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.

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. »

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.

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.

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.

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

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.

Avant qu'une intelligence artificielle puisse reconnaître une image, comprendre un texte ou répondre à une question, elle doit d'abord être entraînée. Pour cela, les développeurs et les data scientists utilisent des bibliothèques logicielles spécialisées, de véritables « boîtes à outils » qui permettent de construire ces modèles d'IA.

C'est sur ces logiciels que s'est penchée une équipe de recherche réunissant l'Université de Namur, l'Université de Passau (Allemagne) et la TU Delft (Pays-Bas). Leur objectif : détecter des bugs particulièrement difficiles à repérer, susceptibles de provoquer l’arrêt brutal d'un programme.

Pour vérifier que ces bibliothèques fonctionnent correctement, les chercheurs utilisent des logiciels capables de générer automatiquement des milliers de tests. Leur rôle est de pousser les programmes dans leurs retranchements afin de repérer d'éventuelles erreurs. 

Jusqu'ici, ces outils avaient toutefois une limite importante Lorsqu'un test provoquait un dysfonctionnement d'une bibliothèque logicielle, le logiciel chargé d'effectuer les tests cessait lui aussi de fonctionner. Impossible, dès lors, de comprendre précisément l'origine du problème ou de le signaler aux développeurs. 

Les chercheurs de l'UNamur ont donc imaginé une nouvelle méthode. Désormais, chaque test est exécuté séparément. Si l'un d'eux provoque un crash, celui-ci est isolé : le logiciel de test continue de fonctionner, enregistre l'erreur et poursuit ses analyses. Il devient ainsi possible de détecter automatiquement des bugs qui passaient jusque-là inaperçus. 

Grâce à cette nouvelle méthode, les chercheurs ont analysé 1 648 modules appartenant aux principales bibliothèques de machine learning et mis au jour 32 bugs inédits. Plusieurs concernaient des logiciels devenus incontournables pour entraîner des modèles d'intelligence artificielle.

Ces anomalies ont été signalées aux équipes de développement. Plusieurs ont déjà été reconnues puis corrigées. “Lorsqu'on corrige un bug à ce niveau-là, ce sont potentiellement des milliers, voire des millions d'utilisateurs qui en bénéficient”, souligne Xavier Devroey, professeur à la Faculté d’informatique de l’UNamur et membre du centre de recherche PReCISE du Namur Digital Institute (NaDI). Au-delà de ces corrections, cette recherche contribue à rendre plus fiables les logiciels sur lesquels reposent aujourd'hui de très nombreuses applications d'intelligence artificielle.

Cette avancée est née du mémoire de master de Lucas Berg, réalisé à l'UNamur sous la supervision du professeur Xavier Devroey. Dans le cadre de son stage de recherche, Lucas Berg rejoint ensuite l'équipe du professeur Annibale Panichella à la TU Delft afin de travailler sur Pynguin, l’outil open source de génération automatique de tests développé à l'Université de Passau par l'équipe du professeur Gordon Fraser évoqué précédemment. 

Au départ, son objectif était d'améliorer cet outil. En évitant les crashs tout en découvrant des bugs, cette première contribution a attiré ensuite l'attention des chercheurs de l'Université de Passau, confrontés au même problème, donnant naissance à une collaboration internationale qui débouchera sur une publication scientifique commune. 

Lucas Berg poursuit aujourd'hui un doctorat à la Faculté d'informatique de l'UNamur sous la supervision des professeurs Wim Vanhoof et Xavier Devroey. Les résultats de cette recherche ont été présentés à l'IEEE International Conference on Software Testing, Verification and Validation (ICST 2026), l'une des conférences internationales les plus prestigieuses dans le domaine du test logiciel.  

Cette recherche a aussi bénéficié du soutien du Service public de Wallonie (SPW Recherche) et de Wallonie-Bruxelles International. Une reconnaissance qui souligne la qualité de ces travaux et leur intérêt pour la communauté scientifique internationale. 

Au sein de NaDI, les chercheurs apportent des solutions innovantes aux nouveaux défis sociétaux posés par la révolution digitale (eGov, eHealth, eServices, Big data, etc.). Issus de différentes disciplines, les chercheurs croisent leurs expertises en informatique, technologie, éthique, droit, management ou sociologie. Regroupant six centres de recherche, le Namur Digital Institute offre une expertise multidisciplinaire unique dans tous les domaines de l'informatique, de ses applications et de son impact social.  

Composant manquant, soudure fragile, polarité inversée, griffe, corps étranger telle qu’une vis qui tombe sur le produit : sur une chaine de production de pièces électroniques pour l’automobile telle que celle de l’entreprise AISIN Europe, les défauts, même s’ils sont rares, doivent pouvoir être détectés de manière immédiate et pertinente. « Mon objectif était de pouvoir apprendre à un ordinateur à repérer ce qui est normal et ce qui est anormal dans des images », résume Arnaud Bougaham, ingénieur data scientist au sein de l’entreprise AISIN EUROPE mais aussi chercheur associé à la Faculté d’informatique de l’UNamur. 

Sur une ligne de production, des images sont en effet prises par des caméras placées au-dessus d’un convoyeur et un système informatique est alors chargé de vérifier, à grande cadence, que chaque pièce est conforme. « Or, si le système d’inspection traditionnel fait bien son travail, il génère aussi beaucoup de faux positifs, de fausses alertes. Ce qui impacte fortement le travail des personnes chargées de confirmer ou infirmer les alertes : elles sont sollicitées sans relâche au risque d’y perdre du temps et de l’énergie ». C’est ce processus qu’Arnaud Bougaham a décidé d’améliorer pour son entreprise en commençant en 2020 une thèse de doctorat au sein du laboratoire HuMaLearn de la Faculté d’informatique reconnu pour son expertise en machine learning, sous la supervision des professeurs Benoit Frenay et Isabelle Linden.

De plus le modèle permet aussi, lorsqu’un défaut est soupçonné, d’afficher précisément la zone concernée : l’opérateur peut visualiser l’indication, manipuler la pièce si nécessaire, puis trancher. 

Autre plus-value de l’outil développé ? Le système n’affiche pas seulement un verdict, il indique aussi la confiance que le système a dans sa prédiction. « L’objectif est de filtrer les cas simples et d’attirer l’attention sur des cas plus complexes, afin que les experts ne soient plus noyés par de mauvais diagnostics et puissent se concentrer sur l’essentiel », insiste Arnaud Bougaham.

Si l’outil a avant tout été conçu pour répondre au besoin de l’entreprise de production automobile, la logique est générique. « Il pourrait être transposable au sein d’usines qui fabriquent du parquet, du bois, du tissu. Mais aussi dans le secteur médical », s’enthousiasme Arnaud Bougaham. « Une maladie, c’est finalement une anomalie dans une image. Les contraintes se ressemblent : quand il y a un défaut, il faut absolument le détecter, tout en limitant, autant que possible, les fausses alertes. Dans le secteur médical, avoir un outil similaire qui dégrossit l’analyse tout en laissant la responsabilité au médecin peut être impactant. »

La thèse d’Arnaud Bougaham est née d’un double ancrage : doctorant à l’UNamur et, en parallèle, ingénieur chez AISIN Europe. Cette position lui a donné accès à ce qu’il appelle « la vérité terrain ». « En laboratoire, on peut obtenir de très bons résultats, mais en production il y a une réalité avec un environnement précis. » Données bruitées, conditions variables, contraintes de coûts, et surtout cadence : « il faut que notre système fonctionne au rythme de la ligne ». En partageant son temps de travail entre l’entreprise AISIN Europe et l’UNamur, Arnaud Bougaham démontre ainsi comment une thèse peut avoir un impact concret sur les besoins du terrain. Le tout en devant concilier les fonctionnements et obligations de chacun. 

Au-delà des promesses, ces travaux sont déjà confrontés à des cas d’usage concrets. Au sein d’AISIN Europe, le cadre développé est notamment en intégration au sein d’une ligne de production active pour détecter des composants inattendus (comme une vis) sur les cartes de circuits imprimés. Dans le domaine médical, l’approche est orientée pour l’analyse de la réceptivité au coma via un examen d’imagerie médicale qui permet d’observer le fonctionnement des organes et des tissus. Certaines techniques sont également reprises pour une application de segmentation du cancer de l’ovaire ou du lymphome.

Ces résultats démontrent aussi comment une intelligence artificielle peut être fiable et centrée sur l’humain dans des environnements à haut risque.

L'intelligence artificielle est aujourd'hui à la portée de tous. Pourtant, si beaucoup l'utilisent au quotidien, rares sont ceux qui en comprennent réellement le fonctionnement, les limites ou les enjeux. C'est pour répondre à ce besoin que le Namur Digital Institute (NaDI) lance “Et si l'IA…”, un cycle de conférences-ateliers ouvert au grand public, coordonné par les doctorantes Elisa De Coster (PReCISE) et Aline Nardi (CRIDS). 

“L'idée du projet est de démystifier l'intelligence artificielle”, entame Elisa De Coster. “Nous avons la chance, en tant que chercheurs, d'être sensibilisés aux questions que soulèvent l’IA. Nous voulions que les citoyens curieux puissent eux aussi disposer de ces clés de compréhension.” 

“Avant 2022 et l'essor de ChatGPT, ces outils étaient réservés à une niche”, poursuit Aline Nardi."Depuis, l'usage de l'IA s'est généralisé à une vitesse record, mais la réflexion sur les enjeux sociétaux de ces usages n'a pas suivi le rythme. Cette série de conférences est une invitation à faire un pas de côté pour comprendre ce qui se joue en coulisses" 

Chaque séance, d'une durée d'environ deux heures, croisera les regards de plusieurs spécialistes. Un doctorant en informatique expliquera le fonctionnement technique de l'IA, tandis que son homologue en droit abordera les implications juridiques, éthiques et sociétales.

Des intervenants issus du monde professionnel viendront partager leur expérience de terrain et une activité interactive permettra au public de mettre ces notions en pratique. Parmis ces intervenants, on peut notamment citer Alice Gorissen (CEO & Head of Animation à Dreamwall), Jean-Philippe Demiddeleer (juge de paix à Gembloux) et Zoé Dewinter (psychologue clinique, spécialisée sur l’IA en santé mentale). L'interactivité, l'interdisciplinarité et l'ouverture au grand public constituent les trois piliers du projet.

Chaque rencontre abordera une question de société différente : 

• 1er octobre 2026 – La Nef 
   Et si l'IA était votre confidente ? 
   Peut-on se confier à un chatbot ? Quels en sont les risques ? 
• 22 octobre 2026 – PA02 
   Et si l'IA se trompait ? 
   Comment reconnaître les erreurs d'une intelligence artificielle et conserver son esprit critique ? 
• 19 novembre 2026 – Caméo 
   Et si l'IA était subjective ? 
   Les intelligences artificielles sont-elles réellement neutres ou reproduisent-elles certains biais ? 
• 25 février 2027 – Quai 22 
   Et si l'IA volait vos créations ? 
   Quels défis l'IA générative pose-t-elle en matière de droit d'auteur et de propriété intellectuelle ? 
• 18 mars 2027 – TRAKK 
   Et si l'IA vous connaissait trop bien ? 
   Que deviennent nos données personnelles et jusqu'où l'IA peut-elle apprendre à nous connaître ? 

Si Elisa De Coster et Aline Nardi coordonnent le projet, elles insistent sur le fait qu'il s'agit avant tout d'un travail collectif. Le cycle de conférences est porté par dix doctorants issus des centres de recherche PReCISE et CRIDS : Elisa De Coster, Adélaïde Couplet, Jules Dejaeghere, Pierre Luycx, Pierre Poitier, Aline Nardi, Alix Gobert, Florian Jacques, Martin Rappe, Lionel Goffaux et Olga Thiry. Ensemble, ils veulent aider le grand public à mieux comprendre l'intelligence artificielle, sans la diaboliser ni la présenter comme une solution miracle.