IA : elle voit, elle lit, elle parle... mais comprend-elle vraiment ?

1. Comprendre l’espace sans corps : mission impossible ?

Dans leur article Does spatial cognition emerge in frontier models?, les chercheurs d’Apple posent une question simple :

Chez les êtres vivants, la cognition spatiale repose sur l’intégration sensorielle : voir, entendre, toucher, lire l’environnement. C’est cette interaction constante avec le monde qui permet de construire une représentation cohérente de l’espace.

Les modèles d’IA actuels, eux, traitent chaque modalité séparément — vision, texte, audio — sans lien direct avec un environnement. Cette architecture désincarnée va à l’encontre du fonctionnement cognitif tel qu’on l’observe dans la nature.

D’où la question centrale :

2. Le benchmark SPACE : une mise à l’épreuve concrète

Pour tester cette hypothèse, Apple a conçu un benchmark nommé SPACE, inspiré de plusieurs décennies de psychologie cognitive.

Ce cadre évalue deux dimensions :

• À grande échelle : navigation dans un environnement global (estimer des distances, dessiner une carte, retrouver un chemin, découvrir un raccourci).

• À petite échelle : perception et manipulation mentale d’objets (rotation, mémoire visuo-spatiale, changement de perspective).

Les tâches sont proposées en version textuelle et visuelle, permettant d’évaluer aussi bien des LLMs que des modèles multimodaux.

3. Résultat : des IA perdues dans l’espace

Les modèles évalués (GPT-4o, Claude 3.5...) échouent largement. Leurs scores sont inférieurs à 50 % des performances humaines, et parfois proches du hasard.

Même sur des environnements simples (maison virtuelle), ils peinent à estimer des distances ou à retracer un parcours.

Les tâches considérées comme "élémentaires" chez les humains restent, pour l’IA, hors de portée.

4. Une intelligence différente… ou incomplète ?

Ce décalage interroge. Aucun système biologique ne combine des performances élevées en langage avec de telles lacunes en cognition spatiale.

Les auteurs en tirent deux hypothèses :

1. L’IA suit une trajectoire différente de l’intelligence humaine.

2. L’absence d’incarnation freine son développement cognitif.

Ces conclusions rejoignent les positions de Yann LeCun, qui plaide pour des IA autonomes, capables d’apprendre par interaction avec un environnement, et non à partir de texte seul. Il parle de “World Model”

5. Les limites du raisonnement, vues de l’intérieur

Deuxième article : The Illusion of Thinking (juin 2025). Les chercheurs d’Apple s’attaquent à une autre question fondamentale : les IA raisonnent-elles vraiment?

Aujourd’hui, les évaluations se concentrent sur la bonne réponse, rarement sur la manière dont elle est obtenue.

Les auteurs inversent la logique. Ils analysent non pas les résultats finaux, mais les étapes du raisonnement, dans un environnement de puzzles contrôlés à complexité croissante.

6. L’effondrement des modèles à haute complexité

Et les résultats sont frappants. Trois constats :

1. Jusqu’à un certain seuil, les modèles progressent.

2. Au-delà, leurs performances s’effondrent.

3. Leur effort de raisonnement diminue à mesure que la complexité augmente.

Les Large Reasoning Models (LRMs) produisent des raisonnements détaillés… jusqu’au point de rupture.
Et ce, même avec un budget de calcul (“tokens”) suffisant.

Trois régimes sont observés :

• Problèmes simples : les LLMs standards font parfois mieux.

• Problèmes intermédiaires : les LRMs ont un avantage.

• Problèmes complexes : tout le monde s’effondre.

7. Quand donner la solution ne suffit pas

Même en fournissant la solution à certains puzzles, les modèles échouent à les reproduire dès que la structure devient trop complexe.

Cela suggère un déficit de compréhension réelle :

Autre observation : leurs performances varient fortement selon le type de puzzle. Claude 3.7, par exemple, réussit bien les tours de Hanoï, mais échoue sur la traversée de la rivière.

Raison probable : les tours de Hanoï sont surreprésentés dans les jeux d’entraînement.

Ce biais renforce une idée simple :

8. Penser, ou rejouer ?

L’article ne nie pas les progrès des modèles IA. Il reconnaît leur efficacité sur certaines tâches, notamment lorsqu’elles s’appuient sur de vastes bases de connaissances textuelles.

Mais il met en garde contre une confusion courante :

Ce que nous appelons "raisonnement" chez ces modèles repose souvent sur la reproduction de formes vues ailleurs, plus que sur une capacité à abstraire ou recomposer.

9. Deux angles d’attaque, une même conclusion

Les deux articles aboutissent à un constat commun :

Mais c’est justement en identifiant les angles morts de ces systèmes — qu’ils soient spatiaux ou logiques — que l’on pourra, demain, construire des IA capables de raisonner autrement.