L’IA générale : le vrai, le faux, et l’incertain

Ce n’est qu’une ques­tion de mois. À en croire plu­sieurs pontes de la Sili­con Val­ley, l’arrivée de l’IA géné­rale (IAG), l’intelligence arti­fi­cielle équi­va­lente à l’intelligence humaine, est immi­nente. Contrai­re­ment aux IA actuelles spé­cia­li­sées, une IAG pour­rait apprendre, rai­son­ner, s’adapter et trans­fé­rer ses connais­sances d’un domaine à un autre sans être spé­ci­fi­que­ment entraî­née pour chaque nou­velle tâche. Au-delà des effets d’annonce et d’un dis­cours mar­ke­ting dif­fi­cile à éva­luer scien­ti­fi­que­ment, l’IAG et les nou­veaux sys­tèmes cog­ni­tifs redé­fi­nissent notre com­pré­hen­sion de l’intelligence. Pour mieux en com­prendre les impacts, Lau­rence Devil­lers, pro­fes­seure à Sor­bonne Uni­ver­si­té et cher­cheuse au CNRS dans le Labo­ra­toire Inter­dis­ci­pli­naire des Sciences du Numé­rique (LISN) à Saclay, par­tage son exper­tise sur l’IA.

VRAI

Ope­nAI, Google Deep­Mind ou Anthro­pic ne s’en cachent pas : leur but est de déve­lop­per une intel­li­gence arti­fi­cielle géné­rale (IAG) capable d’effectuer n’importe quelle tâche cog­ni­tive aus­si bien que nous, voire une super­in­tel­li­gence qui dépas­se­rait celle de l’humain.

Début 2025, cinq cher­cheurs recon­nus du domaine de l’IA (par­mi les­quels Daniel Koko­ta­j­lo, ancien­ne­ment à la divi­sion gou­ver­nance d’OpenAI) se sont pliés à un exer­cice pros­pec­tif qui ten­tait de décrire les scé­na­rios pos­sibles d’évolution de l’IA. Le rap­port, inti­tu­lé AI 2027¹, concluait qu’il était plau­sible que les sys­tèmes d’IA sur­passent les per­for­mances cog­ni­tives humaines dès 2027 dans un grand nombre de tâches. En février 2026, les auteurs ont rééva­lué leurs pré­dic­tions² et conclu que l’arrivée de l’IAG pren­drait un peu plus de temps que pré­vu : la nou­velle esti­ma­tion cible un inter­valle entre 2029 et 2032. Selon eux, « l’impact de la super­in­tel­li­gence au cours de la pro­chaine décen­nie sera énorme, dépas­sant celui de la révo­lu­tion industrielle. »

INCERTAIN

Le terme IAG est gal­vau­dé et sans défi­ni­tion consen­suelle ni seuil de mesure par­ta­gé. Un flou illus­tré en 2026 par le déca­lage entre le PDG de NVIDIA, qui affir­mait que l’IAG était déjà atteinte, et le bench­mark ARC-AGI‑3³, un test conçu pour éva­luer les sys­tèmes d’IA agen­tiques. Selon ce der­nier, les modèles les plus avan­cés (Ope­nAI, Google, Anthro­pic) pla­fon­naient à 1% sur des tâches de rai­son­ne­ment que les humains résolvent à 100 %, faute d’entraînement adap­té à ce type d’environnements. En l’état actuel des connais­sances, aucune don­née scien­ti­fique ne per­met donc de confir­mer cet hori­zon tem­po­rel, ni même si un tel sys­tème est attei­gnable. Pour la cher­cheuse, il y a « un véri­table buzz autour de l’IAG immi­nente, ali­men­té par le mar­ke­ting des Big Tech plu­tôt que par la science. » Cela étant dit, le manque de trans­pa­rence des entre­prises plonge le monde aca­dé­mique dans une cer­taine obs­cu­ri­té : il y a un réel manque de com­pré­hen­sion de la nature exacte de ces sys­tèmes. Cette agi­ta­tion sur l’IAG tient donc beau­coup sur l’ap­pé­tit com­mer­cial qui les entoure : une IA se pos­sède et se vend, et l’entrepreneur y voit l’oc­ca­sion d’af­fi­cher son pou­voir de recon­fi­gu­ra­tion de la socié­té et du tra­vail, une logique de com­pé­ti­tion omni­pré­sente dans l’ac­tua­li­té de l’IAG.

INCERTAIN

Les LLM (grands modèles de lan­gage) les plus récents ont une puis­sance ful­gu­rante. Ils génèrent des textes et des images incroyables, et ils paraissent indé­nia­ble­ment intel­li­gents. Ils sont conçus pour imi­ter les inter­ac­tions humaines, sou­te­nir des conver­sa­tions cré­dibles, mais prin­ci­pa­le­ment pour racon­ter des fic­tions, qu’elles soient vraies ou fausses. Ain­si, si on gratte le ver­nis, la réa­li­té est plus pro­saïque.  Les LLM ont avant tout des archi­tec­tures sta­tis­tiques d’une grande sophis­ti­ca­tion, capables de déga­ger des abs­trac­tions et des régu­la­ri­tés lin­guis­tiques sans pour autant accé­der à une réelle com­pré­hen­sion du monde, à une expé­rience sub­jec­tive ou à une véri­table intentionnalité.

On a dû ajou­ter de l’apprentissage super­vi­sé (ou fine-tuning, qui consiste à réen­traî­ner un LLM sur des exemples spé­ci­fiques à un domaine par­ti­cu­lier) et, par ren­for­ce­ment, à par­tir de retours humains (RLHF), rap­pelle Lau­rence Devil­lers. Ces étapes sont néces­saires pour limi­ter les hal­lu­ci­na­tions, c’est-à-dire des réponses qui semblent cohé­rentes, mais qui sont en réa­li­té fausses, inven­tées et sur­tout non fon­dées sur des don­nées réelles.

Par ailleurs, l’alignement désigne l’action des humains à rendre les sys­tèmes plus robustes, fiables, contrô­lables, éva­luables et véri­fiables ; et s’assurer qu’un sys­tème d’IA uti­li­sant des LLM pro­duise des com­por­te­ments effec­tifs conver­gents avec les inten­tions des déve­lop­peurs et les uti­li­sa­teurs finaux, y com­pris en pré­sence de requêtes spé­cia­le­ment conçues pour mani­pu­ler et trom­per (des « prompts adver­sa­riaux »), de dis­tri­bu­tions de don­nées incon­nues à l’entraînement ou de « contextes opé­ra­tion­nels impré­vus », comme pré­ci­sé par Vani­na Pao­li-Gagin, séna­trice de l’Aube Mis­sion par­le­men­taire sur l’alignement des sys­tèmes d’intelligence arti­fi­cielle (SIA).

Pen­dant long­temps, le fait d’utiliser plus de don­nées a été syno­nyme de plus de per­for­mance, mais cette rela­tion atteint aujourd’­hui ses limites, ce qui ali­mente jus­te­ment le débat entre ceux qui pensent que l’IAG vien­dra sim­ple­ment de l’é­chelle (scale is all you need) et ceux qui pensent qu’il faut des rup­tures archi­tec­tu­rales ou de nou­veaux types de don­nées (mul­ti­mo­dales, inter­ac­tives, incar­nées) pour dépas­ser ce pla­fond. Si on atteint un jour l’IAG, ce sera pro­ba­ble­ment grâce à des modèles dif­fé­rents des modèles géné­ra­tifs, qui inté­gre­ront notam­ment une repré­sen­ta­tion phy­sique du monde (un world model).

VRAI & FAUX

L’intelligence humaine se dis­tingue de celle de l’IA actuelle par sa poly­va­lence. L’humain peut apprendre de nou­velles tâches sans y avoir été spé­ci­fi­que­ment entraî­né, rai­son­ner face à des situa­tions inédites, agir avec une intui­tion qui com­prend une cer­taine com­pré­hen­sion innée des lois phy­siques. Les jeunes enfants, par exemple, apprennent rapi­de­ment de nom­breux concepts (les effets de la gra­vi­té, les consé­quences phy­siques d’une action, les inten­tions des gens…) sans avoir besoin d’être expo­sés d’innombrables fois à la même situa­tion. Reste que cette poly­va­lence n’est pas non plus abso­lue : l’hu­main ne sait pas tout faire.

Ain­si, pour cer­taines tâches, les machines sont déjà bien plus per­for­mantes que nous. Même une cal­cu­la­trice nous dépasse faci­le­ment pour le cal­cul de grands nombres, par exemple, rap­pelle Lau­rence Devil­lers. Quant aux LLM, leur puis­sance de modé­li­sa­tion dépasse lar­ge­ment la nôtre pour la tra­duc­tion, la syn­thèse de docu­ments, la vitesse de réac­tion… Les IA pré­dic­tives, quant à elles, nous sur­passent pour le tri, l’analyse d’immenses jeux de don­nées, la détec­tion de pat­terns.

Les modèles du monde, tels que le pro­pose Yann LeCun, seraient tou­te­fois une étape de plus vers une intel­li­gence géné­rale : ils seraient poten­tiel­le­ment capables de com­prendre une situa­tion en peu de temps, en tenant compte du contexte et d’un his­to­rique (sans perdre les connais­sances pré­cé­dem­ment acquises).

Par ailleurs, cer­tains cher­cheurs parlent d’une émer­gence de méta­cog­ni­tion dans les LLM, cor­res­pon­dant au fait que cer­tains de leurs « com­por­te­ments » res­semblent à une réflexion sur leurs propres connais­sances ou rai­son­ne­ments. Ces der­niers appa­raissent sans avoir été expli­ci­te­ment programmés.

FAUX

Il existe deux fron­tières majeures qui limi­te­ront l’intelligence arti­fi­cielle dans sa capa­ci­té à éga­ler les per­for­mances cog­ni­tives humaines : l’émotion et la spi­ri­tua­li­té⁴. Les modèles actuels sont inca­pables d’émotion, dépour­vus d’intention et de conscience. Ces sys­tèmes n’ont pas de res­sen­ti, ils se contentent d’imiter l’expressivité humaine, sou­ligne-t-elle. Que ce soit pour l’empathie ou les autres émo­tions, ils « rejouent quelque chose de contex­tuel­le­ment proche, mais sans inter­ac­tion réelle, ne serait-ce que parce qu’il n’y a pas de biofeedback ».

L’absence de « corps » des machines est d’ailleurs un autre obs­tacle de taille. Une part non négli­geable de notre intel­li­gence vient de nos inter­ac­tions phy­siques avec le monde. Cer­tains cher­cheurs pensent donc qu’une véri­table IAG devra avoir une forme d’interaction avec un envi­ron­ne­ment, phy­sique ou simulé.

INCERTAIN

Il y a deux voies débat­tues, rap­pelle la spé­cia­liste : soit on parle de conscience fonc­tion­nelle, soit on parle de conscience phé­no­mé­nale. Le pre­mier terme réfère davan­tage à la méta­cog­ni­tion (rai­son­ner sur ce que l’IA sait ou ignore) qu’à une expé­rience sub­jec­tive, soit une sorte de conscience simu­lée. Le deuxième terme concerne l’expérience sub­jec­tive, le fait de vivre, de res­sen­tir quelque chose. On parle aus­si de qua­lia, soit les qua­li­tés res­sen­ties de cer­tains de nos états men­taux, les expé­riences conscientes : éprou­ver une sen­sa­tion, sen­tir une odeur, voir une cou­leur… Rien ne per­met d’affirmer que les sys­tèmes d’IA puissent acqué­rir ce type de conscience bio­lo­gique, sans sup­port bio­lo­gique, sans enve­loppe corporelle.

L’IAG reste une théo­rie, un objec­tif de recherche, qui se heurte à de nom­breux défis :  com­pré­hen­sion pro­fonde du monde phy­sique, rai­son­ne­ment géné­ral, appren­tis­sage conti­nu, inter­ac­tion avec l’environnement, accès aux émotions…

Propos recueillis par Célia Chaboud