RechercheSiècle Digital13sem

Qu’est-ce que l’AGI (intelligence artificielle générale) ? Définition

Résumé IASource uniqueImpact UE

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.

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1FrenchWeb

IMITATION LEARNING : définition, fonctionnement et cas d’usage en intelligence artificielle

L'apprentissage par imitation — imitation learning en anglais — s'impose comme l'un des paradigmes les plus prometteurs de l'intelligence artificielle appliquée, notamment dans la robotique et les systèmes autonomes. Contrairement au reinforcement learning classique, qui oblige un agent à explorer son environnement par essais-erreurs en accumulant récompenses et pénalités, l'imitation learning repose sur un principe radicalement différent : un modèle apprend en observant des démonstrations réalisées par un expert humain ou un autre système. Deux grandes variantes coexistent — le clonage comportemental, qui imite directement les actions observées, et l'apprentissage inverse par renforcement, qui tente d'inférer la fonction de récompense sous-jacente au comportement de l'expert. L'impact concret est significatif dans les domaines où définir une fonction de récompense explicite reste difficile ou coûteux. En robotique industrielle, des bras manipulateurs apprennent à effectuer des tâches de précision — assemblage, tri, chirurgie assistée — à partir de quelques démonstrations humaines, sans programmer chaque geste manuellement. Dans les véhicules autonomes, des systèmes comme ceux de Waymo ou Tesla intègrent des mécanismes proches pour capturer des comportements de conduite complexes directement depuis des données réelles. Cette approche s'inscrit dans un mouvement plus large vers des IA capables d'acquérir des compétences sans supervision dense. Des laboratoires comme DeepMind, OpenAI ou le CNRS explorent activement ses limites, notamment le problème de distribution shift — le modèle échoue dès qu'il rencontre une situation hors du corpus d'imitation. Des hybrides combinant imitation learning et reinforcement learning, comme DAgger, cherchent à dépasser cette fragilité fondamentale.

UELe CNRS est cité parmi les laboratoires qui explorent activement l'imitation learning, positionnant la recherche française dans ce paradigme émergent.

RecherchePaper

1 source

2Le Monde Pixels

« Que deviendront les intelligences artificielles si elles doivent sans cesse utiliser les mêmes données ? »

L'article soulève la question de l'effondrement des modèles d'IA face à la saturation des données d'entraînement, notamment lorsque ces modèles commencent à s'entraîner sur du contenu généré par d'autres IA. Ce phénomène, illustré par des deepfakes comme une bagarre fictive entre Brad Pitt et Tom Cruise, pose un risque de dégradation progressive de la qualité et de la diversité des outputs. Le problème central est un cercle vicieux où les IA "s'auto-contaminent" avec leurs propres productions. --- Note : l'article fourni est très partiel (titre + légende d'image uniquement). Si tu as le corps complet de l'article, je peux faire un résumé plus précis.

UELes chercheurs et régulateurs européens s'interrogent sur la durabilité des modèles entraînés sur des données synthétiques, un enjeu clé pour les politiques d'IA de l'UE.

RecherchePaper

1 source

3FrenchWeb

CuspAI, ou la promesse d’une science accélérée par l’intelligence artificielle

CuspAI, startup britannique fondée en 2024 par Chad Edwards, s'est imposée comme l'un des acteurs les plus prometteurs de l'IA appliquée à la découverte de matériaux. La société développe une plateforme d'intelligence artificielle capable de modéliser et prédire les propriétés de nouveaux matériaux en une fraction du temps qu'exigerait l'expérimentation classique en laboratoire. Après avoir levé plusieurs dizaines de millions de dollars auprès d'investisseurs spécialisés dans les deeptech, CuspAI entend accélérer des cycles de R&D qui s'étendent habituellement sur une décennie. L'enjeu est considérable : la découverte de nouveaux matériaux conditionne des secteurs entiers, des batteries pour véhicules électriques aux semi-conducteurs, en passant par les panneaux solaires et les matériaux de construction à faible empreinte carbone. En réduisant de plusieurs années le délai entre l'idée et le prototype validé, CuspAI pourrait déverrouiller des goulots d'étranglement qui freinent la transition énergétique et l'industrie manufacturière mondiale. Pour les laboratoires et les industriels, il s'agit d'un changement de paradigme comparable à ce que la simulation numérique a représenté dans les années 1980. Cette ambition s'inscrit dans une vague plus large d'IA scientifique, dite « AI for science », portée aussi bien par DeepMind avec AlphaFold que par des startups comme Insilico Medicine dans le médicament ou Orbital Materials dans les matériaux avancés. CuspAI se différencie par sa focalisation sur les matériaux solides et sa volonté de s'intégrer directement dans les flux de travail industriels, visant des partenariats avec de grands groupes chimiques et énergétiques plutôt qu'une approche purement académique.

UELes industriels européens engagés dans la transition énergétique (batteries, panneaux solaires, matériaux bas carbone) pourraient bénéficier directement de la plateforme CuspAI pour accélérer leurs cycles de R&D.

RecherchePaper

1 source

4MarkTechPost

Nouveau papier d'Yann LeCun: L'IA AGI est mal définie, il propose l'intelligence adaptable supérieure à l'humain (SAI)

Yann LeCun et son équipe proposent dans un nouveau papier de repenser l'AGI (Intelligence Artificielle Générale) en soutenant qu'il est mal défini et inactuable. Ils introduisent plutôt le concept de SAI (Superhuman Adaptable Intelligence) ou intelligence adaptative supérieure à l'humain, capable de surpasser les humains dans toute tâche qu'ils peuvent accomplir et d'appliquer ses capacités à des domaines hors de la compréhension humaine. Leur proposition met l'accent sur la vitesse d'adaptation, la capacité d'un système à apprendre rapidement de nouvelles compétences et à continuer à s'adapter plutôt que sur des références fixes de performance humaine.

UEL'approche de Yann LeCun sur l'intelligence artificielle supérieure à l'humain pourrait remettre en question les normes actuelles de l'AGI, influençant potentiellement le développement de l'IA en France et en Europe, tout en offrant de nouvelles opportunités pour les entreprises comme DeepMind ou Stability AI, tout en respectant les réglementations telles que le RGPD, en favorisant une IA plus adaptable et performante.

RecherchePaper

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour