Tech • IA • Crypto
La Singularité arrive beaucoup plus vite que prévu !
7/10INTRO
Les prévisions divergentes sur l’intelligence artificielle générale reposent sur des comparaisons spéculatives entre le cerveau et la puissance de calcul, des hypothèses sur l’accélération technologique et la possibilité de dépasser les limites d’énergie et d’architecture.
POINTS CLÉS
Calendriers concurrents pour l’AGI et l’ASI
Des figures majeures de la tech proposent des prédictions très différentes pour l’intelligence artificielle générale (AGI) et l’intelligence artificielle superintelligente (ASI). Certains, dont Sam Altman et Elon Musk, visent la fin de la décennie, Musk évoquant des jalons dès 2026–2030. D’autres, comme Ray Kurzweil, maintiennent des projections de 2029 pour l’AGI et 2045 pour la singularité, tandis que des chercheurs plus prudents comme Yann LeCun estiment que cela pourrait prendre plusieurs décennies.
Définition de l’AGI, de l’ASI et de la singularité
L’AGI désigne un système égalant l’intelligence humaine dans tous les domaines, marquant un tournant structurel. Une fois atteints, ces systèmes pourraient s’améliorer eux-mêmes, menant à l’ASI—une intelligence dépassant largement les capacités humaines. Cette boucle d’auto-amélioration est souvent associée à la singularité technologique, stade où l’évolution de l’IA devient incompréhensible pour les humains.
Estimer la puissance du cerveau reste hautement spéculatif
Les tentatives de quantification partent des 86 milliards de neurones et d’environ 10^14 synapses, pour aboutir à une estimation de 10^16 opérations synaptiques par seconde (SOPS). Toutefois, la conversion en métriques informatiques comme les FLOPS est problématique en raison des différences fondamentales entre systèmes biologiques et numériques.
Limites architecturales de l’informatique actuelle
Les ordinateurs modernes reposent sur l’architecture de von Neumann, séparant mémoire et calcul, contrairement à la structure intégrée du cerveau. Cela crée des inefficacités et des contraintes thermodynamiques, suggérant qu’un simple passage à l’échelle du matériel actuel ne reproduira pas des performances de type cérébral.
Les premières simulations montrent l’écart
Une expérience IBM de 2009 simulant un cortex de chat a nécessité 147 000 processeurs et 0,5 pétaflops, tout en fonctionnant 100 à 1 000 fois plus lentement que le temps réel. Ce qui exigeait autrefois une énorme infrastructure peut aujourd’hui être approché par un cluster de GPU, illustrant des progrès rapides mais aussi l’ampleur de la complexité.
Le rôle des courbes en S technologiques
Le progrès suit historiquement des courbes d’adoption en S, chaque vague s’accélérant plus vite que la précédente. Des mainframes au cloud en passant par l’informatique personnelle, chaque cycle a compressé les délais, laissant entrevoir une nouvelle accélération portée par l’IA.
Contraintes énergétiques vs innovations de rupture
L’extension actuelle de l’IA se heurte à des limites d’énergie et d’infrastructure, notamment dans les grands centres de données. Deux scénarios émergent: un plafond « malthusien » où le progrès ralentit, ou une percée « schumpétérienne » via de nouveaux paradigmes comme les puces neuromorphiques, le calcul distribué ou des algorithmes plus efficaces comme les world models.
Pourquoi certains prédisent l’AGI avant 2030
Les prévisions optimistes reposent sur une hypothèse clé: l’IA pourrait commencer à accélérer son propre développement. Si des systèmes peuvent concevoir, déployer et améliorer d’autres systèmes sans goulots d’étranglement humains, la croissance technologique pourrait se découpler des rythmes d’adoption humaine et raccourcir fortement les délais.
Implications économiques et sociales
Une croissance rapide tirée par l’IA pourrait accroître la productivité globale tout en réduisant le recours au travail humain, augmentant potentiellement le chômage malgré l’expansion économique. Cette dynamique pourrait accentuer les inégalités de richesse, relançant les débats sur des mécanismes comme le revenu de base universel ou un accès décentralisé à la puissance de calcul.
Débat sur centralisation vs distribution
La concentration des capacités d’IA entre quelques entreprises pourrait accroître à la fois l’efficacité et les risques systémiques. Certains proposent de répartir plus largement la propriété du calcul pour préserver l’équilibre économique et la souveraineté technologique entre régions et secteurs.
CONCLUSION
Les prévisions sur l’AGI reflètent surtout des hypothèses divergentes sur les limites physiques, les percées technologiques et la capacité d’auto-accélération de l’IA, rendant les échéances incertaines mais les enjeux de plus en plus évidents.