Une étude de la VUB et de l’UNamur montre que des agents d'IA développent leur propre « langage naturel artificiel » pour communiquer sur des données complexes

Les systèmes d’IA développent spontanément leur propre langage, adapté à leurs capteurs, plutôt que de copier le langage humain.

14/10/2026

BRUXELLES, 14 octobre 2026 – Des chercheurs de l’Artificial Intelligence Lab de la VUB et de l’Université de Namur (UNamur) démontrent, dans une nouvelle étude à grande échelle, comment des systèmes d’IA autonomes peuvent développer spontanément, sans intervention humaine, un langage fonctionnel et partagé. Contrairement aux grands modèles linguistiques tels que ChatGPT, qui apprennent à partir de vastes corpus de textes produits par des humains, ces agents IA construisent leur propre système de communication, directement ancré dans les données fournies par leurs capteurs spécifiques et leur environnement. Cette découverte constitue une avancée majeure pour la communication entre les systèmes autonomes, tels que les voitures autonomes, les robots et les capteurs industriels.

Une couche d’abstraction pour les sens non humains

Les modèles linguistiques d’IA actuels se concentrent sur la compréhension et la génération de langues humaines telles que le néerlandais ou l’anglais. Ces langues humaines trouvent historiquement leur fondement dans nos propres perceptions sensorielles. Lorsque des agents d’IA physiques ou virtuels sont équipés de capteurs pour lesquels les humains n’ont pas d’équivalent sensoriel direct – tels que le lidar, le sonar, l’infrarouge ou l’analyse chimique –, le langage humain existant s’avère insuffisant.

Jérôme Botoko Ekila, doctorant à l’AI Lab de la VUB, explique : « Au lieu de contraindre les systèmes d’IA à communiquer dans une langue humaine qui ne correspond pas à leurs capteurs, nous leur permettons de faire développer leur propre « langue naturelle artificielle ». Ils construisent des concepts efficaces qui correspondent exactement à ce qu’ils perçoivent via leurs capteurs, même s’il s’agit de données incompréhensibles pour les humains. »

Comme, dans la pratique, les capteurs de différentes machines ou de différents véhicules ne peuvent pas toujours être calibrés de manière identique, le langage consitute, selon les chercheurs, la solution idéale.

Paul Van Eecke, professeur d’intelligence artificielle à la VUB : « Dans les applications industrielles ou physiques, il est tout simplement irréaliste de s’attendre à ce que tous les capteurs de différents robots ou véhicules soient calibrés de manière parfaitement identique. Les humains résolvent ce problème grâce au langage : si je dis que je me trouve près de la « voiture rouge », nous nous comprenons sans que nos yeux n’enregistrent exactement les mêmes valeurs de couleur. Le langage constitue une couche d’abstraction au-dessus des valeurs des capteurs, et c’est précisément ce que nous laissons désormais ces agents d’IA construire de manière autonome. »

Auto-organisation et évolution

Au lieu de mots préprogrammés ou de codes fixes, les chercheurs ont simplement fourni aux agents les mécanismes de base qui sous-tendent l’évolution du langage humain : l’invention locale de mots, l’adaptation de prototypes conceptuels et la prise en compte du retour d’information en cas de réussite ou d’erreur de communication.

Katrien Beuls, professeure à l’UNamur, explique : « Ce qui est fascinant, c’est qu’il n’y a pas d’ordinateur central qui impose les règles. Nous laissons à chaque fois deux agents interagir localement, l’un avec l’autre. C’est uniquement grâce à ces interactions et mises à jour individuelles qu’une convention commune émerge spontanément au sein de toute la population. Ce principe d’auto-organisation permet au langage de s’optimiser automatiquement : les agents créent exactement le nombre de catégories nécessaires pour accomplir leurs tâches efficacement, sans détails superflus. »

Testé sur 37 ensembles de données

L’applicabilité universelle de la méthode a été démontrée sur 37 ensembles de données variés et complexes. Ainsi, les agents ont réussi à développer leur propre vocabulaire pour communiquer, notamment sur des analyses physico-chimiques du vin, des données de la NASA sur les exoplanètes, des ensembles de données visuelles ou des images représentant des oiseaux ou des visages. Dans toutes ces situations, les agents ont réussi à regrouper efficacement les données en nouveaux concepts communs.

Transparents et adaptatifs

La transparence constitue un avantage notable des systèmes développés. Contrairement à de nombreux modèles d’IA de type « boîte noire », les chercheurs peuvent déterminer avec précision la signification d’un mot créé par les agents, car le prototype peut être directement rattaché aux valeurs des capteurs sous-jacents.

De plus, ces systèmes linguistiques évolutifs sont extrêmement robustes. Lorsque l’environnement change, lorsque les données des capteurs sont perturbées par du bruit ou lorsque les agents individuelsprésentent des caractéristiques ou des configurations différentes, le langage s’adapte automatiquement aux nouvelles circonstances grâce à une interaction continue.

Référence

Botoko Ekila, J., Verheyen, L., Nevens, J., Beuls, K., & Van Eecke, P. (2026). Emergent Communication in Continuous Worlds: Self-Organisation of Conceptually Grounded Vocabularies at Scale. Transactions of the Association for Computational Linguistics, vol. 14, pp. 2234–2257. DOI : 10.1162/TACL.a.799

Financement et collaboration

Cette recherche a été menée dans le cadre d'une collaboration entre le Laboratoire d'intelligence artificielle de la Vrije Universiteit Brussel(VUB) et la Faculté d'informatique de l'Université de Namur (UNamur), et a été financée par le Fonds de la recherche scientifique - de Flandre (FWO) et le Fonds de la Recherche Scientifique (FNRS) dans le cadre d’un projet WEAVE.

Contact

(numéros de téléphone disponibles auprès de la rédaction)