Alors que l’essor des grands modèles de langage bouleverse la recherche algorithmique, une équipe de chercheurs présente SeaEvo, un nouvel outil qui promet de transformer la manière dont les IA découvrent et optimisent des algorithmes. Ce système, dévoilé dans une publication récente sur arXiv, s’attaque à l’un des talons d’Achille de l’évolution automatisée: la capacité à raisonner stratégiquement à grande échelle.

La découverte automatique d’algorithmes par des IA, notamment via les modèles de langage (LLM), repose de plus en plus sur des processus évolutifs. Dans ces approches, une population de programmes candidats évolue au fil des générations, guidée par des critères de performance. Jusqu’ici, ces systèmes suivaient surtout l’évolution des programmes exécutables et de leur « fitness » numérique, c’est-à-dire leur efficacité mesurée. Même lorsque des descriptions en langage naturel étaient intégrées, elles restaient anecdotiques ou éphémères, sans structuration ni mémoire durable à l’échelle du groupe.

SeaEvo : donner une mémoire stratégique à la recherche algorithmique

SeaEvo change la donne en introduisant une couche appelée « strategy-space layer ». Concrètement, chaque programme candidat est désormais assorti d’une stratégie explicitement formulée en langage naturel. Ces stratégies ne se contentent pas de décrire l’intention derrière chaque solution : elles servent à organiser toute la population selon leur sens, à regrouper les idées proches et à détecter les directions déjà explorées à saturation.

Ce système permet de distinguer plus finement les variantes d’une même approche algorithmique, même si leur code diffère en surface. Surtout, il facilite la préservation de stratégies jugées prometteuses mais encore peu performantes, évitant ainsi que des pistes intéressantes ne soient éliminées trop tôt. SeaEvo va jusqu’à naviguer activement dans ce « paysage stratégique » pour éviter de tourner en rond sur des familles d’idées déjà exploitées.

La force de SeaEvo réside dans sa capacité à s’intégrer sans refonte des algorithmes évolutifs existants. Il agit comme une surcouche qui enrichit la mémoire collective de l’IA, capitalisant sur le raisonnement en langage naturel pour guider l’exploration. Lors d’expérimentations sur quatre benchmarks de systèmes, SeaEvo affiche une amélioration moyenne de 20,6 % par rapport aux méthodes classiques. Sur le test Prism, la meilleure exécution triple même la performance de référence.

Un nouveau cap pour l’intelligence artificielle générative

En pratique, l’apport de SeaEvo dépasse la simple recherche algorithmique. Le système démontre l’intérêt d’une structuration persistante des stratégies, ouvrant la voie à des IA capables d’accumuler et de réutiliser des familles d’idées. Cette approche pourrait s’avérer décisive pour concevoir des agents intelligents plus robustes et inventifs, ou optimiser des systèmes complexes dont les solutions ne sont pas immédiatement mesurables par un simple score.

En s’appuyant sur le langage naturel comme vecteur stratégique, SeaEvo confirme une tendance majeure : celle d’IA dont l’intelligence ne se limite plus à la performance brute, mais s’enrichit d’une mémoire conceptuelle collective. Les résultats publiés sur arXiv suggèrent que cette orientation pourrait rendre la recherche automatisée plus efficace et moins coûteuse, en évitant la redondance et en valorisant la diversité des approches.

Si SeaEvo n’est pas une refonte complète des méthodes évolutives, il marque une avancée vers des systèmes d’IA capables d’apprendre non seulement des solutions, mais aussi des chemins stratégiques qui y mènent. Un pas de plus vers des intelligences artificielles réellement collectives et stratèges.

Source originale : SeaEvo: Advancing Algorithm Discovery with Strategy Space Evolution via arxiv.org (11/05/2026)

Credit photo: Google DeepMind (Licence Pexels) – source image