AIRIS apprend dans Minecraft : l’ambition d’AGI de l’ASI Alliance mise à l’épreuve

En novembre 2024, l’ASI Alliance fait entrer son agent AIRIS dans l’univers de Minecraft. L’objectif affiché ne consiste pas seulement à faire parcourir un décor de jeu à une intelligence artificielle : il s’agit de l’observer face à un monde en trois dimensions, changeant et rempli d’obstacles, afin de voir si elle peut apprendre de ses propres interactions plutôt que suivre un itinéraire entièrement écrit à l’avance.

Le projet porte un nom à la fois technique et ambitieux : AIRIS, pour Autonomous Intelligent Reinforcement Inferred Symbolism. L’agent est présenté comme un système capable d’observer une situation, d’essayer une action, de constater ce qui fonctionne ou échoue, puis de faire évoluer ses règles internes. Dans Minecraft, cette logique doit lui permettre de se déplacer dans des terrains variés, d’éviter les difficultés rencontrées et de mieux planifier sa route à mesure qu’il explore.

L’expérience intéresse au-delà du jeu vidéo. Minecraft offre un environnement virtuel riche, mais encadré : ses objets, ses reliefs et ses règles peuvent être observés sans exposer des personnes ni du matériel réel aux erreurs d’un système encore en apprentissage. Pour l’ASI Alliance, ce terrain d’essai doit contribuer à sa recherche d’une intelligence artificielle générale, souvent désignée par l’acronyme anglais AGI.

AIRIS, un agent issu de l’écosystème de l’ASI Alliance

AIRIS est lancé par l’ASI Alliance, un consortium dont font notamment partie SingularityNET et Fetch.ai. Le projet combine plusieurs briques technologiques au sein de l’alliance. SingularityNET, dirigé par le chercheur en intelligence artificielle Dr Ben Goertzel, y associe une technologie d’agents intelligents développée par Fetch.ai ainsi qu’un système de mémorisation à long terme fourni par Ocean Data.

Cette association illustre un principe important dans la recherche sur les agents autonomes : un système qui agit dans un environnement a besoin de plus qu’un modèle produisant une réponse textuelle. Il doit aussi percevoir ce qui l’entoure, choisir une action, conserver la trace de ses expériences et modifier sa stratégie lorsque le résultat ne correspond pas à son objectif.

Dans la présentation d’AIRIS, l’accent est donc mis sur l’apprentissage en situation. Au lieu de s’appuyer exclusivement sur un ensemble de consignes figées ou sur de très grandes quantités de données préparées à l’avance, l’agent est censé tirer des règles de ses observations et les affiner au fil de ses tentatives. Cette capacité est particulièrement recherchée pour les tâches où toutes les situations possibles ne peuvent pas être prévues avant le déploiement.

Pourquoi tester une IA dans Minecraft ?

Minecraft est devenu un environnement de référence pour expérimenter l’apprentissage des agents, car il combine simplicité visuelle et diversité des situations. Le monde est constitué de blocs et obéit à des règles identifiables, mais il impose de prendre des décisions successives : se déplacer, contourner un obstacle, choisir un chemin, tenir compte du relief et réagir à un contexte qui évolue.

Pour AIRIS, le passage à Minecraft représente une migration depuis un réseau contrôlé en deux dimensions vers un monde en 3D. Ce changement paraît élémentaire pour un joueur, mais il augmente fortement le nombre de paramètres à gérer. L’agent ne doit plus seulement trouver une direction sur une surface abstraite. Il doit composer avec la hauteur, les ruptures de terrain, les zones encombrées et les conséquences de ses déplacements.

Une falaise, par exemple, n’est pas simplement un blocage sur une carte. Elle peut exiger de repérer le danger, de renoncer à la trajectoire la plus directe, de trouver un passage plus sûr et de retenir qu’une configuration similaire doit être évitée plus tard. Une forêt peut compliquer la lecture du terrain ou ralentir la progression. C’est précisément ce type de confrontation entre un objectif simple, avancer, et des contraintes multiples qui intéresse les concepteurs d’agents autonomes.

Comment AIRIS est censé apprendre de ses erreurs

Le terme « apprentissage » peut recouvrir des réalités très différentes en intelligence artificielle. Un système peut être entraîné à partir d’exemples déjà annotés, être ajusté grâce à des retours sur ses actions ou utiliser des règles explicites. Dans le cas d’AIRIS, l’ASI Alliance met en avant une approche fondée sur l’observation, l’expérimentation et le raffinement continu de règles déduites de l’expérience.

Concrètement, l’agent évalue ce qui l’entoure pour planifier son mouvement en temps réel. Il peut composer avec des obstacles, sauter des barrières et anticiper les effets de différents types de terrain. Lorsqu’une action se révèle peu pertinente, son principe de fonctionnement consiste à corriger progressivement les règles qui guident ses choix, afin de ne pas répéter les mêmes impasses.

Le mot « reinforcement » dans l’acronyme AIRIS renvoie à l’idée générale d’apprentissage par retour d’expérience. Dans cette famille de méthodes, l’agent cherche habituellement à favoriser les actions qui l’approchent d’un objectif et à délaisser celles qui conduisent à un mauvais résultat. La présentation d’AIRIS insiste toutefois sur un point supplémentaire : plutôt que de nécessiter un long réentraînement lorsqu’il rencontre une région inconnue, le système serait en mesure d’adapter immédiatement ses règles de navigation aux nouvelles conditions.

Cette affirmation est importante, car la généralisation reste l’une des difficultés centrales de l’apprentissage automatique. Un agent peut réussir dans un cadre très proche de ses données ou de ses expériences précédentes, puis échouer dès que l’environnement change légèrement. La capacité à reconnaître une situation nouvelle et à y transposer une connaissance antérieure est donc plus significative qu’une simple répétition d’un parcours connu.

Berick Cook, développeur en intelligence artificielle chez SingularityNET et créateur d’AIRIS, présente le projet comme une approche originale de problèmes d’apprentissage automatique. Il met également en avant la transparence et l’explicabilité du système. Ces deux notions sont essentielles : il ne suffit pas qu’un agent prenne une décision, il faut aussi pouvoir examiner les règles ou les éléments qui ont conduit à cette décision, en particulier lorsque l’on envisage des usages hors du jeu.

Ce que la démonstration permet de montrer, et ce qu’elle ne prouve pas

La démonstration dans Minecraft apporte un cadre concret à des promesses souvent très abstraites autour de l’AGI. Elle permet de regarder un agent confronté à des difficultés visibles : terrain escarpé, obstacles, choix d’itinéraire et zones nouvelles. Le lecteur peut ainsi saisir plus facilement la différence entre une IA qui répond à une demande ponctuelle et un agent qui doit enchaîner des décisions dans un environnement.

Elle ne permet pas, en revanche, d’établir qu’AIRIS possède une intelligence générale. L’AGI implique une aptitude très large à comprendre, apprendre et transférer ses compétences entre des problèmes de nature variée. Naviguer dans un monde virtuel, même en trois dimensions, reste une tâche définie par les règles de ce monde. Minecraft est riche, mais ses mécanismes demeurent contrôlés et ses conséquences sont sans commune mesure avec celles du monde physique.

Il n’y a par ailleurs, dans les éléments présentés au lancement, aucun chiffre de performance permettant de comparer AIRIS à d’autres agents : pas de taux de réussite, de distance parcourue, de nombre de situations résolues ni de protocole de test détaillé. L’intérêt du projet réside donc d’abord dans son approche et dans les capacités qu’il annonce, plutôt que dans un résultat mesuré et reproductible permettant d’établir une hiérarchie technique.

De la navigation à la coopération entre agents

L’ASI Alliance envisage d’élargir les interactions d’AIRIS avec son environnement. Après la navigation, les développements annoncés doivent viser la capacité à manipuler des objets, à construire des structures et à réaliser des activités de création adaptées au contexte. Ces tâches exigent une planification plus élaborée : il faut décomposer un objectif en étapes, tenir compte des ressources disponibles et vérifier que chaque action rapproche réellement du résultat attendu.

L’autre piste annoncée concerne les scénarios multi-agents. Plusieurs agents pourraient apprendre ensemble, échanger et coopérer pour atteindre un objectif partagé. Cette perspective soulève des questions concrètes : comment répartir les rôles, éviter que les agents se gênent, partager une information pertinente et adapter une stratégie lorsque l’un des participants échoue ?

Dans un jeu, cette coopération peut prendre la forme d’activités de construction ou d’exploration. Dans la recherche en IA, elle sert aussi de laboratoire pour étudier la coordination. Un système autonome réellement utile dans des contextes complexes devra souvent agir avec d’autres systèmes, et non évoluer seul dans un environnement parfaitement isolé.

Vers des applications réelles, avec des exigences bien plus élevées

L’ASI Alliance voit dans les apprentissages réalisés au sein de Minecraft une base possible pour des applications dans le monde réel, notamment les robots autonomes et les assistants domestiques intelligents. L’idée est intuitive : un robot qui doit se déplacer dans un logement ou assister une personne rencontre lui aussi des obstacles, des objets à manipuler et des situations inattendues.

Le passage du virtuel au réel représente néanmoins un changement considérable. Dans un jeu, l’environnement est régi par des règles numériques stables et les actions sont limitées à celles prévues par le programme. Dans un logement, un atelier ou un espace public, la perception est imparfaite, les objets sont fragiles, les personnes ont des comportements difficiles à prédire et une erreur peut avoir des conséquences matérielles ou humaines.

C’est là que l’explicabilité mise en avant pour AIRIS devient un enjeu pratique. Si un agent choisit un trajet, abandonne une action ou modifie son plan, les concepteurs doivent pouvoir comprendre pourquoi. Cette traçabilité est nécessaire pour corriger un comportement, évaluer la fiabilité du système et fixer des limites à son autonomie.

Ce qu’il faut surveiller

Le principal élément à suivre sera la publication d’évaluations plus précises. Pour juger les progrès d’AIRIS, il faudra connaître les tâches retenues, les conditions dans lesquelles elles sont réalisées, la fréquence des erreurs, la manière dont l’agent s’adapte à des mondes inconnus et la comparaison avec des méthodes existantes.

L’évolution vers la manipulation d’objets, la construction et les systèmes multi-agents permettra aussi de mesurer si les mécanismes présentés pour la navigation peuvent être transférés à des tâches plus riches. Enfin, les modalités d’accès au système restent à préciser : au moment du lancement, aucun détail n’est annoncé sur une disponibilité pour le grand public ou pour les développeurs.

AIRIS rappelle surtout qu’un monde de jeu peut servir de terrain d’expérimentation sérieux pour l’intelligence artificielle. Entre les promesses d’une AGI pratique et les contraintes d’un agent confronté à un environnement réel, il existe encore de nombreuses étapes techniques à franchir. Minecraft offre à l’ASI Alliance un espace pour les tester, de façon visible et contrôlée.