Un défi improbable : ChatGPT face à un Atari de 1977
L’intelligence artificielle se hisse chaque jour un peu plus sur l’échiquier de la technologie. Pourtant, un test dévoilé par l’ingénieur Robert Jr. Caruso montre qu’elle n’est pas infaillible. ChatGPT, ce modèle de langage évolué d’OpenAI, s’est vu inviter à jouer une partie d’échecs contre Video Chess d’Atari, un programme lancé en 1977 et capable de prévoir une ou deux réponses adverses. Le résultat ? Un échec cuisant pour l’IA de dernière génération.
La méthodologie du test
Pour garantir la rigueur scientifique, Caruso a utilisé un émulateur Atari 2600 et une description textuelle du plateau pour alimenter ChatGPT :
- Représentation de la position initiale par notation algébrique.
- Indication des symboles Atari et de leur correspondance avec les pièces traditionnelles.
- Première proposition de coup demandée à ChatGPT, suivie d’échanges pour corriger la lecture du plateau.
Malgré ces précautions, l’IA s’est régulièrement méprise sur l’emplacement des tours et des fous, prenant des décisions tactiques incohérentes. Pendant 90 minutes, Caruso a dû rectifier la position à chaque tour pour éviter des « coups horribles ». ChatGPT accusait tantôt « l’abstraction » des icônes Atari, tantôt l’IA niait toute responsabilité, promettant une « meilleure performance » au reset de la partie.
Les causes d’une défaite prévisible
Plusieurs facteurs techniques expliquent ce naufrage stratégique :
- Nature prédictive du modèle : ChatGPT choisit la réponse la plus statistiquement plausible, pas la meilleure solution échiquéenne.
- Absence de calcul de variantes : l’IA ne dispose pas d’un moteur d’analyse qui simule des millions de positions comme les logiciels dédiés.
- Limites de la reconnaissance textuelle : malgré une description algébrique, le chatbot n’intègre pas de véritable compréhension de la structure du jeu.
En contraste, Video Chess d’Atari repose sur un algorithme optimisé pour les échecs : il évalue chaque mouvement en quelques millisecondes, enchaînant exploration brute et heuristiques simples.
IA spécialisée vs modèle généraliste
Deux approches fondamentales s’affrontent :
- Modèle spécialisé : un moteur d’échecs (Deep Blue, Stockfish) utilise la force brute et des tables de transposition pour balayer l’arbre de décision.
- Modèle généraliste : ChatGPT s’appuie sur des réseaux neuronaux formés au traitement du langage naturel, sans intégrer de module d’optimisation dédié aux échecs.
C’est pourquoi l’IA de langage excelle pour rédiger un article ou analyser un code, mais se trouve démunie dès qu’il s’agit de prévoir des enchaînements tactiques sur plusieurs tours.
Retour historique : Deep Blue et AlphaGo
Les tentatives d’IA aux échecs ne datent pas d’hier :
- Deep Blue (1997) : IBM brise la suprématie de Garry Kasparov en combinant puissance de calcul et heuristiques expertes.
- AlphaZero (2017) : DeepMind révolutionne en apprenant seul via renforcement, battant Stockfish sans bases de données humaines.
- AlphaGo (2016–2017) : Google DeepMind démontre sa puissance au jeu de Go, encore plus complexe, face à Lee Sedol.
Ces succès reposent sur des architectures spécialisées, loin de la polyvalence linguistique de ChatGPT.
Implications pour l’usage de ChatGPT
Cette défaite contre un logiciel de 1977 rappelle à tous :
- ChatGPT reste un outil de génération de texte, pas un moteur de simulation.
- Il ne faut pas surestimer ses capacités ni lui confier des tâches hors de son champ de compétences.
- La vérification humaine demeure indispensable, notamment dans les domaines critiques (médical, juridique, stratégique).
En l’état, l’assistant conversationnel brille pour la synthèse d’informations et la rédaction, mais se trouve rapidement dépassé s’il doit « penser » sur plusieurs séquences logiques.
Qu’attendre demain ?
OpenAI ambitionne de développer une super-intelligence, capable de surpasser l’Homme dans tous les domaines, y compris le jeu. Sam Altman évoque un futur où l’IA multi-domaines analysera, calculera et innovera. Mais pour l’heure, la défaite face à Video Chess 1977 montre que l’expertise dédiée conserve une longueur d’avance.
Pour les passionnés d’IA et de stratégie, cette expérience sert de baromètre : la route vers la véritable autonomie reste longue et semée de tests peu flatteurs.