Contexte et définition

Le texte de DeepMind rappelle que l’intelligence artificielle générale (AGI) représente le point où les machines égalent les humains sur la plupart des tâches cognitives. Au‑delà, l’intelligence générale superintelligente (ASI) désigne un système capable de surpasser de larges groupes d’experts humains sur des problèmes qui prendraient des années, en utilisant moins de ressources. L’article précise que, même si les limites théoriques de l’intelligence sont connues, la zone entre l’AGI humaine et ces limites reste largement inexplorée.

Croissance du stock de calcul effectif

Sur les six dernières décennies, la loi de Moore et les améliorations connexes ont fait augmenter le calcul disponible par dollar d’environ 1,5× chaque année. Au cours de la dernière décennie, l’efficacité algorithmique a réduit la quantité de FLOPs nécessaire pour atteindre un même niveau de performance de 3 à 6 fois par an en entraînement, et d’environ 3 fois par an en inférence. Parallèlement, les dépenses en matériel d’IA ont progressé d’environ 2,5× par an, ce qui a conduit les plus grands entraînements à croître de plus de 4× chaque année. En combinant ces trois facteurs, le stock global de calcul effectif croît d’au moins 10× par an, soit un facteur de 10 milliards sur dix ans. Si la tendance se maintient, chaque agent IA actuel pourrait être multiplié par le nombre d’habitants de la planète d’ici une décennie.

Industrialisation cognitive et perspectives

Le texte projette que la réduction du coût de calcul, grâce à l’efficacité matérielle et logicielle, ferait passer le prix d’une charge de travail cognitive de 1 milliard de dollars à 1 000 dollars en dix ans. Une étude récente d’Epoch indique que le prix consommateur pour atteindre un score fixe sur des benchmarks a baissé de plus de 13× chaque année depuis 2023. Cette double dynamique – stock de calcul exponentiel et coût décroissant – pourrait transformer de nombreuses tâches cognitives en biens de consommation, un phénomène que les auteurs qualifient d’« industrialisation cognitive ». Ils estiment que, même sans nouvelles percées algorithmiques, la simple multiplication du nombre d’agents et de leur vitesse pourrait créer une forme d’ASI « faible », où la quantité compense partiellement la qualité manquante par rapport à une AGI pleinement autonome.

Limites et incertitudes

Les auteurs soulignent toutefois que les plafonds physiques du calcul et les limites de l’efficacité algorithmique restent incertains. La capacité à « peupler » le monde d’agents IA à grande échelle ne garantit pas la résolution de toutes les tâches cognitives, certaines pouvant rester dépendantes d’une intervention humaine. Ainsi, la transition de l’AGI à l’ASI dépendra à la fois de la croissance du stock de calcul et de l’émergence de nouvelles architectures ou méthodes capables de dépasser les contraintes actuelles.