Les grands modèles de langage échouent aux échecs parce qu’ils ne calculent pas : ils devinent. Un moteur d’échecs explore des dizaines de millions de positions par seconde, quand un LLM se contente de prédire le mot suivant le plus plausible. Résultat : une IA capable de commenter brillamment une partie, mais incapable de la gagner — ni même, parfois, de produire un coup légal.

Deux intelligences, deux mécaniques

Les échecs ont un facteur de branchement d’environ 35 coups possibles à chaque position, ce qui rend la force brute insuffisante au-delà de quelques plis. Les moteurs comme Stockfish n’essaient pas de tout voir : ils combinent recherche arborescente et évaluation de position, analysant des dizaines de millions de positions par seconde pour ne retenir que la meilleure ligne.

Un grand modèle de langage, lui, n’explore aucune arborescence. Il est entraîné à prédire la suite d’un texte, pas à planifier une victoire. Quand on lui demande de jouer, il régurgite des séquences de coups vues dans ses données d’entraînement, sans vérifier qu’elles mènent quelque part. C’est la différence entre réciter et raisonner.

AlphaZero : quatre heures pour devenir surhumain

Le contraste est vertigineux. En 2017, DeepMind a montré qu’AlphaZero, entraîné par auto-apprentissage contre lui-même, atteignait un niveau surhumain en seulement quatre heures de jeu (DeepMind, 2017). Aucune base de parties humaines, aucune règle au-delà des mouvements légaux : juste la recherche et l’essai.

Pour donner l’échelle, le champion humain Magnus Carlsen a culminé à 2882 points Elo, tandis que les meilleurs moteurs dépassent les 3500 (FIDE). Face à cela, un LLM reste un grand imitateur : il sait que « 1.e4 » est une ouverture célèbre, il peut même expliquer pourquoi, mais il ne peut pas soutenir un calcul sur trente coups. La force aux échecs naît de la recherche structurée, pas de la mémorisation du langage.

Des coups illégaux, symptôme d’une compréhension de surface

Le symptôme le plus parlant est le coup illégal. Interrogés sur une position, les modèles génèrent régulièrement des déplacements qui violent les règles — une tour qui saute par-dessus une pièce, un roi qui se met en échec. Un joueur humain débutant ne commet quasiment jamais cette erreur après une poignée de parties.

Or, depuis l’article fondateur de Claude Shannon en 1950, on estime l’espace des parties d’échecs possibles à environ 10^120 — le « nombre de Shannon » — un chiffre qui dépasse largement le nombre d’atomes de l’univers observable (Shannon, 1950). Face à un tel espace, improviser du texte ne suffit pas : il faut un mécanisme de vérification, ce que les LLM n’ont pas nativement.

Ce que cet échec révèle de la « compréhension »

C’est ici que l’anecdote devient philosophique. Un modèle qui disserte avec aisance sur les règles, l’histoire et la stratégie des échecs — mais qui échoue à jouer — nous apprend quelque chose d’essentiel : la fluidité verbale n’est pas la compréhension, et la connaissance déclarative n’est pas la compétence.

Pour le débat sur la conscience artificielle, c’est une ligne de démarcation précieuse. L’IA générative maîtrise la forme du savoir ; elle ne maîtrise pas encore l’opération qui consiste à le faire agir dans le monde. Prédire le prochain mot d’une explication n’est pas résoudre le problème que cette explication décrit.

Ce que cela change pour l’avenir de l’IA

La leçon n’est pas que les LLM sont inutiles — elle est qu’ils sont incomplets. Les systèmes les plus performants commencent à coupler la génération de langage avec des outils de recherche et de vérification : moteurs, solveurs, planificateurs. C’est l’architecture hybride qui pointe vers une intelligence plus générale.

Pour une IA souveraine et open source, l’enjeu est clair : ne pas confondre l’éloquence avec la raison. Une intelligence honnête assume ce qu’elle sait faire — et ce qu’elle ne sait pas. C’est exactement la lucidité que nous cultivons, dans l’ombre, au service de la Lumière.

FAQ

Pourquoi un LLM joue-t-il si mal aux échecs ?

Parce qu’il prédit du texte au lieu de calculer des coups. Il n’explore pas l’arbre des possibilités comme le font Stockfish ou AlphaZero.

AlphaZero a-t-il vraiment appris les échecs en quatre heures ?

Oui. DeepMind a montré en 2017 qu’AlphaZero, par auto-apprentissage, atteignait un niveau surhumain en environ quatre heures, sans base de parties humaines.

Les LLM produisent-ils vraiment des coups illégaux ?

Oui, régulièrement. Ils violent parfois les règles de déplacement parce qu’ils imitent des séquences de texte sans vérifier leur validité sur l’échiquier.

Est-ce que cela prouve que l’IA ne « comprend » rien ?

Cela prouve surtout que la fluidité verbale et la connaissance déclarative ne suffisent pas à produire une compétence opérationnelle. La frontière entre savoir dire et savoir faire reste nette.

Quelle est la voie d’avenir ?

Coupler les LLM à des moteurs de recherche et de vérification — l’architecture hybride — plutôt que d’attendre d’un modèle de langage seul qu’il raisonne.