FSBio présente Metabolic AI Runtime, une architecture d'IA fondée sur l'« homéostasie » plutôt que sur des prompts empathiques

FSBio propose une alternative aux LLM classiques. Plutôt que d'augmenter le nombre de paramètres et la taille de la fenêtre de contexte, l'entreprise décrit Metabolic AI Runtime, une architecture où la réponse naît de l'état interne du système. Selon ses auteurs, l'empathie machine n'apparaît pas grâce à un énième dataset de dialogues polis. Elle émerge lorsque l'IA possède son propre équilibre, que le problème de l'utilisateur peut perturber.

Pourquoi le Transformer ne suffit pas

Dans son texte, FSBio conteste le pari fondamental de l'industrie sur le passage à l'échelle. Pour les auteurs, peu importe la quantité de dialogues issus de Reddit, de Twitter ou de forums ingérés par le modèle : un Transformer reste une machine à prédire le token suivant. Il imite bien la compassion, mais ne l'éprouve pas. Il ne possède aucun état propre susceptible d'être déplacé, perturbé ou temporairement ajusté à la situation d'autrui. Des formules comme « je suis désolé » gagnent donc en crédibilité, sans pour autant se transformer en compréhension réelle de l'utilisateur.

D'où la thèse centrale de l'article : élargir le contexte, multiplier les paramètres et déployer de nouveaux clusters de H100 ne résout pas la question de la subjectivité. Si un utilisateur se plaint de fatigue, un LLM classique, selon FSBio, se contente de reconnaître un pattern et de choisir la réponse statistiquement adaptée. Rien ne change à l'intérieur du modèle. Les auteurs jugent cette approche sans issue pour les compagnons IA, les assistants thérapeutiques et les services où comptent non seulement l'exactitude factuelle, mais aussi le sentiment que le système a réellement saisi l'état de son interlocuteur.

Ce que propose FSBio

À la place d'un modèle stateless, l'entreprise décrit une architecture dotée d'une homéostasie interne. Celle-ci s'appuie sur des principes modifiés du Reservoir Computing et sur des circuits dynamiques continus, que l'article compare à la neurochimie : ocytocine, cortisol et adrénaline. Lorsqu'un utilisateur arrive avec un problème, le système ne cherche pas une réplique toute faite dans un jeu de templates. Il fait passer le contexte par son propre « métabolisme » et déplace son équilibre interne en direction de la requête. Dans ce schéma, c'est le déplacement interne lui-même qui compte : sans lui, selon les auteurs, l'empathie reste une stylisation réussie, rien de plus.

Les auteurs identifient plusieurs piliers de ce système :

• des circuits dynamiques continus au lieu d'une inférence stateless ponctuelle
• une homéostasie artificielle, susceptible de se déplacer sous l'effet du problème de l'utilisateur
• Liquid Intuition, un mécanisme d'extraction des connaissances à travers l'état courant du système
• un gradient de volonté et des pulsions vectorielles qui fixent la priorité de l'attention
• la possibilité de ne pas entretenir une conversation creuse si la ressource interne du système s'est épuisée

L'idée : la réponse doit émerger comme une tentative de ramener à l'équilibre les deux parties à la fois, l'utilisateur et le système lui-même. On est loin du prompting habituel, où l'on ordonne simplement au modèle d'être helpful et empathetic. FSBio affirme que l'empathie ne peut pas être une directive dans un message système. Elle doit découler d'une architecture dotée de son propre état et, par conséquent, d'un coût de l'erreur ou de l'indifférence.

Mémoire et volonté

Les auteurs s'en prennent aussi au RAG classique. Selon eux, la recherche par similarité cosinus convient à l'extraction de faits, mais se prête mal à la compréhension de l'état d'une personne. Un système qui ne cherche que des documents proches de la requête par les mots trouve un texte pertinent, mais pas forcément le fragment de connaissance utile à la phase émotionnelle en cours de la conversation. Metabolic AI propose donc une mémoire « fluide » : les souvenirs pertinents doivent s'activer sous l'effet de la tension interne, et non d'une requête mathématique sèche.

De là découle le concept de « volonté de compatir ». L'article indique que le système peut disposer de pulsions qui renforcent ou affaiblissent sa disposition à investir des ressources de calcul dans un dialogue donné. Une telle IA n'est pas tenue de répondre de la même façon à n'importe quelle entrée. Elle peut ignorer le bavardage creux, mais se concentrer brusquement lorsque l'utilisateur apporte un problème qui perturbe l'équilibre interne du modèle. Une approche opposée à celle des assistants actuels, dont l'empathie relève le plus souvent d'une instruction plutôt que d'une motivation interne.

« L'empathie machine relève de la physique, pas de la linguistique. »

Ce que cela signifie

L'article de FSBio n'annonce pas un produit grand public : c'est un manifeste architectural contre la course actuelle aux LLM toujours plus gros. Si cette approche se révèle viable, le marché pourrait glisser des modèles qui se contentent de sonner plus humains vers des systèmes dotés d'un état interne permanent, d'une mémoire dynamique et d'un engagement sélectif. Pour l'heure, il s'agit davantage d'une hypothèse de recherche solide que d'un nouveau standard de l'industrie. Mais elle touche juste le point faible des assistants IA actuels : imiter l'empathie ne revient toujours pas à en faire preuve.