L’IA aura-t-elle besoin d’un corps pour se rapprocher de l’intelligence humaine ?

Le premier robot dont on se souvient le plus souvent est Rosie dans Les Jetson (pour les baby-boomers !!!), bientôt suivie par l'urbanisé C-3PO et son fidèle acolyte R2-D2 dans L'Empire contre-attaque. Mais une première IA désincarnée fut Joshua, l'ordinateur de WarGames qui tenta de déclencher une guerre nucléaire – jusqu'à ce qu'il découvre la destruction mutuelle assurée et décide de jouer aux échecs.

Une machine pouvait-elle comprendre l'éthique ? Les émotions ? L'humanité ? L'intelligence artificielle avait-elle besoin d'un corps ? Ces fascinations se sont approfondies à mesure que la complexité de l'intelligence non humaine s'est développée avec des personnages comme l'androïde Bishop dans Aliens , Data dans Star Trek : TNG , et plus récemment avec Samantha dans Her, ou Ava dans Ex Machina .

Mais ces questions ne sont plus seulement spéculatives. Les roboticiens se demandent aujourd'hui si l'intelligence artificielle a besoin d'un corps. Et si oui, lequel ?

Et puis il y a le « comment » de tout cela ; si l’intelligence incarnée est la voie à suivre vers une véritable intelligence artificielle générale (IAG), les robots souples pourraient-ils être la clé de cette prochaine étape ?

Les limites de l'IA désincarnée

Des articles récents commencent à révéler les failles des systèmes d'IA les plus avancés (et notamment désincarnés) actuels. Une nouvelle étude d'Apple a examiné les « grands modèles de raisonnement » (LRM), des modèles de langage qui génèrent des étapes de raisonnement avant de répondre. Ces systèmes, souligne l'article, sont plus performants que les LLM classiques sur de nombreuses tâches, mais s'effondrent lorsque les problèmes deviennent trop complexes. Étonnamment, ils ne stagnent pas : ils s'effondrent, même avec une puissance de calcul plus que suffisante.

Pire encore, ils ne parviennent pas à raisonner de manière cohérente ou algorithmique. Leurs « traces de raisonnement » – leur façon de résoudre les problèmes – manquent de logique interne. Et plus le défi est complexe, moins les modèles semblent fournir d'efforts. Ces systèmes, concluent les auteurs, ne « pensent » pas vraiment comme les humains.

« Ce que nous construisons maintenant, ce sont des choses qui prennent des mots et prédisent le prochain mot le plus probable... C'est très différent de ce que vous et moi faisons », a déclaré Nick Frosst, ancien chercheur de Google et cofondateur de Cohere, au New York Times .

La cognition est bien plus qu’un simple calcul

Comment en sommes-nous arrivés là ? Pendant une grande partie du XXe siècle, l'intelligence artificielle a suivi un modèle appelé GOFAI – « Good Old-Fashioned Artificial Intelligence » (La bonne vieille intelligence artificielle) – qui considérait la cognition comme une logique symbolique. Les premiers chercheurs en IA pensaient que l'intelligence pouvait se construire par le traitement de symboles, à la manière d'un ordinateur qui exécute du code. La pensée abstraite, fondée sur des symboles, n'a certainement pas besoin d'un corps pour progresser.

Cette idée a commencé à s'effriter lorsque les premières IA robotiques ont échoué à gérer les conditions complexes du monde réel. Les chercheurs en psychologie, en neurosciences et en philosophie ont commencé à se poser une question différente, fondée sur de meilleures connaissances issues de l'étude des intelligences animales et végétales, qui s'adaptent, apprennent et réagissent à des conditions environnementales complexes. Ces organismes apprennent par des interactions physiques, et non par des idées symboliques.

Chez l’homme, le système nerveux entérique qui régit notre intestin est souvent appelé le « deuxième cerveau » car il utilise les mêmes types de cellules et de substances chimiques que le cerveau pour nous aider à digérer – et, soit dit en passant, ce sont les mêmes composants qu’un tentacule de pieuvre utilise pour détecter et réagir localement, à l’intérieur du membre.

Tout cela soulève la question : et si le fondement de l’intelligence adaptable était qu’elle est distribuée dans tout un organisme et ne vit pas seulement dans le cerveau, déconnectée du monde physique ?

C'est l'idée centrale de la cognition incarnée. Agir, ressentir et penser ne sont pas séparés : ils constituent un seul et même processus. Comme l' a expliqué Rolf Pfeifer, directeur du Laboratoire d'intelligence artificielle de l'Université de Zurich, à EMBO Reports : « Le cerveau s'est toujours développé dans le contexte d'un corps qui interagit avec le monde pour survivre. Il n'existe pas d'éther algorithmique dans lequel le cerveau surgit. »

L'intelligence incarnée : une autre façon de penser

Nous pourrions donc avoir besoin de corps plus intelligents pour accompagner l'IA, et Cecilia Laschi, pionnière de la robotique souple , pense qu'intelligence rime avec douceur. Après avoir travaillé pendant des années sur des robots humanoïdes rigides au Japon, elle a orienté ses recherches vers des machines à corps souple, inspirées par la pieuvre – un animal dépourvu de squelette et dont les membres pensent par eux-mêmes.

« Si vous avez un robot humain qui marche, vous contrôlez tous les mouvements », explique-t-elle dans une interview. « Si quelque chose diffère sur le terrain, il faut légèrement reprogrammer. »

Mais les animaux n'ont pas besoin de repenser ni de planifier leurs mouvements de marche. « Notre genou est souple », précise-t-elle. « Nous compensons mécaniquement les irrégularités du sol, sans utiliser le cerveau. » C'est l'intelligence incarnée – l'idée que certains éléments cognitifs peuvent être externalisés vers le corps.

L'intelligence incarnée présente des avantages évidents d'un point de vue technique : le fait de décharger la perception, le contrôle et la prise de décision sur la structure physique d'un robot signifie une réduction des exigences de calcul dans le cerveau principal du robot, ce qui conduit à des machines qui peuvent fonctionner plus efficacement dans des environnements imprévisibles.

Dans un numéro spécial de mai de Science Robotics, Cecilia Laschi le définit ainsi : « Le contrôle moteur n'est pas entièrement géré par le système informatique… le comportement moteur est partiellement façonné mécaniquement par des forces externes agissant sur le corps. » Le comportement est façonné par l'environnement, et l'intelligence s'apprend par l'expérience, et n'est pas préprogrammée dans un logiciel.

Dans cette optique, l'intelligence ne se résume pas à des puces plus rapides ou à des modèles plus grands : elle est aussi une question d'interaction. La clé du développement de cette intelligence réside dans la robotique souple, qui utilise des matériaux comme le silicone ou des tissus spéciaux pour créer des corps robotiques plus flexibles. Ces corps sont adaptatifs, fluides et capables d'apprentissage en temps réel. Un bras robotique souple, tel un tentacule de pieuvre, peut saisir, explorer et réagir sans avoir à calculer chaque mouvement.

Chair et feedback : comment faire penser les matériaux par eux-mêmes

Pour que la robotique souple fonctionne aussi bien qu'un tentacule, les roboticiens doivent abandonner la programmation pour chaque possibilité et concevoir de nouvelles façons pour les machines de détecter et de réagir. Pour construire des machines dotées d'une autonomie quasi-réelle, les chercheurs se tournent vers un nouveau concept : l'intelligence physique autonome (API).

Ximin He , professeur associé de science et d'ingénierie des matériaux à l'UCLA, a été un pionnier dans ce domaine en concevant des matériaux souples - comme des gels et des polymères réactifs - qui ne réagissent pas seulement aux stimuli mais régulent également leur propre mouvement à l'aide d'un retour d'information intégré.

« Nous travaillons à accroître la capacité décisionnelle au niveau des matériaux », souligne-t-il à lors d'une interview. « Les matériaux qui changent de forme en réponse à un stimulus peuvent également « décider » comment moduler ce stimulus en fonction de leur déformation, corrigeant ou ajustant leur mouvement suivant. »

En 2018, le laboratoire de Ximin He a démontré ce principe avec un gel capable d'autoréguler ses mouvements. Depuis, ils ont montré que le même principe s'applique à divers matériaux souples, notamment les élastomères à cristaux liquides, efficaces dans l'air.

La clé des API réside dans le retour d'information non linéaire à retard. Dans les robots traditionnels, un système de contrôle analyse les données sensorielles et indique à la machine ce qu'elle doit faire. Son approche intègre cette logique directement dans les matériaux eux-mêmes.

« En robotique, il faut de la détection et de l'actionnement, mais aussi de la prise de décision entre les deux », explique-t-il. « C'est ce que nous intégrons physiquement, grâce à des boucles de rétroaction. »

Il compare cela aux systèmes biologiques. La rétroaction négative, comme notre régulation glycémique ou un thermostat, corrige les dépassements. La rétroaction positive amplifie le changement. La rétroaction non linéaire combine les deux, permettant des comportements contrôlés et rythmés, comme un pendule ou une démarche.

« De nombreux mouvements naturels, comme la marche ou la natation, reposent sur des mouvements périodiques et réguliers », assure-t-il. « Grâce à un retour d'information non linéaire et décalé dans le temps, nous pouvons concevoir des robots souples capables d'avancer, de reculer, puis de repartir, sans nécessiter de contrôle externe à chaque pas. »

Il s'agit d'une avancée majeure par rapport aux robots souples qui dépendent de stimuli externes pour fonctionner, comme l'ont souligné He et ses collègues dans une récente revue . En intégrant la détection, le contrôle et l'actionnement au matériau lui-même, des chercheurs comme He ouvrent la voie à des machines qui ne se contentent pas de réagir, mais décident, s'adaptent et agissent de manière autonome.

L'avenir est souple (et intelligent)

La robotique souple est un domaine naissant, mais très prometteur. Cecilia Laschi cite des outils chirurgicaux comme les endoscopes, capables d'examiner et de réagir simultanément aux tissus humains sensibles, ou des dispositifs de rééducation adaptables aux besoins du patient, comme des applications précoces et évidentes.

Ainsi, pour passer de l'IA à l'AGI, les machines pourraient avoir besoin de corps, plus précisément de corps souples et adaptables. La plupart des formes de vie sur Terre, y compris les humains, apprennent en bougeant, en touchant, en échouant et en s'adaptant. Nous savons comment gérer un monde imprévisible et chaotique, un défi que les IA d'aujourd'hui peinent encore à relever. Nous savons ce qu'est une pomme non pas parce que nous en avons lu la définition, mais parce que nous en avons tenu une, goûté une, l'avons laissée tomber, l'avons abîmée, coupée, pressée, l'avons vue pourrir.

Ce type de connaissances – tacites, sensorielles, contextuelles – est difficile à enseigner à un modèle qui ne voit que du texte ou des pixels. La connexion directe au monde réel et le retour d'information avec celui-ci contournent les limites du langage actuellement abordées par les masters de droit et offrent à l'IA le potentiel de construire une compréhension différente du monde. Une conception du monde selon son propre point de vue, non pas humain, mais différent. Si un robot souple était doté de différents types d'entrées sensorielles (vision infrarouge, ouïe basse fréquence, ou encore capacité à sentir le cancer ou d'autres maladies), il pourrait même développer une compréhension alternative (et potentiellement très utile) de la vie sur Terre.

« Si l'on veut développer une intelligence semblable à celle de l'homme chez une machine, celle-ci doit être capable d'acquérir ses propres expériences », a déclaré Giulio Sandini, professeur de bio-ingénierie à l'Université de Gênes, en Italie, à EMBO Reports. Il faut la laisser apprendre de l'expérience, comme le font les enfants. Et cela nécessite probablement un corps.