Blob et intelligence artificielle : quand la nature inspire les algorithmes

Deux façons de résoudre des problèmes

L'intelligence artificielle moderne (réseaux de neurones profonds, grands modèles de langage) est extraordinairement puissante mais repose sur un paradigme très spécifique : des millions de paramètres, ajustés par des milliards d'exemples d'entraînement, sur des processeurs consommant des centaines de kilowatts.

Le blob, lui, résout des problèmes d'optimisation difficiles avec zéro GPU, zéro données d'entraînement, et une consommation d'énergie négligeable. En 4 à 26 heures, il construit des réseaux dont l'efficacité rivalise avec ce que des ingénieurs humains mettent des années à concevoir.

Pour les chercheurs en IA, cette comparaison soulève une question fondamentale : peut-on extraire le "principe" de l'intelligence du blob et l'implémenter dans des systèmes artificiels ?

Le Physarum Solver : l'algorithme blob

La contribution la plus directe du blob à l'IA est l'algorithme Physarum Solver. Il appartient à la catégorie des algorithmes bio-inspirés, aux côtés des algorithmes génétiques (inspirés de l'évolution), des colonies de fourmis (ACO, Ant Colony Optimization) et des essaims de particules (PSO, Particle Swarm Optimization).

Le Physarum Solver résout des problèmes d'optimisation de réseau (plus court chemin, réseau de Steiner, problème du voyageur de commerce) de façon efficace et sans avoir besoin d'une carte globale du problème. Il "découvre" la solution par interaction locale, exactement comme le blob.

Le blob et l'apprentissage non supervisé

L'habituation du blob (apprendre à traverser la caféine sans en avoir besoin d'un "enseignant") est une forme d'apprentissage non supervisé : il n'y a pas de signal de récompense explicite, pas de gradient de rétropropagation, pas de données labelisées. Le blob modifie son comportement uniquement à partir de son expérience directe de l'environnement.

Cela ressemble à certains algorithmes d'IA modernes :

• L'apprentissage par renforcement : l'agent apprend en agissant dans l'environnement et en recevant des récompenses (positives ou négatives). Le blob reçoit des "récompenses" implicites (nourriture trouvée) et des "pénalités" (substances répulsives).
• Les réseaux de neurones récurrents (RNN) : ils maintiennent un état interne qui change avec le temps, leur permettant de "se souvenir" des expériences passées. Le blob maintient aussi un état interne (ses paramètres oscillatoires) qui évolue avec l'expérience.

Ce que le blob peut apprendre à l'IA (et pas l'inverse)

Au-delà des algorithmes bio-inspirés, le blob pose des questions philosophiques importantes pour le développement de l'IA :

L'efficacité énergétique

L'IA moderne est extraordinairement énergivore. Un seul entraînement d'un grand modèle de langage peut consommer l'équivalent de centaines de tonnes de CO2. Le blob résout des problèmes comparables avec une consommation d'énergie négligeable. Comprendre ses mécanismes pourrait inspirer des architectures de calcul beaucoup plus efficaces.

La robustesse sans redondance coûteuse

Les réseaux de neurones artificiels sont souvent fragiles : une modification mineure des données d'entrée peut les tromper (adversarial examples). Le réseau du blob est remarquablement robuste : si un tube est coupé, le reste du réseau se reconfigure en quelques minutes. Cette propriété de résilience décentralisée est très recherchée en IA embarquée.

L'intelligence sans données d'entraînement

L'IA moderne nécessite d'immenses jeux de données. Le blob construit son intelligence uniquement à partir de son interaction avec son environnement, sans aucune donnée préalable. C'est ce qu'on appelle l'apprentissage from scratch en temps réel, un des défis ouverts majeurs de l'IA.

Le blob n'optimise pas ce qu'on croit

Le raccourci habituel dit que le blob « trouve le chemin le plus court ». C'est inexact, et l'inexactitude a des conséquences sur ce que l'informatique en a tiré.

Le réseau que construit un blob n'est pas le plus court, il est le meilleur compromis entre trois exigences contradictoires : la longueur totale des veines, qui coûte de la matière à entretenir ; la distance de transport entre les sources de nourriture, qui doit rester faible ; et la tolérance aux ruptures, qui exige des chemins redondants. Un réseau strictement minimal serait fragile, un réseau totalement redondant serait ruineux.

C'est précisément ce compromis qui intéresse les ingénieurs, parce que c'est exactement le problème posé par un réseau de transport, un réseau électrique ou une topologie de serveurs. Le blob ne résout pas un problème de plus court chemin, pour lequel l'informatique dispose déjà d'algorithmes optimaux et rapides.

Comment fonctionne le Physarum Solver

L'algorithme tiré de ce comportement tient en une boucle très simple, sans mémoire globale ni vue d'ensemble.

1. Poser un maillage. On représente le terrain par un graphe où chaque arête a une conductance, l'équivalent de l'épaisseur d'une veine.
2. Faire circuler un flux. On calcule le débit qui traverse chaque arête entre les sources et les puits, comme dans un réseau de tuyaux.
3. Renforcer ce qui sert. Une arête très empruntée voit sa conductance augmenter, ce qui la rend encore plus attractive au tour suivant.
4. Laisser dépérir le reste. Une arête peu empruntée s'atrophie progressivement et finit par disparaître du réseau.
5. Recommencer jusqu'à stabilisation. Le réseau converge de lui-même vers une structure efficace, sans qu'aucune étape n'ait eu besoin d'une vue globale.

Les promesses que la méthode ne tient pas

Il faut être honnête sur les limites, souvent passées sous silence. Le Physarum Solver est lent comparé aux algorithmes classiques sur les problèmes que ceux-ci savent traiter. Il ne garantit aucun optimum. Et il n'a rien à voir avec les réseaux de neurones artificiels qui dominent l'intelligence artificielle actuelle : aucune couche, aucun poids appris, aucune rétropropagation.

Son intérêt est ailleurs, dans une famille d'approches où la solution émerge d'un processus physique local et robuste, sans coordination centrale et sans panne globale possible. C'est le même registre que l'intelligence distribuée, et cela intéresse surtout la robotique en essaim et les réseaux auto-organisés, décrits dans les applications scientifiques.