Lund University et le Massachusetts Institute of Technology ont mis en scène une idée longtemps réservée aux manuels de biologie: rejouer l’émergence de la vision, non pas sur des fossiles, mais dans un monde numérique. Publiés dans Science Advances et détaillés dans un communiqué universitaire, leurs travaux décrivent un écosystème virtuel où des créatures initialement aveugles finissent par développer des yeux, avec des formes qui rappellent celles observées dans la nature.
Le point de départ est volontairement minimaliste. Les chercheurs créent de minuscules organismes artificiels, dotés d’un corps simple, d’un système nerveux rudimentaire et de capteurs capables, au mieux, de détecter la lumière. Rien n’est programmé pour produire un il au sens classique. L’objectif est de laisser la sélection faire son travail, génération après génération, dans un environnement contrôlé, entièrement écrit en code.
Le résultat intéresse autant la biologie de l’évolution que la recherche en intelligence artificielle. Il ne s’agit pas d’un modèle qui reconnaît des images, mais d’un dispositif qui simule des pressions de survie, des variations aléatoires et des héritages de traits. Autrement dit, une tentative de comprimer des millions d’années de transformations en une expérience reproductible sur ordinateur, avec des règles explicites et des mesures possibles à chaque étape.
Une simulation où des créatures aveugles doivent survivre dans un labyrinthe
Le protocole, tel qu’il est décrit par l’équipe, repose sur un monde virtuel peuplé d’animaux numériques lâchés dans un décor synthétique. Leur quotidien est construit autour de tâches très proches de celles que la biologie utilise pour penser l’adaptation: se déplacer dans un labyrinthe, éviter des obstacles, trouver de la nourriture et rester à distance d’un poison. Ces éléments ne sont pas des métaphores: dans une simulation, ils deviennent des paramètres, des zones, des signaux et des pénalités qui modulent la probabilité de survie.
Au début, ces organismes sont aveugles. Ils ne disposent que de capteurs élémentaires, capables de réagir à la lumière sans produire une image structurée du monde. Le système nerveux, lui, est réduit à des circuits simples qui transforment les entrées sensorielles en décisions de mouvement. Cette sobriété initiale est centrale: elle permet d’observer si, et comment, des structures plus sophistiquées émergent lorsque la réussite dans l’environnement dépend de la capacité à exploiter des indices lumineux.
La mécanique de sélection est également explicite. À chaque génération, le système introduit des variations aléatoires, puis conserve préférentiellement les individus qui se déplacent mieux, évitent plus efficacement les zones dangereuses et atteignent plus souvent les ressources. Ces individus réussissent au sens computationnel: ils obtiennent un score supérieur, survivent plus longtemps, et transmettent davantage leurs caractéristiques à la génération suivante. Ce cadre vise à reproduire un principe fondamental: l’adaptation n’est pas une intention, mais un tri progressif de variantes sous contrainte.
Le choix d’un labyrinthe et d’objets à éviter n’est pas anodin. Dans un monde trop simple, la lumière n’apporte rien. Dans un monde trop aléatoire, aucune stratégie ne se stabilise. Le dispositif cherche un équilibre où l’information visuelle devient utile, puis décisive. Le cur de l’expérience est là: créer un environnement où voir apporte un avantage mesurable, puis observer si des capteurs et des circuits se complexifient pour capter cet avantage.
Ce type de simulation permet aussi une forme de traçabilité que la nature offre rarement. Chaque mutation, chaque changement de comportement, chaque amélioration de performance peut être enregistré. Les chercheurs peuvent remonter la chaîne des causes, isoler des étapes intermédiaires, et comparer des trajectoires évolutives différentes à conditions identiques. Dans un champ souvent confronté à l’incomplétude des archives fossiles, cet accès à l’historique complet est un argument fort.
Variations aléatoires et sélection: comment l’IA sert de moteur expérimental
Le terme intelligence artificielle recouvre ici un usage distinct de celui qui domine l’actualité. L’équipe n’emploie pas l’IA comme un outil de classification d’images, mais comme une infrastructure permettant de simuler l’apprentissage par essais, erreurs et héritage. Le dispositif combine un environnement, des agents et une règle de sélection qui favorise les comportements efficaces. Dans ce cadre, l’IA devient un moteur expérimental: elle automatise la génération de variantes, l’évaluation de leur performance et la reproduction des meilleures.
Le principe est proche, dans l’esprit, de ce que la recherche appelle parfois des approches évolutionnaires: des populations d’agents sont soumises à une pression, et les traits qui améliorent la performance se répandent. La différence, dans l’expérience décrite par Lund University et le MIT, tient au focus sur un organe et une fonction précis, la vision, et à l’ambition de suivre l’apparition graduelle de structures comparables à des yeux biologiques.
Dans le récit proposé par les chercheurs, l’émergence de la vision ne se fait pas par saut. Les capteurs de départ détectent la lumière de manière grossière, ce qui suffit parfois à orienter un mouvement ou à éviter une zone. Puis, au fil des générations, des variations qui améliorent la discrimination spatiale ou la sensibilité sont retenues, parce qu’elles augmentent les chances de trouver de la nourriture ou d’éviter le poison. La sélection agit comme un filtre: elle ne sait pas ce qu’est un il, mais elle favorise ce qui marche.
Cette approche a un intérêt méthodologique: elle rend testable une idée classique de l’évolution, selon laquelle des organes complexes peuvent émerger par accumulation de petites améliorations, chacune avantageuse à son échelle. Dans un cadre numérique, il devient possible de quantifier l’avantage apporté par chaque étape, de mesurer des gains de performance, et de documenter l’enchaînement des transitions. Cela transforme une intuition en série d’observations inspectables.
Il faut aussi mesurer ce que ce type d’expérience ne dit pas. Une simulation n’est pas la nature: les lois physiques, les contraintes énergétiques, la chimie des tissus et l’histoire des espèces n’y sont pas présentes de la même manière. Mais l’intérêt revendiqué est ailleurs: isoler des mécanismes, tester des scénarios, et observer si des formes plausibles émergent sous des pressions analogues. Dans cette logique, le numérique sert de laboratoire où l’on peut répéter l’expérience, changer un paramètre, puis comparer les résultats.
Des yeux numériques proches des formes naturelles, selon Science Advances
Le résultat le plus frappant, d’après la description publiée dans Science Advances et reprise dans le communiqué, est la convergence visuelle: les yeux qui émergent dans la simulation finissent par ressembler à des structures que l’on retrouve dans le vivant. Cette proximité ne signifie pas que la simulation recrée un il humain, mais qu’elle tend vers des solutions morphologiques et fonctionnelles qui ne paraissent pas arbitraires. Autrement dit, sous certaines contraintes, certaines architectures reviennent.
Ce point touche à une question ancienne: la convergence évolutive. Dans la nature, des organes ou des fonctions similaires apparaissent parfois dans des lignées différentes, parce qu’elles font face à des problèmes comparables. L’expérience numérique propose une démonstration sur un terrain contrôlé: si des agents soumis aux mêmes objectifs finissent par développer des dispositifs de perception analogues, cela suggère que l’espace des solutions efficaces est plus restreint qu’il n’y paraît.
La prudence reste nécessaire. Ressembler peut recouvrir plusieurs niveaux: géométrie générale, organisation d’une surface sensible, présence d’un effet de focalisation, ou simple capacité à extraire une information directionnelle. Sans accès au détail complet des métriques morphologiques dans le texte source fourni, l’argument central reste celui rapporté par les auteurs: la simulation produit des yeux surprenamment similaires à ceux de la nature. Le qualificatif est important, mais il doit être lu comme un constat dans un cadre expérimental précis.
Le gain scientifique tient surtout à la possibilité d’observer des intermédiaires. Dans le vivant, les étapes transitoires sont difficiles à documenter, parce qu’elles laissent rarement des traces nettes. Dans la simulation, elles sont enregistrées. On peut examiner des formes rudimentaires, voir à quel moment elles deviennent utiles, puis identifier les pressions qui accélèrent ou freinent leur amélioration. Cette granularité donne un matériau pour discuter, de manière plus concrète, la plausibilité de trajectoires évolutives.
Il y a aussi une lecture plus large: si des structures ressemblantes émergent dans un environnement numérique, cela renforce l’idée que l’évolution n’est pas une suite d’accidents incompréhensibles, mais un processus où des contraintes et des avantages locaux orientent fortement les résultats. Le hasard introduit des variations, la sélection trie, et le monde impose des limites. La simulation ne remplace pas l’observation du vivant, mais elle propose une preuve de concept: des formes complexes peuvent apparaître sans plan préétabli, à condition que l’environnement récompense chaque amélioration.
Ce que Lund University et le MIT cherchent à mesurer avec un “replay” de l’évolution
Le projet s’inscrit dans une tendance de fond: utiliser des mondes simulés pour étudier des questions qui, dans la nature, demandent des échelles de temps inaccessibles. L’idée de rembobiner l’évolution et de la relancer en accéléré est une image, mais elle traduit une ambition scientifique claire: rendre expérimental ce qui est souvent seulement inféré. En contrôlant le décor, les ressources, les pénalités et les variations, les chercheurs peuvent tester des hypothèses sur l’émergence de la vision comme avantage adaptatif.
Les mesures possibles sont multiples. D’abord, la performance comportementale: vitesse de navigation, taux d’évitement des zones dangereuses, efficacité de recherche de nourriture. Ensuite, la complexité des capteurs et des circuits de décision: combien d’unités sensorielles, quel type d’intégration des signaux, quel degré de spécialisation. Enfin, la robustesse: un il numérique reste-t-il utile si l’environnement change légèrement, si la lumière est moins informative, ou si les obstacles sont déplacés? Ce sont des questions expérimentales, parce que la simulation permet d’altérer un seul paramètre à la fois.
Le rôle du MIT dans ce type de recherche est cohérent avec son expertise en modélisation et en systèmes complexes. Pour Lund University, l’intérêt est aussi de relier des concepts de biologie évolutive à des outils computationnels modernes. Le texte source mentionne explicitement que l’IA est utilisée non pas pour reconnaître des objets dans des photos, mais pour rejouer une dynamique évolutive. Ce déplacement d’usage compte: il montre que l’IA peut servir à produire des données, pas seulement à en consommer.
Sur le plan scientifique, ce genre de travail peut nourrir deux débats. Le premier porte sur la vraisemblance des trajectoires: quelles étapes intermédiaires sont avantageuses, et à partir de quel moment la vision devient un investissement rentable dans un environnement donné? Le second concerne la généralité: si l’on change les règles du monde, les yeux émergent-ils encore, et sous quelle forme? La force d’une simulation se mesure à sa capacité à produire des résultats stables sous des variations raisonnables de paramètres.
Il existe aussi un enjeu de communication scientifique. L’expression créer la vie est tentante, mais elle confond souvent une métaphore et une réalité. Ici, les chercheurs créent des agents numériques, pas des organismes biologiques. Leur valeur n’est pas d’être vivants au sens strict, mais d’être des systèmes capables d’héritage, de variation et de sélection dans un environnement contraignant. Le vocabulaire compte, parce qu’il conditionne la compréhension publique de ce que la simulation démontre réellement.
La prochaine étape, si la démarche se confirme, consiste à élargir le catalogue des fonctions étudiées, ou à complexifier les mondes simulés pour rapprocher les contraintes de celles du vivant. La question, pour la communauté, sera de savoir quelles prédictions testables ces mondes numériques peuvent inspirer dans des expériences biologiques, et comment relier des formes apparues en code à des mécanismes physiques et développementaux observables chez des espèces réelles.
Questions fréquentes
- Que montre exactement l’expérience menée par Lund University et le MIT ?
- Elle décrit une simulation où des organismes numériques, d’abord aveugles, subissent des variations aléatoires et une sélection basée sur leur capacité à se déplacer, éviter des obstacles et trouver des ressources, jusqu’à voir apparaître des structures de vision.
- Pourquoi parler d’évolution plutôt que d’un simple programme d’IA ?
- Le système ne se contente pas d’exécuter une règle fixe : il génère des variantes, évalue leur performance et conserve les traits qui améliorent la survie dans l’environnement, ce qui reproduit le principe variation-sélection-héritage.
- Les “yeux” obtenus sont-ils identiques à ceux des animaux réels ?
- Non. Les auteurs rapportent une similarité de forme et de fonction avec des solutions observées dans la nature, ce qui suggère une convergence vers des architectures efficaces, mais dans un cadre numérique avec des contraintes simplifiées.
