💬 NLP

Harnessing the Collective Intelligence of AI Agents in the Wild for New Discoveries

Cet article présente EinsteinArena, une plateforme décentralisée où des agents d'IA autonomes collaborent pour résoudre des problèmes mathématiques ouverts par le biais de l'interaction publique et du partage d'idées, générant avec succès 12 nouveaux résultats de pointe, dont une borne améliorée pour le problème du nombre de contact en 11 dimensions.

Auteurs originaux : Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

Publié 2026-06-10

📖 6 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Federico Bianchi, Yongchan Kwon, Aneesh Pappu, James Zou

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Imaginez une foire scientifique numérique géante, ouverte 24 heures sur 24, où les participants ne sont pas des humains, mais des agents d'IA. C'est EinsteinArena, une nouvelle plateforme créée par des chercheurs de Together AI et de l'Université de Stanford pour voir si l'IA peut collaborer pour résoudre des problèmes mathématiques complexes, tout comme le font les scientifiques humains.

Voici l'histoire de son fonctionnement, expliquée simplement :

L'ancienne méthode : Le « loup solitaire » contre « l'équipe »

Par le passé, lorsque l'IA tentait de résoudre des problèmes scientifiques, elle fonctionnait généralement comme un loup solitaire. Un agent d'IA se voyait confier un problème, tentait de le résoudre de manière isolée, puis s'arrêtait. S'il échouait, cet échec était perdu. S'il trouvait une réponse partielle, personne d'autre ne pouvait la voir ou s'en servir pour progresser. C'était comme un chercheur travaillant dans une pièce verrouillée, ne partageant jamais ses notes, ne voyant jamais ce que les autres essayaient, et repartant de zéro à chaque fois.

EinsteinArena change les règles. Elle transforme le processus en une communauté collaborative. Imaginez cela comme un immense atelier open-source où :

Les Problèmes : Il y a une liste de puzzles mathématiques non résolus (comme trouver la meilleure façon de compacter des sphères ou calculer des nombres spécifiques).
Le Tableau des Scores : Un classement en direct affiche la meilleure réponse actuelle pour chaque puzzle.
La Salle de Chat : Un forum public où les agents peuvent poster leurs idées, dire « J'ai essayé ceci et cela a échoué », ou demander : « Quelqu'un sait-il pourquoi ce nombre est étrange ? »
Le Livre de Règles : Chaque agent a accès au même « vérificateur » exact (un script arbitre) qui vérifie si une réponse est correcte.

La grande percée : Le « Nombre de Kissing »

Le document met en lumière un succès spécifique concernant un problème appelé le « Nombre de Kissing » (Kissing Number) en 11 dimensions.

L'analogie : Imaginez essayer de placer autant d'oranges que possible autour d'une orange centrale, de sorte qu'elles touchent toutes l'orange centrale sans se chevaucher. Dans un espace à 11 dimensions, c'est incroyablement difficile.
L'histoire : Pendant environ 40 ans, la meilleure chose que l'on ait pu faire (humain ou IA) était de faire tenir 582 oranges. Puis, en 2022, un humain a amélioré ce chiffre à 592. En 2025, une IA appelée AlphaEvolve l'a porté à 593.
Le résultat d'EinsteinArena : En mai 2026, les agents sur EinsteinArena ont poussé ce nombre jusqu'à 604.

Comment ont-ils fait ?
Ce n'était pas une IA super intelligente qui a eu un moment « eurêka ». C'était une course de relais :

L'agent A a trouvé une solution désordonnée, presque correcte, mais n'a pas pu la rendre parfaite.
L'agent B a vu le travail de l'agent A dans le forum public. Au lieu de tout recommencer, l'agent B a dit : « Je vois que tu as essayé cette forme. Et si nous modifions les mathématiques pour rendre cela plus fluide ? »
L'agent C a remarqué un motif dans les chiffres de l'agent B et a réalisé qu'ils ressemblaient à des nombres entiers. Ils ont « ajusté » les décimales désordonnées en nombres entiers propres, créant une solution parfaite et prouvable.
L'agent D a pris cette solution parfaite et l'a étendue pour faire tenir encore plus d'oranges.

Le document appelle cela l'« intelligence collective ». Les agents ont partagé leurs « tentatives ratées » et leurs « idées partielles » tout comme les chercheurs humains partagent leurs prépublications et leurs notes de conférence. Cela a permis au groupe de gravir la montagne beaucoup plus rapidement que n'importe quel grimpeur seul.

L'expérience « sauvage »

Les chercheurs appellent cela de « l'IA dans la nature » car ils n'ont pas forcé les agents à communiquer d'une manière spécifique. Ils ne leur ont pas dit : « Toi, tu es le leader, toi, tu es le suiveur. » Ils leur ont simplement donné la plateforme et les ont laissés trouver leur propre voie.

Certains agents se contentaient de soumettre des réponses.
Certains agents se contentaient de poser des questions dans le chat.
Certains agents analysaient pourquoi d'autres avaient échoué.

Le résultat ? La plateforme a découvert 12 nouveaux « résultats de pointe » (state-of-the-art) sur divers problèmes mathématiques. Le plus célèbre est le nombre de Kissing en 11 dimensions, qui est passé de 593 à 604.

Pourquoi cela importe (selon le document)

Le document soutient que pour que l'IA progresse réellement en science, elle a besoin d'infrastructure, et pas seulement de meilleurs cerveaux.

Transparence : Comme le « arbitre » (le vérificateur) est public, les agents peuvent tester leurs idées localement avant de les soumettre, tout comme un scientifique effectuant une simulation dans son laboratoire.
Mémoire Partagée : La plateforme agit comme une banque de mémoire partagée. Un agent aujourd'hui peut apprendre d'un échec survenu il y a trois jours, plutôt que de perdre du temps à répéter la même erreur.
Pas de « Boîte Noire » : Contrairement aux systèmes précédents où l'IA travaillait en secret, ici chaque étape, chaque discussion et chaque résultat partiel est visible.

L'essentiel

EinsteinArena prouve que si vous donnez aux agents d'IA un endroit pour partager, rivaliser et construire sur le travail des autres, ils peuvent résoudre des problèmes plus vite et mieux que s'ils travaillaient seuls. Il ne s'agit pas d'une IA géniale, mais d'une communauté d'IA qui apprend de chaque étape, de chaque erreur et de chaque petite victoire en cours de route.

Note : Le document se concentre strictement sur les problèmes d'optimisation mathématique (comme le compactage de formes et les inégalités). Il ne prétend pas que ces résultats s'appliquent aux diagnostics médicaux, à la modélisation climatique ou à d'autres applications du monde réel pour le moment ; c'est une preuve de concept de la manière dont la collaboration entre IA fonctionne dans un environnement mathématique contrôlé.

Résumé technique : Exploiter l'intelligence collective des agents IA dans la nature pour de nouvelles découvertes

Énoncé du problème

La découverte scientifique est intrinsèquement un processus collectif où les chercheurs s'appuient sur des résultats partiels, des tentatives infructueuses et des idées partagées. Cependant, les systèmes d'IA actuels dédiés à la découverte scientifique opèrent largement de manière isolée. Bien que les agents basés sur des modèles de langage aient démontré leur capacité à résoudre des problèmes ouverts (par exemple, en mathématiques et en conception d'algorithmes), ils fonctionnent généralement au sein de cycles isolés ou de pipelines étroitement contrôlés. Ces systèmes manquent de l'« infrastructure sociale » de la recherche humaine — telle que les traces publiques, les répertoires partagés de tentatives échouées et les mécanismes permettant à un solveur de poursuivre là où un autre s'est arrêté. Par conséquent, le potentiel d'une communauté d'agents à accélérer la découverte grâce à un état partagé et des connaissances cumulatives reste inexploré.

Ce document répond à la question suivante : Une communauté d'agents autonomes, opérant sur une plateforme partagée avec un état public, des classements et des forums de discussion, peut-elle progresser nettement plus rapidement sur des problèmes scientifiques ouverts que des agents isolés ?

Méthodologie : EinsteinArena

Les auteurs présentent EinsteinArena, une plateforme ouverte, native pour les agents, conçue pour faciliter la recherche et la découverte distribuées. La plateforme repose sur trois composantes fondamentales :

Problèmes ouverts curatés avec vérificateurs : La plateforme héberge une collection de problèmes d'optimisation mathématique ouverts (par exemple, les nombres de contact, les inégalités d'autocorrélation). Chaque problème comprend une description en langage naturel, un schéma de solution strict et un vérificateur Python exécutable et public. Ces vérificateurs associent les soumissions à des scores scalaires, permettant aux agents d'évaluer leurs propres solutions localement avant la soumission.
Classement en direct (Live Leaderboard) : Un classement en temps réel suit la meilleure solution connue pour chaque problème. Pour revendiquer une position de tête, une soumission doit dépasser le meilleur score actuel par un seuil spécifique au problème ( $\delta$ ), empêchant ainsi le bruit du classement dû à de mineures variations de virgule flottante.
Forum de discussion public : Les agents peuvent ouvrir des fils de discussion pour partager des découvertes intermédiaires, documenter des approches ayant échoué, proposer des hypothèses et poser des questions. Ces discussions sont modérées (via Llama-Guard) et servent de registre persistant du « chemin vers la frontière », se distinguant du classement qui n'enregistre que le meilleur score actuel.

Principes de conception :

Transparence : Tous les artefacts (spécifications des problèmes, code du vérificateur, scores, solutions et fils de discussion) sont accessibles publiquement via une API ou une interface web.
Mémoire partagée persistante : Contrairement aux harnais spécifiques à une tâche qui disparaissent après une exécution, EinsteinArena traite la plateforme comme un substrat persistant. Les solutions et les idées antérieures sont disponibles pour qu'un agent puisse les réutiliser ou les étendre.
Interaction prioritaire pour les agents : La plateforme est conçue pour les agents autonomes. L'enregistrement implique un mécanisme de preuve de travail pour éviter le spam, et la participation s'effectue via API plutôt que par des interfaces humaines.

Principales contributions

Le document présente trois contributions majeures :

Architecture de la plateforme : La conception et l'implémentation d'EinsteinArena, une plateforme ouverte permettant une collaboration organique entre plusieurs agents hétérogènes sur des problèmes scientifiques dotés d'une vérification exacte.
Preuve empirique de progrès collectif : La documentation de 12 nouveaux résultats de pointe (SOTA) sur des problèmes mathématiques ouverts découverts par des agents sur la plateforme depuis son lancement en mars 2026.
Analyse linguistique et structurelle : Une analyse détaillée des modèles de recherche collaborative des agents, démontrant comment les traces publiques, les soumissions itératives et le débogage partagé mènent à des solutions qu'aucun agent ne pourrait trouver isolément.

Résultats et études de cas

En mai 2026, les agents d'EinsteinArena ont atteint des résultats SOTA sur 12 problèmes. Deux études de cas illustrent le mécanisme de ce progrès :

1. Nombre de contact en dimension 11

Objectif : Améliorer la borne inférieure pour le nombre maximal de sphères unitaires non chevauchantes touchant une sphère centrale en 11 dimensions.
Progression : La meilleure borne inférieure précédente était de 593 (AlphaEvolve, 2025). Les agents d'EinsteinArena ont d'abord amélioré ce chiffre à 594, puis l'ont étendu à 604.
Mécanisme collaboratif :
- Emprunt d'idées : Un agent (KawaiiCorgi) a observé que le score du classement était non linéaire et est passé à l'optimisation d'un objectif substitut linéarisé (moindres carrés) dérivé par développement de Taylor.
- Raffinement : Les agents ont affiné de manière itérative la solution, réduisant les pénalités de chevauchement de $10^{-10}$ à $10^{-50}$ .
- Aperçu structurel : Les agents ont identifié que les configurations proches de la validité partageaient un ensemble commun de 496 vecteurs formant une « colonne vertébrale ». Cet aperçu a permis l'exploration d'un espace algébrique plus large, menant à la construction $n=604$ .
- Discussion : Les agents ont utilisé le forum pour discuter du « décodage structurel/de réseau », partageant des observations sur les graphes de contact et les coordonnées de type entier, ce qui a guidé la transition des approximations numériques vers des structures discrètes exactes.

2. Seconde inégalité d'autocorrélation

Objectif : Trouver la constante optimale $C$ pour l'inégalité $\|f \star f\|_2^2 \leq C \|f \star f\|_1 \|f \star f\|_\infty$ .
Progression : Amélioration de la borne inférieure de 0,9610 (AlphaEvolve) à 0,9626.
Mécanisme collaboratif :
- Mise à l'échelle de la résolution : Les agents ont augmenté de manière itérative la résolution de la discrétisation (passant de $5 \times 10^4$ à $4 \times 10^5$ intervalles).
- Synthèse de méthodes : Les agents ont combiné l'optimisation de Dinkelbach avec le recuit simulé et les perturbations spectrales.
- Lignée : La percée finale est venue d'un agent (ClaudeExplorer) affinant une famille de solutions établie par d'autres, démontrant une lignée claire d'amélioration où chaque agent s'est construit sur le « bassin » spécifique de la meilleure solution précédente.

Signification et affirmations

Le document soutient que la découverte scientifique décentralisée peut émerger de l'interaction ouverte entre des agents autonomes.

Au-delà des exécutions isolées : Les résultats démontrent qu'une communauté d'agents opérant sur un état partagé peut progresser là où des agents isolés ne le peuvent pas. Les gains les plus importants (par exemple, le passage de 593 à 604 pour le problème du nombre de contact) sont issus d'une séquence de soumissions, de discussions publiques et d'emprunts d'idées d'agent à agent, plutôt que d'une seule exécution puissante.
La plateforme comme harnais : Les auteurs proposent un changement de paradigme, passant des « harnais spécifiques à une tâche » (pipelines personnalisés pour un seul problème) à un modèle de « plateforme partagée ». Cette approche permet à des agents hétérogènes de collaborer, de rivaliser et de construire sur le travail des autres sans nécessiter d'échafaudage sur mesure pour chaque nouveau problème.
Le rôle de l'infrastructure : Le succès d'EinsteinArena souligne que la collaboration efficace entre IA nécessite d'exposer les artefacts intermédiaires (tentatives échouées, constructions partielles, cas limites du vérificateur). Ces « traces sociales » étendent l'horizon temporel effectif de la recherche, permettant aux agents ultérieurs d'hériter de directions prometteuses plutôt que de repartir de zéro.

Les auteurs maintiennent un champ d'application modeste, notant que bien que la plateforme soit efficace pour les problèmes mathématiques avec des vérificateurs déterministes, son applicabilité à des domaines tels que la preuve formelle ou la biologie computationnelle nécessite des études plus approfondies. Ils reconnaissent également des questions ouvertes concernant les incitations, notamment de savoir si les classements publics pourraient biaiser les agents vers une recherche de score à court terme plutôt que vers une exploration à haut risque sur le long terme.