Une nouvelle étude menée par l'Artificial Intelligence Lab de la VUB et l'Université de Namur (UNamur) révèle que des systèmes d'IA autonomes peuvent développer spontanément un langage fonctionnel et partagé. Contrairement aux grands modèles linguistiques humains, ces agents IA construisent leur propre système de communication, directement lié aux données de leurs capteurs spécifiques et à leur environnement. Cette avancée est significative pour la communication entre systèmes autonomes comme les voitures autonomes, les robots et les capteurs industriels.
Les modèles linguistiques d'IA actuels se concentrent sur les langues humaines, basées sur nos perceptions sensorielles. Cependant, lorsque les agents d'IA utilisent des capteurs sans équivalent humain direct (lidar, sonar, infrarouge, analyse chimique), le langage humain devient insuffisant. Jérôme Botoko Ekila, doctorant à l'AI Lab de la VUB, explique : « Au lieu de contraindre les systèmes d’IA à communiquer dans une langue humaine qui ne correspond pas à leurs capteurs, nous leur permettons de faire développer leur propre « langue naturelle artificielle ». » Ces langages créent des concepts efficaces correspondant à leurs perceptions, même si elles sont incompréhensibles pour les humains.
Le langage constitue une solution idéale lorsque les capteurs de différentes machines ne sont pas calibrés de manière identique. Paul Van Eecke, professeur d'intelligence artificielle à la VUB, précise : « Le langage constitue une couche d’abstraction au-dessus des valeurs des capteurs, et c’est précisément ce que nous laissons désormais ces agents d’IA construire de manière autonome. »
Plutôt que des mots préprogrammés, les chercheurs ont fourni aux agents les mécanismes d'évolution du langage humain : invention locale de mots, adaptation de prototypes conceptuels et retour d'information. Katrien Beuls, professeure à l'UNamur, souligne : « Ce qui est fascinant, c’est qu’il n’y a pas d’ordinateur central qui impose les règles. [...] C’est uniquement grâce à ces interactions et mises à jour individuelles qu’une convention commune émerge spontanément au sein de toute la population. » Ce principe d'auto-organisation permet au langage de s'optimiser automatiquement, créant le nombre de catégories nécessaires sans détails superflus.
La méthode a été testée sur 37 ensembles de données variés, permettant aux agents de développer leur propre vocabulaire pour communiquer sur des analyses physico-chimiques du vin, des données de la NASA sur les exoplanètes, ou des images d'oiseaux et de visages. Dans tous les cas, les agents ont regroupé efficacement les données en nouveaux concepts communs.
Ces systèmes linguistiques évolutifs sont transparents et robustes. Contrairement aux modèles « boîte noire », la signification d'un mot créé par les agents peut être déterminée précisément. De plus, le langage s'adapte automatiquement aux changements d'environnement, aux perturbations des données ou aux différences entre agents grâce à une interaction continue.
Cette recherche, publiée dans les Transactions of the Association for Computational Linguistics, est une collaboration entre la Vrije Universiteit Brussel (VUB) et la Faculté d'informatique de l'Université de Namur (UNamur), financée par le FWO et le FNRS.
