Pourquoi votre adversaire aux échecs n'est pas ChatGPT : IA de jeu contre modèles de langage

Par Dawid Siedlarz · · 6 min de lecture

Jouer à Échecs gratuitement →

En bref : un moteur d'échecs et un chatbot sont deux types d'IA différents. Les moteurs comme Stockfish explorent les coups possibles avec l'élagage alpha-bêta et évaluent les positions : ils ne jouent jamais de coup illégal et battent n'importe quel humain. Les grands modèles de langage comme ChatGPT prédisent les mots suivants d'un texte ; dans des tests publiés (ChessArena 2025, Kaggle Game Arena 2025), ils perdent le fil de l'échiquier, proposent des coups illégaux et jouent au niveau d'un amateur ou en dessous.

Avec des chatbots partout, on se demande souvent si l'adversaire d'un jeu d'échecs est « une IA comme ChatGPT ». Ce n'est pas le cas, et la différence en dit long sur ce que sait faire chaque type d'IA. L'IA des jeux a soixante-dix ans d'avance, fonctionne de manière totalement différente et, dans son domaine, elle est bien plus forte.

Comment fonctionne l'IA de jeu classique : la recherche

Un programme d'échecs regarde la position, liste tous les coups légaux, puis chaque réponse, puis chaque réponse à cette réponse, et construit ainsi un arbre des positions futures. Au bout de chaque branche, il évalue la position (matériel, sécurité du roi, activité des pièces) puis remonte en supposant que les deux camps jouent au mieux. C'est le principe du minimax.

L'arbre grossit de façon explosive, d'où l'élagage alpha-bêta : dès qu'un coup est prouvé moins bon qu'une option déjà trouvée, le reste de la branche est ignoré. Avec un bon ordre des coups, le programme cherche beaucoup plus profond dans le même temps, sans changer le résultat.

Deux étapes montrent jusqu'où cela est allé :

  • Deep Blue (IBM, 1997) a battu le champion du monde Garry Kasparov dans un match en six parties aux conditions de tournoi. IBM indique qu'il évaluait 200 millions de positions par seconde sur 32 processeurs.
  • Stockfish, le moteur gratuit le plus fort, combine la recherche alpha-bêta avec un petit réseau de neurones appelé NNUE qui évalue les positions. L'équipe de Stockfish a introduit NNUE en août 2020 et a annoncé un gain de plus de 80 points Elo lors des tests.

Apprendre au lieu de règles écrites à la main : AlphaZero

En 2017, DeepMind a présenté AlphaZero, décrit dans Science en 2018. Parti d'un jeu au hasard, il a appris les échecs, le shogi et le go en jouant contre lui-même, sans parties humaines et sans autre connaissance que les règles. DeepMind indique qu'aux échecs il a dépassé Stockfish pour la première fois après seulement 4 heures d'entraînement.

AlphaZero reste une IA de jeu, pas un modèle de langage : un réseau de neurones entraîné sur le jeu lui-même, qui guide une recherche. Il ne lit ni n'écrit de texte.

Comment « jouent » les modèles de langage : prédire du texte

Un grand modèle de langage (LLM) comme ChatGPT, Gemini ou Claude est entraîné à prolonger un texte. Si vous lui donnez une position en notation échiquéenne, il renvoie le coup qui semble le plus probable ensuite, d'après l'immense quantité de textes qu'il a lus, dont des livres d'échecs et des parties notées. Il n'a ni échiquier intégré, ni liste de coups légaux, ni arbre de recherche, sauf si on les ajoute autour de lui.

Dans les ouvertures connues, cela marche étonnamment bien, car les mêmes coups reviennent dans d'innombrables parties. Dans une position nouvelle, tout s'écroule : le modèle oublie où se trouve une pièce, saute par-dessus une autre ou ressuscite une pièce prise.

Ce que montrent les tests

TestCe qui a été mesuréRésultat
ChessArena (Liu et coll., 2025)13 modèles de langage, plus de 800 parties, choix du coup et problèmesAucun modèle n'a battu Maia-1100, un bot qui joue comme un amateur humain ; certains ont perdu contre des coups au hasard
Kaggle Game Arena (Google DeepMind et Kaggle, depuis août 2025)Les principaux modèles de langage jouant entre eux, sans outils et sans liste de coups légauxLes coups illégaux sont assez fréquents pour que le règlement les prévoie : 3 nouvelles tentatives, puis la partie est perdue
« Grandmaster-level chess without search » (Ruoss et coll., Google DeepMind, 2024)Un transformer de 270 M de paramètres entraîné sur 10 M de parties annotées par Stockfish 16Elo de 2895 en blitz sur Lichess contre des humains, sans recherche explicite

La troisième ligne est la nuance importante. Un transformer, la même architecture de base qu'un chatbot, peut jouer aux échecs au niveau d'un grand maître s'il est entraîné sur des positions d'échecs évaluées par un moteur. Le problème n'est pas le réseau de neurones, mais le fait que les chatbots généralistes ont été entraînés sur du texte, pas sur des milliards de positions évaluées. Selon Google, en février 2026, les modèles Gemini 3 menaient le classement d'échecs de Game Arena et leur raisonnement s'appuyait sur des notions familières comme la sécurité du roi et la structure de pions : l'écart se réduit. Cela reste très différent d'un moteur qui vérifie chaque coup légal.

Moteur et chatbot en un coup d'œil

Moteur d'échecsModèle de langage
Ce qu'il faitCherche des coups et évalue des positionsPrédit les mots suivants d'un texte
Entraîné surDes règles écrites à la main, des parties contre lui-même ou des positions évaluées par un moteurDe grandes quantités de texte général
Coups illégauxJamais : il ne choisit que parmi les coups légaux générésPossibles, surtout dans des positions inconnues
NiveauBien au-dessus de tout humain (Stockfish, AlphaZero)D'en dessous du niveau amateur à mieux ; irrégulier
Expliquer un coup avec des motsNon, il renvoie des coups et des chiffresOui, c'est son point fort

Là où les modèles de langage aident les joueurs

Les deux types d'IA se complètent. Un moteur vous dit quel coup est le meilleur ; un modèle de langage peut expliquer pourquoi avec des mots simples, répondre à des questions sur les idées d'une ouverture ou transformer l'évaluation d'un moteur en courte leçon. Le bon schéma est celui de la plupart des sites d'échecs : le moteur calcule, le modèle de langage se contente d'expliquer, et tout ce qu'il affirme sur une position précise se vérifie avec le moteur.

Les adversaires de nos jeux

Tous les adversaires d'Extensive Harmony sont de l'IA de jeu classique : quelques centaines de lignes de code de recherche qui tournent dans votre navigateur, sans chatbot ni serveur.

  • Nos Échecs utilisent une recherche alpha-bêta à approfondissement itératif. Facile regarde un coup à l'avance et joue un coup légal au hasard environ une fois sur trois ; Moyen regarde deux demi-coups puis suit toutes les prises (une recherche de quiescence, pour ne pas s'arrêter au milieu d'un échange) ; Difficile cherche jusqu'à cinq demi-coups plus les prises en deux secondes et garde la recherche la plus profonde terminée.
  • Le Morpion joue parfaitement : il parcourt tout l'arbre du jeu, donc le mieux que vous puissiez obtenir est un match nul. Voir comment gagner au morpion (en anglais).
  • Quatre en ligne : en Facile, l'ordinateur ne fait que gagner s'il le peut tout de suite ou bloquer votre victoire, et joue au hasard sinon ; Moyen et Difficile utilisent le minimax avec élagage alpha-bêta, à 2 et 4 coups de profondeur.
  • Les Dames (2, 4 ou 8 coups à l'avance), le Reversi (1, 3 ou 5) et le Mancala (1, 4 ou 9) utilisent le même type de recherche.

Comme ils choisissent toujours dans la liste des coups légaux, aucun ne peut jouer un coup illégal. Les jeux classiques que les ordinateurs ont entièrement résolus sont présentés dans les jeux résolus (en anglais). Pour l'IA dans l'industrie du jeu vidéo en général, lisez comment les modèles de langage d'IA transforment le jeu vidéo.

Questions fréquentes

ChatGPT sait-il jouer aux échecs ?

Il peut jouer, mais mal et sans fiabilité. Les modèles de langage prédisent du texte au lieu de calculer des positions : ils perdent le fil de l'échiquier et proposent parfois des coups illégaux. Dans l'étude ChessArena (2025), aucun des 13 modèles de langage testés n'a battu Maia-1100, un bot qui imite un amateur humain, et dans la Game Arena de Kaggle un modèle qui ne donne pas de coup légal après quatre tentatives perd la partie.

Comment un ordinateur d'échecs choisit-il son coup ?

Les programmes classiques cherchent : ils essaient des coups, les réponses de l'adversaire, leurs propres réponses, et ainsi de suite, évaluent les positions obtenues et choisissent le coup qui garantit le meilleur résultat. L'élagage alpha-bêta écarte les branches qui ne peuvent pas changer le résultat. Stockfish combine cette recherche alpha-bêta avec un petit réseau de neurones (NNUE) qui évalue les positions.

AlphaZero est-il un modèle de langage ?

Non. AlphaZero (DeepMind, 2017-2018) est un système d'apprentissage par renforcement qui a appris les échecs en jouant contre lui-même, en partant uniquement des règles. Il utilise un réseau de neurones associé à un algorithme de recherche. DeepMind indique qu'il a dépassé Stockfish pour la première fois après 4 heures d'entraînement.

Un réseau de neurones peut-il bien jouer sans recherche ?

Oui, s'il est entraîné spécifiquement pour les échecs. Dans une étude de Google DeepMind de 2024, un transformer de 270 millions de paramètres entraîné sur 10 millions de parties annotées par Stockfish 16 a atteint un Elo de 2895 en blitz sur Lichess contre des humains, sans recherche explicite. Les chatbots généralistes ne sont pas entraînés ainsi.

Quel est le niveau de l'ordinateur dans vos Échecs ?

Nos Échecs utilisent une recherche alpha-bêta. Facile regarde un coup à l'avance et joue au hasard environ une fois sur trois, Moyen regarde deux demi-coups puis suit toutes les prises, et Difficile cherche jusqu'à cinq demi-coups plus les prises en deux secondes. Il joue toujours des coups légaux, car il ne choisit que dans la liste des coups légaux.

Sources