivant. L'ensemble forme une boucle : la recherche génère de l'expérience, l'expérience améliore le flux de travail et le modèle, et le système amélioré relance la recherche.

Comment DiscoveryRSI mesure-t-il la qualité d'une hypothèse ? Il s'appuie sur DFM-Bench, qui évalue la qualité à quatre niveaux : hypothèses, révisions, trajectoires de développement et exécutions de recherche. Le banc ne se limite donc pas à une note finale. Il vérifie aussi si la recherche accumule des progrès au fil des révisions. Dans l'évaluation automatique, la qualité d'hypothèse passe de 4,86 pour le modèle de base à 5,39 après deux tours d'auto-amélioration. Les plus fortes hausses concernent la falsifiabilité et la résolubilité par les données, ce qui correspond à l'accent mis par le cadre sur les critères de décision et les investigations exécutables. L'évaluation par des experts apporte un second signal. Dans une évaluation humaine préliminaire, DiscoveryRSI-27B obtient de meilleurs scores que GPT-6 Luna sur l'importance des hypothèses et sur les limites des preuves. Le plus parlant est la comparaison avec la littérature ultérieure. Avec pour référence des recherches publiées après la date limite des modèles, le taux de correspondance de DiscoveryRSI-27B atteint 6,3 %, contre 2,5 % pour GPT-6 et 2,3 % pour Claude Opus 5. L'évaluation humaine reste préliminaire : sa taille d'échantillon et sa couverture demandent de nouvelles validations.

Impact sur l'industrie

Le premier effet est pratique. L'article fait d'une bonne hypothèse un objet que l'on peut définir et mesurer, plutôt qu'une affaire de goût. Des critères comme la falsifiabilité et la résolubilité par les données donnent aux agents de recherche une cible d'optimisation claire. Les équipes qui conçoivent des outils de recherche automatisée peuvent réutiliser la définition en quatre éléments comme liste de contrôle pour leurs propres résultats.

Le deuxième effet touche à la taille des modèles. Un modèle de 27B qui apprend de façon récursive à partir de son propre processus de recherche atteint une qualité d'hypothèse comparable à celle de modèles plus gros, et supérieure à GPT-6 Luna sur certaines mesures d'experts. Pour les groupes open source aux ressources limitées, c'est un signal utile : sur cette tâche, mieux apprendre du processus peut compter autant que la taille brute.

Le troisième effet relève de l'ingénierie. Compiler les investigations en tâches Harbor exécutables et attribuer le crédit au niveau de chaque contribution offre un schéma de conception pour des chaînes de recherche industrielles, par exemple le criblage de cibles médicamenteuses ou la conception d'expériences. L'article n'évalue toutefois que des domaines des sciences de la vie et ne teste pas de tels déploiements. DFM-Bench fournit en outre une règle multi-niveaux pour comparer le progrès cumulé de différents agents, et pas seulement la qualité d'une production isolée.

Perspectives

Un taux de correspondance de 6,3 % montre la distance qui reste à parcourir avant de prévoir de façon fiable de vraies découvertes. Il dépasse nettement les 2,5 % de GPT-6 et les 2,3 % de Claude Opus 5, mais la plupart des hypothèses ne correspondent encore à aucun travail publié ensuite. Il faut lire ce chiffre comme un gain relatif, non comme la preuve d'une prédiction fiable.

Deux questions restent ouvertes. D'abord, l'évaluation couvre quatre domaines des sciences de la vie : on ignore si la même boucle, associant arbre d'hypothèses, compilation Harbor et apprentissage récursif, fonctionne dans d'autres disciplines. Ensuite, l'évaluation humaine est préliminaire. Des panels d'experts plus larges diraient si les gains sur l'importance et les limites des preuves se confirment.

Le prochain test est de savoir si de nouveaux tours d'auto-amélioration continuent d'élever la qualité au-delà des deux tours rapportés, de 4,86 à 5,39. Si c'est le cas, DiscoveryRSI montrera qu'une attribution du crédit au niveau du processus peut soutenir la progression. Sinon, les limites de la boucle constitueront elles-mêmes un résultat utile pour le domaine.