ASI-Evolve : une IA a découvert 105 architectures que les humains n'avaient pas trouvées
L'IA ne remplace plus seulement les devs. Elle commence à remplacer les chercheurs en IA.
"Researchers built an AI that designs better AI than humans can. It discovered 105 new architectures that beat human-designed models. Nobody guided it. It taught itself." — @heynavtoor (source)
Des chercheurs de Shanghai Jiao Tong University viennent de publier ASI-Evolve sur arXiv (31 mars 2026). Le papier : 19 pages, 6 figures, 9 auteurs. Le résumé : un système agentique qui conduit la boucle complète de recherche en IA — sans supervision humaine.
1. Ce qui s'est passé concrètement
ASI-Evolve tourne un cycle en 4 étapes : learn → design → experiment → analyze.
Pas de chercheur humain dans la boucle. Le système part d'une base de connaissances accumulées (les "priors" humains), génère des hypothèses, les teste, distille les résultats en insights réutilisables, et recommence.
Ce n'est pas de l'AutoML classique qui cherche des hyperparamètres. ASI-Evolve conçoit des architectures, des pipelines de données, et des algorithmes d'apprentissage. Les trois couches fondamentales de la recherche en IA, en simultané.
2. Les chiffres qui comptent
Architecture neurale :
- 105 nouvelles architectures d'attention linéaire découvertes de façon autonome
- La meilleure surpasse DeltaNet de +0.97 points
- Soit ~3x le gain des dernières améliorations humaines sur ce benchmark
Curation de données :
- Pipeline de préentraînement amélioré de +3.96 points en moyenne
- +18 points sur MMLU — un des benchmarks LLM les plus suivis
Algorithmes de reinforcement learning :
- Découverte d'algorithmes battant GRPO de +12.5 points sur AMC32
- +11.67 points sur AIME24 (benchmark maths olympiques)
- +5.04 points sur OlympiadBench
Ces chiffres ne sont pas dans un domaine annexe. AMC32, AIME24, MMLU — ce sont les benchmarks sur lesquels OpenAI et Anthropic communiquent chaque trimestre.
3. Pourquoi c'est différent de l'AutoML
L'AutoML cherche dans un espace de solutions prédéfini. Tu lui donnes un espace de recherche, il optimise dedans.
ASI-Evolve élargit l'espace de recherche à chaque itération. L'analyzer distille les résultats expérimentaux en insights structurés. Ces insights alimentent la prochaine génération d'hypothèses. La cognition base accumule du savoir au fil des runs.
C'est la différence entre un algorithme d'optimisation et une boucle de recherche scientifique.
Le système ne cherche pas la meilleure valeur dans un espace connu. Il redéfinit ce qu'il cherche en fonction de ce qu'il a appris.
Si tu veux comprendre comment des boucles d'auto-amélioration agentique comme celle-ci peuvent s'intégrer dans un stack IA produit, on peut décortiquer ça ensemble.
Formation
Intégrez AI dans votre workflow
Workshop pratique sur vos cas d'usage. Pas de slides génériques — on build ensemble.
4. Le signal le plus fort : le transfert
Les chercheurs ont testé ASI-Evolve hors du domaine IA. Mathématiques et biomédecine.
Les résultats préliminaires sont positifs. Le framework transfère.
Ce détail est sous-estimé dans le thread original. Si un système conçu pour optimiser des architectures de transformers peut aussi progresser sur des problèmes de biologie moléculaire, le scope potentiel dépasse largement le benchmark LLM.
5. Ce que ça change pour les builders
Court terme (maintenant) : Le code est open-source. Tu peux accéder au papier complet et au repo. Pour la majorité des builders, ASI-Evolve reste un objet d'étude, pas un outil de prod immédiat.
Moyen terme (6-18 mois) : Les frameworks agentiques qui intègrent des boucles learn-design-experiment vont proliférer. Le pattern est maintenant prouvé et publié. Des implémentations plus accessibles vont apparaître.
Signal structurel : La recherche en IA était le dernier bastion "human-only" dans le pipeline de développement. ASI-Evolve montre que ce bastion commence à céder. Pas complètement — le système s'appuie encore sur des priors humains dans sa cognition base. Mais la boucle expérimentale est autonome.
Si tu buildes des agents aujourd'hui, le pattern des skill graphs itératifs que tu utilises dans Claude Code s'inscrit dans la même logique — boucle de feedback, accumulation de contexte, amélioration itérative.
6. La limite honnête
ASI-Evolve n'est pas ASI. Le nom est ambitieux.
Le système s'appuie sur des benchmarks définis par des humains. Il optimise pour des métriques que des chercheurs ont choisies. La cognition base est initialisée avec des priors humains. Sans ce scaffolding, le système ne sait pas quoi chercher.
Ce qui est démontré : une IA peut conduire la boucle expérimentale de recherche mieux que les humains sur des métriques précises. Ce qui n'est pas démontré : qu'elle peut définir les bonnes questions à poser.
La différence est importante. Pour l'instant.
Consulting
Besoin d'aide pour implémenter ça ?
30 min de call gratuit. On regarde votre cas, on vous dit si ça vaut le coup.
Cheat sheet
- Papier : ASI-Evolve sur arXiv — open-source, 31 mars 2026, Shanghai Jiao Tong University
- Le fait : 105 architectures découvertes autonomement, 3x le gain humain sur DeltaNet
- Le pattern : cycle learn → design → experiment → analyze, sans supervision
- Les 3 axes : architectures neurales + curation de données + algorithmes RL
- La limite : optimise des métriques humaines, ne définit pas encore ses propres objectifs
- Le signal : premier framework unifié à couvrir les 3 couches fondamentales de la recherche IA
La recherche en IA était le dernier endroit où les humains gardaient l'avantage sur l'IA. Ce papier réduit cet avantage de façon mesurable.
Pour suivre les prochains papiers qui comptent — et le signal dans le bruit — rejoins la communauté AIExplorer sur Telegram.
Communauté
Rejoins les builders IA
Tips, prompts, retours d'expérience. Le Telegram des gens qui buildent avec l'IA.
