Des papiers aux théories
L'Allen Institute for AI (Ai2) a publié le 2 février 2026 Theorizer, un système qui fait ce qu'aucun chercheur n'a le temps de faire : lire des milliers d'articles scientifiques et en extraire des théories structurées.
Le principe : on pose une question (« quels patterns existent dans tel domaine ? »), Theorizer lit la littérature pertinente et génère des théories sous forme de tuples ⟨LOI, PÉRIMÈTRE, PREUVES⟩. La loi est une affirmation qualitative ou quantitative, le périmètre définit où elle s'applique (contraintes, limites, exceptions), et les preuves sont tracées jusqu'aux articles sources.
Un pipeline en trois étapes
1. Découverte de la littérature — Theorizer récupère jusqu'à 100 articles pertinents via Semantic Scholar, reformule les requêtes, télécharge les PDFs et applique l'OCR si nécessaire.
2. Extraction des preuves — Le système génère un schéma d'extraction adapté à la question, puis un modèle léger (GPT-5 mini) remplit des fiches structurées en JSON pour chaque article.
3. Synthèse et raffinement — GPT-4.1 agrège les preuves et induit des théories candidates. Une étape d'auto-réflexion améliore la cohérence et l'attribution. Un filtre de nouveauté écarte les affirmations trop évidentes.
90 % de précision prédictive
Pour évaluer Theorizer, l'équipe a utilisé une méthode de backtesting : générer des théories avec une connaissance limitée à juin 2024, puis les tester contre les 6 mois de littérature suivants. Résultat : 88 à 90 % de précision sur les prédictions, et les théories « novelty-focused » atteignent 61 % de précision (contre 34 % en mode purement paramétrique).
Le dataset publié contient environ 2 900 théories générées à partir de 13 744 articles couvrant l'IA et le NLP.
Le coût de la rigueur
La génération appuyée sur la littérature coûte 7 fois plus cher que la génération purement paramétrique — mais les résultats sont nettement supérieurs. Chaque requête prend 15 à 30 minutes (parallélisable). Le système supporte plusieurs fournisseurs de LLM : OpenAI, Anthropic, Mistral.
Limites assumées : Theorizer fonctionne mieux dans les domaines avec beaucoup d'articles en accès ouvert (IA/NLP pour l'instant), souffre du biais de publication (résultats positifs surreprésentés), et ses sorties restent des hypothèses — pas des vérités.
Open source
Le code complet est disponible sur GitHub sous licence Apache 2.0, avec l'interface web, l'API et tous les prompts. Le dataset de 3 000 théories est également publié.
Théoriser est ce que les chercheurs font le moins bien à l'échelle : connecter les points entre des milliers d'études dispersées. Theorizer ne remplace pas le jugement scientifique, mais il accélère la phase d'orientation — passer de « je ne connais rien à ce domaine » à « voici les patterns principaux » en minutes au lieu de mois.