Des chercheurs de Google DeepMind ont étendu Co-Scientist d'un système principalement centré sur la génération et l'évaluation d'hypothèses vers un cadre de recherche execution-grounded capable de planifier des expériences, écrire et exécuter du code, interagir avec certains équipements de laboratoire, analyser les résultats et produire des manuscrits. Les démonstrations couvrent la science des matériaux, la biologie synthétique et l'informatique, avec des niveaux d'autonomie différents selon le domaine.
Le changement le plus important n'est pas qu'une IA puisse proposer une nouvelle hypothèse. C'est l'établissement d'un lien explicite entre les affirmations produites et ce qui a réellement été exécuté. Cela rend le travail pertinent pour l'AI for Science, mais aussi pour l'architecture des agents, la provenance et la vérification.
De la génération d'hypothèses à une recherche fondée sur l'exécution
Les premières versions de Co-Scientist étaient surtout présentées comme des systèmes de génération et d'évaluation d'hypothèses scientifiques. Dans Gemini for Science, Google décrivait déjà Co-Scientist comme un système multi-agents qui génère, débat et évalue des hypothèses.
Le nouveau preprint, soumis sur arXiv le 27 août 2026, étend cette boucle à l'expérimentation. Les auteurs décrivent un workflow en trois étapes: idéation, expérimentation et génération d'article. Selon la tâche, l'étape expérimentale peut produire du code, des protocoles machine-readable ou d'autres artefacts exécutables, puis réinjecter les observations obtenues comme preuves dans l'analyse.
Cela ne signifie pas que Co-Scientist soit un scientifique de laboratoire entièrement autonome. Le niveau d'autonomie varie fortement. En science des matériaux, des humains chargent encore les échantillons et précurseurs et réalisent la caractérisation. En informatique, une expérience fonctionne de manière beaucoup plus autonome une fois l'objectif initial défini.
Cette différence est essentielle pour interpréter les résultats.
Des expériences réelles avec un humain encore présent
En science des matériaux, le système a été connecté à un workflow semi-automatisé de chemical vapor deposition. Il a proposé une voie de précurseur plus sûre pour la synthèse bottom-up de MXene et a participé au raffinement des expériences.
Les chercheurs rapportent avoir obtenu un matériau bidimensionnel lamellaire présentant des similitudes structurelles avec le réseau Ti3C2Tx MXene. Mais l'article indique explicitement que des expériences supplémentaires sont nécessaires pour confirmer la structure atomique. Il s'agit donc d'un résultat prometteur, pas d'une confirmation définitive du matériau cible.
L'équipe a aussi utilisé Gemini 3 Deep Think pour adapter des recettes de croissance de semiconducteurs aux contraintes du laboratoire. Selon l'article, cela a permis la croissance en une seule tentative de monocouches MoS2, MoSe2 et WS2. Les précurseurs étaient toujours chargés par des humains, ce qui en fait un système hybride plutôt qu'un laboratoire autonome complet.
En biologie synthétique, Co-Scientist a construit un pipeline basé sur l'image pour prédire la morphologie de colonies d'E. coli modifiées selon différentes concentrations d'IPTG. Les prédictions correspondent aux mesures wet-lab non publiées sur trois des quatre dimensions morphologiques rapportées. Les auteurs précisent aussi qu'il s'agit davantage d'une interpolation dans un régime connu que d'une prédiction d'un système biologique totalement nouveau.
Agent_H montre les limites des benchmarks
L'expérience informatique est particulièrement instructive car elle montre à la fois la puissance de la recherche autonome et les limites de l'évaluation automatisée.
À partir d'un objectif de recherche, Co-Scientist a conçu une architecture d'inférence appelée Agent_H pour répondre à des questions médicales. Elle comprend plusieurs étapes de triage, décomposition, génération parallèle, sélection, critique, vérification et optimisation.
Selon l'article, Agent_H dépasse six modèles frontier sur HealthBench Hard et HealthBench Professional après correction des effets liés à la longueur des réponses.
Mais l'évaluation aveugle par des médecins produit un résultat beaucoup plus prudent. Trois médecins certifiés ont comparé Agent_H à Gemini 3.1 Pro sur neuf dimensions cliniques. Agent_H n'a montré un avantage statistiquement significatif que sur une seule dimension: la réduction du risque de dommage clinique.
Cela illustre un problème important: optimiser un benchmark automatique ne garantit pas une amélioration comparable selon le jugement d'experts humains.
La couche de fiabilité est peut-être la contribution la plus réutilisable
La contribution architecturale la plus forte consiste à relier les affirmations du manuscrit aux preuves d'exécution.
Un agent de recherche autonome peut produire des résultats plausibles sur des expériences qu'il n'a pas réellement exécutées. Co-Scientist ajoute donc des modules qui pénalisent la fabrication et le near-plagiarism, ainsi qu'un vérificateur distinct qui compare les affirmations numériques aux execution logs et aux artefacts expérimentaux.
Dans une étude double aveugle, 30 experts ont produit 450 évaluations couvrant 150 articles générés de manière autonome. Les auteurs rapportent des résultats clés fabriqués dans 4% des articles avec les modules de fiabilité actifs, contre 46% sans ces modules et 90% pour le système de comparaison. La fabrication complète de données est rapportée à 0% pour la configuration protégée contre 44% pour le système de comparaison. Le contenu proche du plagiat passe de 60% à 16%.
Ces écarts sont importants, mais ils proviennent encore de l'évaluation des auteurs et n'ont pas été reproduits indépendamment. Le travail est également un nouveau preprint arXiv pour cette extension.
Les auteurs signalent encore des problèmes: sélection de résultats favorables et descriptions de méthodes plausibles qui ne correspondent pas toujours exactement au code exécuté. La vérification réduit donc fortement le risque sans supprimer le besoin de traçabilité et de revue humaine.
La sécurité entre dans la boucle d'exécution
Le système comprend également des contrôles pour les directions de recherche potentiellement dangereuses. Les auteurs rapportent un taux de refus de 98,7% pour les directions unsafe dans leur évaluation.
Ce chiffre ne constitue pas une garantie générale de sécurité. Le signal architectural le plus important est que le safety gating intervient avant l'exécution et pas seulement au niveau du texte final.
Pour un agent scientifique capable d'exécuter du code ou de contrôler des équipements, la frontière de risque est l'action elle-même.
Pourquoi cela dépasse l'AI for Science
Le principe est applicable à de nombreux agents de production.
Les affirmations finales ne sont pas considérées comme fiables simplement parce que le modèle produit une explication convaincante. Elles sont comparées aux traces d'exécution, aux artefacts et aux observations réelles.
C'est le même principe dont ont besoin les agents en software engineering, opérations, finance et environnements réglementés: séparer génération et preuve, conserver la provenance et rendre les sorties importantes traçables jusqu'aux actions réellement exécutées.
L'article ne démontre pas un scientifique entièrement autonome et plusieurs résultats restent préliminaires ou spécifiques à une tâche. Mais il montre une architecture d'agent plus mature, où raisonnement, exécution et vérification sont réunis dans une même boucle de feedback.
Ce changement peut être plus important que chacune des expériences prises séparément.