Ce que les agents IA ont perdu en reconstruisant l'expérience la plus créative d'Internet

Au début des années 2000, un site web appelé Picbreeder permettait aux utilisateurs de faire évoluer des images en collaboration sans aucun objectif explicite. Les gens choisissaient simplement des images qu'ils trouvaient intéressantes, et au fil de nombreuses générations et de nombreuses mains, des visages, des animaux, des véhicules et des crânes émergeaient de ce qui était essentiellement une dérive partagée à travers l'espace visuel. Le site a finalement été mis hors ligne, mais la question qu'il posait ne l'a pas été : qu'est-ce qui fait fonctionner l'exploration ouverte, et les machines peuvent-elles le faire ?

Sakana AI, avec des chercheurs du MIT et de NYU, a reconstruit Picbreeder de zéro en utilisant des agents de modèles vision-langage et a publié les résultats dans un article de GECCO 2026 intitulé « In Search of the Ingredients of Open-Endedness: Replicating Picbreeder with Large Vision-Language Models », qui a été nominé pour un prix du meilleur article. La configuration était une transplantation directe du design original : une archive partagée d'images, des agents qui en sélectionnent pour bifurquer, font évoluer de nouveaux candidats, publient leurs favoris et évaluent le travail des autres. Pas d'image cible, pas de définition de progrès, juste une communauté d'agents décidant ce qui valait la peine d'être conservé.

L'expérience était conçue pour tester si les VLM peuvent reproduire le type de découverte ouverte que Kenneth Stanley et d'autres ont soutenu être central pour la créativité humaine. La réponse courte est qu'ils peuvent s'en approcher dans certaines conditions contrôlées, mais ils atteignent un plafond que les humains n'atteignent pas.

La tyrannie du familier

Comparés aux humains, les agents VLM avaient tendance à revenir aux mêmes types d'images et de concepts. Ils sélectionnaient à plusieurs reprises des parents similaires, faisaient des sauts conceptuels plus petits, et affinaient souvent une idée existante plutôt que de l'abandonner pour chercher quelque chose de vraiment inattendu. L'article décrit comment les agents remarquaient un motif intéressant puis s'y verrouillaient, optimisant progressivement un motif visuel jusqu'à ce qu'il devienne une impasse de raffinement incrémental.

Ce comportement est important car la magie originale de Picbreeder était l'inverse : les utilisateurs humains traitaient chaque image intéressante comme une pierre de gué. Un utilisateur pouvait faire évoluer un visage, puis, sans plan, un autre utilisateur prenait ce visage dans une direction totalement différente. Le processus dépendait de la volonté des utilisateurs d'abandonner une ligne d'exploration prometteuse. Les agents VLM, en revanche, semblaient réticents à abandonner ce qu'ils avaient déjà trouvé prometteur.

Les personnalités améliorent l'exploration

L'introduction d'une population diversifiée de personnalités d'agents a considérablement amélioré les résultats. Lorsque les agents recevaient des a priori comportementaux différents, certains plus exploratoires, d'autres plus conservateurs, la diversité sémantique du système augmentait. Dans certaines exécutions, ces populations diversifiées approchaient ou égalisaient l'archive humaine en termes de mesure de couverture sémantique, et elles produisaient des arbres évolutifs plus équilibrés. L'implication est qu'au niveau collectif, la diversité des goûts peut compenser la tendance de l'agent individuel à se fixer.

L'article rapporte également que les représentations évoluées étaient plus robustes que celles produites par une optimisation directe basée sur le gradient. Un crâne évolué par les agents changeait en douceur lorsque sa représentation neuronale sous-jacente était perturbée, moins fracturé qu'un crâne optimisé directement par descente de gradient. Mais il restait inférieur en douceur aux représentations évoluées par les humains, suggérant que la collaboration humaine introduit une forme de régularisation que l'IA actuelle ne reproduit pas.

L'écart qui persiste

Le résultat le plus intéressant n'est peut-être pas ce que les agents ont fait, mais là où ils se sont arrêtés. Les humains semblent meilleurs pour transformer des accidents heureux en découvertes créatives durables : reconnaître quand quelque chose d'inattendu mérite d'être poursuivi, l'affiner, puis faire un saut conceptuel plus large. Les agents IA remarquaient souvent aussi des motifs intéressants, mais étaient plus susceptibles de s'y piéger. L'article présente cela comme une question ouverte pour le domaine.

« Nous ne comprenons toujours pas pleinement ce qui permet aux humains de naviguer dans une recherche ouverte de cette manière, ou quel(s) ingrédient(s) manque(nt) aux systèmes d'IA actuels », écrivent les auteurs. « Pour l'instant, les résultats suggèrent qu'il reste quelque chose d'important dans la créativité humaine que les agents IA n'ont pas encore appris à reproduire. »

Ce travail complète les recherches en cours chez Sakana AI sur l'intelligence collective dans d'autres domaines, comme les briques robotiques modulaires qui reconnaissent leur propre forme et le système d'orchestration multi-agents Fugu. Dans les deux cas, la leçon est que la coordination entre de nombreux agents simples peut produire des résultats sophistiqués, mais l'expérience Picbreeder ajoute une nuance : la coordination seule peut ne pas suffire pour la créativité. Il pourrait y avoir un ingrédient manquant qui n'a rien à voir avec l'échelle du modèle ou l'architecture, mais tout à voir avec la volonté de jeter une idée qui fonctionne pour une idée incertaine.