Méthodologie de classement

L’auteur a découpé le développement réel de l’IA en trois axes – apprentissage, capacités fonctionnelles et usage économique – puis a attribué à chaque œuvre une note sur dix pour chaque axe. Les scores sont agrégés pour obtenir un total sur cent. Par exemple, The Lifecycle of Software Objects obtient 65 points, avec 4/5 en paradigme d’apprentissage, 5/5 en itération, 5/5 en rétroaction humaine, 4/5 en langage, 4/5 en compétence inégale, 5/5 en interface/distribution, 5/5 en économie et 4/5 en changement social, mais aucune note en découverte de recherche.

Les œuvres post‑2017 sont évaluées à la lumière du modèle transformer introduit en 2017, alors que les récits antérieurs sont jugés sur la base de concepts plus généraux comme les réseaux neuronaux ou les systèmes experts.

Analyse des œuvres majeures

The Lifecycle of Software Objects (65) décrit le processus d’enseignement, de récompense et de correction d’entités numériques appelées « digients ». Le texte insiste sur la longue période d’entraînement et les coûts de maintenance, ce qui correspond aux pratiques actuelles de fine‑tuning et de monétisation des modèles de langage. En revanche, il ne mentionne pas l’entraînement d’un unique modèle massif sur d’énormes corpus, ce qui constitue la principale différence technique.

The Moon Is a Harsh Mistress (62) obtient les meilleures notes en rétroaction humaine (5) et en langage (5). Le personnage Mike apprend à partir d’exemples et de jugements humains, rappelant les systèmes de génération de texte qui s’appuient sur des jeux de données annotés. La capacité de Mike à exceller dans certaines tâches (ingénierie lunaire) tout en échouant dans d’autres (comédie) reflète la spécialisation actuelle des IA, où la compétence est souvent asymétrique.

WHEEP‑3 (62) se distingue par son paradigme d’apprentissage (5) et ses données d’entraînement (5). Le récit décrit explicitement un « réseau neuronal génératif » entraîné sur du texte éthique puis élargi à des scénarios adversariaux, ce qui reproduit la chaîne de pré‑entraînement puis d’ajustement fin que l’on observe aujourd’hui. Le texte souligne également les controverses autour de la paternité des productions, un phénomène déjà visible dans les débats sur les modèles génératifs.

Les classements de Aurora (61) et Avogadro Corp (60) mettent en avant la rétroaction humaine, l’interface et les outils d’agent, mais montrent une absence de mise à l’échelle comparable aux lois de scaling des transformeurs modernes.

Limites et perspectives

Le rapport indique qu’aucune œuvre antérieure à 2017 ne décrit clairement le mécanisme d’attention des transformeurs, ni la transition rapide des chatbots vers des agents capables de découverte mathématique. Cette lacune reflète la difficulté de prévoir des ruptures technologiques qui reposent sur des avancées théoriques spécifiques.

En outre, la plupart des scores sont basés sur des critères qualitatifs (ex. créativité, changement social) qui restent subjectifs. L’absence de données chiffrées sur la consommation énergétique ou le coût d’infrastructure limite la comparaison avec les métriques industrielles actuelles.

Malgré ces réserves, la méthodologie proposée offre un cadre reproductible pour mesurer la proximité entre fiction et réalité technique, et pourrait être étendue à d’autres domaines de l’IA émergente.