L'analyse du sentiment des utilisateurs et la prédiction des trajectoires d'événements par le traitement du langage naturel ; la construction de systèmes multi-agents aux paramètres stratégiques variables pour simuler l'influence des politiques sur les tendances sociales ; l'exploitation de vastes réserves de données économiques historiques et en temps réel pour déceler les modèles de marché et améliorer la précision des prévisions ; l'utilisation de modèles d'IA générative pour examiner et synthétiser d'immenses corpus de littérature en sciences sociales — à travers ces applications, l'IA démontre un potentiel remarquable dans les sciences humaines et sociales.

Cela a incité certains milieux académiques à suggérer que la recherche dans ces domaines entre dans un « cinquième paradigme » conjointement conduit par les données et les mécanismes, un paradigme qui élargit considérablement les objets de recherche, approfondit l'analyse mécanistique et accélère le progrès scientifique. Qu'est-ce que le cinquième paradigme exactement ? En quoi diffère-t-il fondamentalement de ses prédécesseurs ? Et quelles transformations profondes pourrait-il apporter aux chercheurs ?

Fusion des paradigmes traditionnels

Le concept de paradigme de recherche a été initialement introduit par le philosophe des sciences américain Thomas Kuhn. Il désigne la vision du monde et les méthodes partagées par une communauté scientifique, qui assurent le déroulement efficient et ordonné des activités de recherche. Historiquement, les paradigmes scientifiques ont évolué à travers quatre étapes : le paradigme empirique, principalement fondé sur l'induction expérimentale ; le paradigme théorique, centré sur la modélisation et la déduction logique ; le paradigme computationnel, utilisant les ordinateurs pour simuler et résoudre des problèmes dans diverses disciplines ; et le paradigme piloté par les données, caractérisé par une recherche intensive permise par les technologies internet.

Avec les progrès de l'apprentissage profond et des grands modèles génératifs, la capacité de l'IA en matière de génération de données, d'analyse, de reconnaissance des motifs et de raisonnement causal est devenue de plus en plus puissante. Dans des domaines tels que la science des matériaux, la génomique, la découverte de médicaments et la modélisation climatique, l'IA peut révéler des lois naturelles plus profondes et proposer de nouvelles voies de découverte avec une efficacité bien supérieure à celle des scientifiques humains, faisant ainsi progresser la recherche interdisciplinaire.

Lors de récentes interviews avec CSST, plusieurs universitaires ont convenu que l'IA refaçonne le processus de découverte scientifique principalement en transcendant et en intégrant les paradigmes traditionnels. Elle accélère le cycle de recherche : là où l'investigation conventionnelle suit une longue boucle « hypothèse–expérimentation–vérification », l'IA peut automatiser la génération d'hypothèses, optimiser la conception expérimentale et exécuter des expériences sans intervention humaine, élevant considérablement l'efficacité. Elle peut élargir les frontières du savoir scientifique en générant des hypothèses entièrement nouvelles, voire en résolvant des problèmes mathématiques de longue date. En intégrant les paradigmes expérimental, théorique, computationnel et axé sur les données, l'IA permet une collaboration multi-paradigmes et favorise les échanges interdisciplinaires.

Wang Dong, professeur associé à l'École du marxisme de l'Université de la Technologie et du Commerce de Beijing, a expliqué que l'IA possède des avantages intrinsèques dans des domaines échappant à l'intuition humaine, tels que les phénomènes quantiques aux échelles microscopiques, les structures spatiales de haute dimension et les systèmes non linéaires. Dans les champs impliquant des données massives et des variables complexes — notamment les sciences du climat, les écosystèmes, les sciences du vivant et les maladies complexes — l'IA peut traiter et analyser efficacement de vastes jeux de données, détectant des motifs inaccessibles aux méthodes traditionnelles. Elle ouvre également des perspectives prometteuses dans des domaines interdisciplinaires de pointe tels que la biologie des systèmes, la recherche en intelligence artificielle inspirée par les neurosciences, et la conception intégrée de nouveaux matériaux et procédés chimiques.

Extension du quatrième paradigme

Mais l'essor de l'IA constitue-t-il un véritable changement de paradigme ? De nombreux experts appellent à la prudence.

Wu Libo, directeur exécutif du Laboratoire global du Développement national et de la Gouvernance intelligente à l'Université Fudan, a fait remarquer que les révolutions technologiques entraînent l'évolution cognitive. Dans l'ère actuelle des « données + mécanismes », les modèles d'IA évoluent des outils de prédiction en « boîte noire » vers des systèmes en « boîte grise » dotés de capacités de raisonnement. Cette évolution permet aux chercheurs non seulement de décrire le monde par les données, mais aussi de le comprendre à travers des mécanismes scientifiques.

Cependant, si les chercheurs s'accordent à dire que la recherche pilotée par l'IA améliore l'efficacité, la question de savoir si elle mérite d'être reconnue comme un cinquième paradigme demeure incertaine. Les questions clés incluent : A-t-elle créé de toutes nouvelles voies de recherche ? A-t-elle résolu des problèmes insolubles par les paradigmes traditionnels ? A-t-elle transformé les rôles et les collaborations des sujets de recherche ? A-t-elle engendré une nouvelle génération d'infrastructure de recherche ? Ces incertitudes ont conduit nombreux dans le milieu académique à considérer l'IA comme une extension du quatrième paradigme, reposant toujours sur des données annotées par l'homme.

Chen Yinzheng, secrétaire général adjoint du Comité d'histoire de l'ingénierie de la Société chinoise de l'Histoire des Sciences et des Techniques, estime également que bien que l'IA transforme profondément les modèles de recherche, elle n'a pas encore déclenché un changement de paradigme complet. L'IA est plus efficace dans des contextes interdisciplinaires, mais les approches expérimentales et théoriques traditionnelles restent indispensables. Les résultats obtenus via l'IA doivent encore être validés par des méthodes conventionnelles. Actuellement, l'IA excelle davantage à suivre des trajectoires de recherche spécifiques qu'à déduire des principes entièrement nouveaux ou à mener une exploration théorique libre et originale. En particulier dans les sciences sociales comme l'archéologie et l'histoire des sciences et techniques, l'expertise approfondie et le jugement des chercheurs demeurent fondamentaux. Par ailleurs, l'IA soulève des questions d'intégrité et d'éthique : sa fiabilité et sa stabilité restent limitées, et les biais algorithmiques peuvent même l'amener à générer des plans expérimentaux à haut risque. Ces problèmes continuent d'exiger la supervision des modèles traditionnels.

Renouvellement du développement disciplinaire

Malgré ces réserves, les chercheurs reconnaissent la capacité extraordinaire de l'IA en matière d'apprentissage en profondeur et d'exploration, y voyant le potentiel d'ouvrir des domaines de connaissance hors de portée humaine. L'interaction entre les modèles génératifs et discriminatifs permet d'explorer rapidement des vastes champs d'inconnu, insufflant une vitalité nouvelle au développement disciplinaire.

Wu a prédit que la recherche en sciences sociales accordera une place croissante à l'intégration de données interdisciplinaires et à l'innovation méthodologique, dont l'IA sera le moteur principal. Grâce à des techniques avancées comme la modélisation multi-agents, les chercheurs pourront simuler des dynamiques sociales complexes, révéler des interactions humaines subtiles et approfondir les mécanismes sous-jacents aux phénomènes sociaux. Des méthodes telles que l'apprentissage profond et l'apprentissage par renforcement renforceront les capacités d'analyse et de création, permettant d'acquérir des compréhensions plus précises et profondes des réalités sociales.

Wang a prévu qu'au stade de la substitution et de la transcendance cognitives, l'IA évoluera en agents de recherche autonomes capables d'identifier activement des problèmes, de générer des hypothèses scientifiques et de mener de façon autonome des observations et expériences, tandis que les humains passeront à des rôles de supervision. Le paysage futur de la recherche évoluera de la collaboration entre humains vers une coopération des systèmes d'IA sous guidance humaine. La recherche connaîtra une expansion considérable en ampleur et en profondeur, les frontières disciplinaires s'estomperont, la collaboration transdisciplinaire et l'intégration des connaissances se normaliseront, faisant émerger de nouvelles frontières interdisciplinaires.

Pourtant, la vigilance reste essentielle. Chen a mis en garde : si l'IA peut accroître l'efficacité de la recherche dans les disciplines traditionnelles, libérer les chercheurs des tâches répétitives et élargir les frontières de la recherche conventionnelle, elle ne saurait se substituer entièrement à la démarche scientifique traditionnelle. Une dépendance excessive à l'IA risque d'uniformiser l'innovation et d'étouffer la créativité. « Le développement durable des sciences et de la recherche est étroitement lié à la créativité humaine, que l'IA ne peut guère remplacer », a souligné Chen.

Les experts ont convenu que bien que le soi-disant cinquième paradigme introduise de nouvelles tendances — telles que l'automatisation de la recherche scientifique et « l'agentification » des sujets de recherche — les véritables percées dépendent toujours de l'intuition scientifique humaine, du discernement des faits et de la sensibilité au contexte et aux arrière-plans culturels. Le cinquième paradigme pourrait ouvrir un nouveau paysage cognitif où les objets de recherche dépassent la capacité des scientifiques ordinaires. Pourtant, alors que l'humanité entre dans cette nouvelle étape d'exploration, il est tout aussi urgent de réfléchir aux limites et aux responsabilités de la technologie.