Le plan de Google pour l'après-AGI est là

Le dernier document de DeepMind modifie fondamentalement la conversation autour de l'Artificial General Intelligence. N'étant plus un concept de science-fiction lointain, la construction d'une AGI de niveau humain est officiellement passée de « spéculation farfelue » à un « objectif concret pour la prochaine décennie » pour les grandes organisations d'IA. Ce n'est pas une prédiction anodine ; cela représente un profond changement dans la mentalité collective de l'industrie, les laboratoires traitant désormais l'AGI comme potentiellement atteignable en quelques années, et non en siècles. Les modèles de pointe, de plus en plus capables de tâches autrefois exclusives aux humains, soulignent cette chronologie révisée.

Par conséquent, la question cruciale est passée d'un simple « Quand l'AGI ? » à une interrogation bien plus urgente : « À quelle vitesse se fait le saut de l'AGI à l'ASI ? » Le travail de DeepMind suggère que l'AGI n'est pas la ligne d'arrivée, mais plutôt le moment charnière où tout s'accélère. Ils se demandent explicitement si l'intelligence, une fois généralisée, va rapidement s'adapter, se copier, se coordonner et construire la prochaine génération d'elle-même, poussant vers l'Artificial Superintelligence (ASI) à un rythme sans précédent.

Google DeepMind traite désormais l'ère post-AGI comme un problème d'ingénierie et de sécurité à court terme, et non comme un débat philosophique lointain. Ce document prudent, mais précis, signale que l'AGI est « suffisamment proche pour que nous devions étudier la phase suivante », déplaçant la discussion vers une fenêtre de planification pratique. Les objectifs viennent de changer, et le jeu pour l'humanité est devenu significativement plus immédiat.

L'intelligence numérique réécrit fondamentalement les règles du progrès, faisant de l'AGI non pas un plateau, mais une rampe de lancement. Contrairement aux esprits biologiques, les systèmes d'IA possèdent des avantages uniques et inhérents qui défient les limitations humaines, compressant considérablement la chronologie de l'AGI à l'ASI.

Ce ne sont pas des propriétés magiques, mais des réalités d'ingénierie : l'IA peut traiter des entrées à très haute bande passante, exécuter un raisonnement interne plus rapidement avec plus de calcul, et dispose d'une mémoire de travail beaucoup plus grande. De manière critique, un système numérique peut être déplacé vers un meilleur matériel, permettant la mise à l'échelle du matériel ; la copie instantanée permet une duplication généralisée ; et les expériences peuvent être stockées, rejouées, partagées ou réutilisées pour un transfert de connaissances parfait.

De telles propriétés d'ingénierie signifient que le progrès n'est pas limité par les cycles d'apprentissage humains lents, la scolarisation formelle ou les lacunes de connaissances générationnelles. Si un chercheur humain devient utile, vous ne pouvez pas dupliquer cette personne un million de fois, ni accélérer son cerveau en achetant plus de GPU. Mais avec les systèmes numériques, ces contraintes deviennent souples.

La capacité à dupliquer un seul « chercheur en IA » utile un million de fois modifie entièrement l'économie de l'innovation, transformant ce qui était autrefois un goulot d'étranglement biologique en un problème de calcul et d'infrastructure. Cette évolutivité inégalée signifie qu'au moment où l'AGI arrive, le système pourrait continuer à s'accélérer à un rythme exponentiel.

Le document de DeepMind postule deux formidables moteurs d'accélération post-AGI. Premièrement, la montée en puissance incessante de la puissance de calcul effective — un puissant cocktail d'avancées matérielles, d'investissements croissants et de percées algorithmiques — promet une puissance sans précédent. Les experts prévoient que cette force combinée pourrait entraîner une augmentation stupéfiante de 10 000 fois des capacités de l'IA d'ici 2030 seulement. Ce n'est pas seulement un progrès incrémental ; c'est un changement fondamental dans le potentiel de traitement brut.

Deuxièmement, et plus profondément, réside le spectre de l'auto-amélioration récursive. Imaginez des systèmes d'IA non seulement exécutant des tâches, mais automatisant activement la recherche en IA elle-même. Cela crée une boucle de rétroaction auto-renforçante, où des IA plus intelligentes conçoivent des IA encore plus intelligentes, menant potentiellement à une explosion d'intelligence ou un « fast takeoff ». Le système devient son propre développeur le plus efficace.

Naturellement, les contraintes du monde physique comme la consommation d'énergie et les chaînes d'approvisionnement mondiales imposeront une certaine friction. Celles-ci agissent comme des freins réels à une croissance effrénée. Cependant, l'accélération exponentielle, pilotée par le logiciel et inhérente à l'intelligence numérique, est la force dominante. Pour plus d'informations sur ce paysage complexe, consultez les travaux plus larges de DeepMind sur Mapping the landscape of AGI.

L'arrivée de l'AGI ne sera pas un événement singulier, mais la genèse d'un paradigme entièrement nouveau. La recherche de DeepMind indique une série rapide et cumulative de percées, où l'intelligence générale de niveau humain devient un tremplin. Ce n'est pas une ligne d'arrivée ; c'est le moment précis où « tout commence à s'accélérer » à mesure que les flux de travail d'IA atteignent une automatisation complète.

Attendez-vous à ce que l'Intelligence Artificielle Superieure (ASI) émerge non pas comme un esprit monolithique, mais comme de vastes collectifs coordonnés d'agents d'IA spécialisés. Ces entités numériques fonctionneront de concert, chacune contribuant à des tâches complexes et automatisant des pipelines entiers de recherche et développement. Ce modèle d'intelligence distribuée tire parti des avantages uniques des systèmes numériques.

Cette intelligence collective reflète la manière dont le progrès humain se déroule au sein des laboratoires et des entreprises, mais elle opère à une vitesse et une échelle numériques insondables. Les systèmes d'IA possèdent des avantages inhérents par rapport aux esprits biologiques, permettant : - La copie instantanée des connaissances et des capacités - La mise à l'échelle exponentielle du matériel - Le transfert de connaissances parfait et instantané

Ces capacités permettront aux collectifs d'IA de surpasser largement les institutions humaines, compressant le délai entre l'AGI de niveau humain et l'ASI surhumaine en années, et non en siècles. La transition repose sur cette automatisation de la recherche sans précédent et sur la capacité à faire évoluer l'intelligence à la demande, remodelant fondamentalement notre compréhension du progrès.

Quel est le point principal du nouveau document de Google DeepMind ?

Le document déplace l'attention de la question de savoir si l'AGI sera créée à ce qui se passe immédiatement après. Il soutient que la transition de l'AGI de niveau humain à l'ASI surhumaine pourrait être extrêmement rapide.

Que signifie DeepMind par AGI vs. ASI ?

L'AGI (Artificial General Intelligence) est définie comme un système ayant une capacité de niveau humain médian sur de nombreuses tâches cognitives. L'ASI (Artificial Superintelligence) est un système qui surpasse les collectifs d'experts humains dans pratiquement tous les domaines.

Pourquoi la transition de l'AGI à l'ASI pourrait-elle être si rapide ?

Parce que l'intelligence numérique peut être mise à l'échelle, copiée et exécutée sur du matériel plus rapide. Le principal accélérateur est l'auto-amélioration récursive, où l'IA aide à construire la prochaine génération d'IA, plus puissante.

Quel calendrier Google DeepMind suggère-t-il pour l'AGI ?

Ils ne donnent pas d'année exacte, mais déclarent que l'AGI est devenue un « objectif concret pour la prochaine décennie » pour les grands laboratoires et pourrait être atteignable « au cours de la prochaine décennie ou moins ».