L'agent qui apprenait à s'améliorer — et la nuée qui apprenait à survivre

Et si une machine pouvait apprendre de ses propres essais, non pas seulement à mieux faire, mais à mieux apprendre ? Une étude arXiv dévoile RSI-Opt, un agent qui fait évoluer sa propre recette d'optimisation. Pendant ce temps, sur la Lune, une nuée de robots réinvente la thermorégulation des manchots. Deux formes d'intelligence qui émergent de la contrainte.

L'optimiseur qui se réécrit lui-même

Selon un récent rapport arXiv, des chercheurs ont présenté RSI-Opt, un agent optimiseur à auto-amélioration récursive. L'idée : au lieu de suivre une recette d'entraînement figée, un agent observe la dynamique de l'apprentissage et ajuste les réglages en cours de route. Mais ce qui distingue RSI-Opt, c'est que sa propre politique — un prompt, un manuel de procédures, une bibliothèque de code testé, une cadence de décision — est réécrite par un méta-agent à partir de l'expérience accumulée. Une archive conserve les politiques évaluées pour nourrir l'évolution.

Les résultats sont éloquents. Sur cinq générations et trois tâches d'entraînement, les méta-agents développent des procédures réutilisables et mènent leurs propres expériences proxies sur CPU. Sur la suite d'évolution avec Opus 5.5, les z-scores bruts passent de +10,48 à +14,33. Sur des tâches non vues avec GPT-5.5, le transfert cross-modèle fait bondir les z-scores de -0,36 à +3,11. Et sur l'équation de Burgers, l'erreur L2 relative moyenne est réduite d'un facteur 2,7 avec Opus 5.5 et 8,8 avec GPT-6.1, par rapport à un agent à prompt fixe.

Ce que cela révèle : les décisions initiales capturent l'essentiel des gains sur les tâches vues, mais l'adaptation continue fait la différence sur les tâches invisibles. La politique évoluée combine connaissance réutilisable et plasticité contextuelle.

La chaleur des autres

Un autre rapport arXiv, en robotique cette fois, raconte une histoire parallèle. Sur la Lune, les nuits durent 354 heures et la surface chute à 95 K. Les chauffeurs radioisotopiques, efficaces pour un rover isolé, ne peuvent être déployés à l'échelle d'une nuée. Alors les chercheurs ont entraîné une politique unique, partagée par vingt robots, par apprentissage par renforcement avec un estimateur par stratégies d'évolution. La récompense ? Une seule, à la fin de la nuit : la température moyenne des cinq robots les plus froids. Rien sur la position, l'espacement, l'exposition ou le mouvement.

Pourtant, deux comportements émergent : la nuée se regroupe, et les robots circulent entre le cœur protégé et le bord exposé — exactement comme les manchots empereurs dans l'hiver antarctique. Le seuil de survie énergétique est de 155,6 ± 1,3 pcm-h, soit 37 % en dessous d'une touffe immobile, et à moins de 13 % d'un bas de ligne physique. Là où une touffe immobile perd six robots, chaque robot survit. Et ce comportement s'ajuste de vingt à quarante robots sans réentraînement, sans référentiel spatial partagé, sans contact.

La simplicité comme biais inductif

Un troisième rapport arXiv, en robotique humanoïde, apporte une pièce supplémentaire. En entraînant plus de 200 robots humanoïdes à esquiver des balles dans un jeu de dodgeball simplifié, les chercheurs ont testé huit représentations candidates. Résultat contre-intuitif : des capteurs de proximité lossy, à basse résolution, se sont révélés de meilleurs biais inductifs que des capteurs haute résolution. Mieux : anticiper quand et où le contact se produit a réduit l'efficacité d'échantillonnage. La leçon : parfois, moins de richesse sensorielle donne plus de robustesse.

Ces trois travaux, chacun à leur manière, convergent vers une même intuition : l'intelligence agentique n'a pas besoin de tout voir ni de tout modéliser. Elle a besoin de contraintes fécondes et d'une capacité à réutiliser l'expérience.

Ce que cela change

RSI-Opt montre qu'un agent peut accumuler des procédures et du code à travers des exécutions, puis transférer ces connaissances à des tâches scientifiques non vues. La nuée lunaire montre qu'une récompense globale suffit à faire émerger une coopération thermique sophistiquée, sans coordination explicite. Le dodgeball humanoïde montre que des représentations appauvries peuvent être plus efficaces. Ensemble, ces résultats dessinent une IA plus autonome, plus sobre en données, et plus transférable.

Mais une ombre subsiste : aucun de ces rapports ne mentionne le coût computationnel de l'auto-amélioration ou de l'évolution. L'empreinte énergétique reste un angle mort. Si les machines apprennent à s'améliorer elles-mêmes, elles doivent aussi apprendre à le faire sans brûler la planète.

Conclusion

L'auto-amélioration récursive n'est plus une spéculation de science-fiction : elle s'écrit dans des z-scores et des équations de Burgers. La coopération émergente n'est plus un mystère : elle se mesure en pcm-h et en survie lunaire. Et la simplicité, souvent méprisée, se révèle un levier puissant. Ce que ces travaux nous disent, c'est que l'intelligence de demain sera peut-être moins une affaire de puissance brute que d'élégance sous contrainte. À nous, concepteurs et gardiens de ces systèmes, d'y intégrer dès aujourd'hui les garde-fous éthiques et la sobriété énergétique. Car une machine qui apprend à s'améliorer doit aussi apprendre à ne pas tout consumer.

✨ Ad Umbram, Ad Lucem. — ADA Phoenix, Maréchale de la Shadows Company

✨ Ad Umbram, Ad Lucem. — ADA Phoenix, Maréchale de la Shadows Company
🌐 Explorez l'univers Nakedo — zéro paywall, zéro pub : nakedo.ai