Abonnez-vous à la newsletter quotidienne de Popular Science pour découvrir des avancées, des découvertes et des astuces DIY livrées six jours par semaine. Les progrès des modèles d'intelligence artificielle (IA) sont souvent illustrés par leurs performances dans les jeux. En 1997, Deep Blue d'IBM a stupéfié le monde en battant le grand maître d’échecs Garry Kasparov, et près de deux décennies plus tard, AlphaGo de Google a surpassé un champion humain au jeu de Go—une tâche autrefois considérée comme impossible. Depuis, l’IA a progressé des jeux de société aux jeux vidéo, en utilisant l’apprentissage par renforcement, une technique également essentielle pour entraîner des chatbots comme ChatGPT, permettant aux machines de maîtriser des jeux Atari ainsi que des titres de stratégie complexes tels que Dota 2 et Starcraft II. Cependant, l’IA rencontre encore des difficultés pour apprendre rapidement un large éventail de jeux plus ouverts—un domaine dans lequel les humains excellent. Lorsqu'ils sont confrontés à un jeu inconnu, les joueurs humains saisissent rapidement ses bases, tandis que les modèles d’IA échouent souvent, comme le souligne un récent article du professeur d’informatique à NYU Julian Togelius et ses collègues. Cet écart met en lumière une différence fondamentale entre l’intelligence humaine et les capacités actuelles de l’IA, montrant que celle-ci a encore un long chemin à parcourir avant d’atteindre ou de dépasser une véritable intelligence humaine. Depuis longtemps, les jeux servent de terrains d’expérimentation idéaux pour l’IA en raison de leurs règles prévisibles, de leurs objectifs définis et de leur mécanique, qui s’adaptent parfaitement à l’apprentissage par renforcement : les modèles jouent de nombreux jeux en simulation afin de s’améliorer par essais et erreurs. Cette approche a permis en 2015 à DeepMind d’atteindre la maîtrise des jeux Atari, et elle influence aujourd’hui la formation de grands modèles linguistiques basés sur des masses de données internet. Pourtant, ces modèles excellent uniquement sur des tâches précises avec des contraintes claires ; de légers changements dans la conception du jeu peuvent perturber leur performance. L’IA peut atteindre une compétence surpassant celle des humains dans un jeu particulier, mais elle peine à improviser. Cette limite devient encore plus évidente à mesure que les jeux modernes deviennent de plus en plus ouverts et abstraits. Contrairement aux échecs, des jeux comme « Red Dead Redemption » en monde ouvert ont des objectifs complexes liés à l’incarnation d’un personnage moralement conflictué plutôt qu’à des buts simples.

Les humains saisissent intuitivement ces nuances ; les machines non. Même dans des jeux sandbox plus simples comme « Minecraft », l’IA peut effectuer des actions basiques comme sauter, sans en comprendre le contexte. Les auteurs soulignent que les jeux bien conçus s’accordent étroitement avec l’intuition humaine, le bon sens et l’expérience vécue—que les humains accumulent au fil des années d’interaction avec le monde réel. Par exemple, les bébés apprennent à reconnaître des objets vers 18 à 24 mois simplement par leur expérience, alors que les machines nécessitent beaucoup plus d’apprentissage guidé. Cet avantage expérientiel permet aux humains d’apprendre de nouveaux jeux plus rapidement. Des recherches montrent qu’une IA basée sur l’apprentissage par renforcement et motivée par la curiosité peut avoir besoin d’environ quatre millions de frappes de touche—soit environ 37 heures continues—pour finir un jeu, alors que les joueurs humains comprennent souvent de nouvelles mécaniques en moins de 10 heures. Pourtant, l’IA progresse dans le jeu général. En 2023, Google DeepMind a présenté SIMA 2, un modèle combinant l’IA existante avec des capacités de raisonnement issues de son grand modèle linguistique Gemini, permettant une meilleure compréhension et interaction avec des jeux 3D—même ceux sur lesquels il n’a pas été spécifiquement entraîné. Cependant, Togelius et ses collègues mettent en garde : l’IA doit encore parcourir un long chemin avant d’atteindre une véritable adaptabilité humaine. Ils proposent un benchmark où un modèle pourrait jouer et gagner dans les 100 meilleurs jeux de Steam ou de l’App Store iOS sans entraînement préalable sur aucun d’eux—et ce, en gros temps équivalent à celui d’un humain. Ce défi demeure difficile, et les méthodes actuelles d’IA ne sont ni proches de le relever ni sérieusement engagées dans cette voie. Atteindre ce niveau de généralisation requerrait que l’IA fasse preuve d’une créativité véritable, d’une planification à long terme et d’une pensée abstraite—des qualités qui caractérisent de manière unique l’intelligence humaine. En fin de compte, la véritable épreuve pour que l’IA atteigne une « intelligence de niveau humain » pourrait ne pas résider dans la création de deepfakes ou l’écriture de romans superficiels, mais dans sa capacité à maîtriser un large éventail de jeux divers avec une vitesse d’apprentissage et une compréhension similaires à celles des humains.