L'approche de ChatGPT repose sur l'autonomie, la fiabilité et l'adaptabilité, permettant aux utilisateurs de personnaliser l'outil selon leurs besoins.
Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.
L'AGI (intelligence artificielle générale) est un concept ambitieux dans la recherche en IA, cherchant à développer une intelligence artificielle capable de comprendre, apprendre et s'adapter à une large gamme de tâches, comme un humain. Bien que des modèles génératifs prospèrent, l'AGI reste une idée discutée parmi les chercheurs et les leaders de la technologie.
Trois figures majeures de l'intelligence artificielle ont exprimé des visions radicalement divergentes sur l'état actuel de la technologie. Yann LeCun, directeur de la recherche en IA chez Meta, affirme que les systèmes actuels ne sont pas véritablement intelligents. Demis Hassabis, PDG de Google DeepMind, pense au contraire que l'humanité se trouve déjà "dans les contreforts de la singularité". Oriol Vinyals, co-responsable du projet Gemini chez Google DeepMind, propose une lecture intermédiaire : les modèles d'aujourd'hui auraient semblé être une AGI il y a sept ans, mais ils demeurent incapables d'apprendre par l'expérience ou de produire de réelles percées scientifiques. Ce désaccord entre chercheurs de premier plan révèle une fracture profonde sur la trajectoire réelle de l'IA. La question n'est pas anodine : selon que l'on adopte la vision de LeCun ou celle de Hassabis, les priorités de recherche, les stratégies d'investissement et les cadres réglementaires changent radicalement. Des milliards de dollars et la crédibilité des grands laboratoires, OpenAI, Anthropic, Google DeepMind, Meta AI, sont directement en jeu. Ce débat s'inscrit dans une réflexion plus large sur ce que signifie réellement l'intelligence artificielle générale. LeCun critique depuis longtemps les grandes architectures de type transformeur, jugées insuffisantes pour atteindre une compréhension réelle du monde. Hassabis, lui, a prédit que l'AGI pourrait émerger d'ici quelques années. La position nuancée de Vinyals suggère que si les progrès sont indéniables, les verrous fondamentaux, notamment l'adaptation continue et la découverte autonome, demeurent entiers.
UELe débat sur la trajectoire réelle de l'IA influence indirectement le calibrage réglementaire européen, notamment les seuils de risque et les obligations de transparence prévus par l'AI Act.
💬 LeCun et Hassabis se contredisent frontalement, et c'est en fait le signal le plus intéressant de cette actu. Quand les deux personnes qui orientent des milliards de dollars de recherche n'arrivent pas à se mettre d'accord sur l'état actuel de l'IA, tous les cadres réglementaires qui essaient de calibrer des "niveaux de risque" reposent sur du vent. La position de Vinyals, nos modèles auraient bluffé tout le monde en 2019 mais les vrais verrous restent entiers, c'est la seule qui ressemble à quelque chose de solide.
Les grands modèles de langage capables de raisonnement, comme ceux utilisés pour les tâches complexes de mathématiques ou de logique, peuvent améliorer leur précision en dépensant davantage de tokens au moment de l'inférence, une pratique connue sous le nom de scaling au moment du test. Des chercheurs proposent une nouvelle méthode baptisée Conformal Thinking, qui reformule le problème du choix du budget de calcul comme un problème de contrôle du risque plutôt que comme un simple réglage empirique. Concrètement, le système introduit un seuil supérieur qui détermine quand arrêter le raisonnement, permettant de limiter le taux d'erreur tout en minimisant la quantité de calcul consommée. Cette approche répond à un problème très concret pour les entreprises et développeurs qui déploient ces modèles en production: allouer trop de tokens à chaque requête gaspille des ressources et augmente les coûts, tandis qu'arrêter le raisonnement trop tôt dégrade la fiabilité des réponses. En transformant ce réglage en un cadre de contrôle de risque avec des garanties statistiques, la méthode permettrait aux équipes techniques de fixer un niveau de fiabilité cible et d'obtenir automatiquement la stratégie d'arrêt la plus économe en calcul qui respecte cette contrainte, plutôt que de deviner un budget fixe par essais successifs. Le contexte plus large est celui d'une course à l'efficacité dans le déploiement des modèles de raisonnement, où le coût par requête devient un enjeu commercial aussi important que la performance brute. Les techniques de raisonnement adaptatif, qui ajustent dynamiquement l'effort de calcul selon la difficulté perçue d'une question, se multiplient dans la recherche récente. Ce travail s'inscrit dans une tendance visant à doter ces mécanismes de garanties formelles inspirées de la prédiction conforme, un domaine statistique déjà utilisé pour quantifier l'incertitude des modèles d'apprentissage automatique dans d'autres contextes.
Une équipe de chercheurs a développé Know3D, une méthode qui permet de contrôler l'apparence du dos des objets 3D générés à partir d'une seule image, en utilisant de simples commandes textuelles. Le système exploite les connaissances du monde réel encodées dans les grands modèles de langage pour inférer et diriger ce qui doit apparaître sur les faces cachées d'un objet tridimensionnel, sans que l'utilisateur ait besoin de fournir d'autres références visuelles. Cette avancée s'attaque à l'un des angles morts les plus persistants de la génération 3D à partir d'une image unique : la reconstruction des zones non visibles. Jusqu'ici, les modèles généraient ces faces cachées de manière aléatoire ou incohérente, produisant des objets 3D inutilisables en production professionnelle. Avec Know3D, un designer peut écrire une instruction comme "dos plat avec texture bois" pour obtenir un résultat cohérent et maîtrisé, ce qui ouvre des perspectives concrètes pour la création de contenus dans les jeux vidéo, la réalité augmentée et le commerce en ligne. La génération 3D à partir d'une image reste un problème ouvert très actif en recherche, avec des acteurs comme Stability AI, Luma AI ou encore des équipes académiques qui multiplient les approches concurrentes. L'originalité de Know3D réside dans le recours aux LLM non pas pour générer du texte, mais comme base de connaissance spatiale et sémantique sur la forme des objets du monde réel. Si les résultats se confirment sur des géométries complexes, cette technique pourrait s'intégrer rapidement dans les pipelines de création 3D assistée par IA déjà en cours de déploiement dans l'industrie.
Recevez l'essentiel de l'IA chaque jour
Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.
Gratuit · 1 email le matin, l'essentiel de l'IA · désinscription en un clic
