Le 10 juin 2026, Google DeepMind a publié un rapport d'une soixantaine de pages : From AGI to ASI. Pendant que nous débattons encore de la date d'arrivée de l'AGI (Artificial General Intelligence), autrement dit une IA au niveau humain, quatorze chercheurs de chez Google DeepMind posent cette question : que se passe-t-il après ?
Parmi les auteurs, on retrouve Shane Legg, cofondateur de DeepMind et l'un des chercheurs qui ont popularisé le terme AGI, et Marcus Hutter, le théoricien derrière le modèle d'intelligence universelle, c'est-à-dire celui qui prendrait toujours la décision optimale, quel que soit l'environnement dans lequel il se trouve.
Cela mérite qu'on s'y attarde.
LE papier qui vit avec son temps 😅
Drôle de titre, mais je vais vous expliquer pourquoi je dis cela avec une petite anecdote qui donne le ton. Le rapport s'ouvre sur une section intitulée Summary Instructions destinée aux IA. Les auteurs encouragent le lecteur humain à demander à son assistant IA un résumé du rapport et donnent même des instructions précises sur la manière de le résumer.
Les auteurs ont tout de même prévu un résumé écrit par des humains, disponible en annexe.
AGI, ASI, UAI : de quoi parle-t-on ?
Le rapport définit trois niveaux d'intelligence machine.
L'AGI
L'Artificial General Intelligence désigne un système à peu près aussi intelligent qu'un humain médian sur la plupart des tâches cognitives. On parle ici d'un humain « moyen », et non d'un expert ou d'un génie. Les auteurs précisent que la première AGI sera déjà surhumaine sur plusieurs tâches, car certains modèles commencent à l'être par endroits.
L'ASI
L'Artificial Superintelligence dépasse le principe de « plus intelligent qu'un humain ». Une ASI doit dépasser ce que de grands collectifs d'experts humains peuvent accomplir dans pratiquement tous les domaines. On parle donc d'un champ de recherche entier.
L'UAI
Universal AI est l'agent optimal, en moyenne, sur l'ensemble des environnements calculables. On parle alors d'un objet mathématique incalculable, car déterminer la meilleure décision demanderait des ressources de calcul infinies, hors de portée de n'importe quelle machine.
Pourquoi l'IA ne s'arrêterait-elle pas au niveau humain ?
La réponse tient en deux arguments.
Les avantages structurels de l'intelligence numérique. On parlera de la vitesse d'entrée/sortie (une IA peut absorber plusieurs livres en quelques secondes, par exemple), de la vitesse de traitement interne, de la capacité de mémoire, de l'indépendance vis-à-vis du matériel (une IA peut déménager d'un ordinateur à un autre potentiellement plus puissant) et du partage de l'apprentissage entre les IA. Ces avantages grandissent tous avec la puissance de calcul, contrairement à notre biologie qui reste ce qu'elle est. Je vous invite à regarder cette partie du rapport.
La croissance du calcul disponible. On parlera de trois facteurs qui se multiplient : l'amélioration du matériel, la hausse des investissements et les gains d'efficacité algorithmique. Ces trois facteurs forment le compute effectif, et ce dernier aurait une croissance multipliée par 10 tous les ans. Je vous laisse aller voir les estimations en détail dans la Section 2.
Toujours dans cette Section 2, le rapport propose un petit exercice de pensée : même si les modèles arrêtent de progresser, mais que le compute continue de croître à x10 par an, si on ne peut faire tourner que 1 000 instances au départ, on en a 10 000 l'année suivante et 100 000 000 au bout de 5 ans. À méditer 🧘.
Les quatre voies vers la superintelligence
Le rapport, via la Section 5, décrit quatre chemins technologiques de l'AGI vers l'ASI. Vous en trouverez un résumé dans le Tableau 3. Point important souligné par les auteurs : ces quatre voies ne s'excluent pas mutuellement et avanceront probablement en parallèle.
Toujours plus de calcul et de données
Entraîner des modèles toujours plus gros sur toujours plus de données (on parle alors de scaling). Est-ce qu'en grossissant, un modèle finit par faire des choses vraiment nouvelles, ou est-ce qu'on ne fait qu'améliorer ce qu'il sait déjà faire ?
Les changements de paradigme algorithmique
Ici, les auteurs parlent de simples améliorations du fonctionnement actuel, avec une mémoire quasiment illimitée, la capacité d'apprendre en continu, la fiabilité, etc., jusqu'à des ruptures comme des architectures IA différentes de celles d'aujourd'hui. Cette voie est imprévisible, car une vraie rupture surprend tout le monde, et elle prendrait sans doute le relais si le scaling venait à plafonner.
L'auto-amélioration récursive
Le concept peut paraître un peu fou, mais imaginez une IA qui aide à concevoir de meilleures IA, lesquelles conçoivent des IA encore meilleures, et ainsi de suite. On peut voir cela comme une boucle qui s'auto-améliore de plus en plus.
On ne parle pas seulement de l'IA qui peut réécrire son propre code. On parle d'une auto-amélioration qui peut passer par le matériel (comme concevoir de meilleures puces), par les données ou par une meilleure répartition du travail entre plusieurs IA.
Il ne s'agit pas de science-fiction, mais bien d'une réalité déjà existante, du moins sous une forme limitée. L'exemple le plus parlant a un nom : AlphaEvolve, un agent de Google DeepMind qui invente et améliore des algorithmes de façon autonome. Il a notamment découvert une méthode plus rapide pour multiplier des matrices et optimisé les centres de données de Google. Cerise sur le gâteau, il a même accéléré l'entraînement des modèles Gemini qui le font fonctionner lui-même.
Les collectifs multi-agents
L'union fait la force. En effet, la superintelligence n'émergerait pas d'une seule IA, mais d'un très grand nombre d'IA de niveau humain qui coopèrent. Elles forment ensemble des groupes, comme des entreprises ou des laboratoires, capables de prouesses qu'un individu ne peut réaliser seul.
L'avantage pour elles, c'est la communication. On sait que pour nous, humains, la communication peut être un problème. On n'imagine pas un patron parler en même temps à mille employés. Une IA pourrait dialoguer directement avec chacune de ses copies.
Les six freins qui pourraient tout ralentir
Les auteurs du rapport consacrent une section aux frictions et goulots d'étranglement résumés dans le Tableau 4.
Le mur de données
Les IA s'entraînent sur d'immenses quantités de données de qualité, pour la plupart produites par des humains. Sauf que cette réserve n'est pas infinie. D'ici la fin de la décennie, l'essentiel pourrait être épuisé. Il reste des parades : données générées par l'IA elle-même, environnements simulés (un monde virtuel dans lequel une IA peut agir, tester et recevoir des retours) ou encore données d'agents qui interagissent avec le monde. Mais pour le moment, nous n'avons pas encore assez de recul pour prouver leur efficacité.
L'économie et les ressources naturelles
Pour aller droit au but : la croissance des investissements, de l'énergie et des infrastructures nécessaires pourrait devenir insoutenable.
L'insuffisance du paradigme neuronal
Les chercheurs n'excluent pas que les grands réseaux de neurones (la technologie derrière les modèles comme Claude, Mistral, Gemini, etc.) préentraînés ne suffisent tout simplement pas pour atteindre l'AGI.
La recherche devient plus difficile
Les découvertes les plus accessibles sont faites en premier. Chaque avancée coûte plus cher. Plus on avance, plus il faut d'argent, de calcul, d'énergie, etc. Au fur et à mesure que l'on avance, les gains sont de plus en plus durs à décrocher. Ironiquement, des IA pourraient justement rendre cette recherche plus efficace.
La barrière de l'abstraction
Ici, le problème n'est pas la quantité de données, mais leur nature. L'IA apprend via nos concepts déjà inventés par les humains (concepts, notions, théories). Pour dépasser cela, il faudrait que les IA soient capables de créer des concepts nouveaux à partir d'observations brutes (comme les scientifiques ont travaillé sur la gravité, par exemple). Rien ne garantit que les IA actuelles en soient capables.
Le ralentissement délibéré
Réglementation, incidents graves ou rejet sociétal pourraient freiner le développement de l'IA.
Attention
Nous remarquons que les auteurs n'ont pas de certitudes et que des questions de recherche restent ouvertes.
Ce que l'ASI ne pourra pas faire
Le rapport consacre un tableau aux limites qui s'appliqueront aux superintelligences.
La physique
Une superintelligence reste soumise aux lois de l'univers. L'information ne peut pas voyager plus vite que la lumière, et chaque calcul consomme un minimum d'énergie. En gros, le calcul n'est pas gratuit.
Le temps réel
Le monde physique avance à son propre rythme et tout ne se simule pas. Une ASI aura beau réfléchir un million de fois plus vite que vous et moi, le monde qui nous entoure ne se développe pas par magie.
La théorie de la complexité
Certains problèmes mathématiques voient leur difficulté exploser à mesure qu'ils grossissent (par exemple, lorsqu'il faut trouver le trajet optimal entre des centaines de villes 😅). Face à cette explosion, la puissance de calcul ne suffit pas : les combinaisons grandissent toujours plus vite que les machines. Et l'intelligence n'y peut rien non plus, car rien n'indique qu'un raccourci existe (une méthode maligne qui rendrait le problème rapide à résoudre), même pour une ASI.
La logique
Il existe des problèmes dont il est mathématiquement prouvé qu'aucun ordinateur ne viendra à bout.
La manipulation du monde physique
Penser ne suffit pas : il faut agir. Tout ce qui est imaginable sur le papier n'est pas forcément réalisable physiquement.
La connaissance imparfaite
Une ASI ne peut connaître le monde qu'à travers des mesures, forcément limitées en précision. Certaines choses resteront donc imprévisibles ou incontrôlables. Coucou la météo à long terme ! 👋
L'arrivée de l'AGI ne serait pas un grand soir technologique, mais une série de transformations successives sur plusieurs années.
En attendant l'ASI, les agents bien réels d'aujourd'hui offrent déjà de quoi s'occuper... Et cela tombe bien : c'est un sujet dont nous reparlerons très vite sur le blog 😎.
