L’« exolution » de l’IA à venir

Aujourd’hui, en étant à la limite d’une faille technologique, nous observons le parcours des LLM aux agents, et enfin à l’IA agente et à l’IA générale, et ce n’est pas seulement une question de modèles plus grands ou de réponses plus rapides. C’est également à propos des machines qui passent d’assistants passifs à des collaborateurs actifs, et peut-être, un jour, à des penseurs indépendants.

Tracez ce chemin avec moi et explorons ce que cela signifie pour le travail, l’expertise et le rôle même des humains dans la formation de l’intelligence de demain.

La différence entre les LLM, les systèmes basés sur des agents et l’IA agente

Pour mieux comprendre la différence, voici un exemple. Si je demande à un LLM quelque chose comme : « Je veux voyager de Chicago à Austin, conduire pendant au maximum quatre heures par jour et m’arrêter dans des endroits pittoresques », un LLM classique retournera une réponse statique au format texte basée sur la génération de langage. Il répondra probablement simplement à la demande sans effectuer une analyse approfondie.

Un agent classifierait d’abord la demande comme liée aux voyages. Ensuite, il déterminerait quelles données sont nécessaires : itinéraires à l’aide de services de cartographie, informations météorologiques, coûts de carburant, hôtels, restaurants, etc. Après cela, l’agent diviserait la demande en tâches secondaires et les acheminerait vers des modules ou des LLM spécialisés formés sur les sources pertinentes. C’est l’orchestration et la coordination de plusieurs modèles et outils sous une logique unifiée.

Aujourd’hui, la plupart des grands systèmes comme ChatGPT ou Claude d’Anthropic sont essentiellement déjà des agents. Même si cela peut sembler à l’utilisateur qu’il interagit avec un seul modèle, derrière les scènes se trouve une architecture complexe impliquant de nombreux modèles et systèmes. Ils peuvent déjà gérer des requêtes complexes, mais leurs capacités sont principalement limitées à la fourniture d’informations ; ils n’agissent pas encore.

Un agent autonome est un système qui collecte des informations et peut, par exemple, réserver un hôtel, acheter un billet ou initier un paiement, à condition d’avoir accès aux API ou aux données utilisateur pertinentes. De tels agents sont actuellement en phase de développement précoce. À ce stade, ils sont plus comme des semi-agents, capables de traiter des informations mais pas encore d’effectuer des actions autonomes.

Un domaine intéressant de discussion dans la communauté de recherche est l’IA agente. Contrairement à un agent classique, dont le comportement est scripté par les développeurs, l’IA agente est un système qui décide de manière indépendante quelles tâches effectuer, quelles données il nécessite et même comment poursuivre sa propre formation. Cela va au-delà de l’exécution d’instructions ; cela implique de prendre des décisions autonomes. Cependant, l’IA agente reste théorique à ce stade ; aucun tel système n’existe encore en pratique.

IA générale – l’horizon nouveau. Mais est-elle réalisable ?

Meta a investi dans Scale AI il y a trois mois. L’objectif était de s’unir pour construire l’IA générale, capable de réaliser n’importe quelle tâche à un niveau humain ou même la dépassant. Si l’IA d’aujourd’hui est une révolution technologique, l’IA générale sera une véritable mega-révolution ; parfois, je l’appelle « exolution », signifiant l’« exode » de l’IA de l’ombre. Celui qui l’obtiendra en premier bénéficiera d’un avantage stratégique mondial.

En ce qui concerne la proximité avec l’IA générale réelle, cela dépend fortement de la façon dont nous la définissons. Je suis d’accord avec le point de vue d’Ilya Sutskever : l’IA générale est un système capable d’effectuer n’importe quelle tâche intellectuelle qu’un humain peut accomplir. Pas seulement répondre à des questions, mais raisonner, prendre des décisions, généraliser et interpréter à travers les domaines. La véritable IA générale est universelle et non limitée à des frontières de tâches étroites.

Aucun des modèles actuels n’a atteint ce niveau. Nous nous dirigeons dans cette direction, mais la véritable IA générale, dans le sens théorique, n’existe toujours pas. Et peut-être que c’est pour le mieux. Nous sommes encore dans une phase d’approximation, et il est probable que nous y resterons pendant un certain temps.

La fondation de l’IA générale reposera probablement sur un système basé sur des agents. Elle ne reposera pas nécessairement sur un seul LLM, car tout comme aucun humain, aussi brillant soit-il, ne peut maîtriser tous les domaines de connaissance et de compétences, aucun LLM ne peut gérer à lui seul l’ensemble des tâches de l’IA générale. Ce dont nous aurons besoin, c’est une sorte d’« intelligence collective » : une architecture capable de coordonner plusieurs modèles et composants.

L’IA générale émergera probablement non pas simplement comme un agent conçu par l’homme, mais comme un méta-agent. Il s’agira d’un système qui est partiellement développé et qui évolue avec l’aide de l’IA elle-même. C’est important, car les systèmes conçus entièrement par des humains peuvent comporter des limitations inhérentes. L’implication de l’IA dans le processus de conception pourrait aider à surmonter ces contraintes et à rendre le système plus adaptable.

L’IA générale ne proviendra probablement pas d’une percée spécifique. Ni de LLM plus grands, ni d’agents plus intelligents, ni d’architectures entièrement nouvelles, mais plutôt d’une synthèse des trois. Probablement quelque chose de fondamentalement nouveau qui transcende les catégories que nous utilisons actuellement.

« L’examen final de l’humanité » et autres références pour l’IA générale

« L’examen final de l’humanité » (HLE) est l’une des références les plus ambitieuses actuellement discutées dans le contexte des LLM, des agents et de l’IA générale. Essentiellement, il s’agit d’un test composé d’environ 2 500 questions couvrant un large éventail de disciplines universitaires – mathématiques, physique, biologie, chimie, ingénierie, informatique et même échecs. L’idée est d’évaluer si un système d’IA peut résoudre des problèmes à un niveau qui reflète une véritable compréhension humaine.

Les modèles de langage actuels obtiennent de très mauvais résultats à l’HLE, souvent avec un score d’exactitude inférieur à 5%. C’est en contraste frappant avec d’autres références comme MMLU ou GPQA, où les modèles atteignent des scores nettement plus élevés. La difficulté que les modèles rencontrent avec l’HLE met en évidence à quel point ils sont encore éloignés d’une véritable intelligence générale.

Il est important de noter qu’une performance élevée sur des références avec des ensembles de données connus ou étroits ne signifie pas nécessairement la présence d’une véritable intelligence générale. Un modèle peut être affiné ou « formé pour le test », ce qui peut gonfler ses capacités apparentes. Donc, même un score parfait à l’HLE ne signifierait pas que nous avons atteint l’IA générale ; cela signifierait seulement que nous avons réussi un test particulier.

Ce qui pousse l’IA générale

Je suis entièrement d’accord que les piliers fondamentaux de l’IA générale sont les données, le calcul et les talents. La situation avec le calcul est claire. Les principaux acteurs comme Meta ont essayé de produire leurs propres puces, en investissant des milliards dans leur propre processus de développement de puces. Mais les entreprises s’appuient toujours fortement sur d’autres puces et sur la puissance de calcul d’autres acteurs comme Nvidia, qui ne fournissent pas seulement le matériel nécessaire mais comprennent également l’importance de l’augmentation de la production.

Plus de questions concernent les données et les talents. Internet est épuisé — il n’y a pas de texte créé par l’homme à partir de sources ouvertes qui n’ait pas été utilisé pour la formation à ce stade. Le volume total d’informations que l’humanité a produites jusqu’à présent s’avère être étonnamment petit. C’est pourquoi les entreprises commencent à s’associer activement avec ceux qui peuvent générer des données humaines de haute qualité.

Automatisation complète ou humain dans la boucle ?

Un autre point – le déclin de la demande pour l’annotation manuelle de données. Il y a quelques années, l’industrie se développait à plein régime. Des milliers d’annotateurs ont été intégrés pour répondre à la faim des pipelines d’IA. Aujourd’hui, une grande partie de cet élan s’est déplacée vers l’automatisation. Les modèles ont mûri, et les outils qui les entourent également.

Prenez la reconnaissance faciale. Il s’agissait autrefois de l’un des principaux moteurs du volume d’annotation d’images. Mais la catégorie est largement résolue maintenant. Des modèles comme YOLO, SAM et Samurai absorbent rapidement le travail de routine. Ces systèmes compressent des semaines d’efforts manuels en minutes, souvent avec une précision étonnante. Nous avons également mis en œuvre de nombreux outils d’aide à la formation dans notre plateforme propriétaire Keylabs. Cela aide vraiment à réduire le flux de travail de routine.

Cependant, tous ces modèles sont limités par leur généralisation et conviennent à l’automatisation d’opérations standard et uniformes. Les cas complexes ou uniques nécessitent toujours l’attention humaine.

Nous nous éloignons du vieux paradigme où un annotateur était simplement une personne méticuleuse qui pouvait reconnaître un objet ou une émotion. Dans la nouvelle réalité, des professionnels sont nécessaires : des médecins pour annoter des images médicales, des programmeurs pour coder, des architectes pour créer des plans, des marketeurs pour des informations client et des experts militaires pour des scénarios de défense.

Nous voyons déjà des cas réels, tels que des pilotes de chasse annotant des données pour l’IA et gagnant 1 000 dollars de l’heure pour leur expertise. Parce que de tels spécialistes sont rares et que leurs connaissances sont cruciales pour la formation d’une IA de haute performance.

Le monde change : de plus en plus de personnes deviennent des opérateurs et « formateurs » d’intelligence artificielle. Juste l’autre jour, j’ai reçu un message LinkedIn me demandant de vérifier un ensemble de données pour une application d’IA conçue pour les PDG. Dans le futur, n’importe lequel d’entre nous pourrait recevoir une offre pour travailler en tant qu’annotateur, pas seulement quelqu’un qui clique sur des boutons, mais un expert dont les connaissances façonnent l’intelligence de demain.

Nous vivons déjà dans cette nouvelle réalité, un monde d’étiquetage de données et de formation d’IA. Ceux qui la reconnaissent et s’y adaptent gagneront un avantage significatif.