Comment l'IA redéfinit la découverte scientifique ?

Pendant plusieurs décennies, prédire la météo, cartographier l'univers ou découvrir un médicament a nécessité de gros moyens, des équipes entières de chercheurs et beaucoup de patience.

Mais depuis ces dernières années, quelque chose a basculé. On voit émerger des modèles d'IA qui, au-delà d'assister la recherche, commencent à remplacer des infrastructures complexes.

Et derrière chaque innovation se cache une compétence devenue stratégique : savoir construire ces modèles.

Météorologie

Pourquoi c'est important

La météorologie est un domaine de référence en sciences computationnelles depuis 70 ans.

La prévision météo classique repose sur des équations physiques (dynamique des fluides, thermodynamique atmosphérique) résolues par des superordinateurs pendant des heures pour produire une prévision qui peut aller jusqu’à 10 jours en avance.

Naturellement, de telles infrastructures sont lentes, coûteuses, et compte tenu des moyens nécessaires, ces superordinateurs sont réservés à quelques institutions (ECMWF, Météo-France, NOAA). Mais avec l’IA, il n’y a peut-être plus besoin de ces infrastructures.

C'est l'un des premiers exemples où l'IA ne complète pas un workflow scientifique mais le remplace entièrement à meilleur coût.

Les innovations

Tous les modèles IA météo que l'on connait (GraphCast de Google, Pangu-Weather de Huawei, FourCastNet 1 et 2) s'appuyaient encore sur l'étape d'assimilation des données (l'incorporation des mesures satellites, ballons-sondes, stations terrestres), une étape classique dans les prévisions météo.

Cependant, Aardvark Weather est un modèle d’IA qui prend en compte non seulement la simulation physique, mais aussi l’assimilation des données, pour se retrouver avec une infrastructure beaucoup plus simple.

Au-delà de simplifier l’infrastructure, ce modèle est capable d’être performant puisqu’il a été capable de prédire un cyclone tropical 4 jours à l’avance.

Nous avons aussi FourCastNet 3, un modèle d’IA ayant parvenu à réaliser une prévision mondiale à 60 jours en moins de 4 minutes, contre plusieurs heures sur des supercalculateurs traditionnels.

Bien sûr, ce gain de performance n’est pas valable dans toutes les prévisions météo possibles, mais ce dernier est considérable et a déjà été constaté en conditions réelles

Aujourd’hui, FourCastNet 3 est utilisé en production dans de véritables agences météo.

Astronomie

Pourquoi c'est important

L'astronomie moderne est une science de données massives.

À titre d’exemple, le télescope Vera Rubin (LSST), opérationnel depuis 2025, va cataloguer 20 milliards d'objets célestes au cours de sa vie. Sachant qu’un seul objet céleste peut prendre jusqu’à plusieurs mois pour être analysé, il est évident qu’aucune équipe ne peut analyser ce volume manuellement.

Ainsi, l’IA est une nécessité structurelle, et plusieurs innovations ont été constatées au cours de l’année 2025.

Les innovations

Premièrement, les données d’entraînement ont été améliorées avec le jeu de données “Multimodal Universe”. Il s’agit d’un dataset de 100 Téraoctets combinant photométrie, spectroscopie, images et catalogues issus de plusieurs observatoires.

Avec ces données, on obtient un format unifié où l’on peut consulter la luminosité, la composition chimique, la position et le mouvement des étoiles qui y sont enregistrées.

Désormais, ce dataset est devenu un prérequis pour entraîner un modèle d’IA qui serait utilisé pour l’astronomie.

En plus des datasets, il y a aussi des modèles d’IA spécifiquement dédiés à l’astronomie comme AION-1.

AION-1 est un modèle ayant été entraîné sur 200 millions d’objets célestes, et sa particularité principale est qu’il s’agit d’un “World Model” (basé sur DINOv2), basé sur une compréhension profonde du monde physique.

Avant, chaque tâche nécessitait un modèle dédié. Désormais, AION-1 peut devenir le premier modèle généraliste pour étudier les corps célestes.

Ces innovations apparaissent la même année, et cela montre que le développement de modèles d’IA dédiés à l’astronomie est pris très au sérieux, alors même que l’analyse des données avait déjà une place importante dans ce secteur.

Chimie et matériaux

Pourquoi c'est important

L’IA est déjà utilisée depuis plusieurs années pour proposer des expériences que des humains devaient exécuter. En règle générale, elle est utilisée en tant que “premier filtre” dans le but de réduire les expériences à réaliser manuellement.

Aujourd’hui, on commence à voir ce qu’on appelle des “laboratoires autonomes”, où l’on a juste à spécifier les propriétés du matériau qu’on souhaite avoir, et l’IA s’occupe de tout le procédé.

Les innovations

En 2025, un jeu de données appelé “The Open Molecules 2025 (aussi appelé OMol25)” a été publié.

OMol25 est un dataset qui calcule la structure électronique des molécules, prédit leurs propriétés (stabilité, réactivité, conductivité) et agrège tous ces calculs sur 83 éléments du tableau périodique.

D’une certaine façon, c’est le même principe qu’AlphaFold (un dataset pour les protéines), mais appliqué à la chimie générale.

Auparavant, chaque calcul pour prédire les propriétés d’un matériau prenait plusieurs heures sur des supercalculateurs. Avec OMol25, on peut prédire ces résultats en quelques secondes, sans jamais lancer de simulation physique.

Concernant les innovations en matière d’IA générative, on a MatterGen développé par Microsoft Research qui est conçu pour la découverte de matériaux.

Contrairement aux approches traditionnelles qui consistent à tester des millions de combinaisons existantes pour voir si elles fonctionnent, MatterGen inverse le processus : on lui donne les propriétés souhaitées, et il "invente" la structure atomique correspondante.

Industrie pharmaceutique

Pourquoi c'est important

En règle générale, le processus de découverte d’un nouveau médicament nécessite 12 ans de recherche et développement ainsi que 2 milliards de dollars de budget.

Ces dépenses en temps et en argent ne représentent pas uniquement les dépenses directes. Elles représentent aussi le coût des nombreux échecs en cours de route car les recherches et les essais cliniques peuvent contenir leur lot de péripéties.

Cela dit, il y a des modèles d’IA qui peuvent prétendre accélérer ce procédé.

Les innovations

Plusieurs modèles d’IA sont apparus au cours de l’année 2025 dans le but d’améliorer la recherche dans ce secteur. Non seulement ces modèles sont performants, mais ils sont aussi réputés pour ne pas avoir besoin de beaucoup de paramètres :

• MSAPairformer (111 millions de paramètres) prédit comment des mutations affectent la fonction des protéines et surperforme des modèles avec un poids supérieur.
• GPN-Star, entraîné sur des séquences génomiques, fait mieux qu'un modèle généraliste de 40 milliards de paramètres, alors qu’il n’en a que 200 millions.

En dehors des modèles de petites tailles, on a AlphaGenome qui rédige comment des variants d'ADN affectent la régulation des gènes sur une fenêtre d'un million de paires de bases.

Ces modèles cherchent à simuler le comportement d'une cellule entière informatiquement, de sorte qu'on puisse prédire sa réponse à un médicament sans jamais faire d'expérience en laboratoire physique.

Grâce à tous ces modèles, le nombre de publications sur les protéines est passé de 2259 à 3855 (+71%) entre les années 2024 et 2025.

Avec toutes ces innovations qui ont été remarquées, il est clair que le développement de modèles d’IA dédiés à des secteurs précis va accélérer l’innovation. Par conséquent, il y aura de plus en plus de demande pour toutes les compétences liées au développement de modèles d’IA.

De façon générale, plus un domaine de recherche se repose sur la science des données, plus les modèles d'IA sont susceptibles d'avoir un impact significatif.

Si ce métier vous intéresse, ou si la perspective d’apprendre des compétences relatives à l’IA vous intéresse, Alyra vous propose de vous y former !

En quoi consiste la formation développement IA

Il s’agit d’une formation 100% en ligne disponible en plusieurs formats (de 44h à 144h) au cours de laquelle vous pourrez acquérir des compétences professionnelles liées à l’intelligence artificielle :

• Les fondamentaux de l’IA
• Les outils clés pour la Data Science (Python et SQL)
• Nettoyage et prétraitement des données
• Construire des modèles de Machine Learning
• Deep Learning
• Optimisation des modèles
• Déploiement en production

Cette formation mène à une certification professionnelle reconnue en France, à savoir “Concepteur développeur en intelligence artificielle et analyse big data” (RNCP38616 - Blocs 3 & 5). Voici les objectifs de cette certification :

1. Utiliser des techniques d’apprentissage automatique : concevoir des programmes informatiques pour expliquer la relation entre une ou plusieurs variables afin de prédire des tendances ou de regrouper les données par caractéristiques communes.
2. Utiliser des techniques d’apprentissage profond (deep learning) pour exploiter des données non structurées (données textuelles ou visuelles) pour approfondir ses analyses ou améliorer la qualité de ses prédictions.
3. Mettre en production les algorithmes d’apprentissage, monitorer dans le temps les performances et les améliorer en fonction des différentes innovations.

De plus, les apprenants doivent réaliser en équipe un prototype répondant à un besoin réel ou fictif, faire une démonstration d'usage, présenter leurs livrables et justifier leur contribution au projet devant un jury constitué de professionnels.

‍Alyra vous permet d'apprendre ces compétences et sera votre passerelle vers une activité qui allie passion, expertise et rémunération. Preuves à l'appui : 87% de nos alumni ont connu un retour à l'emploi sous six mois, et 54% d'entre eux gagnent plus de 50 000 € par an.

‍

{{cta-moyen-dia}}
‍

Foire Aux Questions (FAQ)

1. L'IA va-t-elle totalement remplacer les chercheurs et les laboratoires physiques ?

Non, l'IA ne remplace pas les scientifiques, mais elle transforme radicalement leur rôle. Comme l'illustrent les nouveaux "laboratoires autonomes", l'IA se substitue aux infrastructures lourdes et aux processus d'essai-erreur longs et coûteux. Les chercheurs se libèrent des calculs répétitifs pour se concentrer sur des tâches à haute valeur ajoutée : la stratégie, la définition des propriétés cibles et la validation finale des résultats.

2. Pourquoi le développement de modèles d'IA est-il devenu une compétence "stratégique" ?

L'ère des supercalculateurs inaccessibles laisse place à celle des architectures d'IA sur-mesure. Aujourd'hui, des modèles spécialisés et légers (comme en génomique ou en chimie) parviennent à surperformer des modèles géants tout en consommant moins de ressources. Savoir concevoir, entraîner et optimiser ces modèles est donc devenu le moteur principal de l'innovation et de la compétitivité pour les entreprises.

3. Quel est le format de la formation en développement IA proposée par Alyra ?

Il s'agit d'une formation 100 % en ligne, flexible et adaptable à votre emploi du temps avec des volumes horaires variant de 44h à 144h. Elle est axée sur la pratique : vous apprenez à maîtriser les outils clés (Python, SQL), à construire des modèles de Machine Learning et de Deep Learning, et vous réalisez un prototype concret en équipe à présenter devant un jury de professionnels.

4. La certification d'Alyra est-elle reconnue sur le marché du travail ?

Oui, la formation mène à une certification professionnelle officiellement reconnue par l'État en France : « Concepteur développeur en intelligence artificielle et analyse big data » (enregistrée au RNCP sous le numéro RNCP38616 - Blocs 3 & 5). C'est un véritable gage de qualité et d'employabilité pour les recruteurs.

5. Quelles sont les perspectives de carrière et de salaire après la formation ?

La demande pour les experts en IA explose dans tous les secteurs qui s'appuient sur la science des données (santé, finance, industrie, climat...). Les résultats d'Alyra en témoignent : 87 % des alumni connaissent un retour à l'emploi sous six mois, et 54 % d'entre eux accèdent à des postes offrant une rémunération supérieure à 50 000 € par an.

‍

‍