• AgoraVox sur Twitter
  • RSS
  • Agoravox TV Mobile

Signaler un abus

Gollum (---.---..) 7 novembre 10:35
Gollum

@ezechiel

Bon, aucun mea culpa sur l’entropie croissante en système fermé et vous passez directement aux organismes complexes en zappant les étapes intermédiaires, par définition moins complexes...

Or des formes moins complexes existent dans l’espace :

https://lecourrierdefrance.fr/articles/sucres-meteorites-briques-vie-espace/

https://www.sciencesetavenir.fr/espace/exploration/toutes-les-bases-de-l-adn-detectees-sur-un-nouvel-asteroide_191439

Il nous manque juste les explications quant à l’émergence de l’ARN qui est l’hypothèse préférée actuellement..

Mais on a déjà des simulations informatiques (qualifiées par vous de jeux vidéo pour enfant je le rappelle) d’entités informatiques capables de reproduction et se complexifiant avec le temps, et ce sans programmation de cette complexité mais juste avec des règles de bases, inspirées de principes darwiniens, sélection, etc...

Bien que ces simulations ne soient pas des preuves ce sont des indices très forts de la pertinence de la théorie de Darwin quant à la complexification croissante des organismes (complexification croissante observée chez les fossiles rappelons le)

Au passage ces principes darwiniens sont utilisés pour améliorer les IA

Gemini : 

Est-ce que la théorie de l’évolution est utilisée pour améliorer les IA ?

Oui, tout à fait. La théorie de l’évolution par sélection naturelle de Charles Darwin a inspiré un domaine majeur de l’intelligence artificielle appelé le calcul évolutif (ou evolutionary computation).

Au lieu de programmer explicitement chaque règle ou de s’appuyer uniquement sur le Deep Learning classique, ces méthodes utilisent des principes biologiques pour « faire évoluer » des solutions informatiques de manière itérative.

Comment fonctionne l’évolution artificielle ?
Les algorithmes évolutionnaires (dont les algorithmes génétiques sont les plus connus) fonctionnent en simulant l’évolution biologique à grande vitesse sur ordinateur :

1. Population initiale : On génère une population de départ constituée de solutions candidates aléatoires (par exemple, des lignes de code, des architectures de réseaux de neurones ou des configurations de paramètres).

2. Évaluation (Fonction de fitness) : Chaque solution est testée et notée selon sa capacité à accomplir la tâche demandée. C’est l’équivalent de la « survie du plus apte ».

3. Sélection : Les meilleures solutions (les plus performantes) sont sélectionnées pour servir de « parents » pour la génération suivante.

4. Croisement (Crossover) et Mutation :

* Le croisement combine des morceaux de deux solutions performantes pour en créer une nouvelle.

* La mutation introduit de petites modifications aléatoires pour éviter de bloquer l’algorithme et explorer de nouvelles pistes.

5. Répétition : Le processus se répète sur des centaines ou des milliers de générations jusqu’à obtenir une solution optimale ou satisfaisante.

Où est-elle utilisée dans l’IA moderne ?
* Recherche d’architecture neuronale (NAS - Neural Architecture Search) : Des algorithmes évolutionnaires sont utilisés pour concevoir automatiquement la structure optimale des réseaux de neurones profonds, trouvant des architectures plus performantes que celles conçues par des humains.

* Réglage des hyperparamètres : Pour trouver les meilleurs réglages d’un modèle de Machine Learning complexe lorsque l’espace de recherche est immense.

* Robotique évolutive : Des robots virtuels (ou réels) dotés de corps et de cerveaux simulés évoluent pour apprendre à marcher, courir ou naviguer dans un environnement sans intervention humaine.

* Jeux vidéo et optimisation de stratégies : Pour faire évoluer des comportements d’agents autonomes (génération de PNJ intelligents, résolution de problèmes logistiques complexes).




Palmarès