Le speedrunning, c’est l’art de transformer une passion en obsession : des centaines, parfois des milliers d’heures à grinder le même jeu frame par frame, à mémoriser chaque glitch, chaque timesave, chaque route optimale. Niftski, l’un des meilleurs speedrunners au monde sur Super Mario Bros., a frôlé la perfection absolue en janvier 2025 avec un run de 4 minutes et 54 secondes, soit 4:54.565 en catégorie « Any% », à seulement 18 frames d’un run TAS parfait. Sa fréquence cardiaque montait à 177 BPM pendant l’effort. Un moniteur de fréquence cardiaque sur son écran montrait son cœur battre à 177 pulsations par minute. Pendant ce temps, à l’autre bout d’internet, des algorithmes de reinforcement learning s’entraînaient en silence, sans sueur, sans stress, sans pause déjeuner, pour faire exactement la même chose. Et parfois, les dépasser.
À retenir
- Une IA a battu le record mondial de Trackmania en trouvant une micro-jointure de route imperceptible aux humains
- Après seulement 40 heures d’entraînement, un algorithme surpasse des joueurs ayant passé des années sur QWOP
- Pendant qu’un speedrunner dort, une IA accumule l’équivalent de dix ans de pratique : la vraie menace n’est pas la triche, mais la fin du sens de la compétition
Des machines qui apprennent à toute vitesse
Le principe du reinforcement learning appliqué au speedrun est d’une simplicité presque cruelle. L’IA est conçue pour apprendre depuis zéro, sans aucune connaissance préalable du jeu. Elle est programmée pour apprendre par renforcement : elle améliore ses stratégies au fil du temps en prédisant les actions qui génèrent le plus de récompenses. Dit autrement, l’agent joue encore et encore, accumulant de l’expérience à une vitesse qu’aucun humain ne peut rivaliser, jusqu’à trouver les solutions que des années de pratique humaine n’auraient peut-être jamais découvertes.
Le cas Trackmania est devenu une référence dans le milieu. Un créateur de contenu spécialisé dans la communauté Trackmania a entrepris de former une IA avec des techniques de reinforcement learning spécifiquement pour le circuit A01. Après 3 000 essais, l’IA a finalement égalé le temps cible fixé. Après 400 heures d’entraînement intensif, l’IA démontrait sa force en finissant constamment à quelques centièmes du record mondial humain. La conclusion ? L’IA a produit un run de 23,75 secondes, éclipsant ce que n’importe quel humain avait accompli. Ce qui rendait la chose encore plus troublante, c’est comment ce record a été battu.
La découverte la plus marquante qui a permis de briser le record était une petite jointure de route sur la piste. Ce détail normalement imperceptible permettait à la voiture d’accélérer plus tôt. Ce détail, négligé par les joueurs humains, a été révélé grâce aux simulations précises de l’IA. Un humain aurait passé des mois à chercher ce genre de faille. L’IA, elle, l’a trouvée en moulant littéralement chaque pixel du circuit.
QWOP, le jeu de course de ragdoll réputé pour être l’un des plus difficiles du monde, a connu une aventure similaire. Après seulement 40 heures d’entraînement, une IA a réussi à battre les meilleurs joueurs humains de QWOP. Le meilleur joueur humain avait terminé le 100 mètres en 48,34 secondes, tandis que l’IA a réalisé le parcours en 47,34 secondes. Quarante heures. Des joueurs ont passé des années à optimiser leurs runs sur ce jeu.
Là où ça devient philosophique pour les speedrunners
Le speedrunning reste une compétition réservée aux joueurs humains, et l’utilisation d’outils logiciels comme une IA pour assister un run est strictement interdit. Règle claire, communauté intransigeante sur ce point. Mais le vrai débat ne porte pas sur la triche, il porte sur quelque chose de plus profond : la signification même de la performance humaine quand une machine apprend à faire mieux, plus vite, de manière autonome.
La réponse de la communauté, elle, est souvent celle d’un boxeur qui se relève après un KO. Dans Trackmania, bien que la découverte de l’IA ait secoué la scène, le record humain dit « imbattable » a fini par tomber naturellement : en août 2025, le joueur Rollin a réalisé un 23,78 sur A01, grappillant un seul centième et réclamant l’étalon pour la compétence humaine. Les humains ont regardé comment l’IA jouait, ont analysé sa technique, et ont adapté leur propre approche. Fascinant ou inquiétant ? Les deux, probablement.
Ce phénomène révèle quelque chose d’inattendu : une IA pourrait même trouver des raccourcis, des techniques ou des stratégies de gameplay qui pourraient aider les speedrunners humains. La découverte a été partagée avec la communauté TAS de Trackmania, conduisant une nouvelle équipe à affiner davantage la stratégie et à créer un TAS encore plus rapide. Cela montre que si l’IA excelle dans la précision, la créativité humaine reste sans pareil. L’IA comme professeur malgré elle, c’est le twist que personne n’avait anticipé.
La vraie menace : l’IA ne se fatigue jamais
Les forums, les speedruns ou les walkthroughs perdront peut-être leur sens dans des mondes où rien n’est identique d’un joueur à l’autre. C’est la peur plus large : non pas que l’IA vole les records, mais qu’elle transforme le sens même de la compétition. Un speedrun, c’est une histoire humaine, des nuits blanches, des tentatives ratées, un record tenu pendant 494 jours comme celui de Niftski avant de battre le sien.
L’IA n’a pas d’histoire. Elle a des paramètres. Après 12 heures d’entraînement, l’IA devient plus rapide qu’un joueur humain avec des années d’expérience. Ce rapport au temps est la différence fondamentale. Pendant qu’un speedrunner dorme, l’algorithme a peut-être accumulé l’équivalent de dix ans de pratique. Et si elle découvre un glitch que personne n’a jamais vu ? Un runner se réveille, et le bot a envoyé par e-mail un nouveau wall-clip qui propulse directement vers le générique de fin. La boucle de découverte s’effondre de plusieurs mois de tests à une seule nuit de temps serveur.
Ce qui reste hors de portée des algorithmes pour l’instant, c’est la dimension TAS ultime sur les jeux complexes. Minecraft, par exemple, est un jeu complexe pour une IA à maîtriser. Il est ouvert, en 3D, et fortement basé sur la génération aléatoire et la planification à long terme. Les jeux à forte composante narrative ou aléatoire résistent encore. Mais le front recule chaque année, et en 2025, plusieurs laboratoires de recherche exploitent les environnements vidéoludiques pour entraîner et tester des algorithmes d’IA dans des conditions proches du monde réel. Les jeux ne sont plus seulement des terrains de jeu. Ce sont des laboratoires d’entraînement pour les IA de demain.
Source : news-console.fr