L'IA réinvente notre façon d'inventer

Le bureau de Regina Barzilay au MIT offre une vue dégagée sur les Instituts Novartis pour la recherche biomédicale. Le groupe de découverte de médicaments d'Amgen est à quelques rues de là. Jusqu'à récemment, Barzilay, l'un des plus grands chercheurs mondiaux en intelligence artificielle, n'avait pas beaucoup réfléchi à ces bâtiments voisins remplis de chimistes et de biologistes. Mais alors que l'IA et l'apprentissage automatique commençaient à accomplir des exploits de plus en plus impressionnants dans la reconnaissance d'images et la compréhension du langage, elle a commencé à se demander : cela pourrait-il également transformer la tâche de trouver de nouveaux médicaments ?

Le problème est que les chercheurs humains ne peuvent explorer qu'une infime partie de ce qui est possible. On estime qu'il existe jusqu'à 1060 molécules potentiellement médicamenteuses, soit plus que le nombre d'atomes dans le système solaire. Mais traverser des possibilités apparemment illimitées est ce à quoi l'apprentissage automatique est bon. Formés sur de grandes bases de données de molécules existantes et de leurs propriétés, les programmes peuvent explorer toutes les molécules apparentées possibles.

Cette histoire faisait partie de notre numéro de mars 2019

• Voir la suite du problème
• S'abonner

La découverte de médicaments est un processus extrêmement coûteux et souvent frustrant. Les chimistes médicinaux doivent deviner quels composés pourraient faire de bons médicaments, en utilisant leur connaissance de la façon dont la structure d'une molécule affecte ses propriétés. Ils synthétisent et testent d'innombrables variantes, et la plupart sont des échecs. Concevoir de nouvelles molécules reste un art, car vous disposez d'un immense espace de possibilités, déclare Barzilay. Il faut beaucoup de temps pour trouver de bons candidats médicaments.

En accélérant cette étape critique, l'apprentissage en profondeur pourrait offrir beaucoup plus d'opportunités aux chimistes, ce qui accélérerait la découverte de médicaments. Un avantage : l'imagination souvent décalée du machine learning. Peut-être que cela ira dans une direction différente qu'un humain n'irait pas, dit Angel Guzman-Perez, chercheur en drogue chez Amgen qui travaille avec Barzilay. Il pense différemment.

D'autres utilisent l'apprentissage automatique pour essayer d'inventer de nouveaux matériaux pour des applications de technologies propres. Parmi les éléments de la liste de souhaits figurent des batteries améliorées pour stocker l'énergie sur le réseau électrique et des cellules solaires organiques, qui pourraient être beaucoup moins chères à fabriquer que les volumineuses à base de silicium d'aujourd'hui.

De telles percées sont devenues plus difficiles et plus coûteuses à réaliser à mesure que la chimie, la science des matériaux et la découverte de médicaments sont devenues incroyablement complexes et saturées de données. Même si les industries pharmaceutiques et biotechnologiques injectent de l'argent dans la recherche, le nombre de nouveaux médicaments basés sur de nouvelles molécules est resté stable au cours des dernières décennies. Et nous sommes toujours coincés avec des batteries lithium-ion qui datent du début des années 1990 et des conceptions de cellules solaires au silicium qui datent également de plusieurs décennies.

La complexité qui a ralenti les progrès dans ces domaines est là où l'apprentissage en profondeur excelle. La recherche dans l'espace multidimensionnel pour faire des prédictions utiles est le point fort de l'IA, déclare Ajay Agrawal, économiste à la Rotman School of Management de Toronto et auteur du best-seller Machines de prédiction : l'économie simple de l'intelligence artificielle .

Dans un article récent, des économistes du MIT, de Harvard et de l'Université de Boston ont fait valoir que le plus grand impact économique de l'IA pourrait provenir de son potentiel en tant que nouvelle méthode d'invention qui remodèle finalement la nature du processus d'innovation et l'organisation de la R&D.

Iain Cockburn, économiste de la BU et co-auteur de l'article, déclare : Les nouvelles méthodes d'invention avec de larges applications ne se présentent pas très souvent, et si notre hypothèse est juste, l'IA pourrait modifier considérablement le coût de la R&D dans de nombreux domaines différents. Une grande partie de l'innovation consiste à faire des prédictions basées sur des données. Dans de telles tâches, ajoute Cockburn, l'apprentissage automatique pourrait être beaucoup plus rapide et moins cher par ordre de grandeur.

En d'autres termes, le principal héritage de l'IA pourrait ne pas être les voitures sans conducteur ou la recherche d'images ou même la capacité d'Alexa à prendre des commandes, mais sa capacité à proposer de nouvelles idées pour alimenter l'innovation elle-même.

Les idées deviennent chères

À la fin de l'année dernière, Paul Romer a remporté le prix Nobel d'économie pour les travaux réalisés à la fin des années 1980 et au début des années 1990 qui ont montré comment les investissements dans les nouvelles idées et l'innovation stimulent une croissance économique robuste. Les économistes précédents avaient noté le lien entre l'innovation et la croissance, mais Romer a fourni une explication exquise de la façon dont cela fonctionne. Au cours des décennies qui ont suivi, les conclusions de Romer ont été l'inspiration intellectuelle de nombreux habitants de la Silicon Valley et aident à expliquer comment elle a atteint une telle richesse.

Mais que se passe-t-il si notre pipeline de nouvelles idées se tarit ? Les économistes Nicholas Bloom et Chad Jones de Stanford, Michael Webb, étudiant diplômé de l'université, et John Van Reenen du MIT se sont penchés sur le problème dans un article récent intitulé Les idées deviennent-elles plus difficiles à trouver ? (Leur réponse était Oui.) En examinant la découverte de médicaments, la recherche sur les semi-conducteurs, l'innovation médicale et les efforts pour améliorer les rendements des cultures, les économistes ont trouvé une histoire commune : les investissements dans la recherche augmentent fortement, mais les bénéfices restent constants.

Du point de vue d'un économiste, c'est un problème de productivité : nous payons plus pour une production similaire. Et les chiffres semblent mauvais. La productivité de la recherche - le nombre de chercheurs qu'il faut pour produire un résultat donné - diminue d'environ 6,8 % par an pour la tâche d'étendre la loi de Moore, qui exige que nous trouvions des moyens d'emballer des composants toujours plus nombreux et plus petits sur une puce semi-conductrice afin de continuer à rendre les ordinateurs plus rapides et plus puissants. (Il faut plus de 18 fois plus de chercheurs pour doubler la densité de copeaux aujourd'hui qu'au début des années 1970, ont-ils découvert.) Pour améliorer les semences, mesurées par les rendements des cultures, la productivité de la recherche chute d'environ 5 % chaque année. Pour l'ensemble de l'économie américaine, il recule de 5,3 %.

---

Le prix croissant des grandes idées
Selon des économistes de Stanford et du MIT, il faut plus de chercheurs et d'argent pour trouver de nouvelles idées productives. C'est un facteur probable de la croissance globale lente aux États-Unis et en Europe au cours des dernières décennies. Le graphique ci-dessous montre la tendance de l'économie globale, mettant en évidence la productivité totale des facteurs aux États-Unis (par décennie moyenne et pour 2000-2014) - une mesure de la contribution de l'innovation - par rapport au nombre de chercheurs. Des schémas similaires s'appliquent à des domaines de recherche spécifiques.

source : bloom, jones, van reenen et webb

---

Tout effet négatif de cette baisse a été compensé, jusqu'à présent, par le fait que nous consacrons plus d'argent et de personnes à la recherche. Nous doublons donc toujours le nombre de transistors sur une puce tous les deux ans, mais uniquement parce que nous consacrons beaucoup plus de personnes au problème. Nous devrons doubler nos investissements en recherche et développement au cours des 13 prochaines années juste pour continuer à faire du surplace.

Il se pourrait, bien sûr, que des domaines comme la science des cultures et la recherche sur les semi-conducteurs vieillissent et que les opportunités d'innovation se raréfient. Cependant, les chercheurs ont également constaté que la croissance globale liée à l'innovation dans l'économie était lente. Tous les investissements dans de nouveaux domaines, et toutes les inventions qu'ils ont générées, n'ont pas réussi à changer l'histoire globale.

La baisse de la productivité de la recherche semble être une tendance qui dure depuis des décennies. Mais c'est particulièrement inquiétant pour les économistes maintenant parce que nous avons vu un ralentissement global de la croissance économique depuis le milieu des années 2000. À une époque de nouvelles technologies brillantes comme les smartphones, les voitures sans conducteur et Facebook, la croissance est lente, et la part de celle-ci attribuée à l'innovation - appelée productivité totale des facteurs - a été particulièrement faible.

Les effets persistants de l'effondrement financier de 2008 pourraient entraver la croissance, dit Van Reenen, tout comme les incertitudes politiques persistantes. Mais la piètre productivité de la recherche y contribue sans aucun doute. Et il dit que si le déclin se poursuit, cela pourrait nuire gravement à la prospérité et à la croissance futures.

Il est logique que nous ayons déjà sélectionné une grande partie de ce que certains économistes aiment appeler les fruits à portée de main en termes d'inventions. Se pourrait-il que les seuls fruits restants soient quelques pommes ratatinées sur les branches les plus éloignées de l'arbre ? Robert Gordon, économiste à la Northwestern University, a été un fervent partisan de ce point de vue. Il dit qu'il est peu probable que nous parvenions à égaler l'épanouissement de la découverte qui a marqué la fin du XIXe et le début du XXe siècle, lorsque des inventions telles que la lumière et l'énergie électriques et le moteur à combustion interne ont conduit à un siècle de prospérité sans précédent.

Si Gordon a raison et qu'il reste moins de grandes inventions, nous sommes condamnés à un avenir économique sombre. Mais peu d'économistes pensent que c'est le cas. Au contraire, il est logique que de grandes nouvelles idées soient là-bas; il devient de plus en plus coûteux de les trouver à mesure que la science devient de plus en plus complexe. Les chances que la prochaine pénicilline nous tombe dessus sont minces. Nous aurons besoin de plus en plus de chercheurs pour donner un sens aux avancées scientifiques dans des domaines comme la chimie et la biologie.

C'est ce que Ben Jones, économiste chez Northwestern, appelle le fardeau de la connaissance. Les chercheurs sont de plus en plus spécialisés, ce qui oblige à former des équipes plus importantes et plus coûteuses pour résoudre les problèmes. Les recherches de Jones montrent que l'âge auquel les scientifiques atteignent leur productivité maximale augmente : il leur faut plus de temps pour acquérir l'expertise dont ils ont besoin. C'est un sous-produit inné de la croissance exponentielle des connaissances, dit-il.

Beaucoup de gens me disent que nos découvertes sont déprimantes, mais je ne le vois pas de cette façon, dit Van Reenen. L'innovation est peut-être plus difficile et plus coûteuse, mais cela, dit-il, souligne simplement la nécessité de politiques, y compris des incitations fiscales, qui encourageront les investissements dans davantage de recherche.

Tant que vous investissez des ressources dans la R&D, vous pouvez maintenir une croissance saine de la productivité, déclare Van Reenen. Mais nous devons être prêts à dépenser de l'argent pour le faire. Ce n'est pas gratuit.

Renoncer à la science

L'IA peut-elle résoudre de manière créative les types de problèmes qu'exige une telle innovation ? Certains experts sont maintenant convaincus que c'est possible, étant donné les types d'avancées présentées par la machine de jeu AlphaGo.

AlphaGo a maîtrisé l'ancien jeu de Go, battant le champion en titre, en étudiant les mouvements possibles presque illimités dans un jeu qui a été joué pendant plusieurs milliers d'années par des humains s'appuyant fortement sur l'intuition. Ce faisant, il proposait parfois des stratégies gagnantes qu'aucun joueur humain n'avait pensé à essayer. De même, selon la pensée, les programmes d'apprentissage en profondeur formés sur de grandes quantités de données expérimentales et de littérature chimique pourraient proposer de nouveaux composés que les scientifiques n'auraient jamais imaginés.

Une percée semblable à celle d'AlphaGo pourrait-elle aider les armées croissantes de chercheurs qui se penchent sur des données scientifiques en constante expansion ? L'IA pourrait-elle rendre la recherche fondamentale plus rapide et plus productive, en relançant des domaines qui sont devenus trop coûteux pour les entreprises ?

Les dernières décennies ont vu un bouleversement massif dans nos efforts de R&D. Depuis l'époque où les Bell Labs d'AT&T et le PARC de Xerox produisaient des inventions révolutionnaires comme le transistor, les cellules solaires et l'impression laser, la plupart des grandes entreprises aux États-Unis et dans d'autres économies riches ont abandonné la recherche fondamentale. Pendant ce temps, les investissements fédéraux américains en R&D sont restés stables, en particulier dans les domaines autres que les sciences de la vie. Ainsi, alors que nous continuons à augmenter le nombre de chercheurs dans l'ensemble et à transformer les avancées progressives en opportunités commerciales, les domaines qui nécessitent une recherche à long terme et une base en science fondamentale ont pris un coup.

L'invention de nouveaux matériaux en particulier est devenue un marigot commercial. Cela a freiné les innovations nécessaires dans les technologies propres, comme de meilleures batteries, des cellules solaires plus efficaces et des catalyseurs pour fabriquer des carburants directement à partir de la lumière du soleil et du dioxyde de carbone (pensez à la photosynthèse artificielle). Alors que les prix des panneaux solaires et des batteries baissent régulièrement, c'est en grande partie à cause des améliorations dans la fabrication et des économies d'échelle, plutôt que des avancées fondamentales dans les technologies elles-mêmes.

Une percée semblable à celle d'AlphaGo pourrait-elle aider les armées croissantes de chercheurs qui se penchent sur des données scientifiques en constante expansion ?

Il faut en moyenne 15 à 20 ans pour trouver un nouveau matériau, explique Tonio Buonassisi, ingénieur en mécanique au MIT qui travaille avec une équipe de scientifiques à Singapour pour accélérer le processus. C'est beaucoup trop long pour la plupart des entreprises. Ce n'est pas pratique même pour de nombreux groupes universitaires. Qui veut passer des années sur un matériau qui peut ou non fonctionner ? C'est pourquoi les startups soutenues par le capital-risque, qui ont généré une grande partie de l'innovation dans les logiciels et même la biotechnologie, ont depuis longtemps abandonné les technologies propres : les capital-risqueurs ont généralement besoin d'un retour sur investissement dans les sept ans ou plus tôt.

Une accélération de 10x [dans la vitesse de découverte des matériaux] n'est pas seulement possible, elle est nécessaire, dit Buonassisi, qui dirige un laboratoire de recherche photovoltaïque au MIT. Son objectif, et celui d'un réseau vaguement connecté de collègues scientifiques, est d'utiliser l'IA et l'apprentissage automatique pour réduire ce délai de 15 à 20 ans à environ deux à cinq ans en s'attaquant aux différents goulots d'étranglement du laboratoire, en automatisant le plus possible du processus. Un processus plus rapide donne aux scientifiques beaucoup plus de solutions potentielles à tester, leur permet de trouver des impasses en quelques heures plutôt qu'en plusieurs mois et aide à optimiser les matériaux. Cela transforme notre façon de penser en tant que chercheurs, dit-il.

Cela pourrait également faire de la découverte de matériaux une activité commerciale viable une fois de plus. Buonassisi pointe vers un graphique montrant le temps qu'il a fallu pour développer diverses technologies. L'une des colonnes étiquetées batteries lithium-ion indique 20 ans.

Une autre colonne, beaucoup plus courte, est intitulée nouvelle cellule solaire ; en haut se trouve l'objectif climatique de 2030. Le point est clair : nous ne pouvons pas attendre encore 20 ans pour la prochaine percée dans les matériaux de technologie propre.

Startups d'IA dans les médicaments et les matériaux

	un Atome	deux Kebotix	3 Génomique profonde
Ce qu'ils font	Utilisez les réseaux de neurones pour rechercher dans de grandes bases de données afin de trouver de petites molécules de type médicament qui se lient aux protéines ciblées.	Développer une combinaison de robotique et d'IA pour accélérer la découverte et le développement de nouveaux matériaux et produits chimiques.	Utilisez l'intelligence artificielle pour rechercher des molécules d'oligonucléotides pour traiter les maladies génétiques.
Pourquoi est-ce important	L'identification de telles molécules avec des propriétés souhaitables, telles que la puissance, est une première étape critique dans la découverte de médicaments.	Il faut plus d'une décennie pour développer un matériau. Réduire ce temps pourrait nous aider à résoudre des problèmes tels que le changement climatique.	Les traitements oligonucléotidiques sont prometteurs contre une gamme de maladies, y compris les troubles neurodégénératifs et métaboliques.

Le laboratoire piloté par l'IA

Venir en terre libre : c'est ainsi qu'Alán Aspuru-Guzik invite ces jours-ci un visiteur américain dans son laboratoire de Toronto. En 2018, Aspuru-Guzik a quitté son poste permanent de professeur de chimie à Harvard et a déménagé avec sa famille au Canada. Sa décision a été motivée par un fort dégoût pour le président Donald Trump et ses politiques, en particulier celles sur l'immigration. Cela n'a pas fait de mal, cependant, que Toronto devienne rapidement la Mecque de la recherche sur l'intelligence artificielle.

En plus d'être professeur de chimie à l'Université de Toronto, Aspuru-Guzik occupe également un poste au Vector Institute for Artificial Intelligence. Il s'agit du centre d'IA cofondé par Geoffrey Hinton, dont les travaux pionniers sur l'apprentissage en profondeur et les réseaux de neurones sont largement reconnus pour avoir lancé le boom actuel de l'IA.

Dans un article remarquable de 2012, Hinton et ses coauteurs ont démontré qu'un réseau neuronal profond, formé sur un grand nombre d'images, pouvait identifier un champignon, un léopard et un chien dalmatien. C'était une percée remarquable à l'époque, et elle a rapidement inauguré une révolution de l'IA en utilisant des algorithmes d'apprentissage en profondeur pour donner un sens à de grands ensembles de données.

Les chercheurs ont rapidement trouvé des moyens d'utiliser ces réseaux de neurones pour aider les voitures sans conducteur à naviguer et à repérer les visages dans une foule. D'autres ont modifié les outils d'apprentissage en profondeur afin qu'ils puissent se former eux-mêmes ; parmi ces outils figurent les GAN (réseaux antagonistes génératifs), qui peuvent fabriquer des images de scènes et de personnes qui n'ont jamais existé.

Dans un article de suivi de 2015, Hinton a fourni des indices selon lesquels l'apprentissage en profondeur pourrait être utilisé dans la recherche sur la chimie et les matériaux. Son article a vanté la capacité du réseau neuronal à découvrir des structures complexes dans des données de grande dimension - en d'autres termes, les mêmes réseaux qui peuvent naviguer à travers des millions d'images pour trouver, par exemple, un chien avec des taches pourraient trier des millions de molécules pour en identifier une. avec certaines propriétés recherchées.

Énergique et bouillonnant d'idées, Aspuru-Guzik n'est pas le genre de scientifique à passer patiemment deux décennies à déterminer si un matériau fonctionnera. Et il a rapidement adapté l'apprentissage en profondeur et les réseaux de neurones pour tenter de réinventer la découverte des matériaux. L'idée est d'infuser l'intelligence artificielle et l'automatisation dans toutes les étapes de la recherche sur les matériaux : la conception initiale et la synthèse d'un matériau, ses tests et son analyse, et enfin les multiples raffinements qui optimisent ses performances.

Par une journée glaciale du début de janvier, Aspuru-Guzik a son chapeau bien enfoncé sur ses oreilles, mais semble autrement inconscient du climat canadien amer. Il a d'autres choses en tête. D'une part, il attend toujours la livraison d'un robot de 1,2 million de dollars, maintenant sur un navire en provenance de Suisse, qui sera la pièce maîtresse du laboratoire automatisé piloté par l'IA qu'il a imaginé.

En laboratoire, des outils d'apprentissage en profondeur comme les GAN et leur cousin, une technique appelée auto-encodeur, imagineront de nouveaux matériaux prometteurs et découvriront comment les fabriquer. Le robot fabriquera ensuite les composés; Aspuru-Guzik veut créer un système automatisé abordable qui serait capable de cracher de nouvelles molécules à la demande. Une fois les matériaux fabriqués, ils peuvent être analysés avec des instruments tels qu'un spectromètre de masse. Des outils d'apprentissage automatique supplémentaires donneront un sens à ces données et diagnostiqueront les propriétés du matériau. Ces informations seront ensuite utilisées pour optimiser davantage les matériaux, en peaufinant leurs structures. Et puis, dit Aspuru-Guzik, l'IA sélectionnera la prochaine expérience à faire, fermant la boucle.

L'idée est d'infuser l'intelligence artificielle et l'automatisation dans toutes les étapes de la recherche sur les matériaux et de la découverte de médicaments.

Une fois le robot en place, Aspuru-Guzik prévoit de créer quelque 48 nouveaux matériaux tous les deux jours, en s'appuyant sur les connaissances de l'apprentissage automatique pour continuer à améliorer leurs structures. C'est un nouveau matériau prometteur toutes les heures, un rythme sans précédent qui pourrait complètement transformer la productivité du laboratoire.

Il ne s'agit pas simplement d'imaginer un matériau magique, dit-il. Pour vraiment changer la recherche sur les matériaux, il faut s'attaquer à l'ensemble du processus : quels sont les goulots d'étranglement ? Vous voulez de l'IA dans chaque pièce du laboratoire. Une fois que vous avez une proposition de structure, par exemple, vous devez encore trouver comment la créer. Cela peut prendre des semaines, voire des mois, pour résoudre ce que les chimistes appellent la rétrosynthèse - travailler à rebours à partir d'une structure moléculaire pour comprendre les étapes nécessaires à la synthèse d'un tel composé. Un autre goulot d'étranglement vient de la compréhension des rames de données produites par l'équipement analytique. L'apprentissage automatique pourrait accélérer chacune de ces étapes.

Ce qui motive Aspuru-Guzik, c'est la menace du changement climatique, la nécessité d'améliorer les technologies propres et le rôle essentiel des matériaux dans la production de telles avancées. Ses propres recherches portent sur de nouveaux électrolytes organiques pour les batteries à flux, qui peuvent être utilisés pour stocker l'électricité excédentaire des réseaux électriques et la réinjecter en cas de besoin, et sur des cellules solaires organiques qui seraient beaucoup moins chères que celles à base de silicium. Mais si sa conception d'un laboratoire chimique autonome et automatisé fonctionne, suggère-t-il, cela pourrait rendre la chimie beaucoup plus accessible à presque tout le monde. Il appelle cela la démocratisation de la découverte des matériaux.

C'est là que l'action est, dit-il. Les IA qui conduisent les voitures, les IA qui améliorent les diagnostics médicaux, les IA pour les achats personnels - la croissance économique des IA appliquées à la recherche scientifique peut submerger l'impact économique de toutes ces autres IA combinées.

Le Vector Institute, l'aimant de Toronto pour la recherche sur l'IA, se trouve à moins d'un mile. Depuis les fenêtres du grand espace de bureau ouvert, vous pouvez admirer l'édifice du Parlement de l'Ontario. La proximité d'experts en intelligence artificielle, en chimie et en affaires avec le siège du gouvernement de la province au centre-ville de Toronto n'est pas une coïncidence. De nombreux habitants de la ville croient fermement que l'IA transformera les affaires et l'économie, et de plus en plus, certains sont convaincus qu'elle changera radicalement notre façon de faire de la science.

Pourtant, si c'est le cas, une première étape consiste à convaincre les scientifiques que cela en vaut la peine.

Guzman-Perez d'Amgen dit que beaucoup de ses pairs en chimie médicinale sont sceptiques. Au cours des dernières décennies, le domaine a vu une série de technologies prétendument révolutionnaires, de la conception informatique à la chimie combinatoire et au criblage à haut débit, qui ont automatisé la production et le test rapides de plusieurs molécules. Chacun s'est avéré quelque peu utile mais limité. Aucun, dit-il, ne vous procure comme par magie un nouveau médicament.

Il est trop tôt pour savoir avec certitude si l'apprentissage en profondeur pourrait enfin changer la donne, reconnaît-il, et il est difficile de connaître le délai. Mais il est encouragé par la vitesse à laquelle l'IA a transformé la reconnaissance d'images et d'autres tâches de recherche.

Espérons que cela puisse arriver en chimie, dit-il.

Nous attendons toujours le moment AlphaGo dans la chimie et les matériaux - pour que les algorithmes d'apprentissage en profondeur déjouent l'humain le plus accompli en proposant un nouveau médicament ou matériau. Mais tout comme AlphaGo a gagné avec une combinaison de stratégie étrange et d'imagination inhumaine, les derniers programmes d'IA d'aujourd'hui pourraient bientôt faire leurs preuves en laboratoire.

Et cela fait rêver grand certains scientifiques. L'idée, dit Aspuru-Guzik, est d'utiliser l'IA et l'automatisation pour réinventer le laboratoire avec des outils tels que l'imprimante moléculaire de 30 000 $ qu'il espère construire. Il appartiendra ensuite à l'imagination des scientifiques - et à celle de l'IA - d'explorer les possibilités.

cacher