Vous êtes ici
Athénan, une IA joueuse multi-championne
Athénan est un nouveau système d’intelligence artificielle (IA) dédiée aux jeux de société, qui a été créé par Quentin Cohen-Solal1, évalué et amélioré ensuite avec Tristan Cazenave, au Laboratoire d'analyse et modélisation de systèmes pour l'aide à la décision (Lamsade)2 à Paris. Lors de la 24e Computer Olympiad, c’est sous l’apparence de dames canadiennes et brésiliennes, d’Othello, de Hex ou encore de Surakarta qu’il a justifié son nom, qui signifie littéralement « disciple d’Athéna » (la déesse grecque de la stratégie et de la sagesse). Il a en effet battu tous ses concurrents à pas moins de 11 jeux de société – sur les 23 représentés – ce qui lui a valu autant de médailles d’or ! « Habituellement, les meilleures équipes obtiennent 2 à 3 médailles d'or. C’est dire l’avancée que représentent ces travaux », commente Nicolas Jouandeau, directeur du Laboratoire d'intelligence Artificielle et Sémantique des Données, à l’université Paris 8.
Les systèmes d’IA dédiées aux jeux de société consistent en des algorithmes qui permettent de formaliser une façon de réfléchir sur un jeu donné, voire, comme dans le cas d’Athénan, d’apprendre lui-même à jouer et s’auto-entraîner. Le développement de tels logiciels a toujours attiré les experts en IA. Et pour cause : mobilisant un large éventail de capacités intellectuelles humaines, les jeux de société (dits aussi « de réflexion ») représentent un terrain d’expérimentation privilégié pour tester l’intelligence des machines et la comparer à l’intelligence humaine ; un des buts de l’IA étant de développer des machines qui surpassent le cerveau humain (et pourraient ainsi le remplacer) pour certaines tâches précises.
Une quête qui remonte aux origines de l’informatique
« L’idée de développer des IA dédiées aux jeux de société a émergé dès les débuts de l’informatique », raconte Tristan Cazenave. En effet, dès la fin des années 1940, les pères fondateurs de l’informatique Alan Turing (1912-1954) et Claude Shannon (1916-2001) proposèrent des programmes rudimentaires capables de jouer aux échecs. « Mais ce n’est qu’en 1997 – soit près de 40 ans après –, qu’une machine, le superordinateur Deep Blue de la société américaine IBM, réussit à battre pour la première fois, dans les conditions normales d’un tournoi, un champion du monde d’échecs, le Russe Garry Kasparov », poursuit l’expert en IA.
Près de deux décennies après ce premier coup de maître, en mai 2017, une autre IA, AlphaGo3, développée par DeepMind (une filiale britannique de Google), et dédiée cette fois au go (un jeu de réflexion originaire de Chine), battait le numéro 1 mondial dans ce domaine, le Chinois Ke Jie. « S’appuyant sur des techniques radicalement différentes de celles de Deep Blue, AlphaGo utilise une technologie représentant l’une des dernières évolutions dans le domaine de l’IA : les réseaux neuronaux dits “profonds”. Lesquels consistent en un système avec une conception à l'origine schématiquement inspirée du fonctionnement des neurones humains. Cette technologie permet à AlphaGo d’apprendre à “imiter” les joueurs humains, à partir d’une base de données référençant les coups enregistrés lors de dizaines de milliers de parties menées par des joueurs experts », développe Tristan Cazenave.
L’ère des IA « généralistes »
Fin 2017, la société DeepMind présenta une autre avancée historique pour le monde de l’IA : AlphaZero4. Sa particularité ? Cette version « généraliste » d’AlphaGo est capable de jouer non pas à un, mais à plusieurs jeux : au go, mais aussi aux échecs et au shogi (échecs japonais). « Contrairement à son prédécesseur, AlpaZero a été développé pour apprendre à bien jouer à un jeu donné… en jouant contre lui-même ; et non à partir d’une base de données, détaille ici l’expert en IA du Lamsade. Après chaque partie, il analyse ses succès et ses erreurs pour s’améliorer. Cela, grâce à une méthode d’apprentissage profond dite “par renforcement” ».
Athénan représente, lui, le deuxième système généraliste basé sur cette technique. Cependant « il se distingue d’AlphaZero par plusieurs aspects, qui le rendent original et très efficace », souligne Quentin Cohen-Solal. Tout d’abord, si Athénan s’appuie, comme AlphaZero, sur un réseau de neurones pour guider sa recherche de stratégie lors d’une partie de jeu, il recourt à un algorithme différent pour anticiper ses futurs coups. En effet, AlphaZero utilise ici une méthode dite « de recherche Monte Carlo », qui fait des statistiques sur des parties aléatoires (d'où son nom évoquant celui du célèbre casino) : pour chaque coup analysé, le réseau de neurones calcule la valeur d’un « état de jeu » (qui évalue à quel point il est près de la victoire) ainsi qu’une probabilité pour qu’une action soit la meilleure dans cet état. Or « l’esprit humain ne fonctionne pas ainsi… », fait remarquer Quentin Cohen-Solal.
Une façon de jouer plus humaine
D’où son idée de développer « une méthode permettant à une IA de jouer de façon plus humaine, dite “Minimax en meilleur d'abord non borné”. Grâce à cet algorithme – décrit en fait pour la première fois en 1996 5 et tombé dans l'oubli avant que je ne le redécouvre –, Athénan ne calcule pas de probabilités ni n’en utilise. Et ce, sans que cela nuise à ses performances », précise l’informaticien.
Autre grand atout de cette méthode, elle permet un apprentissage plus efficace : « Alors qu’AlphaZero mémorise juste le coup qu’il va jouer, Athénan, lui, retient aussi toutes les simulations produites lors de la réflexion qui l’a amené à décider d’un coup, explique-t-il. Résultat, pour un même nombre de parties, il génère beaucoup plus de données. Or pour bien apprendre, il faut beaucoup de données ». En outre, avec AlphaZero la valeur d’un état est fortement déterminée par la fin de la partie : si la partie est perdante, il va apprendre que toutes les étapes de cette partie sont perdantes, alors que les actions réalisées au début de cette partie ont pu être pertinentes, puis suivies de mauvaises décisions.
Avec Athénan, la valeur d’un état s’actualise en tenant compte de ce genre de retournements, ce qui permet de mieux capitaliser les connaissances d’une partie à l’autre.
Utile dans d’autres domaines ?
Enfin, « même si pour son dévellopement nous avons pu bénéficier d'un accès aux moyens de calcul intensif de l'IDRIS, Athénan n’a besoin que d’un ordinateur “classique” équipé d’une carte graphique (composants informatiques assurant les fonctions de calcul de l'affichage, Ndlr) et d’un nombre normal de processeurs pour "bien" jouer. Quand AlphaZero nécessite généralement un super-calculateur équipé d’une centaine de cartes graphiques et d’une centaine de processeurs », souligne Quentin Cohen-Solal. Bref, Athénan permet de faire, au moins sur certains jeux, aussi bien que ce qui existe, mais avec moins de ressources ! À l’avenir, Quentin Cohen-Solal espère pouvoir mesurer son système à un champion humain – « ou une IA qui a surpassé un tel expert » – dans un jeu donné, par exemple les échecs. Cela, « afin d’obtenir un résultat très fort, qui prouverait que notre logiciel peut atteindre un niveau surhumain ».
Au-delà des jeux, l’équipe espère aussi tester Athénan dans d’autres domaines, plus pratiques mais nécessitant également de réfléchir à des solutions complexes : « il pourrait aider à fluidifier le routage des connexions internet ; minimiser le nombre de kilométrages parcourus et de véhicules utilisés lors des tournées des véhicules d’une entreprise donnée (La Poste, etc.) ; ou encore déterminer la structure (“séquence”) d’une molécule d’ARN donnée (une molécule génétique, Ndlr) à partir de sa forme, pour faire avancer plus vite la recherche biomédicale », illustre Tristan Cazenave. Athénan n’en est donc qu’à ses tout débuts. ♦
- 1. « Minimax Strikes Back », Q. Cohen-Solal et T. Cazenave, 19 décembre 2020. arXiv preprint : https://arxiv.org/pdf/2012.10700.pdf
- 2. Unité CNRS/Université Paris-Dauphine.
- 3. « Mastering the game of Go with deep neural networks and tree search », D. Silver et al., Nature, 28 janvier 2016. https://doi.org/10.1038/nature16961
- 4. « Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm », D. Silver et al., 5 décembre 2017. arXiv preprint : https://arxiv.org/abs/1712.01815
- 5. « Best-first minimax search », E. Korf et D. Chickering, Artificial Intelligence, juillet 1996. DOI 10.1016/0004-3702(95)00096-8
Mots-clés
Partager cet article
Auteur
Journaliste scientifique freelance depuis dix ans, Kheira Bettayeb est spécialiste des domaines suivants : médecine, biologie, neurosciences, zoologie, astronomie, physique et nouvelles technologies. Elle travaille notamment pour la presse magazine nationale.
Voir aussi
Commentaires
Connectez-vous, rejoignez la communauté
du journal CNRS