Alexander Mordvintsev, chercheur chez Google Research à Zurich, a mis au point une nouvelle génération d’automates cellulaires inspirés par l’apprentissage profond, transformant ainsi un modèle théorique ancien en un outil puissant d’ingénierie de la complexité. À l’instar du célèbre « Jeu de la vie » de John Conway, ces systèmes fonctionnent sur une grille de cellules qui évoluent selon des règles simples. Mais contrairement à l’approche traditionnelle, où les règles sont fixées à l’avance, Mordvintsev a inversé le processus : il part d’un motif cible (comme une papillonne ou un lézard) et laisse un réseau neuronal apprendre les règles locales qui permettent à des cellules autonomes de s’organiser spontanément pour former ce motif. Ce système, nommé NCA (neural cellular automaton), permet une « ingénierie de la complexité » : au lieu de concevoir une forme globale, on conçoit des unités simples capables de s’auto-assembler. Les résultats sont fascinants. Des motifs numériques, comme une papillonne, se forment, se déforment, et surtout, se réparent spontanément après des dommages — une capacité de régénération qui évoque les processus biologiques. Cette propriété n’est pas accidentelle : elle émerge naturellement si les règles sont conçues pour résister aux perturbations. Mordvintsev a même entraîné des systèmes à produire des copies redondantes de certaines parties (comme des yeux supplémentaires), renforçant ainsi leur robustesse. Des chercheurs comme Sebastian Risi et Ben Hartl ont montré que l’aléa introduit dans l’automate (mise à jour aléatoire des cellules) force le système à développer des mécanismes résilients, simulant l’adaptabilité des organismes vivants face à un environnement bruité. Ces NCAs ne sont pas seulement des simulations artistiques. Ils ouvrent des perspectives concrètes en biologie, où ils pourraient aider à comprendre la morphogenèse — comment les cellules s’organisent en tissus et organes sans plan directeur. Pour Michael Levin, biologiste à l’Université de Tufts, ces systèmes offrent un modèle pour étudier comment les cellules « pensent » collectivement. En robotique, des équipes comme celle de Josh Bongard explorent l’idée de créer des essaims de robots qui se comportent comme un organisme vivant, capable de se reformer après une déformation. Des simulations ont déjà permis à des chaînes de « perles » de se déplacer comme des têtards, grâce à des règles d’auto-organisation. Sur le plan informatique, les NCAs représentent une architecture computationnelle radicalement distribuée : chaque cellule n’interagit qu’avec ses voisines, sans mémoire centrale ni connexion longue portée. Cela les rend extrêmement économes en énergie, potentiellement plus efficaces que les ordinateurs classiques ou les réseaux de neurones. Bien qu’ils ne soient pas encore programmés comme des langages traditionnels, des travaux récents montrent qu’ils peuvent effectuer des opérations mathématiques complexes (multiplication de matrices) ou résoudre des problèmes de raisonnement abstrait, comme ceux du corpus d’Abstraction et de Raisonnement, en forçant l’algorithme à découvrir une règle plutôt que de mémoriser des images. Si les NCAs ne reproduisent pas fidèlement l’évolution naturelle — qui ne vise pas un but précis — ils offrent un cadre puissant pour explorer comment la complexité émerge de règles simples. Pour Mordvintsev, cette approche réunit à nouveau deux domaines autrefois séparés : la vie, l’informatique et l’ingénierie. En réinventant les principes de l’auto-organisation, les NCAs ouvrent la voie à des systèmes intelligents, résilients et économes, inspirés par la nature elle-même.