Pourquoi je ne pense pas que l'AGI soit imminente

Voici l'article de blog complet - contenu du corps HTML uniquement :

---

Pourquoi je ne pense pas que l'AGI soit imminente

Malgré les gros titres à couper le souffle et les paris de plusieurs milliards de dollars, l’intelligence artificielle générale n’arrivera pas l’année prochaine, ni probablement même cette décennie. L’écart entre les systèmes d’IA actuels, impressionnants mais étroits, et la véritable intelligence générale reste vaste, incompris et systématiquement sous-estimé par ceux qui sont le plus incités financièrement à surestimer le progrès.

En tant que fondateur de Mewayz, une plateforme à laquelle font confiance plus de 138 000 utilisateurs pour gérer leur entreprise avec 207 modules intégrés, je passe mes journées à réfléchir à ce que la technologie peut réellement faire par rapport à ce que nous souhaitons qu'elle puisse faire. Cette optique pratique façonne mon scepticisme quant aux délais de l’AGI, et je pense qu’elle devrait également façonner le vôtre.

Que veulent dire exactement les gens lorsqu’ils disent qu’AGI arrive bientôt ?

Le terme « intelligence générale artificielle » fait référence à un système capable d’accomplir n’importe quelle tâche intellectuelle qu’un humain peut réaliser, avec la capacité de raisonner, d’apprendre, de s’adapter et de transférer des connaissances dans des domaines entièrement nouveaux sans formation spécifique. Ce n'est pas un chatbot qui écrit des e-mails décents. Ce n'est pas un générateur d'images qui produit de l'art photoréaliste. Ce n’est même pas un assistant de codage capable d’échafauder une application.

Ce dont nous disposons aujourd’hui, ce sont de grands modèles de langage et des systèmes multimodaux qui excellent dans la mise en correspondance de modèles sur d’énormes ensembles de données. Ce sont des outils extraordinaires. Ils sont également fondamentalement différents de l’intelligence générale. Lorsque Sam Altman ou Demis Hassabis suggèrent que l'AGI est à nos portes, ils confondent la capacité dans le cadre de paramètres définis avec l'adaptabilité illimitée qui définit l'intelligence générale. Ce n’est pas la même chose, et aucune mise à l’échelle n’a montré de preuve de réduction de ce fossé.

Pourquoi la mise à l’échelle seule ne parvient-elle pas à produire une intelligence générale ?

La théorie dominante dans la Silicon Valley est d’une simplicité trompeuse : agrandissez les modèles, alimentez-les en données supplémentaires, et une intelligence générale émergera. Cette « hypothèse de mise à l'échelle » a généré des milliards d'achats de GPU et de construction de centres de données. Mais les preuves empiriques racontent une histoire plus compliquée.

Des rendements décroissants sur les benchmarks : chaque augmentation d'un ordre de grandeur dans le calcul produit des améliorations de plus en plus faibles sur les tâches de raisonnement, ce qui suggère que nous atteignons un plafond plutôt que d'approcher une avancée décisive.

Fragilité dans des conditions nouvelles : les modèles actuels échouent de manière imprévisible lorsqu'ils sont confrontés à des problèmes qui s'écartent même légèrement de leur distribution d'entraînement, une limitation fondamentale que davantage de paramètres ne peuvent résoudre.

Absence de raisonnement causal : les LLM fonctionnent sur la corrélation statistique et non sur la compréhension causale. Ils ne peuvent pas modéliser pourquoi les choses se produisent, mais seulement prédire quel texte est susceptible de suivre un autre texte.

Pas d'apprentissage persistant : les systèmes d'aujourd'hui ne peuvent pas apprendre d'une seule interaction et transmettre ces connaissances comme le fait un enfant humain après avoir touché une fois une cuisinière chaude.

Incarnation et ancrage : L’intelligence humaine est profondément liée à l’expérience physique et aux retours sensoriels. Aucune quantité de données textuelles ne reproduit la compréhension fondée de l’existence dans le monde.

La mise à l’échelle nous a fourni des outils remarquables, mais elle n’a pas produit un seul système démontrant une véritable compréhension, et aucun cadre théorique ne suggère que ce sera le cas.

À qui profitent les délais trop prometteurs de l’AGI ?

Suivez l'argent. Tous les grands laboratoires d’IA collectent actuellement des fonds à des valorisations qui supposent des percées transformatrices à court terme. Les augmentations de plusieurs milliards de dollars d'OpenAI, le positionnement interne de Google DeepMind et l'urgence d'Anthropic en matière de sécurité dépendent tous du récit selon lequel AGI est suffisamment proche pour justifier un investissement sans précédent.

"Le prédicteur le plus fiable d'un calendrier AGI agressif n'est pas une preuve technique mais une incitation financière. Ceux qui ont le plus à gagner du récit sont les voix les plus fortes qui en font la promotion."

Cela ne veut pas dire que ces entreprises agissent de mauvaise foi. De nombreux chercheurs véritablement

Related Posts

• LCM : Gestion du contexte sans perte [pdf]
• Outil de sandboxing en ligne de commande peu connu de macOS (2025)
• L'IRS a perdu 40 % de son personnel informatique et 80 % de ses dirigeants technologiques lors d'une restructuration pour plus d'« efficacité »
• CXMT propose des puces DDR4 à environ la moitié du prix du marché.