Des agents d’IA élaborent un vocabulaire commun au fil d’un million d’échanges, sans dictionnaire partagé

Un million d’échanges transforment des mots inventés en un sens partagé

Dix agents d’intelligence artificielle, qui ne disposaient au départ d’aucun vocabulaire, ont appris à identifier des objets les uns pour les autres avec un taux de réussite pouvant atteindre 99,76 % après un million d’interactions, lors d’expériences menées par des chercheurs de la Vrije Universiteit Brussel (VUB) et de l’Université de Namur, en Belgique. Leurs mots et leurs significations se sont développés au fil d’échanges répétés, et non à partir d’un dictionnaire rédigé par des humains.

Les chercheurs ont testé leur méthode sur 37 jeux de données publics, allant de mesures chimiques sur du vin et de données de la NASA sur des exoplanètes à des photographies d’oiseaux et de visages humains. Pour les sept jeux de données mis en avant, le taux de réussite lors des interactions de test allait de 95,77 % à 99,76 %.

La principale réussite tient à l’accord sur la manière de désigner les choses. Chaque agent conservait ses propres associations entre les mots inventés et les propriétés observées. Grâce aux retours d’information, ces associations individuelles sont devenues suffisamment compatibles pour permettre au groupe de communiquer, même lorsque ses membres percevaient leur environnement différemment.

L’article de recherche, intitulé Emergent Communication in Continuous Worlds: Self-Organisation of Conceptually Grounded Vocabularies at Scale, décrit des expériences réalisées par simulation informatique. Les agents travaillaient avec des représentations numériques d’objets et d’images. Les robots, les véhicules autonomes et les capteurs industriels figurent parmi les applications possibles recensées par les chercheurs.

Comment un mot devient utile

Chaque échange met en présence deux agents. L’un devient l’émetteur et l’autre le récepteur ; les rôles sont redistribués au fil des interactions. Tous deux observent une scène comprenant plusieurs entités, mais seul l’émetteur sait laquelle est la cible.

L’émetteur doit choisir un mot qui aide le récepteur à sélectionner cette cible. Si son vocabulaire ne contient aucun mot adéquat, il en invente un. L’article utilise des suites arbitraires de trois syllabes, comme « demoxu », afin que l’étiquette ne porte aucun sens prédéfini.

Le récepteur compare le mot aux concepts qu’il a mémorisés, puis choisit une entité. Les deux agents reçoivent un retour sur l’exactitude de ce choix. En cas d’erreur, la cible est révélée au récepteur, qui dispose ainsi d’informations pour réviser sa compréhension.

Les chercheurs ont fourni les procédures permettant d’inventer des mots, de représenter des concepts et de tirer des enseignements des résultats. Le vocabulaire proprement dit et les catégories qui lui sont associées ont émergé au fil des interactions. Les échanges réussis renforcent les associations utiles, tandis que les expériences ultérieures ajustent les concepts liés aux mots.

Katrien Beuls, professeure à l’Université de Namur et coauteure de l’étude, a expliqué dans le communiqué de l’université comment des échanges locaux aboutissent à un accord à l’échelle d’une population :

Ce qui est fascinant, c’est qu’aucun ordinateur central n’impose les règles. À chaque fois, nous laissons deux agents communiquer entre eux à l’échelle locale. C’est uniquement grâce à ces interactions et mises à jour individuelles qu’une convention globale émerge spontanément dans l’ensemble de la population.

Ce que les agents associent au sens

Chaque entité est présentée à un agent sous la forme d’un vecteur de caractéristiques, c’est-à-dire une liste de valeurs décrivant ses propriétés. Un échantillon de vin, par exemple, peut être représenté par des mesures chimiques. Une image peut être décrite par des caractéristiques numériques extraites par un système de vision.

Un mot est associé à un prototype conceptuel : une description mathématique des types d’observations auxquels il s’applique. Ce prototype indique les valeurs typiques, leur degré de variation et les caractéristiques les plus importantes. L’agent peut ainsi évaluer à quel point une entité nouvellement rencontrée correspond à un mot familier.

Le contexte compte également. L’émetteur recherche un mot dont le concept correspond davantage à la cible qu’aux autres entités présentes dans la scène. Un mot utile permet donc de distinguer une chose de ses alternatives immédiates, plutôt que d’attribuer simplement une étiquette permanente à chaque objet.

Les agents conservent ces représentations de manière privée. Ils n’ont accès ni aux paramètres internes des autres ni à une base de connaissances centrale. La communication partagée se développe parce que leurs mots orientent des choix compatibles, tandis que leurs représentations individuelles restent liées à leurs propres observations.

Pour les jeux de données d’images, les chercheurs ont utilisé des caractéristiques à 384 dimensions produites par DINOv2, un encodeur visuel existant. Un encodeur visuel transforme une image en description numérique que d’autres logiciels peuvent traiter. L’apprentissage du vocabulaire s’est ensuite appuyé sur ces descriptions.

Quelle a été l’efficacité des vocabulaires partagés ?

Dans les expériences standard, des groupes de 10 agents ont été entraînés sur un million d’interactions. Les chercheurs ont ensuite évalué la communication au cours de 100 000 interactions de test, portant aussi sur des entités mises à l’écart pendant l’entraînement, puis ont calculé la moyenne des résultats obtenus sur 10 exécutions indépendantes.

Les sept résultats mis en avant montrent à la fois l’efficacité de la méthode et les variations selon les tâches :

• CLEVR, un jeu de données portant sur les attributs visuels d’objets : 99,76 % de réussite communicationnelle.
• Données d’analyse du vin : 99,76 %.
• Données sur les exoplanètes : 99,67 %.
• Données sur les champignons : 98,10 %.
• Images du jeu de données MS COCO : 95,77 %.
• Visages du jeu de données CelebA : 96,66 %.
• Images d’oiseaux : 95,88 %.

Ces pourcentages indiquent à quelle fréquence le récepteur a sélectionné l’entité visée. Pour les tâches sur le vin et CLEVR, 99,76 % correspondent à environ 24 échanges infructueux sur 10 000 interactions de test. Pour MS COCO, 95,77 % correspondent à environ 423 échanges infructueux sur 10 000.

L’écart entre ces résultats est de 3,99 points de pourcentage. La communication est restée très efficace pour les tâches mises en avant, mais les jeux de données d’images naturelles ont donné lieu à davantage d’erreurs que ceux portant sur le vin et les exoplanètes.

L’équipe a également mesuré la taille du vocabulaire et le degré d’accord sur les conventions, qui indique dans quelle mesure les agents emploient les mots de façon cohérente. Ces mesures portent sur différents aspects du processus : une population a besoin à la fois d’un ensemble d’étiquettes utilisable et d’un accord suffisant sur leur emploi pour identifier les cibles de manière fiable.

Des capteurs différents peuvent malgré tout permettre un accord

Les machines observent rarement le monde exactement de la même façon. Les capteurs peuvent être calibrés différemment, les mesures peuvent être bruitées et un appareil peut détecter des propriétés qu’un autre ne peut pas percevoir. L’étude a testé des variantes de ces conditions.

Paul Van Eecke, professeur d’intelligence artificielle à la VUB et coauteur de l’étude, a expliqué la motivation en prenant l’exemple de personnes qui identifient une voiture rouge. Elles peuvent comprendre la même description même si leurs yeux enregistrent des valeurs de couleur légèrement différentes. Le mot partagé transcende ces perceptions individuelles.

Les expériences ont appliqué cette idée à des agents artificiels en modifiant leurs observations. Elles comprenaient des décalages numériques simulant des différences de calibration, du bruit dans les valeurs observées et des populations dont les membres ne disposaient pas des mêmes caractéristiques.

Dans les expériences CLEVR soumises à un bruit important, la réussite communicationnelle était de 87,67 %. Dans une configuration où les capteurs disponibles différaient davantage, elle atteignait 83,47 %. La méthode a conservé une capacité notable de coordination dans ces conditions, avec une précision inférieure à celle de l’expérience CLEVR standard.

L’article qualifie d’hétéromorphes les populations dont les structures perceptives diffèrent. En termes simples, leurs membres reçoivent des types ou des quantités d’informations différents. Leur tâche consiste à élaborer des références compatibles malgré ces différences, à partir des observations accessibles à chacun.

Un vocabulaire qui évolue lorsque des données disparaissent

Les chercheurs ont également testé la perte soudaine d’informations en cours d’apprentissage. Dans une expérience, la moitié des entrées représentant les mesures des capteurs ont été supprimées à mi-parcours. Après ce changement, le taux de réussite communicationnelle a atteint 93,82 %.

La poursuite des interactions permet aux agents de réviser leurs concepts lorsque les conditions évoluent. Un mot associé à plusieurs caractéristiques peut devenir utile d’une autre façon lorsque certaines d’entre elles disparaissent et que les observations restantes prennent davantage d’importance.

L’article fait également état d’une adaptation aux changements de l’environnement. L’apprentissage continu est donc au cœur de cette approche : la population élabore une convention en l’utilisant, puis continue de l’ajuster à mesure que ses observations évoluent.

Pour de futurs systèmes de machines, cette capacité pourrait être importante en cas de dégradation des équipements ou de changement des conditions d’exploitation. Le résultat expérimental porte, à ce stade, sur l’adaptation du vocabulaire des agents dans des tâches simulées.

Les grands groupes ont besoin de davantage d’échanges

L’étude a examiné des populations de 2, 10, 25, 50 et 100 agents. L’agrandissement d’une population modifie la portée nécessaire à la diffusion de chaque mot utile, puisque les échanges continuent d’avoir lieu entre des paires d’individus.

Dans les expériences CLEVR menées avec 100 agents, le taux de réussite communicationnelle a atteint 92,69 % après un million d’interactions. En prolongeant l’entraînement jusqu’à 10 millions d’interactions, le taux de réussite est passé à 99,16 %, soit une hausse de 6,47 points de pourcentage.

Le nombre d’interactions disponibles aide à comprendre l’ampleur du défi. Si la participation est répartie de manière égale, un million d’échanges impliquant chacun deux agents représente en moyenne 200 000 participations par agent dans un groupe de 10. Dans un groupe de 100, le même nombre d’échanges représente en moyenne 20 000 participations par agent.

Dix millions d’échanges rétablissent cette moyenne à 200 000 participations pour chaque membre d’une population de 100 agents. Les rencontres individuelles sont sélectionnées aléatoirement, mais cette comparaison montre pourquoi un groupe plus important peut nécessiter un budget d’apprentissage total bien supérieur pour diffuser ses conventions.

Les humains peuvent examiner ce à quoi renvoie un mot

Les chercheurs présentent l’interprétabilité comme un avantage de leur conception. Un mot renvoie à un prototype dont on peut examiner les valeurs et les pondérations des caractéristiques. Les chercheurs peuvent retracer les observations qui ont contribué à la formation d’un concept et voir comment sa représentation évolue à l’usage.

Pour un jeu de données comprenant des mesures chimiques nommées, l’examen peut relier un mot à des plages de valeurs précises. Pour les images, le concept est associé aux caractéristiques produites par l’encodeur visuel ; expliquer sa signification suppose donc aussi de comprendre ces représentations numériques des images.

Jérôme Botoko Ekila, doctorant au laboratoire d’intelligence artificielle de la VUB et coauteur de l’étude, a décrit l’intérêt de laisser les agents construire des concepts à partir de leurs propres perceptions :

Ils construisent des concepts efficaces qui correspondent exactement à ce qu’ils perçoivent par leurs capteurs, même si les données sont incompréhensibles pour les humains.

La supervision humaine consisterait à examiner ces associations au fur et à mesure de leur développement. Il est notamment utile de vérifier que deux agents utilisant le même mot continuent de sélectionner l’entité visée après une modification de leurs entrées ou de leur environnement. Le mécanisme de retour d’information de l’étude place cette relation au cœur de l’apprentissage.

Publication, collaboration et applications possibles

Ce travail réunit Jérôme Botoko Ekila, Lara Verheyen, Jens Nevens et Paul Van Eecke, de la VUB, ainsi que Katrien Beuls, de l’Université de Namur. Il a été financé par le Fonds de la recherche scientifique flamand (FWO) et le Fonds national de la recherche scientifique belge (FNRS), dans le cadre du projet WEAVE.

La notice de publication de la VUB indique que l’article a paru dans la revue Transactions of the Association for Computational Linguistics, volume 14, pages 2234–2257, sous le DOI 10.1162/TACL.a.799. La publication est datée d’août 2026.

La publication et le communiqué ont suivi cette chronologie :

• Avril 2026 : soumission de l’article.
• Mai 2026 : révision de l’article.
• Août 2026 : la notice de publication de l’université indique la parution dans la revue.
• 14 octobre 2026 : l’université a présenté les résultats dans un communiqué.

Les chercheurs citent les véhicules autonomes, les robots et les capteurs industriels parmi les utilisateurs potentiels d’une communication adaptée aux perceptions des machines. Le lidar mesure les distances à l’aide de la lumière, le sonar utilise le son, les capteurs infrarouges détectent les rayonnements associés à la température et les instruments chimiques mesurent des substances. Un vocabulaire commun pourrait aider les machines à désigner des motifs pertinents dans ces différents types de données.

La prochaine étape pratique consisterait à tester le fonctionnement de ces conventions avec des équipements physiques, dans des environnements changeants et face aux exigences opérationnelles. Aucun calendrier de déploiement n’a été annoncé. Pour l’heure, le résultat est une méthode testée pour créer des références partagées à partir de données diverses, avec des performances mesurables en présence de bruit, de différences perceptives et de données manquantes.

Points clés

• Des chercheurs de la VUB et de l’Université de Namur ont testé la formation d’un vocabulaire à partir de 37 jeux de données publics.
• Des groupes de 10 agents ont été entraînés au fil d’un million d’interactions, puis soumis à 100 000 interactions de test.
• Pour les sept jeux de données mis en avant, le taux de réussite allait de 95,77 % à 99,76 %.
• Les chercheurs ont fourni les procédures d’apprentissage ; les agents ont élaboré les mots et les concepts associés grâce aux retours d’information.
• Les expériences ont testé l’adaptation à des observations bruitées, à différentes structures perceptives et à la disparition de données d’entrée.
• Une population de 100 agents a atteint un taux de réussite de 99,16 % sur CLEVR après 10 millions d’interactions.
• L’étude a utilisé des simulations informatiques. Les applications dans les robots, les véhicules et les capteurs industriels sont envisagées.