Un cadre d’IA dote les agents virtuels d’états internes

Un agent d’IA dans un monde virtuel en trois dimensions voit, perçoit les odeurs, ressent la température et détecte les collisions, tandis que quatre variables internes évoluent en arrière-plan : satiété, hydratation, température corporelle et dommages. Des chercheurs dirigés par Woo Choong-Wan, de l’Institut des sciences fondamentales et de l’université Sungkyunkwan, ont conçu ce banc d’essai de survie pour étudier une nouvelle approche appelée IA intéroceptive, qui donne à ces états internes un rôle dans l’apprentissage et la prise de décision.

L’idée part d’un écart bien connu entre la biologie et l’IA conventionnelle. Les organismes vivants ajustent leurs priorités en fonction de ce qui se passe dans leur corps ; un signal externe peut avoir une signification différente pour un animal affamé et pour un animal rassasié. La plupart des agents d’IA poursuivent au contraire des objectifs définis de l’extérieur. Les robots peuvent déjà détecter une batterie faible, un moteur en surchauffe ou un composant endommagé, mais ils réagissent généralement au moyen de règles prédéfinies. L’IA intéroceptive considère les conditions internes comme un contexte permanent, et pas seulement comme des défaillances ou des éléments de récompense.

Les chercheurs ont formalisé mathématiquement la manière dont les états internes et externes peuvent rester distincts tout en s’influençant mutuellement. Dans EVAAA — Essential Variables in Autonomous and Adaptive Agents — les agents doivent maintenir leurs quatre variables internes dans des plages viables tout en se déplaçant parmi des ressources, des obstacles, des prédateurs, des températures variables et des cycles jour-nuit. Des environnements de test distincts introduisent des conditions absentes de l’entraînement, faisant de l’adaptation à des situations inhabituelles un élément de l’évaluation.

Le cadre met également en place des décisions qui rappellent les expériences sur le comportement animal. Un agent peut devoir choisir entre des ressources concurrentes en fonction de ses besoins actuels, ou mettre en balance l’avantage d’en obtenir une et le risque de subir des dommages physiques. Les chercheurs avancent que les états internes pourraient aussi moduler les taux d’apprentissage, la sensibilité aux informations et l’équilibre entre l’exploration de nouvelles options et l’exploitation de celles qui sont connues, tout en aidant les agents à apprendre sans effacer leurs connaissances antérieures.

Concrètement, le changement immédiat concerne les chercheurs en IA et en robotique : ils disposent d’un banc d’essai virtuel pour vérifier si un agent peut conserver une référence interne stable d’un environnement à l’autre. Le travail est publié dans Nature Machine Intelligence et présente un cadre proposé ainsi qu’un banc d’essai virtuel.