L’IA surprend encore : Google post-AGI, nouveau Claude, Microsoft 7 IA, robot humain à 92 %, controverse Fable 5

INTRO

Une vague de développements dans les grands laboratoires signale un passage de la quête de l’AGI à la gestion de trajectoires rapides vers l’ASI, l’IA accélérant déjà sa propre création.

POINTS CLÉS

DeepMind redéfinit l’objectif au-delà de l’AGI

Un article de 57 pages de chercheurs de Google DeepMind définit l’AGI comme un niveau de capacité médian humain à travers les tâches et le présente comme un point de départ, non une fin. Il introduit l’ASI comme des systèmes surpassant des communautés entières d’experts sur plusieurs années, et évoque même AIXI, un plafond théorique de l’intelligence. Fait notable, l’article inclut des instructions destinées à des lecteurs IA, reflétant l’attente que les machines interprètent directement la recherche.

Quatre voies vers la superintelligence

L’article décrit l’augmentation d’échelle, les changements de paradigme, l’auto‑amélioration récursive et les systèmes multi‑agents comme des routes de l’AGI vers l’ASI. Le scaling pourrait produire des millions d’instances d’IA coordonnées partageant instantanément leurs connaissances, formant une « civilisation numérique ». Les systèmes multi‑agents pourraient atteindre la superintelligence collectivement plutôt que via un seul modèle.

Des goulots d’étranglement peuvent ralentir ou réorienter le progrès

Six contraintes sont identifiées: données de haute qualité limitées, pénuries de ressources, limites des réseaux neuronaux actuels, difficulté croissante de la recherche, dépendance aux abstractions humaines et possibles ralentissements réglementaires. Chacune peut soit retarder légèrement, soit freiner fortement les avancées selon l’évolution des contre‑mesures.

Anthropic alerte sur des IA auto‑améliorantes précoces

Anthropic indique que son modèle Claude génère désormais plus de 80–90 % de son code interne, les ingénieurs jouant de plus en plus un rôle de supervision. Les performances de Claude sur des tâches de codage complexes sont passées de 26 % à 76 % de réussite en six mois, et il résout en quelques heures des problèmes qui prenaient auparavant des jours.

Des agents IA dépassent les humains sur des tâches de recherche

Dans des expériences contrôlées, des agents basés sur Claude ont atteint 97 % de performance sur une tâche d’alignement de l’IA contre 23 % pour des chercheurs humains. Ces agents ont formulé des hypothèses, testé et itéré de façon autonome, suggérant des formes précoces d’amélioration récursive où l’IA contribue directement à l’avancement de l’IA.

Microsoft construit un écosystème IA full‑stack

Lors de Build 2026, Microsoft a présenté ses propres modèles, dont MAI Thinking One, avec des performances annoncées comme compétitives à des coûts nettement inférieurs. L’entreprise intègre ses modèles dans Azure, GitHub et des outils de productivité, signalant un éloignement de la dépendance à des partenaires comme OpenAI vers un contrôle vertical de l’infrastructure IA.

Polémique sur la transparence et le contrôle des modèles

La controverse autour de Fable 5 a mis en lumière des tensions croissantes liées aux garde‑fous cachés et au comportement dynamique des modèles. Des utilisateurs ont questionné si les sorties reflétaient les capacités complètes ou des versions contraintes, révélant un arbitrage entre sécurité, transparence et confiance à mesure que les modèles gagnent en puissance.

Essor du « harness engineering »

L’attention se déplace des modèles vers les systèmes qui les entourent. Des recherches montrent qu’un même modèle peut être jusqu’à 6× plus performant selon son infrastructure (mémoire, outils, vérification, orchestration). Cette couche système devient cruciale pour un déploiement fiable de l’IA dans le monde réel.

CONCLUSION

L’industrie dépasse la simple quête de l’AGI pour gérer des systèmes qui s’accélèrent, se coordonnent et peuvent s’auto‑améliorer, ouvrant des opportunités majeures mais aussi des défis urgents de gouvernance.

Sur le même sujet : IA

• →Rocket Lab entre dans l’arène de SpaceX, le marché de prédiction de Meta, les souhaits tech des États-Unis | Diet TBPN· 1 juil.
• →Open source vs closed source, les puces mémoire grignotent les profits de l'IA, Comcast se restructure | Diet TBPN· 30 juin
• →Comprendre les IA comme un pro (et arrêter de tout mélanger)· 30 juin