Les deux versions sont alignées bloc par bloc, dans l’ordre du texte : titre, l’essentiel, puis paragraphe par paragraphe. Quand la traduction a fusionné ou scindé un paragraphe, la case correspondante reste vide — on ne rapproche jamais deux passages au jugé.
An AI agent in a three-dimensional virtual world sees, smells, senses temperature and detects collisions while four internal variables move in the background: satiation, hydration, body temperature and damage. Researchers led by Woo Choong-Wan at the Institute for Basic Science and Sungkyunkwan University built this survival testbed to study a new approach called interoceptive AI, which gives those internal states a role in learning and decision-making.
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.
The idea starts with a familiar gap between biology and conventional AI. Living organisms adjust priorities according to what is happening inside their bodies; an external cue can mean something different to a hungry animal than to a satiated one. Most AI agents instead pursue objectives defined from outside. Robots may already detect a low battery, an overheating motor or a damaged component, but usually respond through predefined rules. Interoceptive AI treats internal conditions as continuing context, not only as faults or reward inputs.
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.
The researchers mathematically formalized how internal and external states can remain separate while influencing one another. In EVAAA—Essential Variables in Autonomous and Adaptive Agents—agents must keep their four internal variables within viable ranges while navigating resources, obstacles, predators, changing temperatures and day-night cycles. Separate test environments introduce conditions absent from training, making adaptation to unfamiliar situations part of the evaluation.
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.
The framework also sets up decisions that resemble animal-behavior experiments. An agent may have to choose between competing resources according to its current needs, or weigh the benefit of obtaining one against the risk of physical damage. The researchers suggest that internal states could also tune learning rates, sensitivity to information and the balance between exploring new options and exploiting known ones, while helping agents learn without overwriting earlier knowledge.
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.
Concretely, the immediate change is for AI and robotics researchers: they get a virtual benchmark for testing whether an agent can carry a stable internal reference from one environment to another. The work is published in Nature Machine Intelligence and presents a proposed framework and a virtual benchmark.
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.