Après l’AGI, quatre voies possibles vers la superintelligence

Un essai du DeepMind Institute examine les voies vers une IA dépassant les collectifs humains et les obstacles à cette progression.

Atteindre une intelligence comparable à celle des humains ne constituerait pas nécessairement un point d’arrivée pour l’IA. Dans What comes after AGI?, Tim Genewein, chercheur chez Google DeepMind, examine les mécanismes susceptibles de prolonger cette progression. Son essai envisage la superintelligence comme un ensemble de trajectoires à étudier, avec leurs contraintes matérielles et leurs inconnues scientifiques.

Le texte prolonge le rapport collectif From AGI to ASI, publié en juin 2026. Il s’agit d’un travail prospectif : les scénarios partent de l’hypothèse qu’une intelligence artificielle générale, ou AGI, puisse être atteinte. Les essais du DeepMind Institute reflètent les idées de leurs auteurs et ne constituent pas la position officielle de Google. Le nombre d’agents change l’équation

La distinction proposée dépasse la comparaison entre une machine et une personne. Une AGI atteindrait un niveau humain sur un très large ensemble de tâches cognitives. Une superintelligence générale, ou ASI, surpasserait durablement de vastes groupes d’experts travaillant pendant des années, en mobilisant moins de temps et de ressources. Cette supériorité devrait se retrouver dans presque tous les domaines concernés, et pas seulement dans une spécialité.

Une partie du raisonnement porte sur ce que l’auteur appelle l’« industrialisation cognitive ». Les progrès du matériel, l’efficacité des méthodes et les investissements pourraient rendre certaines tâches intellectuelles beaucoup moins coûteuses à automatiser. Des modèles de même niveau pourraient alors être exécutés plus vite et en bien plus grand nombre. Leurs capacités individuelles resteraient identiques, tandis que le volume de travail accompli changerait d’échelle.

Cette multiplication ne résoudrait pas automatiquement les tâches qui demeurent hors de portée des systèmes. L’essai distingue donc l’abondance de capacités déjà acquises et l’apparition de compétences nouvelles. Les extrapolations économiques qu’il présente dépendent de la poursuite de tendances historiques, soumises aux limites de l’énergie, des infrastructures et de la fabrication des composants. Quatre voies susceptibles de se combiner

La première trajectoire poursuit l’augmentation de la taille des modèles, des données et du calcul, y compris au moment de produire une réponse. Les relations observées entre ces facteurs et les performances donnent des repères, sans fixer le seuil nécessaire pour atteindre l’AGI ou l’ASI. Le manque de données de qualité et le coût croissant des gains figurent parmi les obstacles identifiés.

Une deuxième voie suppose de modifier plus profondément les méthodes d’apprentissage ou les architectures. L’apprentissage continu, la capacité à apprendre avec peu d’exemples et la construction de nouvelles abstractions sont cités parmi les difficultés à résoudre. La question reste ouverte : les approches actuelles pourront-elles être prolongées suffisamment, ou faudra-t-il des ruptures plus importantes ?

La coordination constitue une troisième piste. Des collectifs d’agents spécialisés pourraient traiter des problèmes inaccessibles à leurs membres isolés, à la manière d’organisations humaines. Leur efficacité dépendrait de la répartition du travail et de la circulation de l’information. Ajouter des agents peut aussi accroître les coûts de coordination, les erreurs partagées ou les possibilités de manipulation entre participants.

Enfin, l’autoamélioration récursive désigne une boucle dans laquelle l’IA contribue à développer les générations suivantes. Elle pourrait passer par le code, la conception de composants, la production de meilleures données ou l’organisation de collectifs spécialisés. Une accélération cumulative est envisagée, mais elle dépend du progrès réellement obtenu à chaque cycle et de la difficulté croissante des découvertes. Évaluer ce que les humains peinent à vérifier

La qualité du retour d’information devient alors décisive. Une boucle d’autoamélioration peut stagner ou se dégrader si elle récompense des résultats trompeurs. L’auteur s’attend à des rythmes différents selon les domaines : une preuve mathématique peut être vérifiée automatiquement, tandis que d’autres travaux exigent des expériences plus lentes ou un jugement plus difficile à formaliser.

Ces trajectoires peuvent se renforcer mutuellement. Pour les auteurs du rapport, cette interdépendance complique aussi la gouvernance : limiter un seul facteur, comme le calcul consacré à l’entraînement, ne suffirait pas nécessairement à maîtriser l’ensemble de la progression. Le programme de recherche proposé comprend des mesures sur les collectifs d’agents, des modèles de prévision et des évaluations nécessitant un accès aux systèmes avancés et à des moyens de calcul importants.