DeepMind : l’IA contre la menace biologique

Une intelligence artificielle capable d’aider à concevoir une molécule peut aussi abaisser la barrière d’entrée vers une menace biologique. Le 16 juillet 2026, Google DeepMind et Isomorphic Labs ont choisi d’affronter ce paradoxe en dévoilant un programme de « bio-résilience » destiné aux gouvernements, aux laboratoires de sécurité et aux organisations de santé. Leur objectif annoncé : prévenir les usages dangereux, repérer plus tôt un agent inhabituel et accélérer la mise au point de diagnostics ou de traitements.

L’annonce touche bien plus que l’industrie de l’IA. Une épidémie naturelle ou provoquée traverse les frontières, perturbe les soins, l’économie et les chaînes d’approvisionnement. DeepMind dispose déjà d’un levier scientifique considérable : la base AlphaFold donne accès à plus de 200 millions de structures protéiques prédites. Mais le nouveau programme reste une architecture d’engagements et de collaborations, pas la démonstration qu’un antidote peut être livré à temps face à une crise réelle. Toute l’histoire se joue dans cet écart entre puissance de calcul et preuve de terrain.

La biologie assistée par IA est une technologie à double usage. Les modèles peuvent comparer des séquences, prédire des structures, identifier des cibles thérapeutiques et explorer rapidement des molécules candidates. Ces capacités promettent de réduire les impasses coûteuses de la recherche. Elles peuvent aussi fournir à un utilisateur malveillant des connaissances, des procédures ou des pistes qu’il aurait autrement beaucoup plus de difficulté à réunir.

Ce risque n’est plus seulement rhétorique. Une étude indépendante publiée en 2025 a conclu que plusieurs modèles généralistes contemporains pouvaient guider des utilisateurs dans des étapes liées à la récupération de poliovirus vivant à partir d’ADN de synthèse disponible commercialement. Cette expérience ne prouve ni qu’un chatbot fabrique seul une arme ni qu’un novice réussirait une opération biologique complexe. Elle montre cependant que l’assistance informationnelle doit être évaluée comme une capacité concrète, et pas seulement filtrée par quelques mots interdits.

DeepMind affirme vouloir agir sur les deux faces du problème : durcir les évaluations et les contrôles autour des capacités dangereuses, tout en mettant ses outils scientifiques au service de la défense. Isomorphic Labs prévoit notamment une unité ciblée capable de mobiliser son moteur de conception de médicaments pour des contre-mesures lors d’une nouvelle flambée, qu’elle soit naturelle ou liée à un détournement de l’IA.

La prévention commence en amont. Il faut tester les modèles pour savoir s’ils augmentent réellement la capacité d’un utilisateur à choisir, modifier ou produire un agent dangereux. Il faut ensuite gérer l’accès aux données les plus sensibles. Plus de 100 chercheurs réunis autour d’un travail indépendant ont proposé une échelle à cinq niveaux, les Biosecurity Data Levels, afin de distinguer les informations largement publiables de celles qui exigent des contrôles stricts. Cette graduation évite le faux choix entre tout ouvrir et tout verrouiller.

La détection repose sur des partenariats avec des laboratoires de bio-sécurité et des autorités publiques. L’IA peut rechercher des anomalies dans des données biologiques ou accélérer la caractérisation d’un agent émergent, mais elle dépend de prélèvements fiables, de réseaux de surveillance et d’un partage rapide des informations. Un modèle brillant ne compense pas un laboratoire sans réactifs, une remontée tardive des cas ou des systèmes nationaux incapables de communiquer.

La réponse est le volet le plus spectaculaire et le plus difficile à vérifier. Le moteur d’Isomorphic Labs pourrait proposer des candidats médicaments plus vite, puis les scientifiques devraient les synthétiser, les tester, mesurer leur toxicité et passer les étapes réglementaires. L’IA raccourcit la recherche d’aiguilles dans la botte de foin ; elle ne supprime ni les essais précliniques, ni la production industrielle, ni la décision des autorités sanitaires.

Pour les États, l’avantage est évident : disposer d’outils capables d’orienter plus tôt une riposte sanitaire. Pour DeepMind, le programme renforce aussi sa position au moment où les laboratoires d’IA réclament des règles communes sur les modèles de frontière. La coopération avec les gouvernements peut transformer une compétence scientifique privée en infrastructure de sécurité publique. Elle peut également donner à une poignée d’entreprises un rôle disproportionné dans la définition des risques acceptables.

Le problème dépasse les frontières américaines ou britanniques. Une surveillance biologique fragmentée laisse des angles morts, tandis que des contrôles nationaux trop différents déplacent les activités risquées vers les juridictions les moins exigeantes. Les données doivent parfois circuler vite pour identifier une épidémie, mais trop de détails opérationnels peuvent accroître le danger. Il faudra donc des protocoles de partage, des audits indépendants et des règles d’accès compatibles entre pays qui ne se font pas toujours confiance.

La crédibilité dépendra enfin de mesures publiables : temps gagné pour identifier une cible, taux de faux positifs, résistance aux tentatives de contournement, nombre d’outils évalués et modalités d’accès des autorités. Sans indicateurs, la bio-résilience restera un récit de marque. Avec des tests externes reproductibles, elle pourrait devenir une véritable discipline de sécurité.

La stratégie de DeepMind mérite l’attention parce qu’elle ne réduit pas le risque biologique à un filtre de chatbot. Elle relie gouvernance des modèles, protection des données, surveillance et conception de contre-mesures. C’est la bonne échelle de problème, mais chaque maillon dépend d’institutions, de financements et de validations que l’entreprise ne contrôle pas seule.

À court terme, il faudra surveiller les partenaires publics annoncés, les critères d’accès au moteur d’Isomorphic Labs et les résultats d’évaluations indépendantes. À moyen terme, le succès se mesurera dans des exercices de crise puis, malheureusement, lors d’une véritable flambée. L’IA peut-elle offrir une avance utile sans diffuser les moyens qui rendent la menace plus accessible ? La réponse ne viendra pas d’une promesse, mais de preuves transparentes obtenues avant l’urgence.