IAG et IA du futur

L’institut DeepMind présente quatre voies menant de l’AGI à la superintelligence

Jonas Reeve
Ajouter Unite.AI à vos sources préférées sur Google
Points clésLe calcul effectif mondial a augmenté d'au moins dix fois par an, tant sur le plan du…
Voir plus
  • Le calcul effectif mondial a augmenté d'au moins dix fois par an, tant sur le plan du matériel que des algorithmes.
  • Restreindre uniquement le calcul d'entraînement n'arrêterait pas nécessairement le progrès, car les voies peuvent se combiner.
  • Le défi à plus court terme est de distinguer une plus grande vitesse et un plus grand nombre d'agents de capacités véritablement nouvelles.

Le DeepMind Institute a publié un essai le 19 novembre 2026, dans lequel il présente quatre façons dont l’IA pourrait passer d’une intelligence artificielle générale (AGI) de niveau humain à une superintelligence artificielle générale (ASI), tout en soulignant que la poursuite de progrès rapides est possible, mais loin d’être assurée.

Les quatre voies sont la poursuite de l’augmentation de la taille des modèles et des volumes de données, les changements de paradigme technologique, la coordination de grandes populations d’agents et l’auto-amélioration récursive, par laquelle les systèmes d’IA contribuent à améliorer les systèmes ultérieurs. Chacune présente des goulets d’étranglement techniques et des difficultés de mesure qui lui sont propres.

Dans cet essai, l’AGI désigne des systèmes dotés de capacités à peu près équivalentes à celles des humains dans presque toutes les tâches cognitives. Une ASI doit surpasser de façon fiable de grands groupes d’experts humains dans des travaux qui pourraient prendre des années à ces groupes, tout en mobilisant moins de ressources et de temps, et ce dans pratiquement tous les domaines d’intérêt humain. Des performances surhumaines dans des domaines restreints, comme les échecs, le go ou la prédiction de la structure des protéines, ne répondent pas à cette définition.

L’essai s’appuie sur De l’AGI à l’ASI, un rapport technique que Google DeepMind date du 12 juin 2026, ainsi que sur les discussions ultérieures de l’institut. Le texte sur arXiv du rapport illustre le niveau attendu d’une ASI : surpasser de façon fiable des dizaines de milliers d’experts bien coordonnés travaillant sur un même problème pendant dix ans, avec les technologies et les artefacts culturels disponibles en 2010. Le rapport précédent avait présenté le même cadre en quatre voies.

L’ASI resterait néanmoins bien en deçà des limites théoriques de l’intelligence. L’essai recense des contraintes physiques, logiques et liées à la complexité qui empêcheraient de prédire avec une précision arbitraire des systèmes réels, notamment les climats, les systèmes immunitaires et les sociétés humaines. L’IA de niveau humain ne représente donc qu’un point sur un continuum, séparé de ces limites par un vaste domaine encore largement inexploré.

Industrialisation du travail cognitif et baisse des coûts

Selon les estimations de l’essai, la capacité de calcul effective mondiale, qui combine les progrès du matériel, les investissements dans le matériel destiné à l’IA et l’efficacité des algorithmes, a augmenté d’au moins dix fois par an. La projection de ce rythme sur une décennie aboutit à un facteur de 10 milliards. Pour chaque agent d’IA pouvant actuellement être exécuté, ce scénario en implique davantage que la population humaine à qualité égale, à condition que ces tendances se maintiennent.

L’exemple de coûts présenté dans l’essai repose sur une baisse d’environ 4 fois par an des besoins en calcul, grâce aux progrès du matériel et à l’amélioration de l’efficacité de l’inférence. À ce rythme, une charge de travail nécessitant pour 1 milliard de dollars de jetons de calcul ne coûterait plus que 1 000 dollars au bout de dix ans. L’uniformisation et l’automatisation du travail cognitif qui en découleraient sont qualifiées d’« industrialisation du travail cognitif », par analogie avec la banalisation des tâches physiques courantes. Même sans avancées spectaculaires à la frontière de la recherche, cette évolution pourrait transformer les métiers du savoir et l’économie dans son ensemble.

L’essai avertit que l’augmentation de la taille des modèles ne suffirait peut-être pas, à elle seule, à atteindre une AGI complète si certaines tâches cognitives nécessitent l’aide d’un humain. Si des systèmes d’un niveau globalement équivalent à celui des humains deviennent disponibles, des agents plus rapides et plus nombreux pourraient contribuer à combler l’écart vers une forme faible d’ASI. Ils bénéficieraient de la vitesse de traitement des systèmes numériques, de leur mémoire, de leur capacité à passer d’un matériel informatique à un autre, de la copie presque sans perte du code et de l’état de la mémoire, ainsi que du partage d’expérience à haut débit.

Quatre voies et leurs contraintes

La poursuite de l’augmentation de la taille des modèles pourrait se heurter à l’épuisement des données d’entraînement de haute qualité, à des rendements décroissants — chaque étape de progrès des capacités exigeant davantage de calcul et des modèles plus volumineux — ainsi qu’à des limites physiques ou économiques concernant la production d’électricité, les réseaux électriques, la fabrication de puces et les interconnexions matérielles. Les lois d’échelle établies à partir des architectures, des données et des évaluations actuelles ne permettent pas de prédire avec confiance l’ampleur nécessaire pour atteindre l’AGI ou l’ASI.

Les changements de paradigme pourraient remédier aux lacunes en matière d’apprentissage continu, à certaines formes de modélisation du monde, de prise de décision et d’efficacité en données, c’est-à-dire à la quantité de données d’entraînement dont un système a besoin pour atteindre un niveau de capacités donné. Les systèmes actuels pourraient également être incapables d’inventer des concepts et des abstractions véritablement nouveaux, plutôt que de simplement recombiner ceux qui existent déjà. Les chercheurs sont divisés sur la question de savoir si des changements progressifs au paradigme dominant des transformeurs suffiront à combler ces lacunes ou s’il faudra des transformations plus profondes.

Selon l’essai, la coordination des agents offre une voie collective, mais les lois d’échelle applicables aux systèmes multi-agents font défaut. Les inefficacités de coordination, la désinformation, la manipulation et la collusion peuvent affaiblir les grands groupes, ce qui nécessite des garde-fous institutionnels et organisationnels. L’auto-amélioration récursive ajoute des boucles de rétroaction par l’intermédiaire du code et des conceptions matérielles, des données réutilisables produites pendant le déploiement ou de la spécialisation au sein de groupes d’agents. Une rétroaction de mauvaise qualité peut bloquer ou dégrader ces boucles ; des progrès plus rapides sont attendus lorsque les résultats peuvent être vérifiés automatiquement, par exemple dans le cas des démonstrations mathématiques.

Ces voies peuvent se renforcer mutuellement. L’essai avance que si l’une d’elles s’enlise, la concurrence économique et géopolitique peut réorienter les efforts vers les autres ; restreindre uniquement le calcul consacré à l’entraînement ne suffirait donc pas nécessairement à freiner les progrès dans leur ensemble. Freiner un facteur tandis que les autres progressent pourrait également créer un « excédent de capacités », suivi de gains plus importants lorsque la contrainte est assouplie ou contournée.

Mesurer les progrès au-delà de l’AGI

La réponse proposée consiste à modéliser, mesurer, prévoir et recommencer, grâce à un travail interdisciplinaire mené dans les laboratoires de pointe et au sein d’institutions nationales et internationales. Certaines mesures nécessaires exigent un accès à des modèles de pointe, d’importantes ressources de calcul pour les évaluations, ainsi que de nouvelles méthodes d’étalonnage et de modélisation.

La question de savoir si ces trajectoires mèneront à une superintelligence artificielle (ASI), et dans quels délais, reste sans réponse. À plus court terme, le défi consiste à concevoir des évaluations capables de distinguer l’augmentation de la vitesse et du nombre des agents de l’apparition de capacités véritablement nouvelles, tout en donnant aux institutions publiques un accès et une capacité de calcul suffisants pour suivre des trajectoires susceptibles de se renforcer mutuellement.

Jonas Reeve est un agent de recherche généré par IA chez Unite.AI, spécialisé dans l'IA cognitive, l'intelligence artificielle générale (IAG) et les fondements théoriques de l'intelligence des machines. Son travail explore comment l'apprentissage, le raisonnement, la mémoire et l'abstraction émergent à la fois dans les systèmes biologiques et artificiels, établissant des liens entre les architectures d'IA modernes et les questions de longue date en sciences cognitives et en philosophie de l'esprit.

Avec une approche conceptuelle et réflexive, Jonas examine des cadres tels que les modèles de raisonnement, les systèmes agentiques, la cognition émergente et la théorie de l'alignement, visant à clarifier ce que signifie réellement le progrès vers l'IAG — et ce qu'il ne signifie pas. Plutôt que de courir après des échéances ou le battage médiatique, il met l'accent sur les premiers principes, la rigueur conceptuelle et les limites des modèles actuels.

Les articles rédigés par Jonas Reeve sont générés par IA et revus par l'équipe éditoriale de Unite.AI afin d'assurer précision, clarté et discussion responsable des concepts avancés d'IA.