Les intelligences artificielles commencent à s’attaquer à des défis qui dépassent largement les simples questions-réponses. Dernier exemple en date : une IA baptisée Jev a réussi à terminer Pokémon Rouge en moins d’une semaine, là où plusieurs expériences menées avec de grands modèles de langage avaient montré beaucoup plus de difficultés à progresser de façon autonome.
Le résultat est intéressant, mais il faut bien comprendre ce qui distingue Jev d’un chatbot classique.
Il ne s’agit pas simplement d’un modèle de langage auquel on a demandé de jouer à Pokémon.
Jev n’est pas un chatbot classique
Jev est une IA conçue spécifiquement pour interagir avec un environnement de jeu. Son fonctionnement repose sur une boucle d’observation, de décision et d’action beaucoup plus directement adaptée à ce type de tâche qu’un assistant conversationnel généraliste.
Autrement dit, l’IA observe ce qui se passe à l’écran, choisit une action, vérifie le résultat puis ajuste son comportement.
Cette différence est essentielle.
Un grand modèle de langage peut raisonner sur une situation, mais il n’est pas forcément optimisé pour effectuer des milliers d’actions successives dans un jeu vidéo tout en gardant une stratégie cohérente sur plusieurs heures.
Pokémon Rouge reste un défi compliqué pour une IA
Sur le papier, Pokémon Rouge paraît pourtant relativement simple.
Le jeu date de 1996, ses graphismes sont rudimentaires et ses commandes se limitent à quelques boutons. Mais pour une IA, le défi est beaucoup plus complexe qu’il n’y paraît.
Il faut comprendre où aller, mémoriser les zones déjà visitées, gérer une équipe, sélectionner des attaques, acheter des objets, résoudre certains passages et reconnaître lorsqu’une stratégie ne fonctionne pas.
Le jeu ne fournit pas non plus une liste d’objectifs explicites à chaque instant.
Une IA peut donc très facilement tourner en rond ou perdre énormément de temps sur une action qui semblerait évidente pour un joueur humain.
Moins d’une semaine pour atteindre la fin du jeu
Selon les informations publiées autour de l’expérience, Jev a réussi à terminer Pokémon Rouge en moins d’une semaine de fonctionnement.
Le système a dû apprendre à se déplacer dans le monde du jeu, affronter les différents dresseurs et progresser jusqu’aux dernières étapes de l’aventure.
La performance ne repose toutefois pas uniquement sur une autonomie totale.
Lorsque Jev se retrouvait dans une situation particulièrement difficile ou bloquée, l’expérience pouvait utiliser Claude Opus 5 pour fournir une aide supplémentaire et lui permettre de retrouver une direction.
Ce détail change beaucoup la lecture du résultat.
Jev a effectué l’essentiel du parcours, mais il ne faut donc pas présenter l’expérience comme une IA totalement isolée ayant découvert seule toutes les règles de Pokémon Rouge.
Pourquoi les LLM ont beaucoup plus de mal avec ce genre de jeu
Les expériences utilisant directement des chatbots dans des jeux vidéo donnent souvent des résultats beaucoup plus chaotiques.
Un modèle de langage peut parfaitement expliquer comment battre une arène Pokémon ou quelle attaque utiliser face à un adversaire précis. En revanche, convertir cette connaissance en plusieurs milliers de décisions successives est une autre histoire.
Il faut conserver une mémoire de l’état du jeu, savoir quelles actions ont déjà été effectuées et réagir correctement lorsqu’un événement inattendu se produit.
Le moindre oubli peut entraîner une boucle.
Un agent spécialisé peut au contraire organiser son fonctionnement autour d’objectifs beaucoup plus courts : atteindre une porte, sélectionner une attaque, vérifier le résultat puis passer à la prochaine étape.
C’est précisément le type d’architecture qui semble mieux convenir aux jeux vidéo.
Pokémon devient un véritable terrain d’essai pour les IA
Pokémon est d’ailleurs devenu un environnement intéressant pour mesurer les progrès des agents autonomes.
Le jeu demande de la planification, de la mémoire, une certaine compréhension spatiale et une adaptation permanente, tout en restant suffisamment simple techniquement pour être exécuté rapidement.
C’est une combinaison idéale pour comparer différentes approches d’intelligence artificielle.
On retrouve ici une tendance plus large : les chercheurs et développeurs ne cherchent plus seulement à savoir si une IA peut répondre correctement à une question, mais si elle peut agir pendant plusieurs heures dans un environnement complexe sans perdre son objectif.
Une performance intéressante, mais pas encore une IA « joueuse » universelle
Jev montre qu’un agent spécialisé peut faire beaucoup mieux qu’un simple chatbot lorsqu’il s’agit d’interagir avec un jeu vidéo.
Cela ne signifie pas pour autant que le même système pourrait lancer demain n’importe quel jeu et comprendre seul son fonctionnement.
Pokémon Rouge possède un environnement relativement fermé, peu de commandes et des mécaniques répétitives.
Un jeu 3D moderne, avec caméra libre, physique, menus complexes et environnement beaucoup plus imprévisible, représente un défi d’une toute autre ampleur.
L’expérience reste néanmoins révélatrice.
La prochaine génération d’agents IA pourrait être beaucoup moins centrée sur la conversation et davantage capable de voir, décider et agir de manière continue dans des logiciels, des jeux ou des interfaces complexes.
Maxime Lefèvre suit l’actualité du gaming, des consoles et des nouvelles technologies. Il couvre notamment les univers PlayStation, Xbox, Nintendo et PC Gaming, ainsi que les grandes annonces qui façonnent l’industrie du jeu vidéo.
