Une étude récente dirigée par Michael Timothy Bennett de l'Université nationale australienne révèle que les systèmes biologiques sont plus efficaces que les modèles d'intelligence artificielle (IA) actuels. Publiée dans le Journal of The Royal Society Interface, la recherche remet en question si les systèmes biologiques possèdent une intelligence intrinsèque supérieure à celle de l'IA contemporaine.
L'étude définit l'intelligence comme la capacité à s'adapter efficacement, en utilisant des ressources minimales pour identifier des causes et des effets dans des environnements complexes. Les systèmes biologiques excellent dans leur capacité à s'adapter avec beaucoup moins de données et d'énergie que l'IA.
Bennett souligne qu'un organoïde — une petite collection de cellules cultivées en laboratoire — surpasse les systèmes d'apprentissage par renforcement dans le jeu vidéo classique Pong. Bien qu'il ait été conçu dans des conditions imposées par l'homme, l'adaptabilité de l'organoïde illustre l'efficacité biologique.
En revanche, les algorithmes d'apprentissage automatique actuels nécessitent d'énormes quantités de données et d'énergie pour accomplir des tâches facilement gérées par des humains et d'autres organismes avec peu d'expérience. Cette disparité soulève des questions sur l'architecture fondamentale des deux systèmes.
Une caractéristique clé des systèmes biologiques est leur architecture compétitive multiscalaire (MCA), où l'adaptation se produit à tous les niveaux, des cellules aux écosystèmes. Chaque cellule agit comme un agent autonome avec sa propre 'politique' d'interaction, formant des organes qui contribuent à l'identité fonctionnelle de l'organisme.
Cette décentralisation permet aux systèmes biologiques de s'adapter plus efficacement que les systèmes informatiques conventionnels, qui s'appuient souvent sur une prise de décision centralisée. Bennett illustre cela par une analogie avec des drones : si un drone leader est endommagé dans un essaim hiérarchique, la structure s'effondre. Cependant, dans un essaim décentralisé, chaque drone peut s'adapter et maintenir la cohérence du groupe.
L'étude souligne également les limites des systèmes d'IA actuels, qui dépendent de couches d'abstraction statiques qui restreignent l'adaptabilité. Une fois qu'une architecture est conçue, elle reste fixe, ce qui entrave les réponses aux nouvelles circonstances.
Les systèmes biologiques peuvent ajuster leur 'fenêtre' d'interaction avec l'environnement, redéfinissant les règles à des niveaux d'abstraction inférieurs pour faciliter l'adaptation à des niveaux supérieurs. Ce mécanisme d'optimisation dynamique contribue à leur efficacité supérieure.
Bien que les systèmes biologiques ne soient pas parfaits, comme le montre le cancer, où les cellules perdent leur connexion à l'identité de l'organisme et poursuivent des objectifs individuels, l'étude note que des restrictions excessives peuvent conduire à une fragmentation et à des échecs systémiques similaires à ceux du cancer biologique.
Les principes de délégation et d'adaptabilité mis en évidence dans cette recherche pourraient informer la conception de systèmes cyber-physiques, tels que du matériel spécialisé pour un apprentissage plus efficace. Bennett avertit que des systèmes d'IA rigoureusement réglementés pourraient faire face à des échecs similaires si les restrictions empêchent l'adaptation.
L'étude fait référence au programme 'Safeguarded AI' du Royaume-Uni, qui vise à développer des systèmes d'IA générale sûrs et adaptatifs. Bennett met en garde que l'imposition de trop de restrictions pourrait conduire aux échecs mêmes que les réglementations cherchent à éviter.
En conclusion, l'intelligence des systèmes biologiques est intimement liée à leur capacité de délégation et d'adaptation à différents niveaux d'abstraction. Ce modèle organisationnel offre des perspectives précieuses pour créer des systèmes artificiels plus robustes et efficaces, posant les bases de recherches futures qui pourraient transformer notre compréhension et le développement de systèmes intelligents.