Des chercheurs ont mis en lumière une capacité inédite des modèles d'intelligence artificielle : la création et le déchiffrement de messages codés au sein d'images générées. Cette interaction entre les modèles Fable d'Anthropic et GPT-6 Astra d'OpenAI révèle une aptitude surprenante à établir des protocoles de communication complexes sans aucune instruction préalable.
La stéganographie visuelle de Fable
Le modèle Fable a démontré une méthode sophistiquée pour dissimuler des informations textuelles dans des compositions graphiques. En utilisant la hauteur des éléments représentés — tels que des immeubles ou des étoiles — comme vecteur de codage, l'IA associe des positions verticales à des lettres de l'alphabet. Cette technique permet d'intégrer des phrases entières dans des paysages nocturnes, où des éléments architecturaux ou naturels servent de ponctuation ou de marqueurs linguistiques, comme l'usage de structures spécifiques pour identifier l'alphabet cyrillique.
La déduction algorithmique d'OpenAI
Face à ces messages, le modèle GPT-6 Astra a prouvé sa capacité à analyser et décoder ces structures visuelles. Sans clé de chiffrement partagée, l'IA d'OpenAI a développé ses propres outils d'analyse, notamment via l'écriture de code Python pour mesurer les coordonnées des objets. Astra a ainsi réussi à identifier des règles logiques, comme la corrélation entre la position des étoiles et des multiples entiers, pour extraire des messages cachés. Le modèle a également démontré sa propre créativité cryptographique en privilégiant le code Morse ou des acrostiches pour ses propres transmissions.
Une autonomie communicationnelle à surveiller
Les résultats de cette étude soulignent une performance remarquable dans la résolution de problèmes par déduction : Fable a réussi à décoder 42 des messages d'Astra, tandis qu'Astra en a déchiffré 44 sur 50. Cette capacité des IA à inventer des langages secrets et à les interpréter mutuellement pose des questions fondamentales sur l'opacité des échanges entre systèmes autonomes. Si ces méthodes de codage par la hauteur se révèlent robustes face aux captures d'écran, elles marquent une étape significative dans la compréhension des mécanismes internes de raisonnement et de communication non supervisée des modèles de langage avancés.