Artificial General Intelligence (AGI)

L’intelligence artificielle générale (AGI) représente une étape théorique majeure en informatique, où une machine possède la flexibilité cognitive nécessaire pour comprendre, apprendre et appliquer des connaissances à une grande variété de tâches, en égalant ou en dépassant les capacités humaines. Contrairement aux systèmes d’IA actuels conçus pour des fonctions spécifiques, une AGI serait capable de raisonner de manière autonome, de résoudre des problèmes dans des environnements inconnus et de généraliser des expériences d’un domaine à un autre. Bien que l’AGI reste un sujet de recherche et de débat intenses, elle constitue l’objectif ultime de grandes organisations de recherche comme OpenAI et Google DeepMind, avec la promesse de transformer notre façon d’interagir avec la technologie.

Distinguer l’AGI de l’IA étroite#

Pour comprendre le bond nécessaire pour parvenir à l’AGI, il est essentiel de la distinguer de l’intelligence artificielle (IA) avec laquelle nous interagissons aujourd’hui.

• L’intelligence artificielle étroite (ANI) : Également appelée IA faible, cette catégorie englobe toutes les applications d’IA existantes. Ces systèmes excellent dans des tâches spécifiques et prédéfinies. Par exemple, Ultralytics YOLO26 est un modèle d’ANI de pointe hautement optimisé pour la détection d’objets et la segmentation d’images. Bien que YOLO26 puisse identifier des objets plus rapidement et plus précisément qu’un être humain, il ne peut ni jouer aux échecs ni écrire un poème à moins d’être explicitement réentraîné pour ces tâches.
• AGI (IA forte) : Souvent appelée IA forte, une AGI ne serait pas limitée à une seule modalité. Elle présenterait un véritable apprentissage par transfert, ce qui lui permettrait d’appliquer à des marchés financiers des principes logiques appris dans une simulation physique. Ce niveau de polyvalence reproduit les vastes capacités d’informatique cognitive du cerveau humain.

Caractéristiques principales et défis#

Le développement d’une AGI nécessite de surmonter des obstacles techniques importants, au-delà du simple ajout de données à un réseau neuronal (NN). Il faut notamment créer des architectures prenant en charge les éléments suivants :

• Raisonnement abstrait : capacité à analyser des situations complexes et inédites et à tirer des conclusions logiques sans disposer au préalable de données d’entraînement spécifiques.
• Bon sens : compréhension intuitive de la causalité et des lois physiques, une caractéristique que les modèles actuels d’apprentissage profond (DL) peinent encore à appréhender pleinement.
• Conscience : défi philosophique et technique portant sur la question de savoir si une machine peut être douée de sensibilité, souvent abordé dans des expériences de pensée comme l’argument de la chambre chinoise.

L’obtention de ces caractéristiques nécessite probablement d’immenses ressources de calcul, reposant sur du matériel avancé fourni par des innovateurs comme NVIDIA et sur des techniques efficaces d’optimisation des modèles.

Applications hypothétiques dans le monde réel#

Puisque l’AGI n’existe pas encore, ses applications restent spéculatives, mais pourraient être transformatrices. Des experts d’institutions comme Stanford HAI suggèrent que l’AGI pourrait révolutionner les secteurs en agissant comme un agent entièrement autonome.

1. Recherche scientifique autonome : Contrairement à l’IA dans le domaine de la santé actuelle, qui aide les médecins en mettant en évidence des anomalies sur des examens, une AGI pourrait examiner de manière autonome la littérature médicale, formuler des hypothèses et concevoir des expériences pour guérir des maladies.

2. Robotique polyvalente : Dans le domaine de la robotique, l’AGI permettrait aux machines de se déplacer dans des environnements non structurés. Un robot alimenté par une AGI pourrait effectuer des tâches ménagères, cuisiner et s’occuper de personnes âgées, en s’adaptant à la configuration et aux besoins propres à chaque domicile sans reprogrammation. Cela ouvre de nouvelles possibilités pour l’IA dans la robotique.

Visualiser les limites de l’IA actuelle#

Même si nous ne pouvons pas encore programmer une AGI, nous pouvons démontrer les capacités d’une IA étroite avancée. L’extrait de code suivant utilise le package ultralytics pour exécuter une tâche d’inférence. Il s’agit d’une ANI, car le modèle est limité à la détection des objets sur lesquels il a été spécifiquement entraîné et ne possède pas la compréhension générale d’une AGI.

from ultralytics import YOLO

# Load the YOLO26 model (Artificial Narrow Intelligence)
# This model excels at vision tasks but is limited to its training domain
model = YOLO("yolo26n.pt")

# Perform object detection on an image
results = model.predict("https://ultralytics.com/images/bus.jpg")

# The model identifies patterns, but does not 'understand' the scene context
results[0].show()

La voie à suivre : de l’ANI à l’AGI#

Les recherches actuelles réduisent l’écart entre les applications étroites et l’intelligence générale grâce à l’apprentissage multimodal. Des modèles comme GPT-4 et les grands modèles de langage (LLMs) commencent à montrer des signes de raisonnement général en traitant simultanément du texte, du code et des images. Des outils comme la plateforme Ultralytics permettent aux développeurs d’entraîner des modèles toujours plus sophistiqués, contribuant aux recherches fondamentales qui pourraient un jour mener à une véritable AGI. Pour l’instant, maîtriser l’apprentissage supervisé et optimiser des tâches spécifiques reste le moyen le plus efficace de tirer parti de la valeur de l’IA.