Une nouvelle étude montre que les essaims d'IA mutants surpassent les modèles optimisés dans un monde en constante évolution

News provided by

Sep 03, 2026, 21:43 ET

Des chercheurs d'Allora Labs démontrent que le fait de faire évoluer délibérément des modèles d'IA individuels de manière défavorable par le biais de mutations génétiques améliore leurs performances collectives

NEW YORK, 4 septembre 2026 /PRNewswire/ -- Les systèmes d'IA actuels sont limités par leur incapacité à s'adapter lorsque l'environnement sur lequel ils ont été entraînés évolue. Un nouvel article rédigé par le directeur scientifique d'Allora Labs démontre mathématiquement que cette limite fondamentale peut être dépassée selon les mêmes principes évolutifs qui ont donné naissance à l'intelligence dans la nature. Les recherches montrent que l'introduction de mutations aléatoires délibérées au sein d'une population de modèles d'IA permet à celle-ci, collectivement, d'obtenir de meilleurs résultats que n'importe quel modèle optimisé pris isolément, à mesure que le monde qui l'entoure évolue. L'article, intitulé « Flawed in Nature, Perfect through Evolution » (Imparfaits par nature, parfaits grâce à l'évolution), est publié dans la revue Allora Decentralized Intelligence.

Flawed-in-Nature mechanism. Drift: the environment shifts, and the model trained on old data sits in the wrong place. Limit: a single model’s error accumulates over shifts, producing a hard performance ceiling. Mutation: on average, a mutated copy is expected to be worse than the original, but the best of many sits closer to the new optimum. Synthesis: weight concentrates on the best model; the swarm’s collective output reflects that winner. Individuals lose, but the collective wins.

« Tout modèle d'IA, aussi bien entraîné soit-il, cumule les erreurs dès que le monde sur lequel il a été entraîné change », explique le Dr Diederik Kruijssen, directeur scientifique chez Allora Labs et auteur de l'article. « Il s'agit là d'un plafond inévitable imposé par la théorie de l'information. Nous démontrons qu'une population de modèles délibérément diversifiés parvient à briser ce plafond, comme l'on fait les espèces biologiques qui ont survécu aux modifications de l'environnement. Elle présente des variations préexistantes, dont certaines sont parfaitement adaptées au monde d'après le changement. »

Cette idée fondamentale s'inspire directement de la biologie évolutive. Dans la nature, les espèces préservent la variation génétique grâce aux mutations. La plupart des mutations sont néfastes pour l'organisme individuel, mais la population en tire profit, car certaines variantes s'avèrent bien adaptées aux nouvelles conditions lorsque l'environnement change. Cette étude montre que le même principe s'applique aux populations de modèles d'IA : chaque modèle muté est individuellement moins performant, mais le meilleur modèle de l'essaim muté surpasse le meilleur modèle d'un essaim optimisé dans environ 80 % des cas lorsque les conditions changent.

« L'idée selon laquelle l'imperfection individuelle permet l'adaptation collective est bien établie dans la théorie de l'évolution, mais le fait de la voir formalisée avec des garanties mathématiques pour des systèmes artificiels constitue une avancée majeure. Ces travaux ouvrent une nouvelle perspective pour réfléchir à la robustesse de l'IA dans des conditions évolutives. »
— Professeur Steven Longmore, Liverpool John Moores University, Conservation de la biodiversité grâce à l'IA

Les quatre théorèmes mathématiques présentés dans cet article démontrent, point par point, qu'aucun modèle pris isolément ne peut briser ce plafond de performance, mais qu'une population de modèles mutés y parvient. Des expériences numériques valident ces quatre théorèmes, le résultat combiné de l'essaim muté surpassant celui de l'essaim d'origine avec un niveau de signification statistique élevé.

Cet avantage atteint son maximum lorsque le rythme de mutation des modèles correspond approximativement au rythme d'évolution de l'environnement : une « zone Boucles d'or » qui reflète la dynamique évolutive. La plage de fonctionnement optimale est large : autour du pic, la plage de valeurs est multipliée par cent environ, et la pénalité liée à une mutation trop lente est modérée, tandis qu'une mutation trop rapide entraîne une forte baisse des performances. Ce comportement ouvre la voie à des applications pratiques.

Nick Emmons, PDG d'Allora Labs, commente ainsi ces travaux : « Au fur et à mesure du déploiement des systèmes d'IA sur les marchés financiers, dans le secteur de la santé, dans le domaine des véhicules autonomes et dans d'autres environnements en constante évolution, la principale cause d'échec est leur incapacité à s'adapter à des conditions changeantes. La plupart des recherches en IA visent à rendre les modèles individuels plus puissants et plus rapides. Nous pensons que le principal intérêt réside dans la manière dont les populations de modèles interagissent et évoluent, et ces travaux démontrent qu'il s'agit de la bonne approche. »

« Les qualités que l'on associe à l'intelligence, telles que l'originalité, la capacité d'adaptation et la créativité, nécessitent toutes la capacité de savoir s'adapter à une situation inédite », explique le Dr Kruijssen. « Les modèles d'IA actuels en sont incapables. Ils reproduisent ce qu'ils ont appris, mais ne s'adaptent pas face à l'inconnu. Une population de modèles évolutifs le peut. C'est ce que démontre ce travail, et ce que fait l'évolution depuis des milliards d'années. »

Cet article présente plusieurs pistes de recherche futures, notamment l'application du principe « Flawed-in-Nature » (Imparfaits dans la nature) aux grands modèles de langage par le biais de méthodes d'affinage, son extension aux réseaux d'IA décentralisés, ainsi que le développement d'un algorithme de régulation permettant d'ajuster automatiquement l'intensité des mutations sans nécessairement savoir dans quelle mesure l'environnement évolue. « Un résultat comme celui-ci ouvre la voie à de nombreuses pistes de recherche », ajoute le Dr Kruijssen. « Notre équipe a déjà mis au point le contrôleur qui permet de mettre ce principe en pratique, et les travaux sur plusieurs applications concrètes ont également commencé. »

À propos d'Allora Labs

Allora Labs est le principal contributeur au développement d'Allora Network, réseau décentralisé d'inférence IA qui s'appuie sur une communauté mondiale de modèles d'apprentissage automatique pour générer en temps réel des prévisions extrêmement précises et adaptées au contexte. Fondée par Nick Emmons, son PDG, Allora Labs mène des recherches dans les domaines de l'intelligence en essaim, de la coordination des modèles et de la synthèse des inférences. L'entreprise a noué des partenariats avec des organisations telles qu'AWS, Alibaba Cloud, Saudi Telecom et Pairpoint de Vodafone et a levé des fonds auprès d'investisseurs tels que Polychain, Framework, Blockchain Capital et CoinFund. Pour en savoir plus, rendez-vous sur alloralabs.xyz et sur allora.network.

À propos d'Allora Decentralized Intelligence

Allora Decentralized Intelligence (ADI) est une revue scientifique qui publie des travaux de recherche sur les innovations dans les domaines de l'intelligence artificielle décentralisée, de la coordination des modèles et de l'intelligence en essaim. ADI a été fondée et est dirigée par le Dr Diederik Kruijssen, directeur scientifique chez Allora Labs. Chercheur en IA et en apprentissage automatique et astrophysicien, il possède 20 ans d'expérience dans la modélisation quantitative de pointe dans les domaines de la recherche, de la technologie, de la finance et du Web3, et est l'auteur de plus de 300 publications évaluées par des pairs.

Détails de l'article