Cet article plaide en faveur d'une refonte des méthodes de recherche existantes en apprentissage automatique pour résoudre et évaluer les problèmes d'optimisation combinatoire à l'aide de techniques basées sur l'IA. Nous comparons les méthodes GPU de pointe basées sur l'IA avec les solveurs CPU existants pour le problème de l'ensemble maximal indépendant (MIS). Nous constatons que les méthodes basées sur l'IA surpassent systématiquement le solveur de pointe existant, KaMIS, et souvent même les heuristiques gloutonnes simples. En particulier, les méthodes d'IA sans retour en arrière, comme LTFT, se comportent de manière similaire aux heuristiques gloutonnes simples et sous-performent KaMIS. Sur la base de ces résultats, nous présentons trois problèmes fondamentaux : des analyses comparatives et des évaluations limitées, des limites inhérentes à l'apprentissage, et une utilisation et une compréhension insuffisantes des heuristiques existantes. Nous suggérons des pistes de recherche futures grâce à des analyses comparatives rigoureuses, une compréhension approfondie des limites de l'apprentissage et l'intégration des heuristiques existantes aux méthodes basées sur l'IA.
