Les systèmes autonomes occupent, selon les auteurs, une place centrale dans la trajectoire de l’intelligence artificielle. Leur thèse est claire : pour passer de capacités isolées à des agents capables d’agir durablement dans des environnements complexes, il faut articuler plusieurs briques techniques au sein d’une architecture cohérente. L’article propose ainsi un cadre de conception et d’évaluation fondé sur une architecture générique d’agent.
Au cœur de cette approche figure une mémoire à long terme, qui concentre les connaissances évolutives de l’agent. Le comportement autonome y est décrit comme la composition de fonctions cognitives : perception, représentation, décision et planification. Un point clé concerne le lien entre les données sensorielles brutes et les données structurées stockées en mémoire, un problème encore difficile dès lors qu’il s’agit de relier apprentissage statistique et raisonnement explicite.
Les auteurs défendent une combinaison entre IA connexionniste et IA symbolique, intégrée à une logique d’ingénierie système. Cette hybridation viserait à mieux traiter la prise de décision orientée vers des objectifs, ainsi que la planification des actions. L’ambition ne s’arrête pas à l’agent individuel : l’article examine aussi la coordination entre agents, afin de faire émerger une intelligence collective à partir d’interactions organisées.
Un autre apport notable concerne la notion de confiance. Pour les systèmes autonomes, expliquent les auteurs, la fiabilité ne se limite pas à des propriétés comportementales observables. Elle inclut aussi des propriétés cognitives, liées à la manière dont l’agent mobilise ses connaissances pour décider. L’article esquisse des pistes méthodologiques pour évaluer cette dimension, tout en concluant avec prudence : la vision de systèmes multi-agents réellement autonomes reste encore sensiblement en avance sur l’état de l’art actuel.