Un modèle qui réfléchit plus longtemps sur un plateau n’est pas forcément plus humain. Une étude Nature du MIT, de Cambridge, Princeton et de leurs partenaires utilise 121 jeux stratégiques inconnus à deux joueurs pour observer le premier raisonnement. Le résultat pointe vers une voie légère : face à un nouveau jeu, les humains utilisent souvent quelques simulations mentales peu profondes et orientées vers un but.
Pour l’IA, l’enjeu est direct. Les modèles de raisonnement assimilent souvent longues chaînes et grands arbres de recherche à la compétence. Les utilisateurs réels doivent d’abord décider si la position mérite davantage de calcul, combien dépenser et quel coup essayer.
Le premier regard sur 121 jeux
L’équipe a construit 121 variantes de jeux de connexion. Taille du plateau, longueur de connexion, conditions de victoire et actions de tour changent, mais l’action de base reste de poser des pièces sur une grille. Plus de 1000 participants pouvaient comprendre les règles sans routine entraînée.
Les tâches incluaient juger l’équité depuis les règles, estimer le plaisir, jouer un premier coup, prédire le coup d’autrui et décider de continuer après une proposition de match nul. Intuitive Gamer utilise peu de self-play et des heuristiques orientées but.
“whether a task is worth thinking about at all”
Rapide ne veut pas dire aléatoire
Dans les jugements d’équité avant jeu, Intuitive Gamer correspond aux estimations humaines avec R²=0,81, près du plafond des données humaines, R²=0,82. Random Player atteint R²=0,47, Expert Gamer R²=0,65 et MCTS R²=0,60.
L’écart d’efficacité est plus fort. Selon la mesure de self-play du papier, Intuitive Gamer utilise environ 1/700 du temps wall-clock d’Expert Gamer et évalue environ 500 fois moins d’états. Par rapport à MCTS, le temps approche 1/40000 et les évaluations de nœuds sont presque 10000 fois moindres.
Les joueurs humains paraissent aussi chercher peu
302 participants ont joué de nouveaux jeux, produisant 1808 parties et 9892 coups. En prédiction d’action, Intuitive Gamer explique mieux les choix qu’Expert Gamer et les modèles aléatoires. Dans 32 des 41 jeux de test, il couvre plus de la moitié de la distribution de probabilité des actions; individuellement, c’est le cas pour 243 des 302 joueurs.
Sur 249 états de plateau gelés, le modèle reste plus proche des prédictions humaines, avec des écarts TVD de -0,15 face à Expert Gamer et -0,09 face au modèle aléatoire.
La leçon pour l’IA : budgéter la pensée
L’étude ne fournit pas une architecture IA générale. Elle porte sur des jeux compétitifs à deux joueurs, à information complète, souvent issus de la famille des jeux de connexion. Go, échecs, coopération, multi-agents et exploration scientifique ouverte devront être testés à part.
Mais elle propose une métrique utile : vérifier si le modèle sait quand une exploration superficielle suffit, quand lancer une recherche profonde et quand le calcul supplémentaire vaut son coût.
Sources : article Nature “People use fast and flat simulation to reason about new games”, arXiv:2510.11503, 36Kr English, CocoLoop ; le texte Nature a servi à vérifier les 121 jeux, 1000+ participants, R²/TVD, MCTS et les mesures d’efficacité Expert Gamer.