Tsinghua propose une IA qui déduit des règles, à la manière de Newton

Une IA qui se contente de décrire ce qu’elle voit n’a pas compris le monde. Elle l’a recopié. Selon le média chinois QbitAI, l’équipe de Yao Qizhi et Yuan Yang, à l’université Tsinghua, propose une autre voie : un « modèle du monde algébrique » qui cherche les règles cachées d’un environnement, puis les prouve. Reste à savoir si les résultats décrits soutiennent la promesse de « penser comme Newton ».

Décrire un monde ou en trouver les lois

Ce qui est en jeu : savoir si un assistant IA comprend la tâche qu’on lui confie, ou s’il imite ce qu’il a déjà vu. La différence se voit quand la situation sort de l’ordinaire.

Un « modèle du monde » est une représentation interne de la façon dont un environnement fonctionne. Un enfant qui a poussé dix fois une balle sait ce qui se passera à la onzième. Il a bâti dans sa tête un petit modèle du monde.

QbitAI illustre l’enjeu avec une histoire d’astronomie. Tycho Brahe, le maître de Kepler, a noté une masse de positions de planètes avec une précision remarquable. C’est Kepler qui a tiré de ces données les trois lois du mouvement des planètes. Les notes de Tycho décrivent. Les lois de Kepler expliquent.

Selon l’article, les modèles actuels ressemblent trop à Tycho. Ils produisent des règles qui collent aux phénomènes observés, sans saisir ce qui fait tourner le monde en question.

Le test : un jeu sans mode d’emploi

Les chercheurs s’appuient sur ARC-AGI-3, un ensemble de jeux où l’on ne donne ni règles ni objectif. Le joueur, humain ou IA, doit tout découvrir en essayant. QbitAI précise que les grands modèles s’y comparent aujourd’hui. Il cite « GPT Astra », associé à un cadre appelé Provider Adapter, avec un score de 99,9 %.

Le problème, d’après l’article, tient à ce que ce score cache. Les règles que ce modèle écrit sont des notes de Tycho, pas des lois de Kepler. Pour le montrer, l’équipe a modifié un jeu nommé sc25 : le nombre de coups autorisés est devenu trop faible pour gagner. Le niveau est donc impossible.

Selon QbitAI, Astra a essayé pendant huit tours, puis a conclu que 18 coups ne suffisaient pas et qu’il en faudrait « au moins 22 ». Sur 12 tests du même genre, GPT-6 Astra et Claude Opus 5.5 réunis n’ont reconnu l’impossibilité que cinq fois. Dans quatre de ces cinq cas, le nombre minimal de coups annoncé était faux.

En clair : face à un problème sans issue, ces modèles insistent ou se trompent, et ils le font avec aplomb. Dans un outil qui exécute des tâches réelles, un « c’est impossible » faux ou mal justifié peut coûter cher. C’est l’argument de l’article.

Comment fonctionne le « monde algébrique »

La méthode transforme les objets du jeu, leurs relations et leurs règles en un « monde algébrique », que le modèle de langage peut ensuite manipuler avec ses compétences en mathématiques. Elle suit trois étapes, d’après QbitAI :

• Explorer. L’IA joue quelques coups et écrit ce qu’elle observe sous forme de code Python exécutable. Ce sont ses premières hypothèses.
• Condenser. De nouvelles observations servent à tester ces hypothèses, à les corriger, puis à les résumer en objets et règles plus généraux.
• Prouver. Les règles sont traduites en Lean 4, un langage où un ordinateur vérifie lui-même qu’un raisonnement est rigoureux. Une affirmation n’est retenue que si la machine la valide.

Pour l’étape de condensation, les auteurs s’inspirent de la théorie des catégories, une branche des mathématiques que l’article décrit comme « les mathématiques des mathématiques », car elle étudie les structures communes à plusieurs théories. Deux outils servent ici, selon la source :

• La projection (« limite projective »). On assemble des concepts existants et leurs liens pour en définir un nouveau, en décomposant et en recombinant.
• L’induction (« limite inductive »). On repère ce que des objets différents ont en commun et on les range dans un cadre plus abstrait, en généralisant et en spécialisant.

En alternant les deux, des hypothèses Python d’abord éparses deviennent plus courtes, plus claires et plus cohérentes. Elles forment alors un modèle sur lequel on peut raisonner et que l’on peut prouver. Le parallèle avec Newton vient de là : face à des observations en vrac, il a dégagé quelques notions centrales, la force et la masse, et en a fait une théorie qu’on peut déduire et tester.

Ce que disent les résultats, et ce qu’ils ne disent pas

Sur le niveau sc25 truqué, le modèle algébrique fondé sur Opus 5.5 aurait établi en deux essais que le niveau est impossible avec le nombre de coups donné. Il aurait aussi indiqué qu’un seul coup de plus suffit pour gagner. C’est précisément le type de réponse que l’article réclame : « impossible, mais voici de combien la condition doit changer ».

Plus largement, QbitAI rapporte que la méthode, avec Opus 5, réussit les 183 niveaux d’ARC-AGI-3, pour un score de 99,9 %. Elle y emploie en moyenne 43 % des actions d’un humain de référence, donc moins de la moitié.

Plusieurs points méritent pourtant de la prudence :

• Les chiffres viennent d’un seul article. QbitAI mentionne un site de projet et un article scientifique, mais rien ici ne permet d’affirmer qu’un tiers indépendant a reproduit ces résultats.
• Des scores identiques déroutent. Le modèle de comparaison et la nouvelle méthode affichent tous deux 99,9 %. Comment l’un peut-il réussir les 183 niveaux et l’autre garder le même score, tout en se trompant sur l’impossible ? Le texte n’explique pas la différence de mesure.
• Les noms de modèles varient. La source parle d’Opus 5.5 puis d’Opus 5, de « GPT Astra » puis de « GPT-6 Astra ». Il vaudrait mieux vérifier dans le papier lequel est réellement testé.
• Le test porte sur des jeux, pas sur la physique. L’article ouvre sur une question : une IA qui n’aurait appris que ce que Newton savait pourrait-elle retrouver la gravitation ? Il explique que les données d’entraînement sont souvent « contaminées », ce qui rend l’expérience difficile. Les résultats cités concernent des niveaux de jeu, pas la redécouverte d’une loi de la nature.

Les auteurs reconnaissent eux-mêmes une limite, selon QbitAI. Les preuves valent pour le monde que le modèle a observé. Si l’exploration est incomplète et qu’une règle clé manque, le modèle décrit une « vérité locale » et non le monde entier. Newton, lui, devait vérifier ses lois sur d’autres corps que ceux qu’il avait sous les yeux.

Ce que cela pourrait changer au travail

La source ne promet pas d’application précise et il faut s’en tenir là. La piste est néanmoins claire : des assistants qui ne se contentent plus de produire une réponse plausible, mais qui l’accompagnent d’une justification qu’une machine peut contrôler. Pour une tâche avec des règles strictes, un tel outil saurait dire « impossible, et voici pourquoi » au lieu de s’entêter.

À ce stade, la méthode concerne des environnements de jeu bien délimités. Reste à voir si elle tient devant des tâches où les règles sont floues, changeantes ou en partie cachées. Pour juger de la portée réelle de ce « modèle du monde algébrique », on peut lire l’article scientifique et surveiller les reproductions indépendantes : un résultat vaut surtout quand quelqu’un d’autre le retrouve.

Sources

• 清华姚期智团队新作：代数世界模型，让AI像牛顿一样思考 – 量子位