Une revue des agents auto-évoluants : Vers une intelligence artificielle superieure

Les grands modèles de langage (LLM) ont démontré des capacités importantes, mais restent fondamentalement statiques, incapables d'adapter leurs paramètres internes à des tâches nouvelles, à des domaines de connaissances en évolution, ou à des contextes d'interaction dynamiques. À mesure que les LLM sont de plus en plus déployés dans des environnements interactifs et ouverts, cette nature statique est devenue un goulot d'étranglement critique, nécessitant des agents capables de raisonner, d'agir et d'évoluer de manière adaptative en temps réel. Ce changement de paradigme — du développement de modèles statiques à la conception d'agents auto-évoluants — a suscité un intérêt croissant pour les architectures et les méthodes permettant un apprentissage continu et une adaptation à partir de données, d'interactions et d'expériences. Cette revue présente la première analyse systématique et exhaustive des agents auto-évoluants, structurée autour de trois dimensions fondamentales — ce qu'évoluer, quand évoluer et comment évoluer. Nous examinons les mécanismes d'évolution à travers les composants des agents (par exemple, modèles, mémoire, outils, architecture), classons les méthodes d'adaptation par étapes (par exemple, adaptation pendant le test, adaptation entre les tests), et analysons les conceptions algorithmiques et architecturales qui guident l'adaptation évolutionnaire (par exemple, récompenses scalaires, retours textuels, systèmes d'agents uniques ou multiples). En outre, nous analysons les métriques d'évaluation et les benchmarks adaptés aux agents auto-évoluants, soulignons les applications dans des domaines tels que la programmation, l'éducation et la santé, et identifions les défis critiques et les axes de recherche concernant la sécurité, la scalabilité et les dynamiques de co-évolution. En offrant un cadre structuré pour comprendre et concevoir des agents auto-évoluants, cette revue établit une feuille de route pour l'avancement des systèmes agents adaptatifs, tant dans la recherche que dans les déploiements réels, et apporte des éclairages pour faciliter la réalisation de l'Intelligence Artificielle Superieure (ASI), où les agents évoluent de manière autonome, atteignant ou dépassant le niveau d'intelligence humaine sur une large gamme de tâches.