En 2026, deux systèmes d’intelligence artificielle capables de réviser leurs propres méthodes de découverte scientifique ont été présentés dans une étude déposée sur arXiv. Ces systèmes d’IA auto-révisables, s’appuyant sur la théorie des catégories, proposent d’aller bien au-delà de la simple génération de réponses en automatisant la refonte de leur propre cadre de raisonnement.
La découverte scientifique, selon cette approche, ne consiste pas uniquement à produire des résultats ou à valider des hypothèses. Elle implique une réorganisation profonde des représentations mêmes dans lesquelles les preuves, objets d’étude et méthodes sont structurés. Les systèmes d’IA auto-révisables introduisent la capacité pour une machine de changer elle-même la façon dont elle classe, relie et évalue l’information scientifique, un défi conceptuel longtemps réservé à l’humain.
La théorie des catégories pour structurer la découverte (systèmes d'IA auto-révisables)
Au cœur de cette démarche, la théorie des catégories sert de langage mathématique pour modéliser la façon dont une IA explore, modifie et vérifie ses propres schémas de connaissance. Dans un régime fixé, chaque état du système correspond à une « copresheaf » qui relie les objets du domaine à des ensembles d’observations ou d’expériences. Lorsqu’une modification du cadre de pensée est requise, le système effectue une transition de régime, transportant les anciens artefacts vers le nouveau schéma à l’aide d’un processus mathématique appelé extension de Kan gauche. Cette opération permet de comparer ce qui est conservé, ce qui change, et ce qui reste inexpliqué après la transition.
Ce formalisme distingue nettement la recherche d’information, la récupération de connaissances et la véritable découverte scientifique, cette dernière étant définie ici comme un changement vérifié du régime de représentation. Les systèmes d’IA auto-révisables sont ainsi conçus pour faire la différence entre une simple recherche dans un cadre existant et la création d’un nouveau cadre explicatif.
Deux exemples : de la mécanique des protéines à la connaissance prouvable
Les chercheurs illustrent leur approche avec deux prototypes. Dans le modèle « Builder/Breaker », le système travaille sur la mécanique des protéines en cherchant à condenser la complexité des lois physiques via un critère de longueur minimale de description. Cette méthode permet d’accepter de nouvelles lois expliquant la flexibilité des chaînes protéiques, en fonction de modes collectifs lents et d’une conformité élastique conditionnée par ces modes.
Le second système, « CategoryScienceClaw », formalise la découverte scientifique comme un graphe computationnel de connaissances, où chaque étape (compétence, artefact, besoin, test) est typée et validée. Un exemple, axé sur les réseaux de fibres, consigne les modèles candidats, les alternatives rejetées, les tests de perturbation et les critères d’acceptation, jusqu’à l’adoption d’un modèle de rigidité anisotrope basé sur un descripteur isotrope du nombre de fibres.
Ces expériences montrent non seulement l’intérêt de la théorie des catégories comme langage de la découverte, mais aussi son potentiel pour spécifier des architectures d’IA réellement capables de s’auto-réviser, d’évaluer leurs propres hypothèses et de générer de nouveaux cadres explicatifs sans intervention humaine directe.
En rendant possible la mutation autonome de leurs schémas de pensée, ces systèmes d’IA auto-révisables pourraient, à terme, transformer la façon dont la science est explorée et automatisée, notamment dans des domaines complexes comme la science des matériaux ou la biologie computationnelle.
Source originale : Self-Revising Discovery Systems for Science: A Categorical Framework for Agentic Artificial Intelligence via arxiv.org (24/08/2026)