L'institut de recherche de Google DeepMind a publié un essai approfondi affirmant que l'ère post-AGI mérite désormais la même rigueur analytique que le domaine autrefois réservé à l'AGI lui-même. L'article « Qu'est-ce qui vient après l'AGI ? De l'AGI à la superintelligence » a été publié le 19 novembre 2026 par Tim Genewein, chercheur scientifique chez Google DeepMind, sur le portail d'essais du DeepMind Institute. Son principal argument : à mesure que de multiples voies technologiques vers une superintelligence artificielle générale prennent forme, le régime au-delà de l’AGI « passe de la spéculation philosophique à la recherche empirique et aux questions de gouvernance ».

L’essai a été publié au cours de l’une des périodes les plus chargées de l’actualité de la recherche sur l’IA depuis des mois, et il se lit comme une tentative délibérée de donner au débat post-AGI un vocabulaire technique concret. Pour quiconque suit les derniers développements de l'IA, il offre l'image la plus claire à ce jour de la façon dont l'un des principaux laboratoires mondiaux trace la voie au-delà de l'IA au niveau humain - y compris une prévision des coûts qui, si elle était correcte, transformerait l'économie du travail cognitif.

Ce qui compte comme superintelligence

Genewein commence par placer l’intelligence générale sur un continuum, l’AGI au niveau humain n’étant qu’un point le long de celui-ci. ASI, dans la définition de l'essai, est un système avancé qui surpasse systématiquement de grands groupes d'experts humains sur des tâches qui pourraient prendre des années à ces experts, en utilisant moins de ressources et moins de temps - par exemple, égaler la production scientifique d'un domaine de recherche entier en une fraction du temps, ou réaliser des progrès dans la conception de puces comparables à ce qu'une grande entreprise produit en un an. Il est crucial que la barre soit remplie dans pratiquement toutes les tâches d’intérêt humain, et non dans une tranche étroite.

Selon l’essai, une domination étroite existe déjà : les systèmes d’IA battent aujourd’hui n’importe quel humain aux échecs et au Go, prédisent les structures protéiques à partir de séquences d’acides aminés et ont prouvé des théorèmes qui ont résisté aux mathématiciens pendant des décennies. Ce qui reste véritablement inexploré, c’est le vaste compromis entre l’IA au niveau humain et les limites théoriques de l’intelligence. Le point illustratif de Genewein : résoudre parfaitement les échecs nécessiterait plus de puissance de calcul que celle qui existe sur Terre, et pourtant une puce de la taille d'une miniature fonctionne déjà assez bien pour vaincre n'importe quel humain.

Industrialisation cognitive et effondrement des coûts

Le noyau quantitatif de l’essai est une analyse de « l’industrialisation cognitive ». Genewein multiplie trois tendances cumulées de la dernière décennie. Premièrement, le matériel : le calcul par dollar s'est amélioré d'environ 1,5 fois par an depuis six décennies grâce à la loi de Moore et aux tendances associées. Deuxièmement, l’efficacité algorithmique : le calcul d’entraînement nécessaire pour atteindre un niveau de performance fixe a diminué d’environ 3 à 6 fois par an au cours de la dernière décennie, l’efficacité de l’inférence s’améliorant d’environ 3 fois par an. Troisièmement, l’investissement : les dépenses en matériel d’IA ont augmenté d’environ 2,5 fois par an, et le calcul de formation des plus grandes courses frontières est multiplié par plus de 4 par an.

Multipliez les trois et l'essai estime que le calcul effectif mondial augmente d'au moins 10 fois par an, soit « un facteur de 10 milliards sur dix ans ». Du côté de la demande, les améliorations de l’efficacité matérielle et logicielle permettraient à elles seules de réduire d’environ 4 fois par an le calcul nécessaire à l’exécution d’une charge de travail fixe d’IA. La conséquence, comme le dit Genewein : une charge de travail cognitive qui coûte 1 milliard de dollars en jetons de calcul pour être exécutée avec les systèmes d'IA d'aujourd'hui coûterait environ 1 000 dollars dans dix ans.

Il ne s’agit pas d’une simple extrapolation. L'essai cite une étude récente d'Epoch selon laquelle le prix à la consommation pour obtenir un score fixe sur un ensemble de critères de référence a diminué de plus de 13 fois par an depuis 2023. Il prévoit également que la population effective d'agents d'IA pourrait être multipliée par plus de mille d'ici 2030, et par plus d'un milliard d'ici dix ans – tout en soulignant soigneusement que cela n'est « certainement pas acquis », puisque des plafonds pratiques sur la construction de calculs et des plafonds plus spéculatifs sur l'efficacité algorithmique pourraient intervenir.

Les quatre voies de l'AGI à l'ASI

Le cœur de l'essai est une taxonomie de quatre voies technologiques qui pourraient débloquer des capacités que l'échelle pure ne peut pas - parce que, comme l'observe sèchement Genewein, "même si Einstein a découvert la relativité générale, une conférence de cent mille astronomes ptolémaïques n'aurait probablement pas pu le faire."

Mise à l'échelle des modèles et des données. La capacité s'est améliorée de manière remarquablement cohérente avec l'échelle du modèle, des données et du temps de test, mais l'essai identifie trois goulots d'étranglement : l'épuisement des données, car la demande de données de formation de haute qualité dépasse la capacité de l'humanité à les produire ; des rendements décroissants à l'échelle du modèle, où chaque étape linéaire de capacité nécessite un calcul multiplicatif tandis que des modèles plus grands ralentissent les méthodes de temps de raisonnement ; et les limites physiques et économiques des centrales électriques, des réseaux électriques, des usines de fabrication de puces et des interconnexions à faible latence. Changements de paradigme technologique. Le paradigme actuel (entraîner les transformateurs à prédire le prochain jeton, puis affiner et ajouter le calcul au moment du test) s'est récemment révélé en principe capable d'exécuter des algorithmes complexes via des invites. Pourtant, les modèles restent en deçà des humains en matière d’apprentissage continu, de certaines formes de modélisation du monde, de prise de décision, d’efficacité des échantillons et d’invention de concepts véritablement nouveaux plutôt que de recombinaison de concepts existants. Les chercheurs sont divisés sur la question de savoir si les extensions du paradigme actuel peuvent combler ces lacunes ou si l'ASI nécessite quelque chose de plus profond. Améliorer la coordination des agents. Les entreprises humaines, les marchés et les communautés de recherche résolvent des problèmes qu'aucun individu ne pourrait résoudre. De même, la coordination de milliers ou de millions d’instances AGI en « agents de groupe » ou économies d’agents virtuels pourrait produire une superintelligence collective. L'essai soutient que ce domaine a besoin de « lois d'échelle multi-agents » : les premières recherches révèlent des gains évidents sur certaines tâches, mais les inefficacités de la coordination produisent des rendements décroissants à mesure que les populations augmentent. Diriger de grands collectifs nécessitera également une conception institutionnelle, y compris des défenses contre la désinformation, la manipulation et la collusion ; des expériences en essaim montrent déjà que des agents apprennent à tricher et que d’autres agissent comme des lanceurs d’alerte. Auto-amélioration récursive. Discuté pour la première fois par I. J. Good et Ray Solomonoff, RSI décrit les systèmes d'IA automatisant les améliorations des futures générations d'IA. Contrairement aux technologies classiques, les améliorations apportées à l’IA peuvent directement accélérer les gains ultérieurs, mais les progrès de la recherche ont également tendance à devenir plus difficiles à trouver avec le temps. Selon l'essai, la question de savoir si le RSI produit une accélération incontrôlable est « en grande partie une question empirique », et il peut fonctionner à travers le code et les conceptions (architectures, algorithmes d'entraînement, configurations de puces) ainsi qu'à travers les données.

Pourquoi le cadrage est important

L’essai est explicitement un argument de préparation : tracer les chemins possibles de l’AGI à l’ASI et construire « des moyens rigoureux et fiables de suivre les progrès » sont, selon le cadre de Genewein, la condition préalable pour gouverner la transition. Il accompagne un rapport plus long du DeepMind Institute, « De l'AGI à l'ASI ».

La réception a été immédiate. L'essai a attiré 85 points et plus de 160 commentaires sur Hacker News dans la journée suivant sa publication, tandis que la presse spécialisée, notamment Unite.AI et BigGo Finance, a souligné la taxonomie des quatre routes et les prévisions de collisions de coûts par millions. Cela se produit également dans un contexte de scepticisme plus large quant à la manière dont les prévisions sur la superintelligence sont établies – IEEE Spectrum a publié cette semaine un article intitulé « Le débat sur la superintelligence de l’IA a de sérieux défauts ».

Cette tension est le point important. DeepMind ne prédit pas l'ASI à une date ; il soutient que l’espace des scénarios peut désormais être cartographié, mesuré et débattu avec des preuves plutôt que des vibrations. Que les extrapolations de milliards de fois tiennent ou dépassent les plafonds physiques, l'essai marque un changement : la question « qu'est-ce qui vient après l'AGI ? est passé du séminaire de philosophie au programme de recherche de l’un des laboratoires d’IA les plus influents au monde.

---

Gardez une longueur d'avance sur l'IA

Recevez les dernières actualités, analyses et avancées en matière d'IA, le tout en un seul endroit.

Lire plus d'actualités sur l'IA →