À Harvard, Matthew Schwartz a cessé de traiter Claude comme un doctorant. Le physicien a arrêté de lui demander de raisonner comme un chercheur et s’est mis à chercher des « problèmes taillés pour Claude », ceux où le modèle d’Anthropic excelle déjà. Trois mois plus tard, son équipe aligne 36 manuscrits dans 18 disciplines, avec 19 coauteurs.
Ce volume déplace la pénurie. Quand la machine calcule à la chaîne, ce qui vient à manquer, ce sont les spécialistes capables de dire quels résultats valent quelque chose.
BootLoops, un harnais pour le calcul exact
Schwartz, aujourd’hui chercheur invité chez Anthropic, raconte l’expérience dans un billet publié sur le blog de l’éditeur. L’outil s’appelle BootLoops, un harnais open source (un cadre logiciel qui encadre le modèle, lui fournit ses outils et vérifie ses sorties) dédié aux calculs scientifiques exacts. Le code est disponible sur GitHub.
Le pari diffère de celui de Google DeepMind : son AI co-scientist, un système multi-agents bâti sur Gemini, propose des hypothèses que les biologistes vont ensuite tester en laboratoire. BootLoops, lui, livre des calculs dont chaque étape peut être vérifiée.
Le point de départ se situe en physique des particules : amplitudes de diffusion (la probabilité qu’une collision de particules produise tel résultat) et intégrales elliptiques, une famille de calculs réputée ingrate. En quelques semaines, Claude calcule 30 intégrales. Quinze reproduisent des résultats connus, quinze n’avaient jamais été obtenues.
Cette moitié de résultats déjà connus joue le rôle de contrôle : le modèle retrouve ce que la communauté sait, ce qui donne un point d’appui pour croire l’autre moitié.
Combler les creux entre disciplines
Pour expliquer ce que l’IA apporte, Schwartz emprunte une image géométrique, l’enveloppe convexe (la plus petite forme qui englobe un ensemble de points). Le savoir humain avance par pointes : chaque discipline creuse dans sa direction, et les zones entre elles restent inexplorées. Un laboratoire peut passer vingt ans sur un groupe de gènes avec une seule méthode, sans jamais toucher aux gènes voisins ni aux approches alternatives.
BootLoops vise ces creux. Le modèle relie des domaines que personne n’avait le temps de rapprocher : physique des particules, écologie, génétique des populations, économie, linguistique.
L’image a pourtant son revers. Remplir l’enveloppe suppose que quelqu’un en connaisse déjà les bords. La machine comble, elle ne décide pas où passe la frontière.
À Barro Colorado, l’écologue fait parler l’anomalie
Le cas de l’écologie illustre ce partage des rôles. Claude résout une équation vieille de vingt ans issue de la théorie neutre de la biodiversité, jusque-là impossible à calculer à grande échelle. Appliqué aux données de l’île de Barro Colorado, dans le canal de Panama, le résultat montre que la composition des espèces d’arbres change 4,5 fois plus vite que la théorie ne le permet.
Le calcul livre une anomalie. C’est l’écologue James O’Dwyer qui en tire un meilleur modèle prédictif. Sans lui, l’anomalie restait un nombre.
Même mécanique ailleurs :
- en génétique des populations, l’équipe passe au crible 5,7 milliards de paires de mutations du projet 1000 Genomes et trouve des indices de conversion génique (un mécanisme où un fragment d’ADN en remplace un autre lors de la recombinaison) ;
- en économie, un « éditeur de données » automatique vérifie 4 452 dossiers de réplication de revues, travail publié comme document de travail du NBER (National Bureau of Economic Research) ;
- en linguistique, une base sur l’accent tonique de 6 072 langues voit le jour avec trois linguistes.
Schwartz le reconnaît lui-même : les résultats ne prennent souvent une valeur scientifique qu’une fois qu’un spécialiste du domaine fixe la direction. Résoudre automatiquement un problème et produire de la recherche pertinente restent deux opérations distinctes.
Dix-neuf coauteurs pour 36 manuscrits
Les deux plateaux de la balance ne pèsent plus du tout le même poids. D’un côté, le calcul devient presque gratuit : un modèle et un harnais bien conçu produisent en une nuit ce qui justifiait hier une subvention de trois ans. De l’autre, la validation reste humaine, lente, et ne se parallélise pas. Dix-neuf coauteurs pour 36 manuscrits : la contrainte se voit déjà.
Dans un projet de recherche ou un service de R&D (recherche et développement), le goulot change d’endroit. Le temps machine coûte peu ; l’attention d’un expert capable de dire « ce résultat est faux » ou « celui-ci change le modèle » devient la ressource qu’il faut planifier. Un laboratoire qui multiplie les agents sans multiplier les relecteurs produira surtout des manuscrits en attente.
Le billet laisse une question ouverte : combien de ces 36 textes passeront l’évaluation par les pairs ? Le compte porte sur des manuscrits, pas sur des publications acceptées. Le verdict viendra des comités de lecture, eux-mêmes déjà saturés.
La thèse, la subvention et le cours de Python
Schwartz décrit un rythme qui rend la planification presque impossible. Pourquoi déposer une demande de financement sur trois ans pour un calcul qu’un modèle risque de boucler du jour au lendemain ? La formation des doctorants vacille elle aussi.
Il cite un exemple concret : il y a deux ans, il aurait jugé « indispensable » un cours de Python pour ingénieurs. Il le trouve aujourd’hui « inutile », Claude se chargeant de ces tâches.
Rapproché de l’épisode de Barro Colorado, ce constat dessine le métier qui reste. Si l’écriture de code de calcul ne s’enseigne plus, la compétence à transmettre est celle d’O’Dwyer face à l’anomalie : savoir qu’un écart d’un facteur 4,5 signifie quelque chose, et quoi. Former des doctorants revient alors à former des relecteurs exigeants, capables de juger une production qu’ils n’auraient pas eu le temps d’écrire.
BootLoops montre ce que vaut un modèle bien harnaché sur des problèmes à sa mesure. La science assistée par IA avancera pourtant au pas de ses experts, quelle que soit la puissance de ses GPU (processeurs graphiques).
Sources
Ils m’ont fait confiance
« Il ne se contente pas de corriger les symptômes, il cherche à comprendre l'origine des problèmes et à sécuriser les modifications effectuées. J'ai réellement le sentiment d'avoir trouvé un développeur qui comprend à la fois la technique et les enjeux globaux du projet. »
Évaluation client · projet WordPress · septembre 2026
5,0/5 sur 17 évaluations
Faire appel à mes services →
