Le deep learning, ou apprentissage profond, est une méthode d’apprentissage automatique basée sur les réseaux de neurones. Contrairement aux autres formes d’intelligence artificielle qui suivent des instructions prédéfinies, les systèmes utilisant le deep learning sont capables d’apprendre de manière autonome. Ainsi, ils peuvent s’adapter et créer des comportements en fonction de leur environnement et des différentes situations qui se présentent à eux. Dans l’univers des jeux vidéo, on retrouvait déjà des formes d’intelligence artificielle depuis plusieurs décennies. Cependant, les exemples les plus frappants aujourd’hui concernent les IA basées sur le deep learning, représentant un grand pas en avant pour comprendre comment ces intelligences peuvent apprendre et évoluer par elles-mêmes.
L’expérience de Peter Whidden : 50 000 heures d’apprentissage avec Pokémon Rouge
Pour mieux saisir le fonctionnement du deep learning et étudier les comportements d’une intelligence artificielle, un créateur de contenu nommé Peter Whidden a mené une expérience avec un jeu culte : Pokémon Rouge. Il a ainsi entraîné une IA pendant 50 000 heures sur ce jeu, afin de voir comment elle réussirait à se débrouiller dans un monde inconnu et rempli de défis. L’IA créée par Whidden a commencé par explorer les environs, capturer des Pokémon et progresser dans le jeu au fil de ses actions. Elle est même parvenue à vaincre le premier champion d’arène du jeu, Brock, mais uniquement parce que sa dernière attaque disponible était Bulle, efficace contre les Pokémon de type Roche. Cependant, l’aventure s’est rapidement compliquée pour cette intelligence artificielle : elle s’est retrouvée bloquée à la Grotte Sombre, un lieu labyrinthique dont les chemins ressemblent trop les uns aux autres. L’IA n’a donc pas réussi à atteindre la deuxième arène située dans la ville d’Azuria.
Les forces et faiblesses de l’intelligence artificielle dans Pokémon Rouge
Bien qu’il soit aisé de souligner ce que l’IA fait de travers, il est également important de mettre en avant ses qualités. Par exemple, contrairement aux joueurs humains qui peuvent avoir du mal à percer les secrets de l’aléatoire des jeux, l’IA est parvenue à identifier une astuce pour optimiser ses chances de capture. Whidden a découvert que son IA empruntait systématiquement le même parcours étrange à la sortie de Bourg-Palette, le tout premier village du jeu. En réalité, cette route lui permettait d’assurer la capture du prochain Pokémon avec une seule Pokéball, économisant ainsi des ressources précieuses. Cette expérience menée par Peter Whidden nous montre à quel point il est difficile de transmettre des objectifs clairs à une intelligence artificielle basée sur le deep learning, même lorsque ces objectifs sont bien définis. De plus, elle met en lumière les limites inhérentes à ces intelligences : si elles peuvent apprendre et s’adapter à des situations variées, elles ne sont pas encore capables de rivaliser avec l’ingéniosité humaine pour résoudre certains problèmes complexes.
Vers une meilleure compréhension du deep learning
L’expérience de Peter Whidden avec Pokémon Rouge constitue un exemple intéressant pour comprendre le fonctionnement du deep learning et les défis auxquels sont confrontées les intelligences artificielles aujourd’hui. Si elles ont indéniablement parcouru beaucoup de chemin depuis les premiers exemples d’IA dans les jeux vidéo, il reste encore de nombreuses étapes à franchir avant que ces systèmes puissent véritablement égaler la réflexion et la créativité humaines. D’autres expériences similaires pourraient être menées dans divers contextes et domaines, afin de mieux cerner les capacités d’apprentissage et d’adaptation des IA basées sur le deep learning. Il est ainsi essentiel de poursuivre les recherches et les tests pour améliorer constamment ces intelligences artificielles et, peut-être un jour, réussir à créer des systèmes capables de dépasser les limites actuelles de l’apprentissage profond.
