À l’université Duke, l’intelligence artificielle et le calcul avancé ne sont plus de simples ajouts expérimentaux. Ils deviennent les outils par défaut pour poser des questions qu’il était jusqu’ici impossible de résoudre. Ce changement bouleverse la façon dont les chercheurs travaillent en biologie, en médecine et dans l’ensemble des sciences. [1] [2]
Les modèles de fondation servent de microscopes pour la biologie
Rohit Singh, biologiste computationnel à la Duke School of Medicine, considère les modèles de fondation comme de nouvelles formes de microscopes. Ces systèmes d’apprentissage automatique sont entraînés sur des centaines de millions de points de données, ce qui permet aux chercheurs de détecter des schémas parmi des millions de profils d’expression génique et de séquences biologiques. Chaque modèle révèle un aspect différent de la vie, qu’il est possible d’étudier.
L’entraînement de ces modèles exige un effort de calcul considérable, mais l’accès à des unités de traitement graphique (GPU) a réduit ce qui prenait autrefois plusieurs semaines à une question de jours. Le Duke Computer Cluster fournit l’épine dorsale de calcul haute performance pour ces tâches, et un petit centre de GPU dont l’ouverture est prévue en 2027 viendra encore augmenter les capacités.
Les retombées sont directes. En apprenant des représentations abstraites des protéines, des gènes et des cellules, les modèles de Singh peuvent comparer des cellules saines à des cellules cancéreuses et déterminer si un médicament peut annuler la différence. Les éclairages issus de ces travaux alimentent des projets allant du développement de la thérapie génique à la découverte de médicaments pour de multiples maladies.
Une IA interprétable renforce la confiance dans les décisions à fort enjeu
Alors que le matériel plus rapide élargit le champ des possibles, Cynthia Rudin se concentre sur la conception de systèmes d’IA que les humains peuvent comprendre et auxquels ils peuvent faire confiance. Pendant des années, la plupart des modèles d’IA fonctionnaient comme des boîtes noires, dissimulant le raisonnement derrière leurs prédictions. Cette opacité pose problème dans des domaines comme la santé et la justice pénale, où les décisions emportent de graves conséquences.
Le laboratoire de Rudin conçoit des modèles interprétables qui permettent aux experts de voir comment les décisions sont prises. L’un de ces modèles, développé avec le radiologue de Duke Joseph Lo, analyse des schémas d’imagerie subtils dans les mammographies pour prédire le risque qu’une patiente développe un cancer du sein au cours des un à cinq prochaines années. Parce que le modèle est transparent, les cliniciens peuvent dépanner et évaluer les données et le raisonnement derrière chaque prédiction.
Ces systèmes interprétables ont déjà été appliqués dans divers contextes de santé, de la prédiction des crises d’épilepsie à l’analyse d’images médicales. L’objectif n’est pas seulement la précision, mais aussi la responsabilité dans des domaines où la confiance compte autant que la performance.
L’IA crée des passerelles entre disciplines pour accélérer la découverte
L’initiative Deep Tech de Duke a financé quatre projets qui explorent comment l’IA peut accélérer la découverte scientifique grâce à la collaboration pluridisciplinaire. Chaque projet s’attaque à un obstacle différent qui ralentit les progrès entre les disciplines.
Consilience, dirigé par Brinnae Bent, est un système d’IA vocal conçu pour soutenir la collaboration interdisciplinaire. Il traduit la terminologie, stimule la réflexion et fait émerger de nouvelles connexions de recherche en temps réel. Le système est en cours de test lors d’un hackathon universitaire, où il guide des équipes d’étudiants de troisième cycle venus de divers domaines dans la synthèse de propositions de recherche interdisciplinaires.
Le projet de David Carlson se concentre sur la formation des étudiants à un usage critique de l’IA. Plutôt que d’adopter simplement de grands modèles de langage, les chercheurs apprennent à évaluer ces outils, à identifier les raisonnements défaillants et à les utiliser de manière responsable. C’est particulièrement important dans le travail interdisciplinaire, où le rapprochement entre biologie, statistique et ingénierie exige un raisonnement complexe.
L’équipe de Sharique Hasan explore comment l’IA peut traduire des résultats complexes à l’intention des décideurs politiques, de l’industrie et du grand public. En mettant en lumière les recherches à fort impact potentiel et en découvrant des liens cachés entre les domaines, ces outils peuvent raccourcir le chemin entre la découverte et les bénéfices concrets.
Le projet de Matthew Hirschey cartographie les progrès scientifiques et les goulets d’étranglement en analysant la littérature. Les grands modèles de langage retracent la manière dont les concepts circulent entre les disciplines et révèlent des défis partagés comme le manque de données ou de puissance de calcul. Les cartes qui en résultent visent à orienter les décisions de financement et à favoriser la collaboration au-delà des silos traditionnels.
Des infrastructures qui suivent le rythme des ambitions
Rien de tout cela ne serait possible sans un investissement soutenu dans les infrastructures de calcul. Le Duke Computer Cluster prend déjà en charge des applications scientifiques à grande échelle, et le futur centre de GPU est conçu pour minimiser la consommation d’énergie et d’eau ainsi que les émissions de carbone grâce à des pratiques économes en énergie.
Singh souligne que l’accès à davantage de GPU accélère directement ses recherches en biologie computationnelle. Les investissements consentis par Duke positionnent l’université comme un site de premier plan pour ce type de travaux, attirant les talents et permettant des projets qui dépendent à la fois de l’échelle et de la durabilité.
À mesure que l’IA s’intègre au processus de recherche, l’enjeu n’est pas seulement de construire des modèles plus rapides, mais des modèles utiles, fiables et alignés sur les besoins des personnes qui en dépendent. L’approche de Duke suggère que l’avenir de la découverte scientifique sera collaboratif, interprétable et profondément computationnel.
