Les néo‑labs d’IA : pourquoi les pionniers quittent les géants et misent sur de nouveaux paris

L’annonce de Jensen Huang, PDG de Nvidia, affirmant que « l’AGIIA généraleConcept d'une intelligence artificielle capable de réaliser un large éventail de tâches intellectuelles avec des capacités générales comparables à celles des humains. est arrivé », a rapidement été suivie par les déclarations de Greg Brockman d’OpenAI. Aucun consensus officiel ne définit l’AGI, mais le message est clair : des modèles très puissants, possiblement auto‑améliorables, sont en passe d’émerger.

Pourtant, plusieurs des architectes de ces systèmes quittent les grands laboratoires pour créer leurs propres structures, souvent appelées « néo‑labs ». Ilya Sutskever, co‑fondateur d’OpenAI, a lancé Safe Superintelligence. Jerry Tworek, ancien responsable des modèles de raisonnement d’OpenAI, dirige maintenant Core Automation. David Silver, créateur d’AlphaGo, a fondé Ineffable Intelligence, tandis que Yann Le Cun a quitté Meta pour AMI. Ces mouvements s’accompagnent de levées de fonds colossales : Nvidia aurait injecté cinq milliards de dollars dans SSI, Prometheus, le laboratoire d’IAIntelligence artificielleEnsemble de techniques permettant à des machines d'accomplir des tâches nécessitant habituellement certaines capacités humaines, comme la reconnaissance, la prédiction ou la prise de décision. industrielle de Jeff Bezos, a levé douze milliards, et Flapping Airplanes a obtenu un milliard en série A.

Pourquoi quitter les géants ?

Les motivations ne sont pas uniquement financières. Certains fondateurs, comme Le Cun, ont eu des désaccords stratégiques avec leurs employeurs. D’autres, comme Sutskever, souhaitent mener leurs recherches sans la pression du produit. Le modèle actuel, basé sur des modèles de langage de plus en plus gros entraînés sur d’immenses corpus d’internet puis ajustés par du reinforcement learningReinforcement LearningMéthode d'apprentissage dans laquelle un agent améliore ses décisions en fonction des récompenses reçues lors de ses interactions., ne satisfait plus tous les chercheurs. Le doute persiste : la simple augmentation de taille et de données suffit‑elle à atteindre l’AGI ?

Les néo‑labs misent sur des « gaps » de recherche que les grands laboratoires n’abordent pas en priorité, faute de ressources ou de vision. Leurs paris se regroupent autour de six axes, dont le premier – « un bon solveur n’est pas forcément un bon apprenant » – met en avant la capacité d’apprentissage continu, encore très limitée des modèles actuels.

Quelques exemples de paris techniques

• Adaption (fondée par Sara Hooker) mise sur l’apprentissage en cours de déploiement. Plutôt que de former un modèle unique, elle veut des IA capables de s’ajuster aux données de chaque utilisateur, en réduisant drastiquement les besoins en calcul.
• Core Automation (Jerry Tworek) travaille sur des algorithmes qui évitent l’« oublie catastrophique » lors de la mise à jour des poids, et vise des modèles qui apprennent avec un centième des données utilisées aujourd’hui.
• Flapping Airplanes cherche à réduire la dépendance aux gigantesques jeux de données en développant des techniques d’apprentissage à partir de très peu d’exemples.
• Ineffable Intelligence explore l’apprentissage par expérience, inspiré des systèmes de renforcement à long terme.

Ces approches restent majoritairement au stade de la recherche ou de prototypes internes. Aucun produit commercial n’a encore été présenté, mais la dynamique est bien réelle : TypeSafe AI a lancé « Jev », un modèle de décision, avant même qu’OpenAI ne dévoile son Decisions API.

Le rôle des grands acteurs

Les géants ne sont pas indifférents. Microsoft a recruté l’équipe centrale d’Inflection, Google a absorbé les fondateurs de Character.ai, et AMD envisage d’acquérir World Labs. Nvidia, quant à lui, apparaît fréquemment comme investisseur stratégique, consolidant ainsi son influence sur l’écosystème.

Ces mouvements illustrent le « innovator’s dilemma » : les grandes structures peinent à financer des projets qui menacent leur modèle d’affaires actuel, tandis que des équipes plus petites peuvent se concentrer sur des idées risquées mais potentiellement disruptives.

Qu’attendre des néo‑labs ?

Le succès dépendra de leur capacité à livrer quelque chose d’unique que les géants ne proposent pas. Une avance technologique même marginale peut se traduire rapidement en acquisition ou en partenariat lucratif. Le marché observe déjà les premiers signaux : des levées de fonds records, des recrutements ciblés, et des démonstrations limitées qui suscitent l’intérêt des grandes entreprises.

En résumé, la vague actuelle de néo‑labs reflète une méfiance croissante envers le simple « scale‑up » des modèles existants. Leur pari est double : repousser les limites de l’apprentissage continu tout en créant des applications concrètes qui justifient les investissements massifs des fonds de capital‑risque.

À mesure que ces laboratoires progresseront, ils pourraient redéfinir la trajectoire de l’IA vers une forme plus adaptable, moins dépendante de la puissance de calcul brute, et ainsi influencer la prochaine génération d’assistants intelligents.