Artificial General Intelligence (AGI)

L'intelligence artificielle générale (AGI) est une forme hypothétique d'intelligence artificielle (AI) qui égale ou dépasse les capacités humaines dans la quasi-totalité des tâches cognitives et apprend de nouvelles tâches sans être conçue ou réentraînée spécifiquement pour chacune. Selon la plupart des définitions, tous les systèmes d'IA actuellement utilisés relèvent de l'intelligence artificielle étroite (ANI) : ils ne sont compétents que dans le domaine pour lequel ils ont été entraînés. Toutefois, les grands modèles de langage (LLMs), capables d'écrire, de coder et de raisonner dans de nombreux domaines, ont suscité un débat nourri sur cette frontière. Dans l'usage moderne, l'IA forte est synonyme d'AGI. Mark Gubrud a employé le terme en 1997, et les chercheurs Shane Legg et Ben Goertzel l'ont popularisé vers 2002.

Définir l'AGI#

Il n'existe pas de définition unique et consensuelle de l'AGI, et les principales propositions mesurent différentes choses :

• Production économique : La Charte d'OpenAI définit l'AGI comme des « systèmes hautement autonomes qui surpassent les humains dans la plupart des tâches à forte valeur économique ».
• Performance et généralité : Une équipe de Google DeepMind a proposé les niveaux d'AGI, qui évaluent un système selon deux axes : la qualité de ses performances par rapport à celles d'adultes qualifiés, du niveau émergent — équivalent ou légèrement supérieur à celui d'une personne non qualifiée — au niveau surhumain — supérieur à celui de tous les humains — ; et sa capacité à atteindre ce niveau pour une seule tâche ou pour un vaste ensemble de tâches non physiques, y compris l'apprentissage de nouvelles compétences.
• Efficacité de l'apprentissage : Dans « On the Measure of Intelligence » (2019), François Chollet définit l'intelligence comme l'efficacité d'acquisition des compétences : la rapidité avec laquelle un système maîtrise des tâches qu'il n'a jamais rencontrées, avec peu de données et de connaissances préalables, plutôt que la quantité de compétences qu'il a déjà acquises.
• Esprit et compréhension : La question philosophique est de savoir si une machine comprendrait réellement et aurait un esprit, le sens originel de l’IA forte dans l’argument de la Chambre chinoise de John Searle en 1980.

Le cadre des niveaux d’AGI classe un système à l’aide de trois questions au maximum, en commençant par la généralité :

Les auteurs ont placé les chatbots de 2023, comme ChatGPT, Bard et Llama 2, au niveau de l’AGI émergente et ont indiqué que tous les niveaux de généralité supérieurs n’étaient pas encore atteints, tandis que les systèmes spécialisés couvrent déjà l’échelle jusqu’au niveau surhumain, où ils ont placé AlphaFold, AlphaZero et Stockfish.

AGI, IA spécialisée et superintelligence#

• ANI : Excelle dans un périmètre défini et a besoin de nouvelles données et d’un nouvel entraînement pour faire quoi que ce soit en dehors de celui-ci. Un détecteur Ultralytics YOLO26 entraîné sur COCO figure dans la colonne des systèmes spécialisés du cadre des niveaux : il détecte et étiquette 80 classes d’objets en quelques millisecondes par image, mais ne peut pas apprendre une nouvelle classe, répondre à une question ou planifier une action sans nouvel entraînement ou sans autres systèmes autour de lui.
• AGI : Égale les personnes qualifiées pour la plupart des tâches cognitives et applique ce qu’elle apprend à des domaines pour lesquels elle n’a jamais été entraînée, une capacité que l’apprentissage par transfert ne fournit aujourd’hui qu’entre des tâches étroitement liées.
• Superintelligence artificielle (ASI) : Surpasse les meilleurs humains dans pratiquement tous les domaines. Un système qui améliore sa propre intelligence plus vite que les humains ne peuvent suivre est au cœur du scénario de la singularité technologique.
• IA forte : Synonyme d’AGI dans l’usage moderne. Dans le sens originel de Searle, il s’agit d’une machine qui possède littéralement un esprit, une affirmation sur la compréhension que les tests de capacités n’évaluent pas.

Les LLM de pointe mettent ces catégories à l’épreuve. Un même modèle peut rédiger des contrats, résoudre des problèmes de mathématiques de concours et décrire des images, mais ses capacités sont inégales, un phénomène appelé intelligence en dents de scie, et ses poids cessent d’apprendre à la fin de l’entraînement.

Problèmes ouverts#

• Apprentissage continu : Les modèles déployés ne s’adaptent qu’à l’intérieur de leur fenêtre de contexte, et les entraîner davantage sur de nouvelles données risque de provoquer l’oubli catastrophique de compétences antérieures.
• Fiabilité : Les modèles qui réussissent des examens spécialisés produisent malgré tout des erreurs avec assurance, comme des hallucinations, et échouent de façon imprévisible face à de simples variantes des tâches qu’ils savent résoudre.
• Monde physique : Les systèmes d’IA incarnée doivent percevoir, planifier et agir dans des environnements réels. Les modèles du monde, qui prédisent l’évolution des scènes, constituent une piste proposée pour atteindre le bon sens que cela exige.
• Alignement et contrôle : La recherche sur la sécurité de l’IA, notamment le superalignement, cherche comment faire en sorte qu’un système susceptible de dépasser ses superviseurs poursuive les objectifs voulus par les humains.

Mesurer les progrès vers l’AGI#

Comme les définitions diffèrent, les tests aussi. Les benchmarks ARC-AGI suivent la définition de Chollet au moyen d’énigmes inédites que les humains résolvent facilement, évaluées sur des ensembles de test cachés afin que les réponses ne puissent pas être mémorisées. Lancé en mars 2026, ARC-AGI-3 a remplacé les énigmes statiques sur grille par des centaines d’environnements de jeux interactifs sans consignes ni objectifs explicites : un agent doit donc explorer, déduire les règles et planifier. Au lancement, les testeurs humains ont obtenu 100 % et les systèmes d’IA de pointe, 0,51 %. En septembre 2026, l’ARC Prize Foundation a annoncé que GPT-6 Astra d’OpenAI avait atteint 62,7 % avec son banc de test standard et 99,9 % avec un banc qui conserve l’état de raisonnement du modèle entre les actions, tout en précisant que saturer le benchmark ne prouverait pas l’AGI. Les tests axés sur les connaissances, tels que Humanity’s Last Exam, évaluent plutôt la réponse aux questions de niveau expert.

Les prévisions quant à la date d’arrivée possible de l’AGI varient considérablement. Dans une enquête menée auprès de 2 778 chercheurs ayant publié dans les principales conférences sur l’IA, publiée en 2024, la prévision agrégée estimait à 50 % la probabilité que des machines autonomes surpassent les humains dans toutes les tâches possibles d’ici 2047, soit 13 ans plus tôt que dans l’enquête de la même équipe l’année précédente.