Qu’est-ce que l’intelligence artificielle générale (AGI) ?

L’AGI a été activement explorée depuis le début de la recherche sur l’IA. Pourtant, il n’y a pas de consensus au sein de la communauté universitaire quant à ce qui pourrait être considéré comme une AGI ou à la meilleure façon de l’atteindre. Si l’objectif général d’une intelligence de type humain est assez simple, les détails sont nuancés et subjectifs. La poursuite de l’AGI comprend donc le développement à la fois d’un cadre d’exigences pour comprendre l’intelligence dans les machines et des modèles capables de satisfaire ce cadre d’exigences.

Le défi est à la fois philosophique et technologique. Sur le plan philosophique, une définition formelle de l’AGI nécessite à la fois une définition formelle de l’« intelligence » et un consensus général sur la manière dont cette intelligence pourrait se manifester dans une IA. Sur le plan technologique, l’AGI exige de créer des modèles d’IA d’un niveau de sophistication et de polyvalence sans précédent, ainsi que des indicateurs et des tests permettant de vérifier de manière fiable les capacités cognitives du modèle et la puissance de calcul nécessaire à son fonctionnement.

La notion d’intelligence « générale », ou d’IA générale, se comprend mieux par opposition à l’IA étroite, une expression qui décrit en pratique la quasi-totalité des IA actuelles, dont l’« intelligence » ne se manifeste que dans des domaines spécialisés.

Le 1956 Dartmouth Summer Research Project on Artificial Intelligence, qui a réuni des mathématiciens et des scientifiques d’institutions telles que Dartmouth, IBM, Harvard et Bell Labs, est considéré comme l’origine du terme « intelligence artificielle ». Comme indiqué dans la proposition, « l’étude [devait] procéder sur la base de la conjecture que chaque aspect de l’apprentissage ou toute autre fonctionnalité de l’intelligence peut être décrit de manière si précise qu’une machine peut être conçue pour le simuler ».

Ce domaine en plein essor de l’IA cherchait à développer une feuille de route vers des machines capables de réfléchir par elles-mêmes. Mais au cours des décennies suivantes, les progrès vers une intelligence humaine dans les machines se sont avérés entravés.

Des progrès beaucoup plus importants ont été réalisés dans la recherche de machines informatiques qui effectuent certaines tâches qui nécessitent généralement une intelligence significative chez les humains, comme les jeux d’échecs, les diagnostics médicaux, les prévisions météo ou la conduite automobile. Mais ces modèles, par exemple, ceux qui alimentent les voitures autonomes, ne font preuve d’intelligence que dans leurs domaines spécifiques.

En 2007, le chercheur en IA Ben Goertzel a popularisé le terme « intelligence artificielle générale » (AGI), à la suggestion du cofondateur de DeepMind, Shane Legg, dans un livre influent du même nom. Contrairement à ce qu’il a qualifié d’« IA restreinte », une intelligence artificielle générale serait un nouveau type d’IA dotée, entre autres qualités, de « la capacité de résoudre des problèmes généraux sans restriction de domaine, de la même manière que peut le faire un humain ».

L’AGI désigne des capacités étendues de niveau humain applicables à différentes tâches et est étroitement associée à d’autres concepts du machine learning. L’IA forte désigne généralement une conscience ou un véritable esprit. La superintelligence artificielle dépasse les capacités humaines dans pratiquement toutes les tâches. Bien que ces concepts se recoupent dans une certaine mesure, ils représentent chacun une conception distincte de l’IA.

L’« IA forte », un concept notamment abordé dans les travaux du philosophe John Searle, désigne un système d’IA faisant preuve de conscience et sert principalement de contrepoint à l’IA faible.Bien que l’IA forte soit généralement analogue à l’AGI (et l’IA faible à l’IA étroite), ces expressions ne sont pas de simples synonymes.

En substance, alors que l’IA faible est simplement un outil à utiliser par un esprit conscient, c’est-à-dire un être humain, l’IA forte est elle-même un esprit conscient. Bien que l’on implique généralement que cette conscience impliquerait une intelligence égale ou supérieure à celle des êtres humains, l’IA forte ne s’intéresse pas explicitement aux performances relatives à diverses tâches. Ces deux concepts sont souvent confondus, car la conscience est généralement considérée comme un prérequis ou une conséquence de « l’intelligence générale ».

Malgré leurs similitudes, l’AGI et l’IA forte décrivent en fin de compte des concepts complémentaires, plutôt que des concepts identiques.

Comme son nom l’indique, la superintelligence artificielle désigne un système d’IA dont les capacités générales dépasseraient largement celles de tout être humain, quelle que soit la tâche considérée.

Des concepts tels que l’apprentissage par transfert et l’apprentissage à partir de quelques exemples (few-shot learning) sont souvent abordés dans le contexte de l’AGI, car ils reflètent la capacité d’un système à appliquer à une tâche des connaissances acquises dans le cadre d’une autre. Il convient de noter que nous avons sans doute déjà atteint à plusieurs reprises une forme limitée d’intelligence surhumaine, grâce à quelques systèmes d’IA qui semblent surpasser tous les êtres humains dans la tâche ou le domaine précis pour lequel ils ont été conçus. Par exemple :

• AlphaFold surpasse tous les scientifiques humains dans la prédiction de la structure tridimensionnelle d’une protéine à partir d’une séquence d’acides aminés.
  
  
• Deep Blue d’IBM a battu le champion du monde d’échecs Garry Kasparov en 1997.

• IBM Watson a battu les champions de Jeopardy ! Ken Jennings et Brad Rutter en 2013.
  
  
• AlphaGo (et son modèle successeur, AlphaZero) est considéré comme le meilleur joueur de go au monde.

Bien que l’apprentissage par transfert aide les modèles d’IA actuels à généraliser leurs connaissances à des tâches apparentées, il ne constitue pas une forme d’intelligence artificielle générale. Ces modèles pourraient représenter des avancées vers la superintelligence artificielle, mais ils n’ont pas atteint une intelligence artificielle « générale ». De tels systèmes d’IA ne peuvent en effet ni apprendre de nouvelles tâches de manière autonome, ni étendre leurs capacités de résolution de problèmes au-delà de leur champ d’application étroitement défini. Une véritable ASI serait supérieure non seulement dans un domaine précis, mais aussi dans toutes les tâches que l’on pourrait attendre d’un être humain.

La superintelligence n’est pas une condition préalable à l’AGI. En théorie, un système d’IA faisant preuve de conscience et possédant un niveau d’intelligence comparable à celui d’un être humain moyen et ordinaire constituerait à la fois une AGI et une IA forte, mais pas une superintelligence artificielle.

Il n’y a pas de consensus entre les experts quant à ce qui devrait exactement être considéré comme une AGI, même si de nombreuses définitions ont été proposées tout au long de l’histoire de l’informatique. Ces définitions se concentrent généralement sur la notion abstraite d’intelligence machine, plutôt que sur les algorithmes spécifiques ou les modèles de machine learning qui devraient être utilisés pour y parvenir.

En 2023, un article Google Deepmind a analysé la littérature universitaire existante et a identifié plusieurs catégories de cadres des exigences pour définir l’intelligence artificielle générale :

• Le test de Turing : des machines capables d’imiter les êtres humains de manière convaincante
  
  
• IA forte : systèmes dotés d’une conscience
  
  
• Analogies avec le cerveau humain
  
  
• Performances de niveau humain dans des tâches cognitives
  
  
• Capacité à apprendre de nouvelles tâches
  
  
• Travail ayant une valeur économique
  
  
• Capacités flexibles et générales
  
  
• « Intelligence artificielle capable » (ACI)

Alan Turing, une figure mondiale de l’histoire de l’informatique théorique, a publié l’une des définitions les plus anciennes et les plus influentes de l’intelligence machine dans son article de 1950, « Computer Machinery and Intelligence ». Le cœur de son argument était que l’intelligence peut être définie par le comportement, plutôt que par des qualités philosophiques mystiques. Conscient de la difficulté de trouver des définitions solides pour des concepts tels que les machines et la pensée, A. Turing a proposé un moyen simple de contourner le problème en s’appuyant sur un jeu de société appelé le jeu de l’imitation.

Le « test de Turing » est simple : un observateur humain doit lire des échantillons de texte et déterminer s’ils ont été générés par un humain ou par une machine. Turing a proposé que si un humain ne peut pas faire la distinction entre le résultat du programme et le résultat d’un autre humain, on peut dire que le programme fait preuve d’une intelligence semblable à celle de l’homme.

Critiques du test de Turing
Malgré son influence monumentale, les informaticiens d’aujourd’hui ne considèrent pas le test de Turing comme une mesure adéquate de l’AGI. Plutôt que de démontrer la capacité des machines à penser, le test souligne souvent simplement à quel point les humains sont faciles à tromper.

Par exemple, en 1966, Joseph Weizenbaum a créé un programme de chatbot appelé ELIZA qui appliquait des règles simples pour transformer le langage d’une personne en entrée en une réponse formulée par le chatbot. Le premier programme qu’il a conçu avec ce chatbot s’appelait DOCTOR et était destiné à imiter un psychothérapeute rogérien en répondant de manière générique ou en reformulant l’entrée de l’utilisateur sous la forme d’une question :

Humain — Mon petit ami m’a conseillé de m’adresser à vous.
ELIZA — Vraiment ?
Humain — Il dit que je suis souvent déprimée.
ELIZA — Je suis désolé d’apprendre que vous êtes déprimée.
Humain — C’est la vérité. Je ne suis pas heureuse.
ELIZA — Vous pensez que le fait de s’adresser à moi peut vous aider ?

Comme Weizelbaum l’expliquait dans son ouvrage de 1976, Computer Power and Human Reason, il a été « surpris de voir à quel point les personnes qui discutaient avec DOCTOR s’impliquaient émotionnellement avec l’ordinateur et à quel point ils l’anthropomorphisaient sans équivoque ». Il a remarqué que même sa secrétaire, qui l’a vu travailler sur le programme pendant des mois et qui connaissait évidemment la méthodologie simple, lui a demandé de quitter la pièce pour des raisons d’intimité lorsqu’elle a commencé à discuter avec lui.¹ Ce phénomène est connu sous le nom d’effet ELIZA.

Une autre définition proposée fixe une barre plus élevée pour l’AGI : un système d’IA doté d’une conscience. Certains chercheurs associent l’AGI à la conscience ou à la conscience de soi, tandis que d’autres estiment que la conscience de soi n’est pas nécessaire pour atteindre des performances de niveau humain. La question de savoir si la conscience de soi est nécessaire à l’intelligence artificielle générale n’est toujours pas tranchée. Comme l’a formulé John Searle, « selon l’IA forte, l’ordinateur n’est pas seulement un outil permettant d’étudier l’esprit ; un ordinateur correctement programmé est véritablement un esprit ».² 

En 1980, John Searle a formulé une célèbre réfutation philosophique de la capacité du test de Turing à prouver l’existence d’une IA forte. Il décrit une personne anglophone ne comprenant absolument pas le chinois, enfermée dans une pièce remplie de livres contenant des symboles chinois et des instructions (rédigées en anglais) expliquant comment manipuler ces symboles. Il affirme que cette personne pourrait faire croire à quelqu’un se trouvant dans une autre pièce qu’elle parle chinois, simplement en suivant les instructions lui permettant de manipuler les nombres et les symboles, sans comprendre ni les messages de son interlocuteur, ni même ses propres réponses.³

Les décennies de débat autour de l’argument de la chambre chinoise, résumées dans cet article de la Stanford Encyclopedia of Philosophy, témoignent de l’absence de consensus scientifique concernant la définition de la « compréhension » et la possibilité qu’un programme informatique puisse la posséder. Ce désaccord, associé à la possibilité que la conscience ne soit même pas nécessaire pour atteindre des performances comparables à celles d’un être humain, fait de l’IA forte seule un cadre peu pratique pour définir l’AGI.

Une approche intuitive de l’AGI, dont l’objectif est de reproduire le type d’intelligence qui, à notre connaissance, n’a jamais été atteint que par le cerveau humain, consiste à reproduire le cerveau humain lui-même.⁴ Cette intuition a donné naissance aux premiers réseaux de neurones artificiels, qui ont à leur tour produit les modèles de deep learning représentant aujourd’hui l’état de l’art dans presque tous les sous-domaines de l’IA.

Le succès des réseaux neuronaux de deep learning, notamment des grands modèles de langage (LLM) et des modèles multimodaux à la pointe de l’IA générative, démontre les avantages d’une approche s’inspirant du cerveau humain au moyen de réseaux auto-organisés de neurones artificiels. Cependant, bon nombre des modèles de deep learning les plus performants à ce jour utilisent des architectures basées sur des transformeurs, qui ne reproduisent pas strictement des structures semblables à celles du cerveau. Cela laisse penser qu’il n’est peut-être pas intrinsèquement nécessaire d’imiter explicitement le cerveau humain pour parvenir à l’AGI.

Une approche plus holistique consiste à définir simplement l’AGI comme un système d’IA capable d’effectuer toutes les tâches cognitives que des personnes peuvent accomplir. Bien que cette définition soit utile et intuitive, elle est ambiguë : quelles tâches ? Quelles personnes ? Cette ambiguïté limite son utilisation pratique en tant que cadre d’exigences formel pour l’AGI.

La contribution la plus notable de ce cadre des exigences est qu’il limite l’accent mis par l’AGI sur les tâches non physiques. Cela ne tient pas compte de capacités telles que l'utilisation d'outils physiques, la locomotion ou la manipulation d'objets, qui sont souvent considérées comme des démonstrations d'« intelligence physique »^5. Les progrès de la robotique ne sont donc plus une condition préalable au développement de l'AGI.

Une autre approche intuitive de l’AGI, et de l’intelligence elle-même, consiste à mettre l’accent sur la capacité d’apprentissage, plus précisément, la capacité à apprendre un éventail de tâches et de concepts aussi vaste que celui que les humains peuvent maîtriser. Cette approche fait écho à celle de Turing dans « Computing Machinery and Intelligence », où il suppose qu’il serait peut-être plus judicieux de programmer une IA semblable à un enfant et de la soumettre à une période d’éducation, plutôt que de programmer directement un système informatique pour en faire un esprit adulte.⁶

Cette approche s’oppose à celle de l’IA étroite, qui consiste à entraîner explicitement les modèles à effectuer une tâche précise. Par exemple, même un LLM tel que GPT-4, qui semble faire preuve d’une capacité d’apprentissage à partir de quelques exemples, voire sans aucun exemple préalable, dans le cadre de « nouvelles » tâches, reste limité à des fonctions proches de sa tâche principale : prédire de manière autorégressive le mot suivant d’une séquence.

Bien que les modèles d’IA multimodaux de pointe puissent effectuer des tâches de plus en plus diverses, du traitement automatique du langage naturel à la vision par ordinateur en passant par la reconnaissance vocale, ils sont toujours limités à une liste finie de compétences de base représentées dans leurs ensembles de données d’entraînement. Par exemple, ils ne peuvent pas non plus apprendre à conduire une voiture. Un véritable IAG serait capable d’apprendre de nouvelles expériences en temps réel – un exploit banal pour les enfants humains et même pour de nombreux animaux.

Le chercheur en IA Pei Wang propose une définition de l’intelligence artificielle qui est utile dans ce cadre d’exigences : « la capacité d’un système de traitement de l’information à s’adapter à son environnement avec des connaissances insuffisantes et des ressources ».⁷

Open AI, dont le modèle GPT-3 est souvent considéré comme le point de départ de l'ère actuelle de l'IA générative avec le lancement de ChatGPT, définit AGI dans sa charte comme « des systèmes hautement autonomes qui surpassent les humains dans les tâches les plus rentables sur le plan économique ».⁸

Comme le note l’article DeepMind, cette définition omet des éléments de l’intelligence humaine dont la valeur économique est difficile à définir, tels que la créativité artistique ou l’intelligence émotionnelle. Au mieux, ces aspects de l’intelligence peuvent générer de la valeur économique de manière détournée, comme la créativité produisant des films rentables ou l’intelligence émotionnelle alimentant des machines qui effectuent une psychothérapie.

L’accent mis sur la valeur économique implique également que les capacités constitutives de l’AGI ne peuvent être comptabilisées que si elles sont réellement déployées dans le monde réel. Si un système d’IA peut rivaliser avec les humains dans une tâche précise, mais qu’il est impossible, en pratique, de le déployer pour l’accomplir en raison de considérations juridiques, éthiques ou sociales, peut-on réellement affirmer qu’il « surpasse » les humains ?

L’article de DeepMind note également qu’OpenAI a fermé sa division robotique en 2021, ce qui implique que la réplication du travail physique — et les implications correspondantes sur le rôle de « l’intelligence physique » dans l’IA générale — ne fait pas partie de cette interprétation de la valeur économique.

Gary Marcus, psychologue, spécialiste des sciences cognitives et chercheur en IA, a défini l'AGI comme « un raccourci désignant toute intelligence... flexible et générale, dotée d'une ingéniosité et d'une fiabilité comparables (voire supérieures) à l'intelligence humaine ».⁹ Marcus a suggéré une série de tâches de référence destinées à prouver cette adaptabilité et cette compétence générale, ce qui est similaire à une application spécifique et concrète du cadre « apprendre des tâches ».

Cette quantification de l’AGI rappelle une expérience de pensée proposée par Steve Wozniak, cofondateur d’Apple, qui demandait : « Un ordinateur pourrait-il préparer une tasse de café ? » M. Wozniak souligne que cette tâche apparemment simple est en réalité très complexe : il faut être capable de marcher, de savoir ce qu’est une cuisine, de reconnaître l’apparence possible d’une machine à café ou du café, et d’interagir avec des tiroirs et des placards. En somme, un être humain doit mobiliser toute une vie d’expérience simplement pour préparer une tasse de café.¹⁰

Plus précisément, Marcus a proposé un ensemble de cinq tâches de référence qui démontreraient l’existence d’une AGI si elles étaient exécutées par un seul système d’IA¹¹.

• Regarder un film et comprendre les personnages, leurs conflits et leurs motivations.
  
  
• Lire un roman et répondre de manière fiable à des questions concernant l’intrigue, les personnages, les conflits et les motivations, en formulant des observations allant au-delà du texte original.
  
  
• Travailler comme un cuisinier compétent dans n’importe quelle cuisine (de manière comparable au test du café de Steve Wozniak).
  
  
• Produire de manière fiable 10 000 lignes de code sans bug à partir d’instructions en langage naturel, sans assembler du code provenant de bibliothèques existantes.
  
  
• Convertir des preuves mathématiques en langage naturel sous forme symbolique.

Bien que ce cadre d’exigences introduit une certaine objectivité indispensable dans la validation de l’AGI, il est difficile de s’accorder sur le fait que ces tâches spécifiques couvrent toute l’intelligence humaine. La troisième tâche, travailler en tant que cuisinier, implique que la robotique – et donc l’intelligence physique – serait une partie nécessaire de l’AGI.

En 2023, le PDG de Microsoft IA et le cofondateur de DeepMind, Mustafa Suleyman, ont proposé le terme « intelligence artificielle capable » (ICA) pour décrire les systèmes d’IA capables d’accomplir des tâches complexes, ouvertes et multi-étapes dans le monde réel. Plus précisément, il a proposé un « test de Turing moderne » dans le cadre duquel une IA recevrait 100 000 dollars de capital d’amorçage et serait chargée de le porter à 1 million de dollars américains.¹² D’une manière générale, cela associe la notion de valeur économique d’OpenAI à l’accent mis par Marcus sur la flexibilité et l’intelligence générale.

Si ces critères de référence prouvent probablement une véritable ingéniosité et des compétences interdisciplinaires, en pratique, ils ne considèrent pas l'intelligence comme un type spécifique de production économique, mais ils sont extrêmement restreints. En outre, le fait de se concentrer uniquement sur les bénéfices introduit des risques d’alignement importants.¹³

Certains chercheurs, comme Blase Agüera y Arcas et Peter Norvig, ont soutenu que des LLM avancés du type Llama de Meta, GPT d'Open AI et Claude d'Anthropic ont déjà atteint l'AGI. Ils affirment que la généralité est l'élément clé de l'AGI et que les modèles actuels peuvent déjà discuter d'un large éventail de sujets, effectuer un large éventail de tâches et traiter un large éventail d'entrées multimodales. « L’intelligence générale doit être pensée en termes de tableau de bord multidimensionnel », affirment-ils. « Ce n’est pas une proposition à laquelle on peut répondre par un simple oui ou un non. » ¹⁴

Les détracteurs de cette position sont nombreux. Les auteurs de l’article de DeepMind soutiennent que la généralité elle-même n’est pas qualifiée d’IAG : elle doit être associée à un certain degré de performance. Par exemple, si un LLM peut écrire du code, mais que ce code n’est pas fiable, alors cette généralité « n’est pas encore suffisamment performante ».

Yann LeCun, scientifique en chef de l’IA de Meta, explique que les LLM manquent d’AGI parce qu’ils n’ont pas de sens commun : ils ne peuvent pas penser avant d’agir, ne peuvent pas effectuer d’actions dans le monde réel ou apprendre par l’expérience, et manquent de mémoire persistante et de capacité de planification hiérarchique.¹⁵ À un niveau plus fondamental, LeCun et Jacob Browning ont soutenu qu’« un système entraîné sur le langage seul ne correspondra jamais à l’intelligence humaine, même s’il est entraîné à partir de maintenant jusqu’à la mort de l’univers. »¹⁶

Goertzel et Pennachin affirment qu’il existe au moins trois approches technologiques de base pour les systèmes AGI, en termes d’algorithmes et d’architectures de modèles.

• Émulation fidèle du cerveau humain dans un logiciel : les connaissances issues des neurosciences continuent d’influencer la recherche sur l’AGI, même lorsque les architectures des modèles n’imitent pas directement le cerveau. Le cerveau humain étant le seul système connu capable d’intelligence générale, une émulation presque parfaite de celui-ci produirait théoriquement une intelligence similaire. Si les réseaux de neurones artificiels reproduisent superficiellement les mécanismes fondamentaux du cerveau, le fonctionnement réel de ce dernier est beaucoup plus varié et sophistiqué que celui des modèles de deep learning actuels. Au-delà du défi technologique que représente l’émulation véritable du cerveau, cette approche exige également une compréhension de ses mécanismes supérieure à celle dont nous disposons actuellement.¹⁷

• Une nouvelle architecture de modèle, distincte à la fois du cerveau et des architectures d’IA étroite : cette approche suppose que le cerveau n’est pas la seule structure propice à l’intelligence générale et que les approches existantes de l’IA étroite ne peuvent pas dépasser leurs limites technologiques ou conceptuelles. L’AGI nécessiterait donc un nouveau type d’intelligence artificielle. Yann LeCun a par exemple proposé d’abandonner les architectures de modèles d’IA autorégressives, génératives et probabilistes au profit de « systèmes d’IA orientés objectifs », dont les « modèles du monde » apprendraient davantage à la manière des animaux et des enfants.
  
  
• Une approche intégrative synthétisant les algorithmes d’IA étroite : cette approche est au cœur de la plupart des initiatives concrètes actuelles visant à parvenir à l’AGI. Elle cherche à réunir les progrès isolés réalisés dans des outils d’IA étroite tels que les LLM, les modèles d’image et les agents d’apprentissage par renforcement. Les modèles multimodaux actuels pourraient être considérés comme des étapes intermédiaires sur cette voie. Ces approches intégratives utilisent généralement un modèle « agent » central (souvent un LLM) chargé de parcourir un processus décisionnel et d’automatiser la délégation des sous-tâches à des modèles spécialisés.

Les prévisions concernant l'avenir de l'IA sont toujours très incertaines, mais presque tous les experts s'accordent à dire que ce sera possible d'ici la fin du siècle et certains pensent que cela pourrait se produire bien plus tôt.

En 2023, Max Roser, de Our World in Data, a publié un résumé des prévisions concernant l’intelligence artificielle générale (AGI). pour indiquer comment la pensée des experts a évolué ces dernières années en matière de prévision de l’IA générale. Chaque enquête a demandé aux personnes interrogées (chercheurs en IA et en machine learning) combien de temps elles estimaient nécessaire pour parvenir à une probabilité de 50 % d’atteindre un niveau d’intelligence artificielle équivalent à celui de l’être humain. Le changement le plus significatif entre 2018 et 2022 est la certitude croissante des personnes interrogées que l’AGI y parviendrait dans les 100 ans.

Cependant, il convient de noter que ces trois études ont été menées avant le lancement de ChatGPT et le début de l’ère moderne de l’IA générative. Le rythme croissant des progrès de la technologie de l’IA depuis fin 2022, en particulier dans les LLM et l’IA multimodale, a engendré un environnement de prévision très différent.

Dans une enquête de suivi plus vaste menée par Grace et al auprès de 2 778 chercheurs en IA, menée en octobre 2023 et publiée en janvier 2024, les personnes interrogées ont estimé à 50 % la probabilité que « les machines non assistées surpassent les humains dans toutes les tâches possibles » d’ici 2047,soit 13 ans plus tôt que ce que les experts avaient prédit dans une étude similaire seulement un an auparavant.

Mais comme le souligne Frank Roser, les recherches ont montré que les experts dans de nombreux domaines ne sont pas nécessairement fiables lorsqu’ils font des prévisions sur l’avenir de leur propre discipline. Il cite l'exemple des frères Wright, généralement considérés comme les inventeurs du premier avion réussi au monde. Lors d'un discours prononcé le 5 novembre 1908 à l'Aéro Club de France à Paris, Wilbur Wright aurait déclaré : « J'avoue qu'en 1901, j'ai dit à mon frère Orville qu'il faudrait encore 50 ans avant que les hommes ne puissent voler dans le ciel. Deux ans plus tard, nous effectuions des vols. »¹⁸

L’intelligence artificielle est une catégorie très vaste comprenant tout système capable de prendre des décisions ou d’établir des prédictions sans intervention humaine, depuis les fantômes de Pac-Man jusqu’aux LLM les plus avancés. L’intelligence artificielle générale désigne spécifiquement un système d’IA doté de capacités comparables (ou supérieures) à celles des humains et généralisables à n’importe quelle tâche.

Non. L’IA agentique désigne des systèmes capables de planifier, d’agir et de coordonner des tâches comportant plusieurs étapes, souvent en utilisant des outils ou plusieurs modèles. Bien que les systèmes d’IA agentique puissent exécuter des tâches en plusieurs étapes pour atteindre des objectifs précis avec une intervention humaine limitée, ils fonctionnent généralement dans des domaines et avec des capacités bien définis.

L’AGI, à l’inverse, décrit une forme hypothétique d’IA dotée d’une intelligence générale de niveau humain, capable de comprendre, d’apprendre, de raisonner et de s’adapter dans pratiquement tous les domaines ou toutes les tâches cognitives. Pour simplifier, l’IA agentique se concentre sur l’action autonome et l’exécution d’objectifs, tandis que l’AGI se concentre sur une intelligence et une capacité d’adaptation étendues et comparables à celles des êtres humains.

Les modèles de fondation pourraient contribuer à rendre l’AGI possible, mais ils ne constituent pas eux-mêmes une AGI. Les modèles de fondation fournissent la technologie sous-jacente aux systèmes d’IA avancés en apprenant des tendances à partir d’immenses jeux de données et en prenant en charge un large éventail de tâches. Bien que de nombreux experts estiment que des modèles de fondation toujours plus performants pourraient constituer un composant essentiel de l’AGI, la plupart des chercheurs conviennent que des capacités supplémentaires (telles qu’un raisonnement fiable, une mémoire à long terme, une compréhension du monde réel et un apprentissage autonome) seront nécessaires avant de pouvoir parvenir à une véritable AGI.

Non, les LLM actuels ne sont pas considérés comme des AGI. Bien que les grands modèles de langage puissent comprendre et générer du langage, raisonner sur de nombreux sujets et accomplir un large éventail de tâches, ils ne possèdent toujours pas les capacités générales d’adaptation de niveau humain, de compréhension du monde réel et de résolution de problèmes habituellement associées à l’intelligence artificielle générale (AGI). Les experts continuent toutefois de débattre pour déterminer si les LLM toujours plus performants représentent une voie vers l’AGI ou une forme précoce de celle-ci.

L’AGI constitue une condition préalable à la superintelligence artificielle (ASI), mais la superintelligence n’est pas nécessaire pour obtenir une AGI. Un système d’IA doté d’une intelligence et de capacités identiques à celles d’une personne moyenne et ordinaire pourrait être considéré comme une AGI, mais pas comme une ASI.

Il n’existe aucun consensus. Certains chercheurs affirment que la conscience de soi ou la conscience est nécessaire à une véritable intelligence artificielle générale, tandis que d’autres définissent l’AGI de manière plus restreinte comme une intelligence de niveau humain applicable à différentes tâches, que le système soit ou non conscient de lui-même. Ce débat constitue l’une des raisons pour lesquelles l’AGI reste difficile à définir et à mesurer.

Puisqu’il n’existe aucun véritable consensus sur les critères précis qui permettraient de qualifier un système d’AGI, il n’existe aucune méthode convenue permettant de savoir quand nous l’aurons atteinte. Certains benchmarks de performance, tels qu’ARC-AGI, prétendent mesurer l’AGI, mais la subjectivité inhérente à cet exercice rend peu probable qu’un benchmark unique puisse un jour en fournir une preuve définitive.