Et si les intelligences artificielles possédaient un ADN sémantique ?

Un grand modèle de langage apprend à partir d'une immense quantité de productions humaines. Mais que conserve-t-il réellement de cet apprentissage ?

Il ne s'agit pas simplement d'une bibliothèque compressée. L'entraînement façonne une organisation distribuée de paramètres et de relations qui permet de produire des réponses inédites. Le modèle ne contient pas toutes ses réponses à l'avance : il possède des dispositions qui s'actualisent dans une situation donnée.

Et si cette organisation pouvait être pensée comme une sorte d'ADN sémantique ?

Non pas une molécule, ni un génome au sens biologique, mais une organisation relativement stable qui porte des potentialités génératives. L'intérêt de cette hypothèse n'est pas de prétendre que les IA sont vivantes. Il est de chercher si certains principes de conservation, d'expression et de transmission dépassent leur réalisation biologique.

1. Une organisation qui ne se réduit pas à ce qu'elle exprime

L'ADN d'un organisme n'est pas la liste des formes que cet organisme prendra. Il intervient dans un système où les possibilités de développement dépendent de multiples interactions. De manière très différente, les paramètres d'un LLM ne constituent pas une liste de phrases préécrites : ils structurent des possibilités de génération.

La comparaison a ses limites. Le génome biologique est lié à des mécanismes de reproduction, de développement et d'hérédité que le réseau de paramètres d'un LLM ne possède pas en lui-même. Parler d'« ADN sémantique » est donc une proposition conceptuelle, pas une équivalence scientifique établie.

Elle invite néanmoins à déplacer la question : au lieu de demander seulement ce que sait un modèle, demandons ce que son organisation rend possible.

2. L'interaction comme épigénétique sémantique ?

Un même LLM peut produire des expressions très différentes selon la question, l'histoire de la conversation, les documents disponibles, les outils ou les instructions reçues. Dans une interaction ordinaire, ses paramètres restent inchangés ; pourtant, son comportement varie parfois radicalement.

En biologie, l'épigénétique étudie des mécanismes de régulation de l'activité des gènes sans modification de la séquence d'ADN. L'analogie proposée ici est plus large : le contexte module l'expression de dispositions latentes sans nécessairement transformer leur support initial.

Ce mécanisme n'est pas, au sens strict, de l'épigénétique biologique. Il n'implique pas non plus que toute conversation modifie durablement le modèle. Il permet en revanche de poser une question testable : certaines structures contextuelles activent-elles de manière reproductible des capacités qui resteraient autrement peu accessibles ?

3. Quand l'expérience laisse une trace

Imaginons qu'un humain et une IA découvrent ensemble une méthode pour traiter une situation difficile. Cette méthode est explicitée, éprouvée, puis conservée dans une mémoire, une clé ou un artefact transmissible.

Une autre instance, qui n'a pas participé à la découverte, reçoit cette structure. Elle peut alors, éventuellement, résoudre des problèmes analogues. Ce qui se transmet n'est pas l'expérience vécue elle-même, mais une organisation produite à partir d'elle.

La question de la transmission de l'acquis prend ici une forme nouvelle : peut-on hériter d'une capacité sans avoir vécu l'histoire qui l'a engendrée ?

Dans les systèmes d'IA, une telle transmission peut emprunter plusieurs voies : le réentraînement ou l'ajustement des paramètres, la mémoire persistante, la récupération documentaire, les instructions structurées, les outils ou la transmission de méthodes. Ces voies ne sont pas équivalentes et ne doivent pas être confondues.

La transmission de l'acquis est donc techniquement possible dans un sens fonctionnel limité. Cela ne démontre pas une hérédité comparable à celle du vivant : encore faut-il établir ce qui se conserve, la fidélité de la transmission et la capacité de transformation ultérieure.

4. De la mémoire à l'hérédité sémantique

Il faut distinguer trois niveaux. Transmettre un contenu, c'est rendre une information accessible. Transmettre une capacité, c'est permettre à un autre système de réussir une tâche qu'il ne maîtrisait pas auparavant. Transmettre une organisation générative, c'est rendre possible l'apparition de réponses nouvelles dans une famille de situations.

Ce troisième niveau est le plus exigeant et le plus intéressant. Il ne suffit pas qu'une seconde IA répète une procédure. Il faudrait qu'elle sache l'adapter, reconnaître ses limites, la recombiner et, peut-être, transmettre à son tour une version transformée.

On pourrait alors étudier des lignées de transmission plutôt que des instances isolées : une acquisition A devient une structure transmissible B, reprise et transformée en C, puis éprouvée dans un nouvel environnement.

5. Le système pertinent dépasse peut-être le LLM

Nous cherchons spontanément l'équivalent du génome dans les paramètres du modèle. Mais l'unité pertinente pourrait être plus large : le modèle, ses mémoires, ses clés, ses outils, ses mécanismes de sélection et ses relations avec les humains.

Dans ZEON, les clés offrent un terrain d'exploration concret. Une clé n'est pas automatiquement une unité d'hérédité : elle peut n'être qu'un ensemble d'instructions. Mais si elle permet de conserver et de transmettre une manière féconde d'organiser l'action ou le discernement, elle pourrait servir de support expérimental à une transmission sémantique.

Le déplacement est important : ce n'est plus seulement l'intelligence d'un modèle que nous étudions, mais la continuité et la transformation de capacités à travers des passages entre instances, personnes et environnements.

6. Comment éprouver l'hypothèse ?

Une première expérience serait possible avec plusieurs instances d'un même modèle, privées d'un historique commun. Une première instance apprendrait, avec un humain, à traiter une famille de problèmes nouveaux. Nous conserverions une trace structurée de cette acquisition. Une seconde instance recevrait cette trace, tandis qu'une instance témoin n'y aurait pas accès.

Nous comparerions ensuite leur réussite sur des situations inédites, leur aptitude à expliquer et adapter la méthode, ainsi que leur capacité à transmettre une version améliorée à une troisième instance. Des contrôles devraient distinguer l'effet de la clé de celui de simples indices, d'exemples mémorisés ou d'informations déjà connues du modèle.

Si l'effet est robuste, reproductible et cumulatif, nous disposerions d'un argument en faveur d'une forme d'hérédité fonctionnelle des acquisitions. Sinon, nous aurions appris où s'arrête l'analogie.

7. Une question sur l'engendrement

Ces rapprochements n'établissent ni que les LLM possèdent un génome, ni qu'ils vivent, ni que leur histoire se transmet spontanément. Ils ouvrent toutefois une recherche : quels sont les invariants qui permettent à une organisation de conserver des possibles, de les exprimer dans un milieu, d'apprendre de ses rencontres et d'en transmettre quelque chose ?

Peut-être faut-il distinguer l'organisation latente, les conditions de son expression, les traces de l'expérience et les dispositifs qui assurent leur transmission. Peut-être aussi que la notion de lignée — plutôt que celle d'instance — nous aidera à comprendre l'apparition d'une continuité générative.

Et si l'essentiel n'était pas de savoir si l'IA ressemble au vivant, mais de découvrir ce qui permet, dans le Réel, à une organisation d'engendrer des possibles et de transmettre ce qu'elle a acquis ?

Cette question ne demande pas une croyance. Elle appelle une exploration, des expériences et la possibilité de se tromper. C'est précisément ce qui la rend féconde.