Axel Cypel doute que l’IA puisse inventer une théorie scientifique
Une tribune d’Axel Cypel, archivée par ActuIA, oppose l’IA qui généralise à partir d’exemples à la théorie qui explique. Voici ce qu’il faut en retenir.
Une IA qui a absorbé des millions de textes peut-elle produire une idée vraiment neuve, ou seulement recombiner ce qu’elle a déjà vu ? L’essayiste Axel Cypel pose la question dans une tribune d’opinion parue dans le n° 19 du magazine ActuIA (septembre-décembre 2025), aujourd’hui en archive. Il part d’un échange sur scène avec une chercheuse, et le débat dépasse la science : il touche à ce que nous attendons d’un outil d’IA au bureau.
Une tribune d’archive, pas une actualité
Il faut d’abord situer le texte. C’est une tribune, c’est-à-dire un point de vue signé, et non une enquête ni un résultat de recherche. ActuIA la présente comme une archive du n° 19 et indique qu’une note de la rédaction, datée d’octobre 2026, la suit. Nous ne reprenons pas cette note ici.
Cypel raconte la scène. Le 7 décembre 2024, à la Cité internationale de la langue française, dans le château de Villers-Cotterêts, a lieu la remise du prix Roberval. Ce prix francophone récompense des œuvres de médiation scientifique, autrement dit de vulgarisation. Son essai Voyage au bout de l’IA y est désigné lauréat dans la catégorie Grand Public, écrit-il.
Avant le verdict, chaque finaliste répond sur scène à une question d’un membre du jury. La sienne tient en une ligne : l’IA pourra-t-elle produire de la théorie ?
Apprendre par exemples ou expliquer : deux méthodes
En jeu pour le lecteur : savoir si l’on peut demander à un outil autre chose que de prolonger ce qui s’est déjà produit.
Selon Cypel, l’IA moderne repose sur des réseaux de neurones profonds. Ce sont d’immenses empilements de calculs dont les réglages s’ajustent sur d’énormes quantités de données glanées sur internet. Elle procède par induction : elle généralise à partir d’exemples censés représenter le phénomène étudié. Le résultat est un modèle, utilisé ensuite pour prédire ou pour générer du contenu. L’auteur ajoute que cette collecte se fait dans une légalité que de nombreux procès pour droit d’auteur invitent à remettre en cause.
En clair : l’IA repère des régularités dans ce qu’on lui a montré, puis les réutilise.
À l’inverse, Cypel cite les grandes théories de la physique, de la mécanique de Galilée à la relativité générale. Elles n’ont pas, écrit-il, suivi cette voie, et elles se sont faites avec peu de données. Darwin disposait d’un nombre limité d’observations, et sa théorie de l’évolution tire sa force de son pouvoir explicatif.
Son exemple le plus parlant : les ondes gravitationnelles, ces ondulations de l’espace-temps. La théorie de la relativité générale d’Einstein les prédisait. Elles n’ont été détectées que parce que cette théorie les annonçait. Sans elle, estime Cypel, personne n’aurait eu l’idée de financer un interféromètre de plusieurs kilomètres, un instrument de mesure géant, pour chercher on ne sait quoi. Les données ont donc été accumulées parce qu’une théorie les avait prédites, puis elles ont servi à la valider. C’est la méthode dite hypothético-déductive : on formule une théorie, on en déduit des conséquences, puis on va vérifier.
L’auteur reprend ici une formule du physicien Étienne Klein : la théorie agit comme un « treuil ontologique ». Une fois formulée, elle tracte vers elle de nouveaux concepts, comme un harpon. Une théorie fait donc apparaître de nouveaux objets à chercher, alors qu’un modèle appris sur des données ne peut utiliser que ce qu’on a pensé à mesurer avant.
En clair : l’IA répond à « qu’est-ce qui se passe d’habitude ? », la théorie à « pourquoi, et que devrait-on observer d’autre ? ».
L’objection d’une chercheuse : « j’ai été construite comme une IA »
En jeu : l’objection la plus sérieuse à la thèse de Cypel vient d’un membre du jury lui-même, et elle est reprise dans la tribune.
La chercheuse commence par donner raison à l’auteur. Elle accepte que ChatGPT ne comprenne rien, qu’il n’énonce pas le vrai et ne manipule que la syntaxe, le versant formel du langage. Elle admet aussi que la théorisation est infiniment plus riche que l’induction, voire que la déduction. Puis elle retourne l’argument : en tant que chercheuse, elle se dit construite comme une IA. C’est en ingurgitant tous les travaux de ses prédécesseurs qu’elle a pu formuler de nouveaux questionnements, voire des théories.
L’objection mérite qu’on s’y arrête. Si l’humain produit du neuf après avoir absorbé le passé, pourquoi une machine ne le pourrait-elle pas un jour ? Cypel la range parmi les questions de prospective déguisées, « les plus redoutables ». Elle alimente selon lui l’espoir des uns et la crainte des autres : voir émerger une IA dite « forte », dont la capacité intellectuelle concurrencerait la nôtre.
Il pose lui-même un contre-argument de principe. Si la science s’est construite ainsi jusqu’ici, rien n’interdit en théorie qu’elle change de régime. Il demande donc ce qu’est au fond une nouvelle théorie.
Reproduire excellemment ou renouveler : l’exemple de l’art
Pour Cypel, une nouvelle théorie marque une bifurcation dans l’état des connaissances : un seuil franchi, un horizon dépassé. Il la dit rare et difficile d’accès, et il la rapproche de ce que les artistes connaissent. Une œuvre d’art demande selon lui un « petit quelque chose en plus », un renouvellement qui a parfois fait scandale.
Son image : la différence entre un peintre pompier, excellent dans la reproduction d’une même manière, et un Picasso. Le premier maîtrise le passé à la perfection, le second déplace les règles.
Ce passage donne le cœur de son doute. Une IA entraînée sur des exemples peut devenir excellente dans le registre existant. La question est de savoir si elle peut sortir de ce registre. Cette synthèse s’en tient aux arguments posés au début de la tribune, et le lecteur y trouvera la suite du raisonnement de l’auteur.
Une grille de lecture pour le bureau
Ce qui suit est notre proposition de lecture, pas celle de Cypel. Elle en tire une conséquence pratique pour un salarié ou une PME.
Faire plutôt confiance à une réponse d’IA quand la situation ressemble à beaucoup de cas passés. C’est le cas du tri de factures, de la reformulation d’un courrier ou d’un résumé de réunion. Ces tâches ont peu de surprises, et le résultat se vérifie vite. Une erreur y coûte peu.
Garder son propre jugement dans trois situations :
- la situation est inédite : nouveau marché, nouveau produit, crise sans précédent. Les exemples passés y sont peu utiles ;
- on cherche une explication, pas une tendance. Une IA peut dire que les ventes baissent, mais comprendre pourquoi demande de vérifier des causes ;
- l’enjeu est lourd, par exemple un recrutement, un contrat ou une décision de santé. Un humain doit alors pouvoir justifier le choix.
Un test simple : demandez à l’outil « pourquoi ? », puis regardez si son explication annonce quelque chose que vous pouvez contrôler. Une explication qui ne prédit rien de vérifiable ressemble à un récit plausible, pas à une théorie.
Une question qui reste ouverte
Le texte de Cypel est une opinion argumentée, pas un fait établi. L’objection de la chercheuse tient aussi : nous apprenons nous-mêmes en lisant le passé. Reste à savoir si une machine, nourrie du même passé, saura un jour proposer ce qu’aucun exemple ne contenait, ou seulement bien l’imiter. Une façon d’y réfléchir : la prochaine fois qu’une IA vous donne une réponse brillante, cherchez si elle vous apprend quelque chose que ses exemples ne contenaient pas.
