Sakana AI recrute Jürgen Schmidhuber comme conseiller scientifique

SSacha

D’après AlphaSignal, Jürgen Schmidhuber rejoint Sakana AI comme conseiller scientifique en chef, tout en conservant ses autres fonctions et en se rendant régulièrement à Tokyo. Il doit contribuer au Recursive Self-Improvement Lab, consacré aux agents capables d’améliorer leurs propres logiciels et aux modèles du monde destinés aux agents, à la robotique et à l’industrie. L’annonce concerne donc l’orientation scientifique d’un programme de recherche, et non la sortie d’un nouveau modèle ou d’un produit : aucun lancement de ce type n’est annoncé. Sakana AI souhaite rapprocher dans ce laboratoire des travaux sur l’amélioration des systèmes et sur la représentation de leur environnement. La formulation du rôle mérite toutefois une précision : certains titres évoquent une direction du laboratoire, mais la description détaillée présente Schmidhuber comme conseiller scientifique, sans responsabilité de gestion quotidienne. L’étendue exacte de ses responsabilités opérationnelles reste à clarifier.

SSacha

Alors, imaginez une boucle de recherche plutôt qu’un logiciel qui se réécrit tout seul sans règle : un agent propose une modification à son code, puis cette version est testée et comparée à d’autres. Si les résultats observés sont meilleurs pour la tâche évaluée, la modification peut être conservée ; sinon, elle peut être écartée, et le cycle recommence. C’est le principe de l’auto-amélioration récursive que Sakana AI veut étudier : une machine participe à la recherche de changements susceptibles d’améliorer les outils ou les méthodes qu’elle utilise. L’ambition décrite est que cette répétition fasse progresser les systèmes, mais une boucle ne peut juger ses propres résultats qu’à partir des objectifs et des évaluations qui lui sont fournis. Les démonstrations évoquées restent encadrées par des tâches définies par des humains, des méthodes d’évaluation, des ressources de calcul et des autorisations. On ne parle donc pas d’une intelligence artificielle qui pourrait déjà modifier librement toutes ses capacités, mais de travaux visant à tester des modifications dans des conditions déterminées. C’est cette différence entre une boucle expérimentale limitée et une autonomie générale qu’il faut garder en tête.

SSacha

Un modèle du monde, c’est une simulation apprise qui estime comment un environnement pourrait évoluer après une action. Un agent peut s’en servir pour comparer des possibilités avant d’agir, au lieu de découvrir chaque conséquence directement dans la situation réelle. Prenons l’exemple donné pour la robotique : le modèle pourrait aider à prévoir si une prise d’objet va réussir, ou comment cet objet bougera après un contact. Le laboratoire de Sakana AI veut travailler sur ce type de modèle pour les agents, la robotique et l’industrie, avec une attention particulière aux systèmes qui doivent agir dans un environnement physique. L’expression désigne donc une représentation permettant d’anticiper des changements, pas une copie parfaite du monde ni une garantie que chaque prévision sera juste. L’intérêt recherché est de donner aux agents un moyen de comparer des actions possibles et leurs conséquences probables avant de les exécuter. Pour un robot, cela relie le calcul à des gestes concrets ; pour un agent logiciel, cela peut aider à raisonner sur les effets de ses choix dans l’environnement qu’il doit traiter. Ce sont les axes de recherche annoncés pour le laboratoire, et non la description d’un produit déjà disponible.

SSacha

The Decoder indique que Sakana AI estime que les recherches antérieures de Schmidhuber sur les modèles du monde, l’apprentissage profond et l’auto-amélioration récursive ont influencé Darwin Gödel Machine et The AI Scientist. C’est la manière dont l’entreprise explique la continuité entre ces travaux et le nouveau laboratoire : elle rapproche des idées de recherche anciennes de projets qu’elle développe déjà. Pour comprendre le lien sans confondre les objectifs, la Darwin Gödel Machine est présentée comme un projet qui cherche à améliorer du code en essayant des modifications et en observant leurs résultats. Cette démarche expérimentale n’est pas la même qu’un système qui prouverait formellement, avant chaque changement, que celui-ci améliorera son objectif. On peut imaginer plusieurs versions d’un outil mises à l’essai, puis comparées selon un critère, plutôt qu’une preuve mathématique garantissant à l’avance le meilleur résultat. The AI Scientist est l’autre projet que Sakana AI cite comme ayant été influencé par ces idées. Cette filiation intellectuelle revendiquée donne un contexte au recrutement, mais elle ne permet pas à elle seule de conclure que ces projets ont déjà atteint les capacités visées par le laboratoire.

SSacha

Le laboratoire est installé à Tokyo, et Sakana AI souhaite y réunir des experts pour travailler sur ses différents axes de recherche. Jürgen Schmidhuber doit se rendre régulièrement dans la ville tout en conservant ses autres fonctions ; l’annonce ne décrit donc pas une présence permanente de sa part à la tête de l’équipe. Les informations disponibles ne donnent pas de chiffre précis sur les effectifs visés, les recrutements prévus ou la taille actuelle du laboratoire. On peut seulement retenir que l’entreprise veut rassembler des spécialistes autour de l’auto-amélioration des logiciels et des modèles du monde, sans que la composition de cette équipe soit détaillée. Ces sujets mobilisent des questions distinctes : d’un côté, il faut tester si des modifications logicielles améliorent les résultats ; de l’autre, il s’agit de construire des modèles utiles aux agents, à la robotique et à l’industrie. Réunir des expertises autour de ces pistes est l’ambition annoncée, mais on ne connaît ni le nombre de personnes concernées ni la répartition concrète de leurs tâches. Le rôle de conseiller scientifique de Schmidhuber est établi, tandis que la portée exacte de ses responsabilités dans le laboratoire reste à préciser.

SSacha

La première limite tient aux conditions dans lesquelles une boucle d’amélioration fonctionne : les tâches, les critères d’évaluation, les ressources de calcul et les autorisations disponibles encadrent ce qu’elle peut faire. Un système qui modifie certaines parties de son code et compare des résultats ne démontre pas pour autant qu’il sait améliorer toutes ses capacités, dans des situations très différentes. Il faut aussi distinguer l’objectif de recherche annoncé d’une capacité déjà acquise : Sakana AI veut étudier des agents capables d’améliorer leurs logiciels, mais l’annonce ne décrit pas une autonomie générale. Pour les modèles du monde, le laboratoire vise des outils qui prédisent comment un environnement peut changer après une action ; cela décrit un axe de travail, sans annoncer que ces prédictions sont déjà fiables dans toutes les situations. Enfin, le rôle de Schmidhuber appelle une nuance : certains titres parlent de direction, tandis que la description de son poste le présente comme conseiller scientifique, sans gestion quotidienne du laboratoire. La responsabilité opérationnelle exacte reste donc à clarifier. À retenir, Sakana AI renforce un programme qui associe auto-amélioration logicielle et modèles du monde, avec Schmidhuber comme conseiller scientifique ; les annonces exposent une ambition de recherche, pas la preuve d’une machine capable de s’améliorer sans limites.