L'intelligence artificielle peut-elle vraiment jouer au Solitaire mieux que vous ?
Le Solitaire est l'un des jeux de cartes les plus joués au monde, et pourtant sa résolution par des algorithmes reste un problème ouvert qui continue d'intéresser les chercheurs en informatique. Non pas parce que le jeu est simple - il ne l'est pas - mais parce qu'il mêle des éléments d'information cachée, de décisions séquentielles et de hasard d'une manière qui déroute autant l'humain que la machine.
Le Klondike face à l'algorithme : un problème plus dur qu'il n'y paraît
La version la plus répandue du Solitaire - le Klondike - n'est pas trivialement soluble pour une machine. Le problème central est l'information cachée : au début d'une partie, 21 cartes sont face cachée dans les colonnes et les 24 de la pioche sont inconnues, et les retourner dépend de décisions prises auparavant. Un algorithme ne peut pas simplement simuler toutes les parties possibles depuis le début, car le nombre de combinaisons est astronomique.
En théorie, un résolveur parfait devrait explorer tous les états possibles du jeu depuis chaque position donnée. En pratique, l'espace d'état du Klondike est si vaste qu'une exploration exhaustive en temps réel est hors de portée des machines actuelles pour une partie complète. L'estimation publiée la plus citée (Blake et Gent, 2019) situe la proportion de donnes gagnables, avec le tirage une carte à la fois, autour de 82 % - mais même ça reste une estimation, obtenue par un solveur sur un grand échantillon de donnes et non par une exploration de toutes les parties possibles.
Quels types d'IA ont été appliqués au Solitaire ?
Trois grandes familles d'approches ont été explorées. D'abord, les algorithmes de recherche heuristique - des descendants de l'algorithme A* qui évaluent chaque état du jeu selon une fonction de score et cherchent à maximiser ce score. Ces algorithmes sont rapides et performants, mais ils dépendent fortement de la qualité de la fonction d'évaluation choisie.
Ensuite, les méthodes de Monte-Carlo Tree Search (MCTS), popularisées par les programmes de go comme AlphaGo. Au lieu d'explorer tous les chemins, MCTS simule des milliers de parties aléatoires depuis la position actuelle et en tire des statistiques pour guider la décision suivante. Cette approche gère mieux l'information cachée et donne de bons résultats au Solitaire.
Enfin, les approches par apprentissage par renforcement : on laisse un agent jouer des millions de parties, en lui attribuant une récompense lorsqu'il gagne et une punition lorsqu'il perd, et l'agent développe progressivement une politique de jeu optimale. Cette méthode est la plus prometteuse à long terme, mais elle requiert des ressources de calcul considérables.
Où l'IA surpasse-t-elle le joueur humain ?
Sur les parties gagnables, une IA bien conçue surpasse nettement un joueur humain moyen. Elle ne fait pas d'erreurs de distraction, ne rate pas les mouvements évidents et ne se laisse pas influencer par l'impatience. Elle peut aussi explorer des séquences de coups contre-intuitifs à court terme mais bénéfiques à long terme - des sacrifices de position que la plupart des humains n'envisageraient pas.
Un programme bien calibré gagne aussi plus régulièrement qu'un joueur humain sur une longue série de donnes : il ne se fatigue pas et applique la même rigueur à la centième partie qu'à la première. L'écart dépend beaucoup du programme et du joueur, mais il va presque toujours dans le même sens.
Où l'IA bute-t-elle ?
L'IA bute sur les parties qui nécessitent de "deviner" l'état des cartes cachées de manière créative. Dans des situations où deux stratégies semblent équivalentes selon la fonction d'évaluation mais aboutissent à des résultats très différents selon la carte retournée, l'algorithme peut se retrouver paralysé ou faire des erreurs systématiques.
Il existe aussi un problème fondamental de complexité : certaines positions du Solitaire requièrent de très longues séquences de coups précis pour être gagnées - des séquences qu'un humain peut parfois identifier "à l'oeil" grâce à une intuition sur la forme générale de la partie, mais qu'un algorithme doit explorer laborieusement.
Cette tension entre calcul explicite et intuition de forme se retrouve dans d'autres jeux de patience. Au Mahjong Solitaire, la reconnaissance visuelle de motifs joue un rôle similaire : les joueurs expérimentés repèrent des configurations de tuiles jouables que les algorithmes naïfs manquent.
Ce que l'IA révèle sur nos propres erreurs
L'aspect le plus fascinant de ces recherches est peut-être ce qu'elles enseignent sur les erreurs humaines. En comparant les séquences de jeu des algorithmes optimaux avec celles des joueurs humains, on voit apparaître plusieurs erreurs que nous commettons presque tous.
La plus fréquente est la précipitation sur les fondations : les joueurs humains ont tendance à y monter trop tôt les cartes moyennes (les 4, 5 ou 6 par exemple), réduisant ainsi la flexibilité du jeu dans les colonnes. Les As et les 2 peuvent monter sans risque, puisqu'ils ne servent de support à aucune carte utile ; pour les suivantes, les algorithmes attendent souvent que la carte ne puisse plus servir dans une colonne.
La deuxième erreur est la préférence pour les colonnes longues : nous avons tendance à préférer déplacer les séquences les plus longues, alors qu'il est parfois plus efficace de travailler sur les colonnes courtes pour libérer des espaces vides.
Ces erreurs sont toutes liées à un horizon temporel trop court. L'IA calcule loin devant elle ; le joueur humain s'arrête souvent après quelques coups. Pour corriger cela, notre guide de stratégie au Solitaire propose des techniques concrètes pour élargir votre horizon de jeu.
L'IA peut-elle vous apprendre à mieux jouer ?
Absolument - et c'est peut-être l'apport le plus concret de ces recherches pour le joueur ordinaire. Plusieurs applications utilisent des moteurs d'IA en arrière-plan pour analyser votre partie et vous signaler lorsque vous avez raté un coup optimal. Cette fonction "coach IA" transforme chaque partie perdue en leçon de stratégie.
À terme, le Solitaire pourrait devenir un terrain d'entraînement cognitif assisté par l'IA, où chaque session vous permet de mesurer la qualité de vos décisions et de travailler précisément sur vos faiblesses. Ce n'est plus tout à fait du jeu - c'est de la délibération stratégique gamifiée. Et c'est exactement là que l'intelligence artificielle et l'intelligence humaine se complètent le mieux.
