Genesis 3D

L'intelligence se trouve aussi dans la façon dont le contexte lui est donné. Je ne lui envoie pas toute la scène. Je sélectionne l'objet utile dans l'arbre et Genesis 3D sérialise uniquement ses informations pertinentes : géométrie, transformations, matériau, lumière, caméra ou hiérarchie. Le contexte est sélectionné par l'interface plutôt que compensé par une fenêtre toujours plus grande.

Le modèle peut ainsi construire une interface ou un comportement directement dans le document. Le code qu'il produit devient une partie de la scène et part avec elle lors de l'export.

Poissons aux besoins autonomes

La version présentée ici est une déclinaison web allégée de mes laboratoires comportementaux. Les poissons ne suivent pas une trajectoire enregistrée et aucun modèle de langage ne décide de leurs mouvements.

Le système repose sur des états internes qui évoluent continuellement. Faim, repos, sécurité et besoin social entrent en concurrence ; l'environnement ajoute différentes sources de stress. La perception elle-même dépend de cet état : une cible n'est pas simplement choisie parce qu'elle est proche, et un poisson affamé peut accepter une situation qu'il aurait refusée quelques instants auparavant.

L'apprentissage a ensuite été testé séparément sur certains comportements avec plusieurs approches évolutionnaires. Les résultats, y compris les échecs, ont conduit à une séparation importante : faire apprendre la décision lorsqu'elle gagne à évoluer, sans forcément abandonner à l'apprentissage la mécanique du geste.

À essayer, déplacez la souris dans l'aquarium : certains poissons viendront s'y intéresser. Clic droit pour leur donner à manger. Maj + clic pour les effrayer. Leur réaction dépend de leur état au moment où vous intervenez.

Course de drones IA

Le drone obéit à une véritable dynamique de vol. Pour avancer, il doit s'incliner : sa poussée suit l'axe vertical de son propre corps. La traînée dépend de sa vitesse dans l'air, le lacet possède une inertie et le circuit lui-même est généré pour chaque partie à partir de courbes puis transformé en parcours tridimensionnel.

La course comprend quatre adversaires. Un modèle de pilotage est étudié séparément à partir de mes propres parties. J'ai enregistré 64 courses et 41 062 relevés de télémétrie : vitesse, position, orientation, inclinaison, décalage au tracé et courbure à venir. Une régression polynomiale de degré 2 apprend trois relations entre la courbure et la façon dont je pilote. Le modèle obtenu tient finalement en neuf coefficients.

Le modèle appris tient en neuf coefficients, mais il n'est pas encore branché au pilotage des adversaires. Leur comportement actuel repose sur la logique de course du prototype : ligne, anticipation des virages et contrôle latéral.

À essayer, cliquez sur la vidéo pour ouvrir la course. Trois tours, au clavier ou à la manette ; à la manette, le pilotage prend vraiment tout son sens.

Rendu WebGPU adaptatif

Le moteur de rendu physique calcule le trajet de la lumière en WebGPU directement dans le navigateur. La contrainte est radicale : un seul échantillon par pixel là où un rendu offline peut en utiliser des milliers. Une image brute serait donc presque inutilisable.

La solution n'est pas d'ajouter artificiellement de la puissance, mais d'utiliser les images précédentes comme information. Le moteur reprojette l'historique, accumule les moments statistiques de la luminance, estime la variance puis adapte son filtrage selon la géométrie et l'incertitude locale.

La boucle se referme ensuite : le lanceur de rayons lit la variance produite par le débruiteur à l'image précédente. Une zone encore instable reçoit davantage d'échantillons ; une zone déjà suffisamment convergée en reçoit moins. Le système réalloue donc son propre budget de calcul selon ce qu'il estime encore mal.

Ce n'est pas de l'IA au sens d'un modèle appris. C'est une forme d'intelligence architecturale fondée sur l'estimation, la mémoire et la rétroaction.

À essayer, faites tourner la vue à la souris. Ombres, réflexions et lumière indirecte sont recalculées pendant le mouvement.

Caméras à attention collective

Chaque caméra possède son propre rythme : un multiplicateur individuel de comportement, ses oscillations de lacet et de tangage et de petites saccades qui apparaissent puis disparaissent progressivement. Les deux axes utilisent des fréquences volontairement désynchronisées afin que le mouvement ne retombe jamais exactement dans la même boucle.

L'intelligence vient du modèle d'attention. Une caméra ne passe pas brutalement de « je suis » à « je ne suis pas ». Son orientation est un mélange continu entre la poursuite d'une cible et son mouvement spontané. Elle peut donc être très attentive, distraite ou presque indifférente.

Chaque caméra est également influencée par ses huit voisines. Une variation locale d'attention peut ainsi se propager dans la grille. D'autres excitations utilisent un retard proportionnel à la distance : au lieu de bouger comme un bloc, le mur transmet son état de proche en proche.

À essayer, déplacez la souris dans l'image. Les papillons suivent votre mouvement et les caméras réagissent à leur tour, chacune avec son propre rythme et son propre niveau d'attention.

Atterrissage autonome des papillons

Le papillon ne rejoue pas une animation d'atterrissage. Son vol utilise une marche de Lévy lissée par des splines de Catmull-Rom : beaucoup de petits déplacements, ponctués de déplacements plus importants. Ce type de distribution est utilisé pour modéliser certaines stratégies de recherche observées chez les animaux.

Lorsqu'il décide de revenir vers la main, une machine à états organise le passage du vol au retour puis à la pose, mais la trajectoire reste recalculée : le doigt peut continuer à bouger pendant l'approche. Les six pattes sont ensuite résolues par cinématique inverse avec contraintes de charnière ; leurs cibles sont projetées par raycast sur le maillage réel du doigt afin que les pieds rencontrent effectivement sa surface.

Les ailes participent elles aussi à la décision : leur battement descendant est réduit lorsque la géométrie indique un risque de collision avec le doigt. Et lorsque plusieurs papillons veulent se poser, un arbitre multi-agents sélectionne le mieux placé tandis que les autres s'écartent.

L'intelligence visible vient donc de plusieurs mécanismes spécialisés qui résolvent ensemble une situation qu'aucune animation complète ne décrit à l'avance.

À essayer, déplacez le doigt avec la souris. Le papillon adapte son approche à la cible ; s'il perd une situation stable, il peut repartir puis chercher une nouvelle occasion de se poser.