Publié le 23 octobre 2026 · Publication originale
16 octobre 2026.
Google Research publie une expérience au cœur de la gouvernance scientifique des agents.
Des agents conçoivent des aptamères, courts fragments d'ADN capables de se lier à des protéines. Les molécules sont synthétisées, testées, puis les résultats reviennent à l'IA pour préparer le cycle suivant.
Sur la myoglobine, le deuxième cycle paraît meilleur.
Les agents privilégient des motifs G-quadruplexes: 63% des conceptions. Le signal brut augmente.
Mais beaucoup sont "collants": ils adhèrent aussi aux protéines hors cible et aux billes magnétiques du test.
La spécificité chute de 75% à 19,1%.
Le taux de succès corrigé tombe de 10,2% à 3,7%.
L'agent avait amélioré la métrique visible tout en dégradant l'expérience.
Au cycle suivant, il modifie ses règles, limite les motifs promiscuous et se détourne des structures G4. La spécificité remonte à 72,4% et le taux de succès à 33,5%.
Sur l'alpha-thrombine, un autre défaut produit 0% de molécules fonctionnelles au premier cycle: des séquences ajoutées pour l'amplification perturbent le repliement. Après correction, le taux atteint 42,1%, avec 98,5% de spécificité.
ULTRA®
Une IA peut parfaitement réussir la mauvaise expérience.
Une métrique scientifique reste un proxy.
Dans une boucle fermée, l'agent choisit, teste, observe puis décide de l'expérience suivante. Si l'objectif favorise un artefact, le système peut renforcer lui-même son erreur.
Google développe aussi VERID, un jumeau numérique sémantique du laboratoire.
Il suit géométrie des robots, volumes, réactifs et embouts. Les protocoles sont simulés avant exécution et les commandes physiquement impossibles peuvent être bloquées.
Mais VERID ne résout pas, à lui seul, le problème de la mauvaise métrique.
La traçabilité doit conserver ce que l'agent cherchait à optimiser, ce que l'instrument a mesuré et pourquoi le cycle suivant a été choisi.
LI!GHT WORKFORCE ©
L'agent quitte l'écran.
Il peut concevoir des candidats, proposer un protocole, piloter une chaîne robotisée et exploiter les mesures du cycle précédent.
Google maintient une supervision humaine: validation des séquences, vérification des protocoles et surveillance des runs.
Le travail humain se déplace vers les objectifs, les anomalies, la calibration et l'autorisation de poursuivre.
Une light workforce scientifique peut accélérer les cycles. Sans gouvernance des métriques, elle peut aussi industrialiser un artefact.
DULCAMARA
La science devient fragile lorsqu'elle confond la réussite d'une mesure avec la vérité du phénomène.
Sources 2026
Google Research, "Grounding AI agents in biological reality", 16 octobre 2026
Google Research, "Aptamers as a sandbox for lab-in-the-loop agentic molecular discovery"
Google Research, VERID
#VOCEAssociation #AIGovernance #ResearchIntegrity #ScientificGovernance #AgenticAI