Joel Lehman est un informaticien et chercheur en intelligence artificielle affilié à OpenAI, où il travaille à l'avancement de l'apprentissage automatique et de l'intelligence artificielle. Il est surtout connu pour avoir co-créé la recherche de nouveauté et POET, deux algorithmes influents qui explorent l'ouverture dans les systèmes d'IA. Ses recherches portent sur la manière dont des principes évolutionnistes simples peuvent générer des comportements et des solutions complexes sans fonctions objectives explicites.
Les travaux de Lehman se situent à l'intersection de l'intelligence artificielle, de l'apprentissage automatique et des réseaux de neurones. Il a contribué à la fois à la théorie fondamentale et aux applications pratiques, notamment les grands modèles de langage et l'apprentissage par renforcement. Ses idées ont façonné la manière dont les chercheurs envisagent l'exploration, la diversité et le potentiel de l'IA à innover au-delà des objectifs prédéfinis.
Vie et formation
Joel Lehman a obtenu son doctorat en informatique à l'Université du Texas à Austin, où il a travaillé sous la supervision de Risto Miikkulainen. Ses recherches doctorales ont porté sur le calcul évolutionniste et l'utilisation de la recherche de nouveauté pour éviter les paysages de fitness trompeurs. Il détient également une licence en informatique de l'Université Carnegie Mellon.
Au cours de ses études supérieures, Lehman a développé un intérêt profond pour l'évolution ouverte, un concept qui s'inspire de l'évolution biologique pour créer des systèmes qui génèrent en continu des comportements nouveaux et de plus en plus complexes. Cet intérêt définira plus tard une grande partie de sa carrière.
Recherche de nouveauté
La recherche de nouveauté est un algorithme qui récompense les agents pour avoir produit des comportements nouveaux ou différents de ceux déjà observés, plutôt que pour avoir atteint un objectif spécifique. Lehman a co-créé cette approche avec Kenneth O. Stanley au milieu des années 2000. L'idée clé est que dans de nombreux problèmes complexes, le chemin vers une solution n'est pas évident, et optimiser la nouveauté peut conduire à des découvertes qui seraient manquées par une recherche traditionnelle basée sur des objectifs.
Dans une série d'articles publiés à partir de 2008 environ, Lehman et Stanley ont démontré que la recherche de nouveauté pouvait résoudre des problèmes comme la navigation dans des labyrinthes et la locomotion de robots plus efficacement que l'évolution basée sur la fitness. Leurs travaux ont remis en question l'hypothèse dominante selon laquelle les fonctions objectives sont nécessaires au progrès dans le calcul évolutionniste. La recherche de nouveauté a depuis été appliquée dans divers domaines, notamment le jeu vidéo, la recherche d'architectures neuronales et l'art génératif.
La simplicité et l'efficacité de l'algorithme en ont fait une contribution marquante dans le domaine. Il a également inspiré des recherches ultérieures sur le maintien de la diversité et les algorithmes de qualité-diversité, qui combinent nouveauté et métriques de performance.
POET
POET (Paired Open-Ended Trailblazer) est un algorithme que Lehman a co-créé avec Stanley et d'autres, introduit dans un article de 2020. POET génère une série d'environnements de plus en plus complexes et des agents qui apprennent à les résoudre. Il utilise une approche co-évolutionniste où les environnements et les agents évoluent ensemble, permettant au système de créer son propre programme de défis.
POET se distingue par son ouverture : il n'a pas d'objectif final fixe, mais génère en continu de nouveaux problèmes qui sont juste au-delà des capacités actuelles des agents. Cela permet la découverte de comportements qui pourraient ne pas apparaître dans un environnement fixe. POET a été appliqué à des tâches comme la navigation dans des labyrinthes et la locomotion bipède, où il a produit des agents capables de gérer une large gamme de terrains.
L'algorithme représente une étape significative vers la création de systèmes d'IA capables d'apprendre et de s'adapter indéfiniment, sans intervention humaine. Il a été cité comme un exemple de la manière dont l'apprentissage ouvert pourrait conduire à une intelligence plus générale et plus robuste.
Recherche chez OpenAI
Lehman a rejoint OpenAI en 2020, où il a travaillé sur divers projets liés à l'apprentissage automatique à grande échelle. Ses contributions incluent des recherches sur l'apprentissage par renforcement, les stratégies évolutionnistes et l'entraînement de grands modèles de langage. Il a participé à des efforts pour améliorer la sécurité et la robustesse des systèmes d'IA, ainsi que pour comprendre leurs capacités émergentes.
Chez OpenAI, Lehman a collaboré avec d'autres chercheurs sur des sujets tels que l'apprentissage par curriculum, le renforcement par retour humain et l'utilisation d'algorithmes évolutionnistes pour la recherche d'architectures neuronales. Son travail a influencé le développement de modèles d'IA générative, y compris ceux basés sur l'architecture transformer.
Lehman a également écrit sur les implications philosophiques de l'ouverture, soutenant qu'elle pourrait être un ingrédient clé pour atteindre l'intelligence artificielle générale. Il a donné des conférences et publié des essais sur l'importance de l'exploration et de la diversité dans la recherche en IA.
Articles et publications clés
Lehman a écrit ou co-écrit de nombreux articles influents. Parmi les plus notables, on trouve :
- « Abandoning Objectives: Evolution Through the Search for Novelty Alone » (2008), qui a introduit la recherche de nouveauté.
- « Evolving a Diversity of Virtual Creatures through Novelty Search and Local Competition » (2011), qui a étendu la recherche de nouveauté pour créer des morphologies diverses.
- « POET: End-to-End Learning of Open-Ended Environments » (2020), qui a introduit l'algorithme POET.
- « Machine-generated knowledge and the future of AI » (2022), un article explorant comment l'IA peut générer de nouvelles connaissances.
- « The Surprising Creativity of Digital Evolution » (2018), une revue de la manière dont les algorithmes évolutionnistes peuvent produire des solutions créatives.
Ses publications ont paru dans des revues et conférences de premier plan telles que les Proceedings of the National Academy of Sciences, la Conférence internationale sur les représentations d'apprentissage (ICLR) et la Conférence sur le calcul génétique et évolutionniste (GECCO).
Prix et reconnaissance
Les travaux de Lehman ont été reconnus par plusieurs prix. Il a reçu le prix du meilleur article à GECCO en 2008 pour son article sur la recherche de nouveauté. Son article sur POET a été nominé pour le meilleur article à ICLR 2020. Il a également été invité à prendre la parole lors de grandes conférences et ateliers sur le calcul évolutionniste et l'IA.
En plus de la reconnaissance académique, les recherches de Lehman ont été largement couvertes par les médias, notamment des articles dans Wired, MIT Technology Review et Quanta Magazine. Ses idées sur l'ouverture ont suscité des discussions sur l'avenir de l'IA et son potentiel à innover au-delà des attentes humaines.
Impact et héritage
Les contributions de Joel Lehman ont eu un impact durable sur les domaines du calcul évolutionniste et de l'intelligence artificielle. La recherche de nouveauté et POET sont considérés comme des travaux fondateurs dans le domaine de l'évolution ouverte, qui cherche à créer des systèmes d'IA capables de générer leurs propres objectifs et de s'améliorer en continu. Ses recherches ont inspiré une nouvelle génération de scientifiques à explorer les méthodes basées sur la diversité et à remettre en question la nécessité des fonctions objectives.
Les travaux de Lehman ont également influencé des applications pratiques. Par exemple, la recherche de nouveauté a été utilisée dans la conception de jeux pour créer des personnages non-joueurs avec des comportements variés, et POET a été appliqué à la robotique et à la génération automatisée de programmes d'apprentissage. Ses idées sont de plus en plus pertinentes à mesure que les systèmes d'IA deviennent plus complexes et sont censés fonctionner dans des environnements dynamiques et imprévisibles.
En 2025, Lehman continue de travailler chez OpenAI, où il contribue au développement de modèles d'IA avancés et explore les frontières de l'apprentissage ouvert. Ses recherches restent à l'avant-garde des efforts visant à construire une IA non seulement capable, mais aussi créative et adaptable.
Vie personnelle et intérêts
En dehors de la recherche, Lehman est connu pour son intérêt pour la philosophie de l'esprit et la nature de la créativité. Il a écrit des articles de blog et des essais sur ces sujets, établissant souvent des liens entre l'évolution biologique et l'intelligence artificielle. Il est également un défenseur de la science ouverte et a rendu publics de nombreux articles et codes.
Lehman est basé dans la région de la baie de San Francisco, où se trouve le siège d'OpenAI. Il aime la randonnée et jouer à des jeux de société, des activités qui, selon lui, inspirent sa réflexion sur l'exploration et la stratégie.
Voir aussi
Références
- Lehman, J., & Stanley, K. O. (2008). Abandoning Objectives: Evolution Through the Search for Novelty Alone. GECCO.
- Lehman, J., & Stanley, K. O. (2011). Evolving a Diversity of Virtual Creatures through Novelty Search and Local Competition. GECCO.
- Wang, R., Lehman, J., et al. (2020). POET: End-to-End Learning of Open-Ended Environments. ICLR.
- Lehman, J., et al. (2018). The Surprising Creativity of Digital Evolution. PNAS.
- Lehman, J., et al. (2022). Machine-generated knowledge and the future of AI. arXiv.