La science et l'ingénierie se sont longtemps appuyées sur un rythme humain simple : essayer quelque chose, voir si cela fonctionne, apprendre de l'erreur, et réessayer. Pendant des décennies, ce cycle a été le moteur de la découverte, là où un chercheur construit un prototype, le teste, et utilise les résultats pour affiner la version suivante. Mais à mesure que les ordinateurs sont devenus assez puissants pour écrire leur propre code et mener leurs propres expériences, une nouvelle question a émergé. Une machine peut-elle apprendre de ses propres échecs de la même manière qu'un humain ? Le défi n'est pas seulement que la machine obtienne un résultat, mais qu'elle comprenne pourquoi elle a obtenu ce résultat. Lorsqu'un ordinateur tente mille variations d'une conception, il produit souvent une montagne de données qui lui disent ce qui s'est passé, mais pas quel changement spécifique a fait la différence. Sans cette clarté, la machine est contrainte de réapprendre les mêmes leçons encore et encore, gaspillant temps et énergie sur des chemins qui ne mènent nulle part.

C'est le problème que une équipe de chercheurs de Sapient Intelligence s'est donné pour mission de résoudre. Ils ont construit un système appelé PRAXIST, conçu non seulement pour trouver des solutions, mais pour construire un historique clair et auditable de la manière dont ces solutions ont été découvertes. Au lieu de traiter chaque tentative comme un nouveau départ, PRAXIST traite la recherche comme une conversation continue. Il prend les résultats d'une expérience, les décompose en leçons spécifiques — ce qui a fonctionné, ce qui a échoué et ce qui n'était qu'un coup de chance — et enregistre ces leçons comme un registre permanent. Lorsque le système commence son prochain cycle d'expériences, il ne regarde pas seulement le meilleur score du passé ; il examine les mécanismes spécifiques qui ont permis d'obtenir ce score. Il demande : « Cette partie de la conception a-t-elle réellement causé l'amélioration, ou était-ce autre chose ? » En répondant à cette question, le système peut conserver uniquement les parties utiles de son historique, construisant des solutions plus solides et plus fiables avec beaucoup moins d'efforts qu'auparavant.

Les chercheurs ont testé cette approche sur un ensemble massif de soixante-quinze défis différents d'ingénierie de l'apprentissage automatique, allant de l'identification de maladies dans des images médicales à la prédiction des tendances du marché boursier. Ils ont comparé leur système à un puissant assistant de codage IA standard fonctionnant sur l'un des modèles de langage les plus avancés disponibles. Les résultats étaient frappants. L'assistant standard a réussi à obtenir une médaille sur environ soixante-treize pour cent des tâches, mais il a dépensé près de trente-huit mille dollars en coûts de calcul pour y parvenir. Le système PRAXIST, utilisant un modèle sous-jacent différent et une manière bien plus intelligente d'organiser son travail, a obtenu des médailles sur quatre-vingts pour cent des tâches, tout en dépensant seulement environ trois mille dollars. En d'autres termes, le nouveau système a trouvé de meilleures solutions pour environ un douzième du coût.

Mais la véritable innovation ne réside pas seulement dans les économies, mais dans la méthode. Les chercheurs ont observé que la plupart des systèmes automatisés traitent leur historique comme une simple liste de scores, ne conservant que le chiffre le plus élevé et écartant le reste. PRAXIST, cependant, traite l'histoire comme un arbre généalogique. Chaque fois que le système construit un nouveau logiciel ou un nouveau mécanisme de contrôle, il enregistre les choix de conception spécifiques qui ont mené au succès ou à l'échec. Si un changement particulier dans un algorithme d'atterrissage de fusée a provoqué le crash du véhicule, cet échec est enregistré non pas comme une impasse, mais comme une leçon précieuse qui indique aux tentatives futures ce qu'il faut éviter. Si un ajustement spécifique d'une stratégie de trading a amélioré les profits, ce succès est marqué de la raison exacte de sa réussite, afin que le système sache utiliser ce même ajustement dans un contexte différent. Ce processus permet au système d'hériter de « preuves typées », ce qui signifie qu'il sait exactement quelles parties d'une solution sont prouvées efficaces et lesquelles ne sont encore que des suppositions.

Pour voir comment cela fonctionne dans le monde réel, l'équipe a appliqué PRAXIST à quatre problèmes d'ingénierie complexes et ouverts qui n'avaient pas de réponse unique correcte. Dans un cas, ils ont demandé au système de concevoir un contrôleur pour une fusée réutilisable devant atterrir verticalement. Le point de départ était un contrôleur qui ne réussissait que quatre pour cent du temps. Un optimiseur automatisé standard a tenté des centaines de variations et a réussi à améliorer le taux de réussite à dix-sept pour cent, mais il n'a pas pu faire atterrir la fusée en toute sécurité à chaque fois. PRAXIST, cependant, a pris un chemin différent. Il n'a pas seulement essayé des changements aléatoires ; il a construit une lignée d'améliorations. Il a d'abord ajouté un régulateur pour gérer le carburant, puis un guide pour gérer la transition entre les phases de vol, et enfin un outil mathématique spécifique pour équilibrer les forces sur les ailerons de la fusée. À la fin de la campagne, le système avait produit un contrôleur capable de faire atterrir la fusée avec succès lors de chaque essai, soit un score parfait de cent pour cent. Crucialement, le système a enregistré l'intégralité du voyage, montrant exactement comment chaque petite amélioration a conduit au succès final.

Dans une autre expérience, le système s'est attaqué au problème du trading autonome. L'objectif était de créer une stratégie capable d'acheter et de vendre des actions pour maximiser les profits au fil du temps. La stratégie de base, qui achetait simplement une quantité égale de chaque action disponible, atteignait un taux de croissance annuel de vingt-trois pour cent. PRAXIST a découvert une stratégie plus complexe et adaptative qui apprenait des modèles de marché et ajustait son comportement en fonction des coûts d'exécution. Cette nouvelle stratégie a atteint un taux de croissance de cinquante-trois pour cent, soit plus du double de la stratégie de base. Le système n'a pas seulement trouvé une combinaison chanceuse ; il a retracé la découverte jusqu'à des changements spécifiques, tels que la manière dont la stratégie gérait le risque et la manière dont elle gérait le calendrier de ses transactions. Les chercheurs pouvaient observer la « lignée » du système et voir le moment exact où la stratégie a appris à éviter un piège courant qui nuisait à sa performance.

Le système a également prouvé sa valeur dans le domaine de la robotique et de la physique. Dans un test impliquant un robot utilisant des caméras et des lasers pour naviguer, le système standard gaspillait une énorme quantité de puissance de calcul en mettant constamment à jour sa carte avec des informations redondantes. PRAXIST a réalisé que le robot n'avait pas besoin de regarder chaque image vidéo ; il avait seulement besoin de regarder quand l'information nouvelle était réellement utile. En apprenant au robot à sauter les mises à jour inutiles, le système a réduit le temps de traitement visuel de soixante-douze pour cent sans perdre en précision de navigation. De même, dans une simulation de contrôle d'un réacteur de fusion nucléaire, le système a conçu un contrôleur qui maintenait le plasma instable stable pendant des périodes plus longues que les contrôleurs conçus par des humains, même si la physique impliquée est notoirement difficile à prédire.

Ce qui rend ces résultats si significatifs, c'est la transparence qu'ils procurent. Dans la recherche automatisée traditionnelle, lorsqu'un système trouve une solution, celle-ci est souvent une « boîte noire ». On sait qu'elle fonctionne, mais on ne sait pas pourquoi, et on ne peut pas facilement dire si le succès se maintiendra dans une situation légèrement différente. PRAXIST change cela en attachant un récit détaillé à chaque résultat. Il enregistre la « lignée » de la solution, une chaîne de preuves montrant quels mécanismes ont été testés, lesquels ont été validés et lesquels ont été écartés. Cela signifie que les scientifiques humains peuvent examiner le travail du système, comprendre la logique sous-jacente et même prendre les meilleures parties pour construire quelque chose de nouveau. Cela transforme l'ordinateur, passant d'un outil qui produit simplement des réponses en un collaborateur qui documente son raisonnement.

Les chercheurs soulignent que cette approche ne vise pas à remplacer les scientifiques humains, mais à leur donner un instrument plus puissant. En gérant le travail fastidieux de test de milliers de variations et d'organisation des leçons apprises, le système libère les humains pour qu'ils puissent se concentrer sur la vision globale. La capacité d'hériter des connaissances à travers les générations d'expériences signifie que le système n'a pas à repartir de zéro chaque fois qu'il est confronté à un nouveau problème. Il peut porter avec lui la sagesse de ses échecs et de ses succès passés, construisant un fondement de connaissances fiables qui se renforce à chaque tentative. Ce passage d'une simple recherche du meilleur score à une compréhension profonde des preuves derrière le score représente un changement fondamental dans notre approche des défis d'ingénierie complexes.

En fin de compte, l'histoire de PRAXIST est celle du pouvoir de la mémoire chez les machines. Pendant longtemps, les ordinateurs ont été excellents pour le calcul mais médiocres pour apprendre de leur propre histoire de manière structurée. Ce système démontre que lorsque vous donnez à une machine la capacité d'enregistrer non seulement ce qui s'est passé, mais pourquoi cela s'est passé, elle peut résoudre des problèmes qui étaient auparavant hors de portée. Elle y parvient non pas en étant plus intelligente au sens général, mais en étant plus méticuleuse quant à ce qu'elle mémorise et à la façon dont elle utilise cette mémoire. Le résultat est un système qui est non seulement plus efficace et plus rentable, mais aussi plus digne de confiance, car chaque solution qu'il propose s'accompagne d'un compte rendu clair et inspectable de la manière dont elle a été atteinte. C'est l'avenir de la recherche autonome : non pas une machine qui devine son chemin vers une solution, mais une machine qui construit un héritage de preuves, une expérience à la fois.