Résumé:
L'IA transforme la recherche et la découverte, mais le passage fluide des percées en laboratoire à des applications concrètes pour la société demeure un défi. La création de centres de collaboration interdisciplinaires en IA, de financements dédiés et de filières d'innovation pour transformer les recherches prometteuses en applications pratiques ont été identifiées comme des pistes pour relever ce défi. Le panel abordera des questions telles que : comment les agences fédérales, les universités et l'industrie peuvent-elles coordonner leurs efforts dans ces domaines pour accélérer le développement de l'IA dans la recherche ? Comment garantir que la recherche axée sur l'IA ait un impact concret tout en respectant les normes éthiques et l'inclusion ? Comment définir les compétences des chercheurs lorsque les systèmes d'IA deviennent des partenaires actifs dans la découverte ?

Résumé des conversations

La discussion a porté sur le potentiel transformateur de l'intelligence artificielle dans la recherche scientifique, s'appuyant sur de récentes collaborations de haut niveau entre les principales nations de recherche. Les participants ont exploré l'intersection entre l'IA et la découverte scientifique, soulignant l'urgence de dépasser les applications théoriques pour s'attaquer aux problèmes complexes et persistants auxquels la société est confrontée. Une part importante du dialogue a porté sur la nécessité de passer de paradigmes réactifs – tels que le traitement des maladies établies – à des approches proactives et fondées sur les données, exploitant les informations en temps réel provenant de sources comme les technologies portables. Parmi les thèmes clés figuraient l'importance cruciale de la transposition interdisciplinaire, l'identification des axes de recherche à fort impact et la nécessité d'une action mondiale conjointe. La conversation a également mis en lumière d'importantes lacunes en matière de données, notamment dans des domaines historiquement sous-étudiés comme la santé des femmes, illustrant comment l'IA peut révéler et potentiellement corriger les biais systémiques dans la compréhension scientifique. Le consensus a souligné la nécessité d'utiliser l'IA non seulement comme un outil d'efficacité, mais aussi comme un catalyseur pour redéfinir fondamentalement les concepts de santé, de découverte et d'utilité des données.

Principaux messages et état actuel des défis

• Prédominance des systèmes réactifs : Les infrastructures de recherche et opérationnelles actuelles, notamment dans le domaine de la santé, sont ancrées dans des modèles réactifs qui répondent aux défaillances critiques (maladies) plutôt que de les prévenir, créant ainsi un obstacle à la mise en œuvre de solutions d'IA proactives.
• Lacunes dans les données démographiques : On constate un manque important de données historiques exhaustives concernant des populations spécifiques, comme les femmes ; cela limite la capacité des modèles d'IA à fournir des informations précises et inclusives et conduit à une définition trop restrictive de la « santé » sur la base d'ensembles de données limités.
• Complexité des « problèmes insolubles » : Les grands défis sociétaux auxquels ils sont confrontés sont multiformes et profondément interconnectés, ce qui rend difficile l'identification de solutions d'IA ponctuelles capables de les résoudre efficacement sans se heurter à des complexités imprévues.
• Intégration des données non cliniques : L'intégration de données physiologiques continues provenant d'appareils portables grand public dans des environnements de recherche clinique ou formelle pose des défis techniques permanents en matière de qualité, de normalisation et d'interopérabilité des données.
• Ambiguïté des états de référence : Historiquement, la recherche scientifique s'est concentrée sur la définition et le catalogage des états pathologiques (maladies) plutôt que sur la compréhension rigoureuse des paramètres de base d'un état « sain », ce qui complique la formation des modèles de détection d'anomalies.
• Traduction interdisciplinaire : Combler le fossé entre l'expertise technique en IA et les connaissances scientifiques spécifiques à un domaine reste un obstacle, souvent entravé par le manque de vocabulaire commun et les priorités différentes entre les scientifiques en informatique et les experts du domaine.
• Complexités de la coordination mondiale : L’harmonisation des priorités de recherche, des normes éthiques et des « points d’action communs » entre plusieurs pays implique de naviguer dans des contextes réglementaires et des mécanismes de financement divers.
• Identifier les applications à fort impact : Distinguer les problèmes théoriquement intéressants de ceux qui offrent un impact sociétal réel et à grande échelle demeure un défi pour les organismes de financement et les responsables de la recherche.

Recommandations et prochaines étapes

• Adoptez des paradigmes proactifs : Les institutions devraient réorienter leurs recherches, passant de réponses réactives à la modélisation prédictive, en utilisant l'IA pour identifier les signes avant-coureurs et intervenir avant que des seuils critiques ne soient atteints.
• Tirer parti des données concrètes : Les stratégies de recherche doivent activement intégrer des données provenant de sources non traditionnelles et continues — telles que les objets connectés et les capteurs environnementaux — afin de créer une vision plus holistique et dynamique du sujet.
• Aborder les biais des données historiques : Prioriser les initiatives de collecte de données et de formation de modèles ciblant spécifiquement les groupes sous-représentés (par exemple, la santé des femmes) afin de garantir que les systèmes d'IA soient équitables, robustes et universellement applicables.
• Redéfinir les indicateurs de succès : La communauté scientifique devrait dépasser la simple définition du succès par l'absence de résultats négatifs (guérir la maladie) pour s'attacher à caractériser et à optimiser les états positifs (maintien de la santé).
• Alignement international de Foster : Poursuivre et formaliser les collaborations transfrontalières afin d’harmoniser les objectifs de recherche, de faciliter le partage des données et de mettre en œuvre les « points d’action communs » identifiés par les instances internationales.
• Se concentrer sur les problèmes « complexes » à fort impact : Consacrer directement les ressources et les financements à l'IA aux défis mondiaux complexes et à forts enjeux, là où les méthodes traditionnelles de résolution de problèmes linéaires ont historiquement échoué.
• Promouvoir la maîtrise interdisciplinaire : Créer des structures éducatives et professionnelles qui encouragent les experts en IA et les scientifiques du domaine à collaborer étroitement, en veillant à ce que les outils informatiques soient efficacement adaptés aux recherches scientifiques spécifiques.
• Accélérer la traduction vers la pratique : Mettre en place des voies claires et rationalisées pour faire passer les projets pilotes d'IA concluants du milieu de la recherche à des applications pratiques et concrètes qui apportent des bénéfices sociétaux immédiats.