Le 19 novembre 2026, le DeepMind Institute a publié un essai détaillant quatre scénarios possibles pour passer d’une Intelligence 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. de niveau humain (IA généraleConcept d'une intelligence artificielle capable de réaliser un large éventail de tâches intellectuelles avec des capacités générales comparables à celles des humains.) à une intelligence artificielle superintelligente (ASI). L’étude ne prétend pas que le passage est imminent, mais elle montre que la dynamique actuelle du calcul et des algorithmes pourrait rendre le phénomène plausible, à condition que plusieurs obstacles techniques soient franchis.

Une croissance exponentielle du calcul effectif

Selon le texte, le « computing effectif » – c’est‑à‑dire la combinaison du matériel, des investissements en IA et des gains d’efficacité algorithmique – aurait augmenté d’un facteur d’au moins dix chaque année. Si cette tendance se maintient pendant dix ans, on parlerait d’une multiplication de 10 milliards. En pratique, chaque agent d’IA capable de fonctionner aujourd’hui pourrait, dans une décennie, être reproduit à une échelle supérieure à la population humaine, à condition que la loi de Moore et les optimisations logicielles continuent de suivre le même rythme.

Le même essai illustre l’impact économique potentiel : un travail nécessitant un milliard de dollars de TokenUnité de contenu traitée par un modèle de langage, pouvant représenter un mot, une partie de mot ou un caractère. de calcul aujourd’hui ne coûterait plus que mille dollars dans dix ans, grâce à la baisse de la demande en calcul induite par le matériel plus performant et les gains d’efficacité en InférencePhase durant laquelle un modèle entraîné utilise ses paramètres pour produire une prédiction ou une réponse à partir de nouvelles données.. Cette « industrialisation cognitive » rappelle la mécanisation du travail physique du XIXᵉ siècle, mais appliquée à la production de connaissances, de rapports ou de décisions automatisées.

Les quatre voies vers l’ASI

  1. Poursuite du scaling – Augmenter la taille des modèles et le volume de données. Le principal frein identifié est la raréfaction des données de haute qualité et la hausse du coût énergétique liée aux exigences de puissance et aux interconnexions de puces. Les lois d’échelle actuelles ne permettent pas de prévoir avec certitude le niveau de ressources nécessaire pour dépasser le seuil humain.

  2. Changements de paradigme – Introduire de nouvelles architectures capables d’apprendre de façon continue, de modéliser le monde de façon plus robuste ou de réduire la dépendance aux données d’TrainingProcessus durant lequel un modèle ajuste ses paramètres à partir de données afin d'améliorer ses performances.. Les transformeurs actuels excellent à recombiner des concepts existants, mais peinent à créer de véritables abstractions inédites.

  3. Coordination d’agents multiples – Faire coopérer des milliers voire des millions d’agents afin de résoudre des problèmes complexes. Le texte souligne l’absence de lois d’échelle pour les systèmes multi‑agents et met en garde contre les risques d’information erronée, de manipulation ou de collusion qui pourraient réduire l’efficacité collective.

  4. Amélioration récursive – Permettre aux IA de contribuer à la conception de leurs propres successeurs, que ce soit par la génération de code, la proposition de nouvelles architectures matérielles ou la création de jeux de données plus pertinents. Cette boucle auto‑améliorative dépend fortement de la capacité à vérifier automatiquement les sorties, par exemple dans le domaine des preuves mathématiques.

L’essai insiste sur le fait que ces voies ne sont pas mutuellement exclusives. Si l’une d’elles rencontre un obstacle, les pressions économiques et géopolitiques peuvent rediriger les efforts vers les autres, créant ainsi un « overhang » de capacités qui se libèrent dès que la contrainte est levée.

Mesurer le progrès au‑delà de l’AGI

Un des défis majeurs identifié est de développer des évaluations capables de distinguer une simple multiplication d’agents plus rapides d’une véritable acquisition de nouvelles capacités. Les institutions publiques et les laboratoires de pointe devront collaborer pour concevoir des benchmarks, des métriques d’évaluation et des modèles prédictifs, tout en garantissant un accès suffisant aux modèles de pointe et aux ressources de calcul nécessaires.

Quelles implications pour le lecteur ?

Pour les professionnels du secteur, la perspective d’une industrialisation cognitive signifie que les tâches de routine – analyse de données, rédaction de rapports, optimisation de processus – deviendront de plus en plus automatisées à moindre coût. Les entreprises devront anticiper un marché du travail où la vitesse et le nombre d’agents IA pourront compenser le manque de capacités humaines dans certains domaines, tout en restant vigilantes face aux limites potentielles (ex : besoins d’expertise humaine pour la validation de résultats sensibles).

En résumé, l’essai du DeepMind Institute ne prévoit pas une explosion soudaine d’une superintelligence, mais décrit un ensemble de leviers qui, combinés, pourraient TransformerArchitecture de réseau neuronal reposant notamment sur des mécanismes d'attention pour traiter des séquences de données. la façon dont la société produit et consomme le savoir. La vigilance quant aux contraintes techniques, aux risques de coordination et aux exigences de mesure restera essentielle pour suivre cette évolution.

Perspectives : alors que le calcul continue de croître de façon exponentielle, les chercheurs et les décideurs devront surveiller de près les avancées dans les quatre voies décrites, afin d’anticiper les impacts économiques et sociétaux d’une éventuelle transition vers l’ASI.

Une lecture à partager ?
Partager
Partager cet article
WhatsApp ↗LinkedIn ↗Facebook ↗X ↗E-mail ↗

POUR CONTINUER

Garder le fil.

Toutes les actus ↗