Allie, le bot d’échecs qui apprend des humains plutôt que de viser le coup parfait

Les programmes d’échecs sont depuis longtemps capables de battre l’immense majorité des humains. Pourtant, jouer contre eux n’aide pas forcément à apprendre. Pour un débutant, un coup très fort peut sembler arbitraire, une erreur volontaire du bot peut paraître absurde et une position perdue peut continuer inutilement pendant des dizaines de coups. Avec Allie, une équipe de l’université Carnegie Mellon propose une autre idée : entraîner une intelligence artificielle à jouer davantage comme les personnes qui pratiquent réellement le jeu.

Le projet, conçu par le doctorant Yiming Zhang, repose sur l’analyse de 91 millions de parties publiées sur Lichess, une plateforme d’échecs en ligne. Son ambition n’est donc pas simplement de calculer le coup le plus performant dans l’absolu. Il s’agit aussi d’observer les décisions prises par des joueurs humains, leurs stratégies selon leur niveau et leur façon d’aborder les moments critiques d’une partie.

Pourquoi les bots d’échecs classiques frustrent souvent les débutants

Les moteurs d’échecs traditionnels sont principalement conçus pour maximiser leurs chances de gagner. Ils évaluent une très grande quantité de variantes, attribuent une valeur aux positions et cherchent la suite la plus favorable. Cette logique a produit des adversaires d’une force remarquable. Elle ne garantit pas, en revanche, une expérience pédagogique ou naturelle pour une personne qui découvre le jeu.

Yiming Zhang explique être arrivé aux échecs sans y avoir grandi. Son intérêt a été éveillé par la série The Queen’s Gambit. Après avoir appris les règles, il se situait alors parmi les 10 à 20 % de joueurs les moins performants en ligne. Cette expérience a mis en évidence un problème très concret : face à certains bots, les coups peuvent sembler bizarres ou impossibles à interpréter, précisément au moment où le joueur cherche à comprendre les principes du jeu.

Un adversaire utile à l’entraînement ne doit pas nécessairement être le plus fort possible. Il doit aussi proposer des parties cohérentes avec le niveau de la personne en face, faire des choix que celle-ci peut analyser et éviter de transformer chaque échange en démonstration incompréhensible de puissance de calcul. C’est cette distance entre performance brute et qualité de l’interaction qu’Allie tente de réduire.

91 millions de parties pour apprendre les habitudes des joueurs

L’entraînement d’Allie s’appuie sur 91 millions de transcriptions de parties provenant de Lichess. Chaque partie constitue une trace de décisions successives : une position sur l’échiquier, un coup choisi, une réponse de l’adversaire, puis l’évolution de la partie. À grande échelle, cet ensemble permet d’étudier les régularités du jeu humain, plutôt que de se limiter à une recherche abstraite du coup optimal.

L’approche est proche, dans son principe, des techniques utilisées par les modèles de langage modernes. Un modèle de langage apprend des régularités à partir de suites de mots afin de prédire la suite la plus plausible d’un texte. Dans le cas d’Allie, la matière étudiée est une suite de positions et de coups. Le système apprend ainsi quels choix des joueurs humains ont tendance à effectuer dans certains contextes de jeu.

Cette quantité de données ne transforme pas automatiquement un modèle en professeur idéal. Elle donne toutefois accès à une diversité de styles, de niveaux et de situations qu’un programme réglé manuellement ne pourrait pas facilement reproduire. L’enjeu consiste à apprendre non seulement ce qui peut être joué, mais aussi ce que les humains jouent effectivement.

Comment Allie cherche à rendre une partie plus naturelle

Allie est conçu pour s’adapter à différents niveaux d’expertise, des débutants aux joueurs plus avancés. Cette promesse est importante : un même coup peut être raisonnable, excellent ou totalement opaque selon le niveau auquel on l’évalue. Un bot utile pour l’apprentissage doit pouvoir rester stimulant sans devenir écrasant.

Le projet accorde aussi de l’importance aux positions critiques, celles où plusieurs plans sont possibles et où une décision modifie fortement le cours de la partie. Plutôt que de ne poursuivre qu’un objectif de victoire, Allie vise à s’appuyer sur les nuances présentes dans les comportements humains observés pendant son entraînement.

Un détail illustre cette différence de philosophie : Allie abandonne lorsque la partie est jugée définitivement perdue. De nombreux systèmes poursuivent au contraire la partie même lorsque l’issue ne laisse plus de doute. Pour un joueur humain, l’abandon est une convention courante qui reconnaît une position sans espoir et évite de prolonger artificiellement la rencontre.

Un bot humain ne veut pas dire un bot infaillible

L’expression « jouer comme un humain » peut prêter à confusion. Elle ne signifie pas qu’Allie reproduit fidèlement le raisonnement intérieur d’un joueur, ni qu’il explique spontanément chacune de ses décisions. Le modèle produit des coups à partir de régularités apprises dans un vaste corpus de parties. Son comportement peut être plus familier pour un humain, sans être identique à celui d’un adversaire réel dans toutes les situations.

Cette différence est aussi ce qui rend l’approche intéressante. Un moteur qui vise systématiquement la meilleure suite théorique est particulièrement adapté à l’analyse de haut niveau et à la compétition. Un système qui imite davantage les décisions humaines peut être mieux placé pour créer une opposition progressive, réaliste et, potentiellement, plus utile à la pratique.

Il faut également garder à l’esprit que les données humaines contiennent des qualités autant que des erreurs. C’est précisément leur intérêt pour un bot destiné à la pratique : apprendre à jouer de façon crédible ne revient pas toujours à jouer de façon parfaite. Mais cela impose d’évaluer soigneusement la manière dont le système se comporte face à des joueurs de profils différents.

Près de 10 000 parties jouées sur Lichess

Au moment de la présentation d’Allie, le bot avait déjà joué près de 10 000 parties sur Lichess. Ce chiffre donne une première indication de l’intérêt suscité par l’expérience et fournit aux chercheurs des occasions d’observer des interactions réelles entre des humains et une IA qui essaie d’adopter un comportement plus proche du leur.

Pour Daphne Ippolito, conseillère de Yiming Zhang et professeure assistante au Language Technologies Institute de Carnegie Mellon, l’enjeu dépasse les échecs. Alors que les progrès de l’IA sont souvent mesurés à l’aune de systèmes surhumains, l’équipe s’intéresse aux possibilités ouvertes par des modèles entraînés à agir davantage comme les humains.

Les échecs forment un terrain d’expérimentation particulièrement clair. Les règles sont stables, chaque action est enregistrée et l’on peut comparer les styles de jeu sur un grand nombre de parties. Les retours de joueurs ne suffisent pas, à eux seuls, à prouver qu’un bot est meilleur pour apprendre. Ils permettent en revanche de poser une question utile : les personnes trouvent-elles l’interaction plus compréhensible, plus engageante ou plus proche d’une partie contre un partenaire humain ?

Une recherche qui regarde au-delà de l’échiquier

Daphne Ippolito évoque des domaines comme la thérapie, l’éducation et la médecine parmi les secteurs où des systèmes mieux alignés sur les comportements humains pourraient un jour compter. Il ne s’agit pas de dire qu’Allie est prêt à être transposé dans ces usages sensibles. Les contraintes y sont évidemment beaucoup plus fortes que dans un jeu : fiabilité, sécurité, responsabilité, confidentialité et supervision humaine sont essentielles.

L’idée de recherche est néanmoins compréhensible. Dans de nombreuses interactions, une IA uniquement optimisée pour atteindre un résultat peut se révéler difficile à suivre ou peu adaptée à la situation de son interlocuteur. Apprendre les conventions, les stratégies et les limites des comportements humains pourrait aider à concevoir des outils plus coopératifs.

Daniel Fried, professeur assistant impliqué dans le projet, souligne l’intérêt de combiner les méthodes classiques de recherche en intelligence artificielle avec la modélisation des comportements humains. Des résultats préliminaires dans des jeux complexes, comme Diplomacy, suggèrent que cette direction peut s’appliquer à d’autres environnements stratégiques. Dans ce type de jeu, la réussite ne dépend pas seulement du calcul, mais aussi de l’anticipation des décisions prises par d’autres participants.

Pourquoi le choix de l’open source compte

L’équipe a choisi de publier Allie sous une forme entièrement open source. Cette décision permet à d’autres chercheurs et développeurs d’étudier le fonctionnement du projet, de construire à partir de ses méthodes et de chercher à les améliorer. Dans la recherche en IA, cette ouverture facilite la reproduction des résultats, la comparaison des approches et l’identification d’éventuelles limites.

Pour la communauté des échecs, l’intérêt peut être double. Des développeurs peuvent tester de nouvelles façons de créer des partenaires d’entraînement. Des chercheurs peuvent également s’intéresser à la question plus large de la personnalisation : un bot doit-il imiter la moyenne des joueurs, s’adapter à une catégorie de niveau ou apprendre progressivement les habitudes d’une personne précise ?

Allie a été présenté à la conférence ICLR 2025, organisée à Singapour. Cette conférence internationale consacrée aux représentations de l’apprentissage est l’un des rendez-vous importants de la recherche en apprentissage automatique. La présence du projet dans ce cadre montre que les échecs restent un laboratoire précieux pour examiner les liens entre apprentissage statistique, prise de décision et interactions entre humains et machines.

Ce qu’il faut surveiller

La suite du projet dépendra moins de la seule force d’Allie que de la qualité de son évaluation. Plusieurs questions seront déterminantes : le bot se comporte-t-il de manière convaincante à tous les niveaux annoncés ? Ses coups aident-ils réellement les débutants à progresser ? Peut-il proposer une opposition intéressante sans reproduire des comportements frustrants ou incohérents ?

Il faudra aussi distinguer deux objectifs qui ne se recouvrent pas totalement. Le premier consiste à imiter avec crédibilité les choix humains. Le second consiste à améliorer l’apprentissage de la personne qui joue. Un adversaire réaliste n’est pas forcément un bon enseignant, et un bon enseignant ne doit pas nécessairement imiter toutes les erreurs humaines.

Allie a le mérite de remettre cette nuance au centre du débat. Dans un domaine où l’IA sait déjà dépasser les humains, le défi n’est pas toujours de calculer davantage. Il peut aussi consister à interagir mieux, à un niveau adapté et selon des règles que les joueurs comprennent.