Introduction : pourquoi les scientifiques en IA restent bloqués au départ
Les modèles de langage modernes ont appris à gérer correctement les tâches routinières du travail scientifique : ils génèrent des hypothèses, écrivent du code pour les expériences et rédigent même des brouillons d'articles. Cependant, lorsqu'on tente d'automatiser l'ensemble du cycle de recherche, un goulot d'étranglement inattendu apparaît — l'étape précoce où il faut formuler le problème de recherche lui-même.
La plupart des scientifiques en IA existants se tournent à cette étape vers des API commerciales de modèles propriétaires. Cela ressemble à une boîte noire : les propositions émergent des connaissances paramétriques du modèle et d'une recherche documentaire préconfigurée pour correspondre aux idées générées. Il est pratiquement impossible de vérifier sur quels faits le raisonnement s'appuie. Ajoutez à cela le risque d'hallucinations et de biais systématiques du modèle spécifique — et vous obtenez un point de départ de recherche qui peut être non seulement aléatoire, mais aussi infondé.
Un autre problème majeur est la confidentialité. Les scientifiques ne sont pas toujours prêts à envoyer leurs travaux à des API externes, surtout lorsqu'il s'agit d'idées non brevetées ou de sujets sensibles. Il n'est donc pas surprenant que les approches locales, qui ne quittent pas l'infrastructure de recherche, attirent de plus en plus l'attention.
C'est ici qu'entre en scène le système SGHA, développé par Sarvesh Gharat et Junpei Komiyama. Leur prépublication est apparue sur l'archive le 18 août 2026. Les auteurs proposent un pipeline entièrement autonome de détection de lacunes scientifiques, fonctionnant sur un modèle ouvert local sans une seule requête à des API externes. Mais voyons comment il fonctionne.
Comment fonctionne SGHA : du corpus aux problèmes de recherche
Contrairement aux agents typiques qui « pensent » simplement de manière libre, SGHA mise sur une structure explicite du corpus scientifique. La première étape consiste à transformer un ensemble d'articles en objets d'articles liés à des preuves et en graphe de preuves typé. En simplifiant, chaque publication est décomposée en entités et relations : quelles affirmations elle fait, sur quels travaux elle s'appuie, quelles expériences confirment les conclusions.
Ensuite, le système recherche dans ce graphe des motifs structurels non résolus — des lacunes potentielles. Ce ne sont pas de simples correspondances textuelles, mais des « trous » vérifiables sur la base de faits : par exemple, deux domaines de recherche sont clairement liés, mais personne n'a essayé de les combiner. Il est important que chaque lacune candidate, avant de devenir une formulation complète de problème, passe un test de validité.
Des motifs aux familles de problèmes
En sortie, SGHA crée des familles de problèmes de recherche, pour chacune desquelles sont indiqués :
- les hypothèses ;
- les objectifs ;
- les critères de succès ;
- les ambiguïtés restantes.
Cette approche permet au chercheur de voir non seulement une idée, mais aussi sa justification et ses limites d'applicabilité. De plus, tout le raisonnement est limité aux preuves du corpus, ce qui réduit considérablement le risque d'hallucinations.
Entièrement local : seulement un modèle ouvert de 9 milliards de paramètres
La caractéristique clé de SGHA est l'autonomie totale. Tous les composants liés au traitement du langage et au raisonnement sont exécutés sur un modèle ouvert déployé localement avec 9 milliards de paramètres. Aucune API propriétaire de modèles frontaux, aucune transmission de données vers l'extérieur. Même un processus de recherche long ne nécessitera aucune requête externe.
Ce n'est pas simplement une question de commodité. Pour les laboratoires travaillant avec des commandes industrielles ou des données médicales, cette approche élimine toute une classe de problèmes liés à la gestion des données et à la confidentialité. De plus, un modèle ouvert de 9B est une taille assez modeste selon les normes actuelles, ce qui rend le système accessible pour un déploiement sur une seule station de travail puissante.
Évaluation : comparaison avec AI Scientist-v2
Les auteurs ont testé le système dans cinq domaines de l'apprentissage automatique, en le comparant au module de formulation d'idées du projet AI Scientist-v2. Les résultats montrent que l'approche avec structure explicite du corpus et vérification des preuves donne des formulations de problèmes au moins aussi prometteuses et vérifiables que celles obtenues avec des modèles frontaux beaucoup plus puissants. SGHA ne se contente pas de générer des noms de sujets, il permet de retracer sur la base de quels articles et relations il est arrivé à telle ou telle formulation de question.
Cela résout le problème de la « boîte noire » et rend le processus auditable. Et compte tenu de la localité totale, un tel agent peut être facilement intégré dans les flux de travail scientifiques, sans se soucier des politiques de sécurité.
Conclusions et perspectives
SGHA est un exemple convaincant que la formulation de problèmes scientifiques ne nécessite pas nécessairement de connecter d'énormes modèles cloud. La structuration du corpus, le graphe de preuves et un modèle local de 9B peuvent fournir une qualité suffisante pour des problèmes de recherche prometteurs et vérifiables. Bien sûr, il reste encore beaucoup de travail : les auteurs promettent d'ouvrir le code et les artefacts, ce qui permettra à d'autres groupes de reproduire les résultats et d'adapter le système à leurs domaines.
Si la tendance se maintient, nous verrons dans les prochaines années toute une classe de scientifiques en IA qui ne dépendent pas d'API externes et sont entièrement transparents pour la vérification. Cela signifie que l'automatisation de la science deviendra non seulement plus efficace, mais aussi plus sûre.
