L'IA ne peut toujours pas apprendre à partir de quelques images comme vous le faites

Points clés

• Apple ML Research a publié une étude en 2025 montrant que les meilleurs modèles actuels de vision-langage en IA ont du mal à identifier un concept partagé dans un petit ensemble d'images d'exemple.
• Les chercheurs ont créé un benchmark appelé VICIS (Visual Concept Inference from Sets) pour mesurer cette lacune spécifique dans les capacités de l'IA.
• Tous les modèles de pointe testés ont obtenu de mauvais résultats sur la tâche VICIS, ce qui suggère un angle mort significatif dans la conception actuelle de l'IA.
• L'échec est important car les outils d'IA du monde réel demandent de plus en plus aux modèles d'apprendre à partir d'une poignée d'exemples visuels, pas seulement d'instructions écrites.

Voici une compétence que tout enfant de cinq ans possède. Montrez-lui trois images de chiens et une image de chat, et il vous dira que le chat ne fait pas partie du groupe. Montrez-lui trois images de fêtes d'anniversaire puis une photo de feu de joie sur la plage, et il devinera que le feu de joie pourrait aussi être une célébration.

Les modèles actuels de vision par IA ne peuvent pas le faire de manière fiable. C'est la conclusion de Apple ML Research, dont l'équipe a conçu un test appelé VICIS, pour Visual Concept Inference from Sets, pour mesurer exactement cette lacune.

Un modèle de vision-langage, la technologie qui permet à une IA à la fois de regarder des images et de lire ou écrire du texte, peut suivre des instructions écrites détaillées avec une précision impressionnante. Demandez-lui de décrire une photo, de compter des objets ou de lire une étiquette, et elle livre généralement le résultat. Mais éliminez les mots et demandez-lui de déterminer une règle uniquement à partir d'une poignée d'images ? Les performances chutent fortement.

Pourquoi les gens ordinaires devraient-ils s'en soucier ?

Cette lacune est importante car de nombreux outils d'IA pratiques s'appuient déjà sur l'apprentissage par l'exemple. Un propriétaire de magasin qui souhaite qu'une IA trie les photos de produits par style, ou un enseignant qui souhaite qu'elle signale un certain type de diagramme, demande implicitement au modèle de faire exactement ce que VICIS teste. Si le modèle ne peut pas le faire, ces outils produiront des résultats peu fiables sans aucun avertissement évident.

Le test VICIS fonctionne comme ceci. Le modèle reçoit un petit « ensemble contextuel », une poignée d'images qui partagent toutes un concept, peut-être un schéma de couleurs, une ambiance, une forme ou une relation entre des objets. Il reçoit également une nouvelle image « requête ». Son travail est de générer ou de sélectionner des images qui conservent le concept de l'ensemble contextuel tout en s'adaptant à la requête. Simple en théorie. Cela s'avère difficile en pratique.

Chaque modèle testé par l'équipe d'Apple a échoué.

Deux choses méritent d'être gardées à l'esprit ici. Premièrement, c'est un article de recherche, pas une annonce de produit. Les modèles qui ont échoué sont les mêmes qui alimentent les outils utilisés par des millions de personnes aujourd'hui, donc la conclusion est réelle, mais cela ne signifie pas que ces outils sont inutiles. Cela signifie qu'une capacité spécifique est plus faible que nous ne le supposerions.

Deuxièmement, le biais de survie mérite d'être nommé. Quand vous entendez parler d'un outil d'IA qui a appris un nouveau style à partir de quelques images et qui l'a réussi, cette histoire a fait la une de l'actualité parce qu'elle a fonctionné. Les mille fois où il a produit des résultats confiants mais absurdes n'ont pas.

Conclusion honnête : Si vous utilisez un outil d'image alimenté par l'IA et le nourrissez avec quelques photos d'exemple en vous attendant à ce qu'il « comprenne l'idée », testez soigneusement sa production avant de lui faire confiance. Montrez-lui des exemples, puis vérifiez s'il a vraiment suivi le concept ou s'il a simplement copié des détails superficiels comme la couleur. Vos propres yeux restent le meilleur juge ici.