Une expérience publique de Sudoku menée cette année a donné un résultat frappant. Selon Logical Intelligence, un ensemble de grands modèles de langage de pointe, dont GPT-5.2 d'OpenAI, Claude Opus 4.5 et Sonnet 4.5, Gemini 3 Pro et DeepSeek V3.2, n'ont résolu collectivement que 2 % des grilles, tout en dépensant environ 11 000 dollars en appels d'API. Un modèle baptisé Kona, environ mille fois plus petit, en a résolu 96,2 % pour seulement 4 dollars de temps de GPU.
Le véritable enjeu dépasse le Sudoku. Les règles du Sudoku sont bien définies et suffisamment simples pour qu'un enfant de dix ans les apprenne, ce qui rend ce résultat surprenant. Les LLM sont les modèles d'IA les plus performants conçus autour du langage, mais de nombreuses tâches quotidiennes exigent une intelligence qui dépasse le langage. Certaines demandent un raisonnement spatial ou dimensionnel, d'autres reposent sur la logique, la planification ou la perception émotionnelle, et une grande partie de ce que font les humains ne peut pas être entièrement verbalisée. L'extrapolation et la créativité sont ce qui rend l'intelligence vivante plutôt que mécanique.
Yann LeCun, lauréat du prix Turing et pionnier de l'apprentissage profond, défend depuis des années l'idée que le texte seul ne produira pas une véritable intelligence. L'approche de Logical Intelligence, fondée par Eve Bodnia, repose sur des modèles de raisonnement fondés sur l'énergie (EBRM), comme Kona. Ces modèles sont conçus pour traiter des problèmes de contraintes avec lesquels les LLM peinent.
Les LLM fonctionnent en prédisant le jeton suivant le plus plausible dans une séquence. Cette conception a donné de bons résultats en traduction, en résumé et en génération de code, mais elle n'est pas adaptée à tous les problèmes. Pour les tâches qui nécessitent d'autres formes d'intelligence, les EBRM offrent une voie différente, avec un raisonnement latent plus fiable et une vérification et une sécurité gérées autrement que dans les systèmes LLM.
Source: ByteByteGo · Résumé par HeadlinesBriefing