IA auto-découvre ses architectures : 105 modèles inédits
Une IA a mené 1 773 expériences seule et découvert 105 architectures inédites. Découvrez comment l'auto-recherche surpasse les modèles conçus à la main.
Imaginez un laboratoire qui ne dort jamais. Pas de pauses café, pas de réunions interminables, pas de notes de frais. Juste une boucle : chercher, tester, analyser, ajuster, recommencer. C’est exactement ce que vient de démontrer un système d’intelligence artificielle capable de mener sa propre recherche en architectures de réseaux de neurones.
Le papier s’appelle Neural Architecture Discovery via Autonomous Evolution , signé par Weixian Xu et six coauteurs, et accepté à COLM 2026. Le nom du système : ASI-Arch. Sa mission : faire de la recherche en IA… avec de l’IA.
Ce que fait vraiment ASI-Arch
Le principe est simple à énoncer et vertigineux à exécuter. ASI-Arch fonctionne en boucle fermée sur quatre temps : il formule une hypothèse, lance une expérience, analyse les résultats, puis met à jour sa stratégie. Ensuite, il recommence. Encore et encore, sans supervision humaine directe.
Appliqué à un domaine précis — l’attention linéaire, une brique fondamentale des modèles de langage — le système a enchaîné 1 773 expériences itératives . De cette marathon, 105 architectures dites « state-of-the-art » ont émergé. Sa meilleure trouvaille dépasse DeltaNet d’un gain presque trois fois supérieur à celui obtenu par Mamba2, pourtant référence du domaine.
Pourquoi cette autonomie change la donne
Jusqu’ici, l’idée d’une IA qui fait de la recherche sur l’IA restait largement théorique. On savait les agents capables de tâches courtes et bien cadrées. On ignorait s’ils pouvaient tenir un cap sur des projets longs, complexes, où chaque erreur coûte du temps de calcul et où la bonne intuition ne se trouve qu’après des dizaines d’échecs.
Le test de l’horizon long
ASI-Arch répond à cette question par l’affirmative. Il ne se contente pas de générer du code : il explore un espace de conception immense, garde ce qui marche, jette le reste, et construit sa compréhension au fil des cycles. C’est une forme de persévérance algorithmique.
Une recherche qui s’explique
Point notable : les auteurs ne se sont pas arrêtés au score final. Ils ont analysé quelle partie du système contribue réellement aux gains. Autrement dit, ils ont cherché à comprendre pourquoi ça marche, pas seulement combien ça rapporte. Une démarche scientifique, pas juste un concours de benchmarks.
Les limites à garder en tête
Ne vous emballez pas trop vite. Le système a été testé sur un domaine spécifique, l’attention linéaire, avec des métriques claires et un espace de recherche balisé. Transposer cette autonomie à des problèmes flous, mal définis ou sans fonction de score évidente reste une autre paire de manches.
- La qualité des résultats dépend fortement de la fonction d’évaluation choisie.
- Le coût en calcul de milliers d’expériences n’est pas neutre.
- Un domaine bien délimité aide énormément l’agent à progresser.
Cela dit, la démonstration reste forte. Elle montre qu’un agent peut, dans les bonnes conditions, produire des résultats qui tiennent la comparaison avec des mois de travail humain.
Ce que ça dit de la suite
Si une IA peut concevoir de meilleures architectures pour les IA, la frontière entre « outil » et « chercheur » se brouille. On pourrait bientôt voir des agents explorer des pistes que personne n’aurait eu le temps de tester, ou combiner des idées issues de sous-domaines que les humains ne croisent jamais.
Ce n’est pas une menace, c’est une extension. Vous n’êtes plus limité par le nombre d’heures dans une journée de chercheur. Vous êtes limité par votre capacité à poser les bonnes questions et à juger ce qui compte.
Pourquoi c’est important
Parce que la recherche en IA pourrait bientôt accélérer grâce à l’IA elle-même. Si les agents autonomes deviennent de vrais partenaires de laboratoire, le rythme des découvertes change d’échelle. Pour vous, cela signifie des modèles plus performants, plus vite, et une pression nouvelle : apprendre à collaborer avec des systèmes qui ne se contentent plus d’exécuter.
Conclusion
ASI-Arch n’est pas un gadget. C’est une preuve de concept sérieuse : une IA peut mener une recherche complète, de l’hypothèse à la validation, et sortir des architectures que les humains n’avaient pas trouvées. La question n’est plus « est-ce possible ? » mais « jusqu’où ça peut aller ? ». Et cette question-là, elle est passionnante.
Points clés à retenir
- ASI-Arch est un système d’IA qui fait de la recherche sur l’IA en boucle autonome.
- Il a mené 1 773 expériences et découvert 105 architectures de pointe.
- Sa meilleure architecture dépasse largement les gains de Mamba2 sur DeltaNet.
- Le système fonctionne surtout dans des domaines bien cadrés avec des métriques claires.
- Cette avancée ouvre la voie à des agents de recherche capables d’accélérer les découvertes en IA.