Une IA capable d’apprendre et d’exécuter des tâches uniquement à partir d’instructions écrites, et de transmettre ensuite ces connaissances à une autre IA sœur, qui devient ainsi capable de réaliser la même tâche sans mobiliser un jeu de données important pour son entraînement. C’est le résultat vertigineux qu’ont présenté le mois dernier, dans la revue Nature, deux chercheurs de l’université de Genève.
Pour cela, Reinar Riveland et Alexandre Pouget un petit réseau neuronal, de quelques milliers de “neurones”, entraîné sur une cinquantaine de tâches sensorimotrices. Ils l’ont relié à un réseau bien plus important, de 300 millions de neurones, qui héberge un modèle de traitement du langage naturel (NLP) pré-existant, S-Bert.
IA, ma soeur IA
Ce système composite a réussi de nouvelles tâches “zero-shot” – des problèmes qu’il n’avait jamais rencontrés auparavant –, uniquement sur la base d’instructions verbales, avec une précision de 83%. Inversement, il a su générer une description en langage naturel d’une tâche sensorimotrice après l’avoir apprise, en se basant uniquement sur le feedback reçu lors de l’exécution de la tâche.
Cela implique qu’un des deux modèles d’IA a été capable d’absorber des instructions, d’exécuter les tâches décrites, puis de converser avec son IA ‘soeur’ pour relayer le processus en termes linguistiques, permettant la réplication. La capacité de généralisation (c’est-à-dire d’appliquer ce qui a été appris dans un certain contexte à de nouvelles situations) était soutenue par des similitudes dans la manière dont le modèle traitait les instructions langagières et l’activité sensorimotrice (les actions).
Ce développement ouvre des possibilités sans précédent dans l’IA, notamment dans l’interaction homme-IA et dans la robotique. Contrairement aux humains, les systèmes d’IA nécessitent un entraînement approfondi sur des tâches spécifiques, en s’appuyant sur de grands ensembles de données et un apprentissage par renforcement itératif. La capacité pour une IA de saisir intuitivement une tâche à partir d’une instruction minimale puis d’articuler sa compréhension est restée insaisissable jusqu’à présent.
De l’animal … à l’homme … au robot
Historiquement, les systèmes d’IA ont excellé dans le traitement de grandes quantités de données et l’exécution de calculs complexes. Cependant, ils ont constamment échoué dans des tâches intuitives pour les humains, comme l’apprentissage d’une nouvelle tâche à partir d’instructions simples et l’articulation de ce processus pour que d’autres puissent le reproduire. La capacité de comprendre mais aussi de communiquer des instructions complexes est un témoignage des fonctions cognitives avancées qui restaient jusqu’à présent une caractéristique distincte de l’intelligence humaine.
Les animaux, pour apprendre une nouvelle tâche, dépendent principalement du renforcement positif (récompense) ou négatif (punition). En revanche, les êtres humains peuvent apprendre rapidement de nouvelles tâches grâce à un jeu d’instructions verbales ou écrites. La capacité d’utiliser une connaissance langagière pour apprendre ou décrire une nouvelle tâche fonde la puissance unique de la communication verbale humaine.
Jusqu’à présent. “Rien n’empêche désormais de développer des réseaux [neuronaux] intégrés à des robots humanoïdes capables de nous comprendre mais aussi de se comprendre entre eux” expliquent les auteurs de l’étude. Sans aller aussi loin, on imagine facilement des agents intelligents échanger des informations et apprendre les uns des autres.
Pour en savoir plus :
- Riveland R., Pouget A., Natural language instructions induce compositional generalization in networks of neurons, Nature, 2024
- Université de Genève
- Live Science
- Unite.ai
Source archive Kessel : https://qant.kessel.media/posts/pst_f2072c0f2edb4ebe95c8bfeca708c434
