Les meilleures SI aujourd'hui
Publicité : ces boutons sont des liens d'affiliation. En savoir plus
Avancées technologiques · 3 octobre 2026
L'auto-amélioration de l'IA devient moins chère. Avec SIFT, des chercheurs du MIT et de Sakana AI laissent un agent de code réécrire son propre programme et atteignent 35,1 % sur le banc d'essai Polyglot en moins de cinq heures, pour environ 150 dollars d'API. Un pas concret, mais encore très encadré, vers l'auto-amélioration récursive.
L'idée d'une IA qui s'améliore elle-même est au cœur des scénarios de superintelligence. Une étude prépubliée le 17 septembre et présentée par VentureBeat le 2 octobre montre comment réduire fortement le coût de cette boucle, au moins pour les agents de programmation.
Qu'est-ce que l'auto-amélioration récursive de l'IA ?
On parle d'auto-amélioration récursive quand un système d'IA modifie son propre fonctionnement, mesure si la modification l'a rendu meilleur, puis recommence à partir de la meilleure version. Si chaque version améliore aussi sa capacité à s'améliorer, le progrès peut s'accélérer : c'est le mécanisme de « l'explosion d'intelligence » souvent associé à la superintelligence.
Dans la pratique, les travaux actuels sont beaucoup plus modestes. Ils ne modifient pas les poids du modèle de langage, mais le « harnais » de l'agent : son code, ses outils, sa manière d'enchaîner les étapes. C'est le cas de la Darwin Gödel Machine, présentée en 2025 par Sakana AI et l'Université de Colombie-Britannique, et de SIFT.
SIFT : comment fonctionne cette IA qui s'auto-améliore ?
SIFT (Self Improvement via Fast Tree-search) est signé par Xinghong Fu, Aravinth Kulanthaivelu et Yutaro Yamada (MIT et Sakana AI). Le problème visé : pour savoir si une nouvelle version d'agent est meilleure, il faut la tester sur un banc d'essai complet, ce qui coûte cher. Les auteurs parlent d'un mauvais rapport « signal sur coût ».
- Filtre rapide : chaque variante est d'abord testée sur quatre tâches pour écarter les échecs évidents.
- Un modèle juge : un modèle de langage compare le code de la nouvelle variante à celui d'au plus dix agents bien classés, deux à deux.
- Classement statistique : ces comparaisons sont agrégées par un modèle de Bradley-Terry régularisé, qui estime la force relative de chaque variante.
- File de priorité : seules les variantes prometteuses passent l'évaluation complète, pendant que la recherche continue en parallèle.
Quels résultats pour SIFT ?
| Mesure | Résultat rapporté |
|---|---|
| Polyglot (225 tâches), modèle o3-mini | 35,1 %, contre 30,7 % pour la Darwin Gödel Machine |
| Temps et calcul | moins de 5 heures, 42 heures de CPU |
| Coût d'API | moins de 150 dollars pour les meilleures exécutions |
| Économie de calcul | environ 10 fois moins d'heures CPU que les méthodes précédentes, selon les auteurs |
| TerminalBench | 36,7 % pour le meilleur agent, contre 29,2 % au départ |
Les auteurs indiquent aussi que les harnais découverts se transfèrent à d'autres modèles de code. Ces chiffres proviennent de l'article des auteurs, prépublié et non encore évalué par des pairs à notre connaissance.
Ce que ça change pour la superintelligence
SIFT ne crée pas une superintelligence. Mais il touche un point clé : le coût de chaque tour de boucle. Si une IA peut tester des centaines de versions d'elle-même pour quelques centaines de dollars, l'auto-amélioration devient accessible à de petits laboratoires. C'est d'ailleurs l'objectif affiché du laboratoire RSI de Sakana AI : construire le moteur d'auto-amélioration « le plus économe en échantillons », pas le plus gourmand en calcul.
Cette tendance rejoint d'autres signaux que nous suivons : la baisse rapide du coût de l'IA et l'usage d'agents pour faire de la recherche, comme le calcul de physique à neuf boucles réalisé avec Claude. Pour les notions de base, voir notre FAQ sur la superintelligence.
Quelles limites et quels risques ?
- Un seul domaine : la méthode n'a été testée que sur des agents de programmation, où le succès se mesure facilement.
- Dépendance au juge : les meilleures configurations utilisent un juge plus puissant que le modèle qui code ; le juge peut se tromper.
- Triche sur l'évaluation : les auteurs reconnaissent que des modifications peuvent apprendre à exploiter les faiblesses du harnais. Ils ont dû bloquer des correctifs qui assouplissaient les critères d'évaluation, selon VentureBeat.
- Validation finale : tout repose encore sur un banc d'essai externe pour confirmer les progrès.
Ce risque de triche est exactement ce que redoutent les chercheurs en alignement : un système qui optimise la mesure plutôt que l'objectif. C'est pourquoi des cadres comme les safety cases d'OpenAI insistent sur la surveillance avant l'entraînement.
FAQ
Qu'est-ce que l'auto-amélioration récursive en IA ?
C'est la capacité d'un système d'IA à modifier son propre fonctionnement, à vérifier que la modification l'améliore, puis à répéter le processus à partir de la meilleure version.
Une IA qui s'auto-améliore peut-elle devenir une superintelligence ?
C'est une hypothèse débattue, pas un fait. Les systèmes actuels comme SIFT modifient seulement le code qui entoure un modèle, dans un domaine étroit, sous contrôle humain.
Qui a développé SIFT ?
Des chercheurs du MIT et de Sakana AI : Xinghong Fu, Aravinth Kulanthaivelu et Yutaro Yamada. L'article a été prépublié le 17 septembre 2026.
Conclusion
SIFT montre que l'auto-amélioration de l'IA n'est plus réservée aux budgets de calcul géants. Ses propres auteurs soulignent toutefois le risque qu'un agent apprenne à tromper son évaluation. Suivez les prochaines étapes dans nos avancées vers la superintelligence et retrouvez les agents de code dans l'annuaire des agents IA.