L'Architecture de la Progression : Pourquoi les Benchmarks Comptent pour la Vision

L'actualité IA de cette semaine est frappante : Muse Wonder Full (max) signe 56 sur l'Intelligence Index v4.3 d'Artificial Analysis, égalant Sonnet 5.5 (max) et frôlant Opus 5.5 (max). C'est un bond de 8 points en six semaines seulement depuis Muse Spark 1.3 (max), qui stagnait à 48.

En tant que builders, nous savons que ce genre de progression n'est pas le fruit du hasard, mais d'une boucle de feedback itérative et de benchmarks rigoureux. Quand les métriques deviennent le langage commun du progrès, on finit par se demander : et si on appliquait cette même rigueur à la rééducation humaine ?

Prenez l'amblyopie (souvent appelée « lazy eye »). Pendant des décennies, la réponse standard a été le patch : occlure l'œil fort pour forcer le cerveau à utiliser le faible. C'est une approche binaire. Le problème ? Le patch isole ; il n'enseigne pas la coopération binoculaire. Il ne crée pas de « benchmark » de fusion entre les deux yeux.

AmblyoPunch, un jeu Meta Quest développé par Seven Sportz, change la donne en transposant la logique de progression technique dans un parcours dichoptique en quatre étapes. Ici, on ne parle pas de « traitement » médical, mais d'un entraînement de coordination visuelle basé sur des données de performance.

Le Pipeline de Progression Dichoptique

L'architecture du programme suit une courbe d'apprentissage stricte, où chaque étape est un prérequis pour la suivante :

1. Warm‑up monocular – Le système présente des cibles (les fameux coins Gabor) visibles uniquement pour l'œil amblyope. L'objectif est de stimuler le tracking et l'attention sans que l'œil dominant ne vienne « court‑circuiter » le signal.
2. Bris de suppression – Les deux yeux voient les cibles, mais l'entrée de l'œil dominant est fortement atténuée (dimmed/washed out). Le cerveau est forcé de prioriser l'input de l'œil faible pour réussir l'action.
3. Rééquilibrage – La clarté et la luminosité de l'œil dominant sont restaurées progressivement via des sous‑étapes. C'est une phase de transition critique où l'on s'assure que l'œil faible reste actif alors que l'équilibre revient.
4. Entraînement à la fusion – Le stade final. Le jeu introduit un léger désalignement d'image à l'intérieur de la zone de fusion de Panum. Le cerveau doit fusionner ces deux vues en un seul percept 3D pour frapper les cibles avec précision.

Game Loop et Gating de Performance

Ce qui rend AmblyoPunch techniquement intéressant pour un développeur, c'est son système de performance‑gating. Le passage d'un stage à l'autre n'est pas temporel, mais basé sur le succès.

Le seuil typique d'avancement est de ≥ 70 % de réussite sur une fenêtre glissante de 10 interactions (combinaison de coups portés aux coins Gabor et de pics rouges esquivés). Si la performance chute en dessous de 40 %, le système peut même déclencher une rétrogradation. Pour les profils complexes comme le strabisme, le seuil monte à 80 % avant l'accès à la fusion finale.

function evaluate(window):
    success = count_hits(window) / window.size
    if success >= 0.70:      promote()
    else if success < 0.40:  demote()
    else:                    hold()

Ce pseudo‑code illustre la simplicité du contrôle : une métrique unique, une fenêtre fixe, trois issues possibles. Pas de heuristiques opaques, pas de « magic numbers » cachés.

Design, Interaction et Instrumentation

L'expérience est immersive : on voyage d'un village vers une ville, puis vers l'espace, la Lune, Mars et Vénus. L'interaction se fait via les contrôleurs ou le hand‑tracking, rendant l'exercice physique.

Les cibles utilisent des motifs de Gabor — des stimuli de science de la vision composés de bandes orientées et à bords flous. Ces motifs sont spécifiquement conçus pour driver le traitement du contraste et des détails fins dans le cortex visuel. Le rendu sépare les deux yeux au niveau du frame‑buffer, appliquant un masque d'occlusion ou un facteur d'alpha selon l'étape, ce qui garantit une présentation dichoptique pixel‑perfect sans latence perceptible.

Chaque session génère un journal horodaté (timestamp, étape, taux de réussite, type d'interaction). Ce log peut être exporté pour un suivi longitudinal, permettant au praticien ou au patient de visualiser la courbe d'apprentissage comme on suit une loss curve en deep learning.

Trade‑offs et Limites Connues

Dimension	Approche patch classique	AmblyoPunch (VR dichoptique)
Feedback quantitatif	Aucun (subjectif)	Taux de réussite, seuils, logs exportables
Coopération binoculaire	Non (occlusion totale)	Progressive, de la suppression à la fusion
Engagement	Faible (passif)	Élevé (gameplay, environnements variés)
Portabilité	Partout (patch physique)	Nécessite casque Quest, espace de jeu
Validation clinique	Études historiques	Outil de coordination, pas dispositif médical

Le principal compromis reste le matériel : un casque autonome, une zone de jeu dégagée, et une tolérance à la VR (nausée, fatigue oculaire). En contrepartie, on obtient une boucle de feedback fermée, mesurable, et reproductible — exactement ce que les benchmarks IA nous ont appris à exiger.

Pourquoi Ça Marche pour les Builders

• Objectifs explicites : chaque stage a un critère numérique clair.
• Mesure continue : sliding window de 10 essais, pas de « feeling ».
• Progression gated : pas d'avancement sans preuve de compétence.
• Itérabilité : les logs permettent d'ajuster les seuils, d'ajouter des étapes, de tester de nouveaux stimuli (ex. fréquence spatiale Gabor variable) sans casser le pipeline.

En conclusion, qu'il s'agisse d'optimiser un LLM ou d'entraîner un cerveau à mieux voir, la clé reste la même : des objectifs clairs, des mesures précises et une progression gated. AmblyoPunch ne prétend pas être un dispositif médical ou une cure, mais un outil de coordination visuelle qui utilise la puissance de la VR pour aller « au-delà du patch ».

Prêt à tester vos réflexes et votre vision ?

👉 Essayez AmblyoPunch sur Meta Quest : https://www.meta.com/en-gb/experiences/amblyopunch/1239507485902689/