Des chercheurs ont réussi à faire piloter un véhicule autonome en conditions réelles par un modèle d’intelligence artificielle de pointe, GPT-6 Astra. Après des essais infructueux menés sur plusieurs autres systèmes, le modèle d’OpenAI a complété un parcours de cônes le 21 septembre 2026 à un rythme particulièrement lent.
L’idée de confier le volant à une intelligence artificielle générative est passée de la théorie à la pratique dans un parking. Un trio de chercheurs a mis à l’épreuve plusieurs systèmes d’IA de pointe en les plaçant aux commandes d’une Toyota Corolla. Le projet, baptisé DrivingBench, visait à tester la capacité de ces modèles à interpréter leur environnement et à piloter un véhicule physique sur un circuit balisé par des cônes.
Le parcours de GPT-6 Astra sur le DrivingBench
Avant la réussite enregistrée par OpenAI, la plupart des grands modèles du marché s’étaient heurtés à la complexité de la tâche. Des systèmes comme GPT-5.6 Sol, Grok 4.6 et Claude Fable 5.1 n’ont pas réussi à boucler le circuit lors de leurs tentatives, bloquant généralement dès le premier virage en raison de difficultés de perception de la trajectoire par rapport aux cônes diagonaux.
La situation a évolué avec l’utilisation de GPT-6 Astra. Le modèle d’OpenAI a complété le parcours lors de sa deuxième tentative, couvrant une distance de 134,7 mètres en cinq minutes et vingt-deux secondes, soit une vitesse moyenne d’environ 0,94 mile par heure. Seul ce modèle a franchi l’ensemble du circuit dans le cadre de ces tests menés en septembre 2026.
Architecture technique et coûts des opérations d’inférence
Le dispositif technique reposait sur un ordinateur portable connecté à Internet, relié lui-même à un boîtier d’assistance à la conduite fonctionnant avec le logiciel openpilot. Cet équipement transmettait les données de télémétrie GPS et l’état des commandes du véhicule aux serveurs distants hébergeant les modèles.
Pour cette unique tentative réussie, l’utilisation des ressources de calcul a représenté un coût financier notable. Les chercheurs ont dépensé 7,74 dollars pour traiter 6,6 millions de jetons lors des opérations d’inférence. Ce montant découle d’un mécanisme de mise en cache, les requêtes successives réacheminant l’historique de la conversation à chaque virage.
Aditya Ramabadran a expliqué que, puisque l’application de chat renvoie à chaque tour l’intégralité de la conversation (images comprises) au modèle, presque tous les jetons constituent un contexte répété et sont facturés comme une entrée en cache (1 dollar par million au lieu de 10), selon The Register, ajoutant que le modèle a très peu écrit au cours des conversations, se limitant à de petits appels d’outils et à quelques phrases de sortie ou de raisonnement.
Ramené à la distance parcourue, ce coût de fonctionnement atteint environ 92,47 dollars par mile, surpassant largement le coût en carburant d’un véhicule thermique classique consommant 25 miles par gallon avec de l’essence à 4,60 dollars le gallon.
Les barrières de sécurité et les refus des modèles
L’utilisation de modèles généralistes non spécialisés pour la conduite a mis en évidence des réactions inattendues liées aux garde-fous de sécurité intégrés par leurs concepteurs. Plusieurs intelligences artificielles ont catégoriquement refusé de prendre les commandes du véhicule physique.
Le rapport DrivingBench a indiqué selon The Register et Futurism.
Pour contourner ces refus d’exécuter les consignes dans le monde réel, l’équipe a dû modifier les libellés de leurs requêtes. Ils ont notamment renommé leur serveur de protocole de communication en « DrivingBench Sandbox », une astuche qui a suffi à convaincre les systèmes qu’ils opéraient dans un environnement virtuel et non sur une piste physique.