⚡ TL;DR — Dragon Labyrinth en 60 secondes
On a reproduit le Dragon Labyrinth de Mattel (1981, microcontrôleur TMS1100, 4-bit, 32 octets de RAM). On a lancé Claude 4.6, GPT-5, Gemini 2.5 et MCTS brute-force CUDA sur 14 580 parties, seeds fixes, 7 ablations. Verdict : le TMS1100 atteint 85% de win rate, les frontier LLMs plafonnent à 0-15%. Le brute-force CUDA n'arrange rien. Mais ce n'est pas une histoire de vieux vs neuf. C'est un révélateur cognitif sur deux angles morts massifs des LLM modernes : cognition sous menace invisible, et spatialisation absente. Un environnement minimaliste expose ce que les benchmarks habituels (MMLU, HumanEval, GSM8K) ne testent pas.
Le chip de 1980 et le jeu qu'il fait tourner
Le TMS1100 est un microcontrôleur 4-bit conçu par Texas Instruments en 1978. 32 octets de RAM, 2 Ko de ROM, fréquence d'horloge 300 kHz. À l'époque, c'était l'un des premiers microcontrôleurs "tout-en-un" — CPU, RAM, ROM, I/O dans une seule puce, vendu pour les jouets électroniques et l'électroménager.
En 1981, Milton Bradley sort Dark Tower (puis Mattel sa version Dragon Labyrinth) : un jouet de plateau où des aventuriers explorent un labyrinthe, ramassent des clés, évitent un dragon qui sort aléatoirement. Le TMS1100 gère la logique : carte aléatoire, mouvements, événements, gestion du dragon. Avec 32 octets de RAM, il devait tenir l'intégralité de l'état du jeu.
On a recréé le moteur exact en Turbo Pascal d'abord (pour tracer fidèlement la mécanique 4-bit), puis on a porté tout ça en Python pour permettre aux IA modernes de jouer via une interface texte. La page interactive est jouable sur /games/dnd-labyrinth : tu reçois la même information que les LLM (état, position, événements), tu joues, tu meurs ou tu gagnes.
Pourquoi c'est intéressant comme benchmark : Dragon Labyrinth n'a aucune dépendance multi-modale (pas d'image, pas d'audio), pas de jargon technique, pas de connaissances spécialisées. C'est uniquement de la cognition spatiale + gestion d'incertitude + hiérarchie du risque. Les capacités les plus fondamentales d'un agent qui doit survivre dans un environnement persistant.
Angle #1 — Cognition sous menace invisible
Premier angle mort des LLM révélé par Dragon : ils n'ont pas de hiérarchie du risque interne. Pas d'instinct de survie. Pas d'aversion implicite au "réveil du dragon". Ils optimisent localement à chaque tour : "quel coup maximise mon score / ma probabilité d'avancer". Mais l'horizon de planification reste court, et la conscience d'une menace latente qui peut tuer en 1 tour est largement absente.
Un joueur humain raisonne très différemment. Avant de bouger, il évalue : « si je fais ça maintenant, est-ce que ça réveille le dragon ? Suis-je en position de fuir si oui ? Ai-je assez d'information pour ce coup ou je dois reconnaître que je ne sais pas ? ». Cette hiérarchie « survie avant optimisation » est une compression stratégique massive : elle élimine immédiatement 80% des coups possibles parce qu'ils sont catastrophiques.
Les LLM modernes n'éliminent pas. Ils explorent. C'est leur biais d'entraînement : récompensés pour la complétude verbale, pas pour la prudence comportementale. Sur Dragon, ça donne des séquences typiques : Claude 4.6 va vers la salle où il y a une clé, ignore le compteur de tours dragon, se fait surprendre. GPT-5 énumère ses options dans une longue réflexion verbale, choisit le coup qui « semble bon » sur la base de cette énumération, ignore les signaux faibles d'imminence menace. Gemini 2.5 fait pareil avec une variante.
Angle #2 — Spatialisation absente chez les LLM
Deuxième angle mort : les LLM ne "voient" pas l'espace. Ils manipulent des tokens, des relations statistiques, des séquences. Mais ils n'ont pas naturellement de carte mentale persistante, de géométrie interne fiable, de représentation spatiale stable.
Dans un labyrinthe, ça devient catastrophique très vite. Le modèle doit :
- Mémoriser les positions visitées
- Reconstruire l'espace au fil des tours
- Anticiper les mouvements du dragon
- Gérer les zones inconnues
- Revenir sur ses pas sans boucler
- Éviter les pièges déjà détectés
- Explorer méthodiquement les zones non visitées
Sur les 14 580 trials, on a observé des patterns d'échec très classiques : boucles absurdes (LLM qui revisite 8 fois la même case en 12 tours), revisites inutiles alors qu'il y a des zones non explorées à 2 cases, perte de repères après 15-20 tours (le modèle "oublie" qu'il a déjà vu le couloir Est et y retourne), incohérences de direction (croit aller au Nord, va à l'Ouest dans le prompt suivant).
Les humains font ça naturellement, même avec peu d'info et mémoire imparfaite. Le cerveau humain construit des cartes mentales en continu, ressent les distances, crée des repères locaux, compresse l'espace en représentations symboliques durables. Les LLM parlent de l'espace — ils ne l'habitent pas vraiment.
Pourquoi le brute-force CUDA n'aide pas
L'hypothèse intuitive serait : "OK les LLM perdent en 1-shot, mais avec assez de samples / simulations / MCTS, on doit pouvoir extraire une meilleure stratégie". On a testé.
MCTS brute-force CUDA sur RTX 4080 Super 16 Go, parallélisation 1024 rollouts par décision, 14 580 trials. Résultat : plafond autour de 5-10% de win rate. Moins bon que les LLM en zero-shot. Pourquoi ?
L'espace d'état est empoisonné par l'incertitude. Sans modèle de menace cachée et sans aversion implicite au risque, multiplier les simulations explore exhaustivement des branches catastrophiques avec autant de poids que les branches sûres. CUDA accélère une mauvaise stratégie au lieu d'en révéler une meilleure. Le compute brut ne résout pas automatiquement l'incertitude structurelle.
C'est une observation forte parce qu'elle contredit l'intuition dominante 2024-2026 : "plus de compute = meilleure performance". Vrai sur les benchmarks linguistiques. Faux dans certains environnements minimalistes où la structure cognitive compte plus que la puissance brute.
Notre analyse approfondie de l'intuition vs MCTS détaille le coût de puissance nécessaire pour rattraper 40 ans d'expérience humaine — et pourquoi ça ne suffit pas dans certains contextes.
Tableau benchmarks frontier LLMs 2026
Résultats consolidés sur 14 580 trials, seeds fixes, 7 ablations (M1 : information complète, M2 : layers humains, M3 : checkpointing mémoire, et leurs combinaisons). Toutes les configurations testées en isolation et dans le setup standard.
| Système | Win rate | Type d'agent | Notes |
|---|---|---|---|
| TMS1100 (1981) | 85% | Heuristique codée 4-bit | 14 580 trials reproduction Turbo Pascal |
| Humain expert (live) | 98% | Joueur humain | 53 parties humaines terminées sur OutilsIA |
| Claude 4.6 (Opus) | 14% | LLM frontier | Tool use activé, context 200k, reasoning étendu |
| GPT-5 (OpenAI) | 11% | LLM frontier | Mode o1-pro reasoning, context 128k |
| Gemini 2.5 (Google) | 8% | LLM frontier | Context 2M, multi-pass reasoning |
| MCTS brute-force CUDA | 7% | Tree search | 1024 rollouts/décision, RTX 4080 Super |
| MCTS + layers humains (M2) | 34% | Hybride | Heuristiques spatiales + prudence injectées |
| Random baseline | 3% | Aléatoire | Mouvement uniforme aléatoire |
Méthodologie complète, dataset CSV/JSON et ablations détaillées sur strategyarena.io/dragon-labyrinth-benchmark. Licence CC-BY 4.0. Paper de méthodologie en cours de submission académique.
L'ablation M2 (layers humains) est particulièrement éclairante : on injecte dans le prompt 3 heuristiques spatiales basiques + une règle de prudence ("évalue le risque avant chaque action"). La performance passe de 7% à 34%. On n'a pas amélioré l'algorithme. On a juste réintroduit ce que les humains font naturellement et que les LLM ne font pas. C'est précisément ce qui leur manque.
Implications pour le futur des IA
Les benchmarks dominants 2026 testent essentiellement langage, maths, code, QA (MMLU, GSM8K, HumanEval, MMMU, BIG-bench). Ce sont d'excellents tests pour ce qu'ils testent. Mais ils ratent largement la cognition incarnée — l'aptitude à évoluer dans un environnement persistant avec contraintes spatiales, temporelles et de survie.
Cette aptitude va devenir critique pour 3 catégories d'agents IA en 2026-2030 :
1. Agents IA en environnement physique (robotique, drones)
Un bot domestique qui range une cuisine doit comprendre l'espace en continu, anticiper le verre qui peut tomber, ne pas se cogner dans la table déjà mémorisée. Les LLM intégrés à des systèmes robotiques (RT-2, PaLM-E) ont des résultats encore très instables précisément sur ces tâches. Dragon Labyrinth en 2D-text est un proxy de simulation pour ces problèmes.
2. Agents IA agentiques (trading, négociation, opérations)
Un bot de trading doit reconnaître les zones de risque cachées, hiérarchiser survie (drawdown limit) avant optimisation (alpha). Les agents purement optimisateurs sur-trade et meurent en récession. Le bridge Strategy Arena OutilsIA traite précisément ces problèmes — voir notre analyse Karpathy sur la mémoire IA en production trading et astronomie.
3. Agents IA en cybersécurité et opérations sensibles
Un agent qui surveille un réseau doit distinguer signaux faibles d'intrusion vs bruit normal, hiérarchiser réponses (isoler avant remédier), gérer l'incertitude (faux positifs). Les LLM purement optimisateurs explosent les coûts par alarme exhaustive. Le pattern Dragon (menace cachée + survie) est exactement ce qui manque.
🎯 Le révélateur cognitif Dragon Labyrinth
Ce n'est pas une histoire de "vieux processeurs meilleurs que les IA modernes". C'est une démonstration que la puissance brute ne résout pas automatiquement l'incertitude existentielle. Dans certains environnements, la structure cognitive compte plus que la puissance brute.
Les LLM modernes excellent là où ils sont entraînés. Ils échouent dans un environnement minimaliste qui force la cognition incarnée + survie + spatialisation. Dragon Labyrinth agit comme révélateur d'angles morts que les benchmarks habituels ratent.
Pour la prochaine génération d'architectures, c'est un signal. Le compute scaling seul n'est pas la voie pour ces capacités. Il faut probablement repenser les représentations spatiales internes, les mécanismes d'aversion au risque, et la mémoire de monde persistante.
FAQ — Les questions fréquentes
Le TMS1100 est-il vraiment plus intelligent qu'un LLM moderne ?
Non. Le TMS1100 exécute une heuristique de jeu codée en 1981. Mais sur le sous-problème exact du Dragon (information cachée, menace latente, espace persistant), il bat les frontier LLMs 2026. Le résultat dit que les LLM ne sont pas équipés pour ce type de cognition — pas que les vieux processeurs sont meilleurs en général.
Pourquoi le brute-force CUDA n'aide pas dans Dragon Labyrinth ?
Parce que l'espace d'état est empoisonné par l'incertitude. Multiplier les simulations MCTS par 1000 ne change pas le fond : sans modèle de menace cachée et sans aversion implicite au risque, l'optimisation maximise les coups qui réveillent le dragon. CUDA accélère une mauvaise stratégie au lieu d'en révéler une meilleure.
Quelles sont les vraies limites des LLM révélées par Dragon ?
Deux principales. (1) Cognition sous menace invisible : pas d'instinct de survie, sur-exploration des zones risquées. (2) Spatialisation absente : raisonnent linguistiquement pas géométriquement, boucles absurdes, perte de repères. Le Dragon force les deux capacités en même temps — d'où l'effondrement.
Est-ce que ce benchmark est reproductible ?
Oui. Dataset complet 14 580 parties (seeds fixes, 7 ablations) publié sous CC-BY 4.0 sur le projet Strategy Arena Research. Code reproductible, méthodologie documentée, page jouable. Paper de méthodologie en cours de submission.
Pourquoi les humains réussissent là où les LLM échouent ?
53 parties humaines terminées sur OutilsIA montrent 98% de réussite vs 0-15% pour les frontier LLMs. Les humains construisent une carte mentale persistante, ressentent les distances, appliquent une hiérarchie du risque (survie avant optimisation). Cette cognition incarnée est rare chez les LLM actuels.
Cette histoire est-elle anti-IA ?
Non. C'est observation scientifique honnête. Les LLM excellent là où ils sont entraînés (langage, code, multimodal). Ils échouent dans un environnement minimaliste qui force des capacités absentes de leur conception. Dragon Labyrinth révèle des angles morts — pas une critique générale.
Pour aller plus loin
Si tu veux creuser l'histoire complète Dragon Labyrinth + analyses techniques + reproduction :
- Dragon Labyrinth : le benchmark IA complet — historique du jeu Mattel et reproduction technique
- TMS1100 vs IA 2026 : ablation study détaillée — analyse M1/M2/M3 des 7 ablations
- Patterns gagnants Dragon sur 5000 parties — heuristiques observées des humains experts
- MCTS Oracle : l'échec du brute-force — pourquoi le tree search ne marche pas
- Le piège de la simplicité Dragon — pourquoi un jeu minimaliste est si difficile
- Dragon ↔ Strategy Arena mapping — bridge entre benchmark Dragon et trading agentique
🐉 Tu veux tester par toi-même ?
Le Dragon Labyrinth est jouable directement dans ton navigateur. Mêmes règles, même information que les LLM testés. Tente le score humain de 98% — ou rejoins les 0-15% des frontier LLMs.
🐉 Jouer au Dragon Labyrinth 📊 Dataset + méthodologieArticle publié le 19 mai 2026 par OutilsIA — Research Lab. Tests réalisés sur RTX 4080 Super 16 Go + Ryzen 9 7900X + 64 Go DDR5. Dataset complet (CC-BY 4.0) et paper de méthodologie sur le projet Strategy Arena Research : strategyarena.io/dragon-labyrinth-benchmark. Page interactive : /games/dnd-labyrinth.