Contrepoint IA transforme des publications scientifiques sur l’intelligence artificielle en conversations accessibles, critiques et documentées. Arnaud explique les méthodes et les résultats ; Esther en teste la portée, les limites et la solidité. Chaque épisode revient au texte intégral du papier, à ses preuves et à son protocole pour comprendre ce que la recherche montre vraiment. Arnaud et Esther sont des personnages et des voix synthétiques. Les scripts et les fichiers audio font l’objet de contrôles documentaires, scientifiques et techniques. Version : 0.2.0 (14 août 2026).
Paper2Agent : quand l'article devient un outil de recherche
Peut-on transformer un article scientifique en outils utilisables par la conversation, plutôt que repartir de zéro pour installer son code et reproduire ses exemples ?
Arnaud et Esther examinent Paper2Agent, présenté par Jiacheng Miao et ses coauteurs dans Nature. Le système prépare les ressources d'un article, extrait des outils et les teste avant de les rendre accessibles à un agent. Une interface plus simple ne dispense pourtant pas de vérifier les conditions du calcul et la portée des conclusions.
Les auteurs rapportent 74 transformations réussies sur 100 papiers de biologie computationnelle. Les 91,2 % de réponses correctes concernent ensuite 300 questions sur les transformations réussies, pas tous les articles possibles. L'épisode explore aussi Scanpy, les questions ouvertes avec AlphaGenome et un cas lié au psoriasis, où le choix et les corrections d'un chercheur restent déterminants.
Publication discutée : Jiacheng Miao, Joe R. Davis, Yaohui Zhang, Jonathan K. Pritchard et James Zou, « Reimagining research papers as interactive and reliable AI agents », Nature, publié en ligne le 16 septembre 2026.
Article et ressources associées : https://www.nature.com/articles/s41586-026-11044-y
DOI : https://doi.org/10.1038/s41586-026-11044-y
Chapitres (repères approximatifs) :
00:00 Du papier aux outils interactifs
01:48 Construire et tester les outils
03:35 Scanpy : réutiliser une méthode
05:18 Quels papiers deviennent des agents ?
06:26 Ce que mesurent les scores
07:32 Préparation, coûts et réutilisation
08:00 AlphaGenome et les questions ouvertes
09:51 Psoriasis : une analyse encore supervisée
12:40 Maintenance, traçabilité et limites
13:32 Ce qu'il faut retenir
Arnaud et Esther sont des personnages et des voix synthétiques. Le dialogue est généré par IA à partir de la publication citée, avec des contrôles documentaires, scientifiques et audio. Malgré ces contrôles, des erreurs d'interprétation ou de prononciation restent possibles. Les expériences des auteurs n'ont pas été reproduites par le podcast.
Version du procédé de production : Contrepoint IA 0.2.0, publiée le 14 août 2026.
29 Sept 2026
Une IA chercheuse : que prouve son passage en relecture ?
Une IA peut proposer une idée, écrire du code, lancer des expériences et rédiger un article. Mais un manuscrit qui convainc des relecteurs garantit-il une recherche solide ?
Arnaud et Esther examinent The AI Scientist, présenté par Chris Lu et ses coauteurs dans Nature. Ils suivent la chaîne de recherche automatisée, puis regardent ce que l'évaluation permet réellement de conclure : sélection humaine des manuscrits, portée d'un atelier scientifique, fiabilité des expériences et limites du juge automatique.
Un cas concret donne du relief à ces réserves : les auteurs rapportent un recouvrement d'environ 57 % entre les données de test et d'entraînement d'une expérience générée. L'épisode distingue ce problème de la contamination possible du modèle évaluateur et explique pourquoi des avis favorables ne remplacent pas la vérification du code et des données.
Publication discutée : Chris Lu et ses coauteurs, « Towards end-to-end automation of AI research », Nature 651, 914–919 (2026), publié en ligne le 25 mars 2026.
Article, supplément et rapports de relecture : https://www.nature.com/articles/s41586-026-10265-5
DOI : https://doi.org/10.1038/s41586-026-10265-5
Code du projet : https://github.com/SakanaAI/AI-Scientist-v2
Les trois manuscrits testés dans l'atelier ont été retirés après la relecture, conformément au protocole. Il ne s'agit pas d'une publication de ces manuscrits dans la conférence principale ICLR.
Arnaud et Esther sont des personnages et des voix synthétiques. Le dialogue est généré par IA à partir de la publication citée, avec des contrôles documentaires, scientifiques et audio. Malgré ces contrôles, des erreurs d'interprétation ou de prononciation restent possibles. Les expériences des auteurs n'ont pas été reproduites par le podcast.
Version du procédé de production : Contrepoint IA 0.2.0, publiée le 14 août 2026.
14 Aug 2026
L’IA devient-elle un instrument de découverte scientifique ?
L’intelligence artificielle peut-elle participer à la découverte scientifique, au-delà de l’automatisation de quelques tâches ? Hanchen Wang et ses coauteurs cartographient dans cette revue publiée par Nature la place de l’IA dans le cycle de la recherche : collecte et représentation des données, génération d’hypothèses, planification des expériences et simulation.
Arnaud et Esther suivent ce parcours à partir d’exemples concrets, du filtrage des collisions de particules à l’annotation des protéines, du criblage moléculaire au pilotage d’expériences. Ils examinent aussi les conditions qui empêchent de confondre potentiel et preuve générale : qualité des données, interprétabilité, généralisation, reproductibilité, incertitude, coût des infrastructures et double usage.
Publication discutée : Hanchen Wang et ses coauteurs, « Scientific discovery in the age of artificial intelligence », Nature, volume 620, pages 47-60, 2023.
Article : https://doi.org/10.1038/s41586-023-06221-2
Arnaud et Esther sont des personnages et des voix synthétiques. Cet épisode a été produit à partir de la publication citée et soumis à des contrôles documentaires, scientifiques et audio. Malgré ces contrôles, des erreurs d’interprétation ou de prononciation restent possibles.
Version du procédé de production : Contrepoint IA 0.2.0, publiée le 14 août 2026.
13 Aug 2026
L’IA peut-elle mener une recherche systématique ?
Sarah G. Park examine sept outils d’aide à la recherche documentaire — Research Rabbit, Citation Chaser, Scite, Consensus, Elicit, LitSuggest et Search Smart — pour déterminer s’ils répondent aux exigences d’une recherche systématique.
Arnaud et Esther reviennent sur la couverture des bases, la pertinence des résultats, la transparence des requêtes et la reproductibilité. Les essais, réalisés principalement en octobre 2024 sur un seul sujet biomédical, montrent que ces outils peuvent compléter le travail documentaire, mais ne remplacent pas à eux seuls l’expertise des bibliothécaires.
Publication discutée : Sarah G. Park, « AI and Systematic Reviews: Can AI Tools Replace Librarians in the Systematic Search Process? », Science & Technology Libraries, 2026.
Article : https://doi.org/10.1080/0194262X.2025.2521519
Arnaud et Esther sont des personnages et des voix synthétiques. Cet épisode a été produit à partir de la publication citée et soumis à des contrôles documentaires, scientifiques et audio. Malgré ces contrôles, des erreurs d’interprétation ou de prononciation restent possibles.
Version du procédé de production : 0.1.0 (11 août 2026).
13 Aug 2026
Attention Is All You Need : comprendre la révolution Transformer
Pourquoi le Transformer a-t-il changé la manière dont les modèles traitent les séquences ? Arnaud et Esther reviennent sur Attention Is All You Need, le papier d’Ashish Vaswani et de ses coauteurs publié à NIPS en 2017.
Au programme : auto-attention, requêtes, clés et valeurs, attention multi-têtes, encodage positionnel, parallélisation, résultats en traduction, ablations et limites de l’architecture originale. Une relecture accessible, mais attentive à ce que les expériences du papier démontrent réellement.
Article : https://arxiv.org/abs/1706.03762
Contrepoint IA est produit automatiquement à partir des publications citées. Esther et Arnaud sont des voix synthétiques. Malgré nos contrôles, des erreurs d’interprétation ou de prononciation restent possibles.
Version du procédé de production : 0.1.0 (11 août 2026).
13 Aug 2026
OpenScholar : peut-on faire confiance aux synthèses scientifiques de l’IA ?
OpenScholar cherche à produire des synthèses scientifiques longues en récupérant des articles, en sélectionnant les passages utiles, en révisant la réponse et en vérifiant ses citations. Arnaud et Esther examinent son architecture, ScholarQABench, les résultats annoncés et les limites de la comparaison avec des experts humains. Ajouter davantage de contexte ne suffit pas toujours : la sélection des sources, leur classement et le contrôle des citations peuvent compter davantage que la seule taille du modèle. Publication discutée : Akari Asai et al., « Synthesizing scientific literature with retrieval-augmented language models », Nature 650, 2026. Article : https://doi.org/10.1038/s41586-025-10072-4 Arnaud et Esther sont des personnages et des voix synthétiques. Cet épisode a été soumis à des contrôles documentaires, scientifiques et audio. Malgré ces contrôles, des erreurs restent possibles.
Version du procédé de production : 0.1.0 (11 août 2026).
Contact Contrepoint IA
Guest appearances
Does not typically book guests
Based on episode analysis; this does not confirm that the show is currently accepting guests.
Host of Contrepoint IA?
Claim your podcast to manage its listing and keep your show details accurate.
Pod Engine is an independent podcast discovery and analytics service and is not affiliated with or endorsed by this podcast. Artwork and show content belong to their owners. Full legal notice.
Explore this show Podcast research with Pod Engine
