Le calendrier de l’AGI de Ray Kurzweil : comment il prévoit les décennies à venir

Pourquoi les prédictions de Kurzweil sur l’AGI comptent

Les prédictions de Kurzweil sur l’AGI comptent parce qu’elles transforment une croyance générale dans le progrès de l’intelligence artificielle en une suite d’affirmations datées et vérifiables. Investisseurs, chercheurs, journalistes et dirigeants peuvent débattre plus utilement d’une prévision précise que de l’éventualité vague de machines intelligentes.

Son approche propose aussi une explication cohérente à une possible accélération des progrès. De meilleurs ordinateurs aident les chercheurs à concevoir de meilleurs ordinateurs. Des logiciels plus capables aident à créer, tester et exploiter la génération suivante de logiciels. La baisse des coûts permet à davantage d’organisations d’expérimenter, ce qui produit des connaissances et stimule de nouveaux investissements.

Cette structure ne rend pas les dates exactes. Elle rend le raisonnement visible. Le lecteur peut examiner les mesures, questionner les hypothèses et repérer les éléments qui renforceraient ou affaibliraient la prévision.

Cette distinction compte, car les prévisions technologiques à long terme combinent plusieurs prédictions différentes. Le matériel doit progresser. Les algorithmes doivent transformer les ressources en capacités utiles. Les données d’entraînement, ou d’autres méthodes d’apprentissage, doivent rester disponibles. Les systèmes doivent fonctionner de façon fiable en dehors des démonstrations. Les organisations et les gouvernements doivent autoriser leur déploiement. Un échec à l’un de ces niveaux peut décaler le calendrier de l’AGI sans interrompre les progrès de l’IA dans leur ensemble.

La prévision de Kurzweil est devenue plus pertinente à mesure que les systèmes d’IA généralistes ont appris à générer du texte, programmer, interpréter des images, appeler des outils et travailler dans plusieurs domaines. Ces capacités rendent la discussion moins hypothétique, mais elles ne la tranchent pas. Une compétence étendue dans une interface contrôlée n’équivaut pas à une intelligence générale fiable dans un environnement ouvert.

La question utile n’est donc pas de savoir si Kurzweil est optimiste ou pessimiste. Il faut déterminer si son modèle relie des données mesurables aux capacités qu’implique l’AGI, et si ce lien résiste aux réalités de l’ingénierie, de l’économie et du comportement humain.

Qui est Ray Kurzweil

Ray Kurzweil est un inventeur, auteur, entrepreneur et futurologue américain, dont les prévisions s’appuient sur des décennies consacrées aux technologies de la parole, de la lecture et de la musique.

Son travail avant le débat sur l’AGI

Kurzweil a bâti sa réputation avec des systèmes concrets, pas uniquement avec des prédictions. Ses entreprises ont travaillé sur la reconnaissance optique de caractères, la synthèse vocale, la reconnaissance de la parole, les instruments de musique électroniques et les technologies de lecture pour les personnes malvoyantes. Ces domaines exigeaient des avancées à la fois en matériel informatique et en reconnaissance de formes, deux sujets devenus centraux dans sa méthode de prévision.

Sa carrière l’a aussi confronté à la différence entre un résultat de laboratoire et un produit. La précision de la reconnaissance, le prix des composants, la vitesse de traitement, la distribution et la demande des utilisateurs déterminent tous le moment où une invention devient utile à grande échelle. Cette expérience explique son attention aux courbes de performance par rapport au prix, plutôt qu’aux démonstrations techniques isolées.

Kurzweil a rejoint Google en 2012 pour travailler sur l’intelligence machine et la compréhension du langage naturel. Ce poste l’a placé au sein d’une organisation qui investissait massivement dans l’informatique à grande échelle et la recherche en IA, même si ses principales prédictions lui sont antérieures.

Les livres à l’origine de ce calendrier

Kurzweil a développé son argumentation dans plusieurs livres. The Age of Intelligent Machines étudie la trajectoire de l’intelligence informatique. The Age of Spiritual Machines, publié en 1999, organise des prédictions autour de dates futures et décrit une interaction de plus en plus intime entre les humains et les ordinateurs. The Singularity Is Near, publié en 2005, présente la version la plus connue de sa thèse des rendements accélérés.

How to Create a Mind, publié en 2012, s’intéresse de plus près à la cognition et avance que des mécanismes de reconnaissance de formes pourraient aider à expliquer le néocortex. The Singularity Is Nearer, publié en 2024, reprend les prévisions antérieures après l’essor de l’IA générative moderne et conserve ses dates phares au lieu de proposer un nouveau calendrier.

Ces livres ne définissent pas tous l’intelligence exactement de la même manière, mais ils défendent une même idée : les technologies de l’information progressent grâce à des processus cumulatifs, et ces processus finiront par rendre l’intelligence des machines comparable à celle des humains.

Ces termes demandent des définitions distinctes

Trois termes sont souvent mélangés alors qu’ils désignent des affirmations différentes :

• L’intelligence artificielle générale désigne un système capable d’apprendre, de raisonner et d’appliquer ses connaissances à un large éventail de tâches inconnues, au lieu d’opérer dans une seule spécialité étroite.
• L’IA de niveau humain désigne des performances comparables à celles des humains, mais toute affirmation utilisant cette expression doit préciser quels humains, quelles tâches, quel niveau d’assistance est autorisé et quel taux d’erreur est considéré comme comparable.
• La singularité technologique désigne, chez Kurzweil, une période de changement extrêmement rapide, lorsque l’intelligence machine et la technologie humaine deviennent assez puissantes pour transformer la société plus vite que les prévisions classiques ne peuvent suivre.

Une machine pourrait satisfaire une définition opérationnelle de l’IA de niveau humain sans répondre à une définition exigeante de l’AGI. L’AGI pourrait aussi apparaître avant que la société ne connaisse quoi que ce soit qui ressemble à la singularité. Traiter ces termes comme des synonymes donne au calendrier une précision qu’il n’a pas.

Le calendrier réel de Kurzweil pour l’AGI

La prévision phare de Kurzweil situe l’intelligence machine de niveau humain autour de 2029 et la singularité technologique autour de 2045.

Ce que dit la prédiction pour 2029

Kurzweil associe 2029 à une machine capable de réussir un test de Turing valable et d’atteindre une intelligence de niveau humain. Dans une évaluation de type Turing, un juge humain communique avec un participant qu’il ne voit pas et tente de déterminer s’il est humain ou artificiel.

Le mot valable porte une grande partie de l’enjeu. De courtes conversations avec des juges non préparés constituent une preuve faible, car un système peut imiter le langage humain tout en échouant à planifier, à rester cohérent avec les faits ou à accomplir un travail inconnu. Un test plus solide ferait intervenir des évaluateurs qualifiés, des interactions prolongées, des questions adversariales et des protections contre les réponses mémorisées ou l’assistance humaine dissimulée.

Même un test de Turing rigoureux mesurerait une imitation comportementale par la conversation. Il ne prouverait pas à lui seul une autonomie fiable, une compétence physique, une conscience ou la capacité de maîtriser n’importe quelle tâche intellectuelle. Les écrits plus larges de Kurzweil impliquent davantage qu’un chatbot convaincant, c’est pourquoi l’évaluation de sa prévision exige des jalons plus variés.

Ce que dit la prédiction pour 2045

Kurzweil associe 2045 à une transition bien plus vaste, où l’intelligence machine aurait considérablement progressé et où la technologie serait profondément intégrée à la vie humaine. Son raisonnement inclut une recherche rapidement assistée par l’IA, des gains continus en informatique et des liens plus étroits entre la cognition biologique et non biologique.

La date ne prédit donc pas simplement que les ordinateurs deviendront plus rapides. Elle suppose que l’intelligence produise à un rythme exceptionnel de nouveaux progrès technologiques. Une meilleure IA devrait contribuer à améliorer les algorithmes, le matériel, la médecine, la fabrication et la découverte scientifique. Ces améliorations devraient ensuite alimenter les systèmes qui les produisent.

Une boucle de rétroaction peut accélérer le progrès sans devenir illimitée. Les expérimentations prennent toujours du temps, les usines ont leurs calendriers de construction, les processus physiques ont des limites et les institutions examinent les changements importants. La force de chacune de ces contraintes détermine si l’amélioration paraît explosive, simplement rapide ou inégale selon les domaines.

Des jalons rendent la prévision vérifiable

Plusieurs capacités observables apporteraient une preuve plus solide qu’un seul test conversationnel :

• Un transfert rapide vers des tâches inconnues avec peu d’entraînement spécifique
• Une planification fiable et une reprise après erreur sur de longues séquences d’actions
• Un apprentissage continu sans effacer les compétences acquises auparavant
• Une utilisation précise des outils malgré l’évolution des contraintes réelles
• Une utilité économique étendue sans supervision constante d’experts

Ces jalons préservent la promesse centrale de la prévision tout en évitant un débat binaire sur une seule date. Ils rendent aussi visibles les progrès partiels. Un système peut maîtriser l’usage d’outils tout en restant médiocre en apprentissage continu, ou être performant en logiciel tout en peinant dans les environnements physiques.

Le bilan des prévisions de Kurzweil

Le bilan de Kurzweil comprend des réussites notables, des intuitions justes dans leur direction générale et des échecs qui apparaissent lorsqu’on juge les prédictions selon leur formulation et leurs échéances d’origine.

Une réussite nette aux échecs informatiques

L’un de ses succès les plus souvent cités concerne les échecs. En 1990, Kurzweil a prédit qu’un ordinateur battrait le champion du monde d’échecs avant 1998. Deep Blue d’IBM a battu Garry Kasparov lors d’un match en 1997.

Cet exemple est particulièrement fort parce que l’événement, l’adversaire et l’échéance étaient clairement identifiables. Il concernait aussi un domaine formel aux règles fixes, aux performances mesurables et à de puissantes incitations à améliorer le matériel spécialisé et les algorithmes de recherche. Ces conditions rendaient les échecs plus faciles à prévoir qu’une intelligence ouverte.

Le résultat a montré que des machines pouvaient dépasser les performances humaines d’élite dans une tâche intellectuelle exigeante. Il n’a pas montré que le même système pouvait transférer cette capacité à un autre problème. La différence entre une performance spécialisée exceptionnelle et une compétence générale reste au cœur du débat sur l’AGI.

Des prédictions justes dans leur direction

Kurzweil a anticipé l’informatique portable généralisée, l’accès sans fil, les documents numériques, les technologies vocales grand public et des systèmes d’IA dépassant les humains dans certaines tâches de reconnaissance de formes. L’orientation générale de ces prédictions correspond aux évolutions ultérieures.

Les détails étaient moins homogènes. L’informatique portable s’est imposée surtout grâce aux smartphones et aux ordinateurs portables, plutôt qu’à l’ensemble précis d’appareils portables décrits dans certains scénarios. La reconnaissance vocale s’est largement diffusée, mais la dictée continue n’a pas remplacé le clavier comme moyen standard de créer du texte pour la plupart des gens en 2009. Les médias numériques ont progressé rapidement tandis que le papier restait présent dans les bureaux, l’éducation, l’administration et les usages personnels.

Une prévision mérite un crédit partiel lorsque la transition sous-jacente se produit via un produit ou un mode d’adoption différent. Elle ne mérite pas un crédit total si l’affirmation d’origine incluait une date, un niveau de diffusion ou un format qui ne se sont pas vérifiés. La direction et le calendrier répondent à des questions différentes.

Des prédictions arrivées lentement ou encore incertaines

Certains scénarios prévoyaient plus tôt que l’usage courant des environnements virtuels immersifs, des conversations machine très convaincantes et une intégration beaucoup plus étroite entre les corps et les ordinateurs. Des éléments de ces idées sont apparus avec la réalité virtuelle, les appareils d’assistance, les implants médicaux et les modèles génératifs, mais la disponibilité ne signifie pas une adoption généralisée.

Les préférences sociales peuvent aussi déjouer une prévision techniquement réalisable. Les gens peuvent rejeter un appareil parce qu’il est inconfortable, cher, distrayant, socialement gênant, difficile à réparer ou intrusif. Une courbe qui mesure les performances des composants ne saisit pas ces objections.

Pourquoi un pourcentage de précision peut induire en erreur

Kurzweil a mené une évaluation rétrospective des prédictions de ses travaux antérieurs et a annoncé un taux de réussite élevé selon sa propre méthode de notation. Cette analyse n’était pas un audit indépendant réalisé à l’aveugle, et de nombreuses affirmations autorisaient des catégories comme « essentiellement juste » ou « juste dans sa direction ».

Toute évaluation équitable devrait consigner séparément quatre éléments :

• Le résultat exact qui était prédit
• L’échéance et toute marge de tolérance acceptable
• Le seuil mesurable de réussite
• Le fait que l’évaluateur ait choisi les critères avant de connaître le résultat

Une prédiction sur le prix des transistors est plus facile à noter qu’une prédiction selon laquelle les ordinateurs deviendront invisibles ou que les conversations avec les machines sembleront normales. Les réunir dans un seul pourcentage masque de grandes différences de précision et de difficulté.

Comment la loi des rendements accélérés produit cette prévision

La loi des rendements accélérés produit le calendrier de Kurzweil en considérant l’amélioration technologique comme un processus cumulatif, dans lequel chaque génération d’outils contribue à la suivante.

Changement linéaire et exponentiel

Un processus linéaire ajoute la même quantité à chaque période. Si un système gagne 10 unités de capacité chaque année, il passe de 10 à 20, puis à 30, puis à 40. Un processus exponentiel multiplie la capacité par un facteur constant. Cinq doublements font passer 10 unités à 320.

Les premières phases d’une croissance exponentielle peuvent sembler modestes, car les changements absolus sont faibles. Les phases ultérieures paraissent brusques même lorsque le taux de multiplication n’a pas changé. Kurzweil affirme que l’intuition humaine attend souvent une évolution linéaire et sous-estime donc les technologies de l’information qui se cumulent.

Les courbes techniques réelles suivent rarement une exponentielle parfaite. Les taux de croissance varient, les mesures sont bruitées et certaines méthodes atteignent leurs limites. L’affirmation est que la tendance plus générale de performance par rapport au prix peut se poursuivre grâce à des méthodes successives, même lorsqu’une méthode ralentit.

La performance par rapport au prix compte plus que la capacité brute

Une capacité confinée à un système de recherche coûteux a une portée limitée. Lorsque son coût baisse, les universités, startups, entreprises établies et particuliers peuvent mener plus d’expériences. Un usage plus large crée une demande d’infrastructures, révèle des modes de défaillance et soutient les entreprises qui financent les développements suivants.

Voilà pourquoi Kurzweil étudie souvent les calculs par unité de coût. Un nouveau processeur plus rapide mais proportionnellement plus cher n’élargit pas forcément l’accès. Un système qui accomplit le même travail avec moins de puces, moins d’énergie ou un modèle plus petit peut changer l’adoption sans établir de record de performance brute.

Pour l’IA, le dénominateur pertinent est de plus en plus le coût d’un résultat vérifié plutôt que le coût d’une opération ou d’un token. Un modèle bon marché qui exige de nombreuses corrections peut coûter davantage par tâche terminée qu’un modèle plus cher avec un taux d’erreur plus faible.

Les changements de paradigme prolongent la courbe

L’argument de Kurzweil est plus large que la poursuite indéfinie de la miniaturisation des transistors. Les calculateurs mécaniques, relais, tubes à vide, transistors, circuits intégrés, accélérateurs spécialisés et systèmes distribués peuvent être vus comme des moyens successifs de fournir de la puissance de calcul.

Lorsqu’une approche rencontre des limites physiques ou économiques, l’investissement peut se déplacer vers une autre. La courbe historique peut donc se poursuivre malgré les changements de mécanisme. Cette affirmation est plus forte que la loi de Moore, mais aussi plus difficile à tester, car la catégorie peut s’élargir dès qu’une technologie particulière cale.

Plusieurs courbes doivent progresser ensemble

La puissance de calcul ne suffit pas. La mémoire, les communications, l’efficacité logicielle, l’architecture des modèles, la qualité des données et la productivité de la recherche influencent la capacité finale. Les progrès peuvent s’accélérer lorsque les améliorations se renforcent mutuellement, par exemple quand de meilleurs algorithmes réduisent le matériel nécessaire à une tâche.

L’inverse est aussi possible. Une pénurie de données de haute qualité, une capacité électrique limitée, une bande passante mémoire insuffisante ou une mauvaise évaluation peuvent laisser des processeurs coûteux sous-utilisés. Les prévisions fondées sur un seul facteur en hausse ignorent ces interactions.

Ce que les preuves confirment, et ce qu’elles ne confirment pas

Les preuves soutiennent fortement l’amélioration continue de nombreux facteurs qui alimentent l’IA, mais elles n’établissent pas un taux de conversion fixe entre ces facteurs et l’intelligence générale.

Les preuves issues de l’informatique et des algorithmes

Les données de long terme montrent des gains énormes en performance informatique par rapport au prix, en stockage, en capacité réseau et en capacités logicielles. L’IA a aussi bénéficié de processeurs spécialisés, de l’entraînement distribué, de meilleurs formats numériques, de meilleures méthodes d’optimisation et d’algorithmes qui atteignent un résultat cible avec moins de ressources.

Les lois d’échelle apportent un autre élément. Dans des plages testées et pour une configuration d’entraînement donnée, modifier la taille du modèle, les données et la puissance de calcul peut produire des changements relativement prévisibles de la perte d’entraînement. Cette prévisibilité aide les laboratoires à planifier de grands entraînements et à estimer les compromis entre ressources.

Une loi d’échelle n’est pas une loi de l’intelligence. Une perte d’entraînement plus faible ne garantit ni des réponses vraies, ni des objectifs cohérents, ni une compréhension causale, ni la réussite d’un long projet. Extrapoler au-delà de la plage testée suppose aussi que la distribution des données, l’architecture et l’évaluation gardent leur pertinence.

Les preuves de capacités étendues de l’IA

Les modèles généralistes peuvent accomplir des tâches qui exigeaient autrefois des systèmes séparés, notamment l’écriture, la traduction, l’interprétation d’images, la génération de logiciels, l’analyse de documents et l’appel d’outils. Un même modèle peut souvent passer de l’une à l’autre par des instructions plutôt que par un nouvel entraînement.

Cette étendue est pertinente pour l’AGI parce qu’elle affaiblit l’idée que chaque activité intellectuelle exige un programme conçu séparément. Elle montre aussi que des capacités peuvent apparaître ensemble lorsque les modèles apprennent à partir de données variées.

L’écart qui reste concerne la fiabilité. Les systèmes peuvent résoudre un problème difficile puis échouer sur une variante plus simple, accepter une prémisse fausse, inventer une source ou perdre le fil des contraintes pendant un travail prolongé. Une réussite occasionnelle établit une possibilité. L’intelligence générale exige un taux de réussite suffisamment élevé dans des conditions inconnues.

Pourquoi les résultats de benchmarks ont besoin de contexte

Les benchmarks sont utiles lorsqu’ils contiennent des tâches inédites, emploient une notation claire, résistent à la contamination et mesurent des comportements liés au travail réel. Ils deviennent moins instructifs lorsque les données d’entraînement absorbent leurs questions ou que les développeurs optimisent directement leurs règles de notation.

Un programme d’évaluation crédible devrait séparer les tests de développement des tests finaux privés, consigner les ressources utilisées, répéter les essais et publier la distribution des échecs plutôt que de simples moyennes. Il devrait aussi comparer les systèmes à des références humaines appropriées. Égaler un débutant dans un test n’est pas la même chose qu’égaler un professionnel formé avec les mêmes contraintes de temps et d’outils.

Les essais en conditions réelles apportent des informations que les tests statiques ne voient pas. Ils révèlent si un système demande les détails manquants, vérifie son travail, se reprend après une erreur et reconnaît le moment où il doit s’arrêter. Ces comportements comptent davantage pour le déploiement qu’un petit gain supplémentaire sur un ensemble de tests saturé.

Les facteurs d’entrée sont plus faciles à mesurer que les résultats

La puissance de calcul, le stockage et la bande passante ont des unités stables. La généralité, le jugement, l’adaptabilité et le bon sens n’en ont pas. Les chercheurs peuvent compter les processeurs avec précision tout en étant en désaccord sur le fait qu’une tâche terminée démontre un raisonnement ou une reconnaissance de formes sophistiquée.

Ce décalage de mesure donne aux prévisions quantitatives une apparence de précision que la variable cible ne permet peut-être pas. De meilleures données sur les facteurs d’entrée ne réduisent qu’une partie de l’incertitude.

Les hypothèses derrière une prédiction d’AGI à plusieurs décennies

Le calendrier de Kurzweil repose sur un ensemble d’hypothèses, et la date peut beaucoup changer si une seule d’entre elles échoue.

La puissance de calcul reste accessible économiquement

La prévision suppose que les organisations peuvent continuer à accroître le calcul utile grâce à de meilleures puces, des systèmes plus grands, une meilleure utilisation ou une inférence moins coûteuse. La capacité de fabrication, les dépenses d’investissement, l’électricité, le refroidissement, la mémoire, les réseaux et le commerce international influencent tous cette disponibilité.

Les limites physiques n’ont pas besoin d’arrêter le progrès pour modifier un calendrier. Un rythme d’amélioration plus lent pendant plusieurs années produit, par accumulation, un écart important par rapport à la projection initiale.

Les algorithmes continuent de transformer les ressources en capacités

Davantage de calcul doit continuer à produire des gains significatifs. Cela peut passer par la mise à l’échelle des méthodes existantes, la découverte d’architectures plus efficaces, l’amélioration des objectifs d’entraînement ou la combinaison de modèles appris avec la recherche, la mémoire, les outils et la vérification formelle.

Cette hypothèse est plus forte que la simple prédiction d’un matériel plus rapide. Les découvertes algorithmiques n’arrivent pas selon un calendrier industriel régulier, et leur valeur peut varier selon les domaines.

L’apprentissage n’est pas bloqué par les limites des données

Les systèmes futurs ont besoin d’expériences utiles. Elles peuvent venir de contenus créés par des humains, d’observations multimodales, de simulations, d’interactions, d’exemples synthétiques, de retours ou d’expériences menées par les systèmes eux-mêmes.

Les données synthétiques ne remplacent pas automatiquement les preuves externes. Si un modèle produit des contenus à partir de ses propres erreurs sans recevoir de signal correctif, l’entraînement peut renforcer ces erreurs. Les simulations se transfèrent aussi mal lorsqu’elles omettent des propriétés importantes du monde réel.

La cognition humaine est reproductible par des machines

Kurzweil suppose que l’intelligence naît de processus physiques de traitement de l’information, qui peuvent être compris et mis en œuvre dans des systèmes non biologiques. Ses estimations comparent souvent la puissance de calcul disponible à des modèles du cerveau et considèrent les neurosciences comme une source d’inspiration pour l’ingénierie.

Cette position n’exige pas de copier chaque neurone. Elle exige de croire qu’aucun mécanisme biologique inconnu ne crée de barrière insurmontable. Les estimations de calcul cérébral varient, car les chercheurs comptent différemment les opérations, les synapses, les impulsions, les processus biochimiques et l’efficacité de l’apprentissage.

Une meilleure IA accélère la recherche sur l’IA

Les versions les plus rapides de cette prévision exigent que l’IA contribue concrètement à sa propre amélioration. Écrire du code n’est qu’une partie de cette boucle. Un système de recherche devrait formuler des hypothèses utiles, concevoir des expériences, interpréter les résultats négatifs et distinguer les progrès réels d’un surajustement aux benchmarks.

L’auto-amélioration dépend aussi de l’accès aux ressources. Un modèle capable ne peut pas reconcevoir du matériel, mener de grandes expériences ou déployer un successeur sans que des personnes lui fournissent ressources et autorisations. L’intelligence peut raccourcir certaines étapes tout en laissant intacts les goulets d’étranglement externes.

Ce qui pourrait retarder ou redéfinir l’AGI

L’AGI pourrait arriver plus tard que prévu si la fiabilité, l’apprentissage, la sécurité et le déploiement deviennent des facteurs limitants alors même que les capacités des modèles continuent d’augmenter.

Les longues tâches multiplient les petits taux d’erreur

Un système peut sembler précis à chaque étape individuelle et échouer malgré tout dans la plupart des projets prolongés. Si chaque étape réussit indépendamment dans 99 % des cas, la probabilité de terminer 100 étapes requises sans erreur est d’environ 37 %.

Les échecs réels sont souvent corrélés, ce qui peut empirer le résultat. Une hypothèse erronée au début peut contaminer toutes les actions suivantes. Les progrès dépendent donc de la détection des erreurs, de la révision des plans, de la sauvegarde de l’état, du test des résultats intermédiaires et de l’escalade des décisions ambiguës.

C’est pourquoi la durée d’une tâche réalisée de façon autonome est une mesure plus révélatrice que la qualité d’une réponse isolée. Un modèle qui termine une mission vérifiée de huit heures transforme le travail différemment d’un modèle qui nécessite une correction toutes les quelques minutes.

L’apprentissage continu reste difficile

Les humains acquièrent de nouvelles connaissances par l’expérience tout en conservant une grande partie de ce qu’ils savent déjà. Les systèmes d’IA déployés reposent souvent sur une séparation entre l’entraînement et l’utilisation. Les mettre à jour peut exiger de nouveaux jeux de données, une évaluation et un nouveau cycle d’entraînement.

Un candidat à l’AGI devrait apprendre sans risque à partir des interactions, sans absorber des instructions malveillantes, des informations privées ou des erreurs accidentelles. Il devrait aussi savoir quelles leçons sont propres à une situation et lesquelles peuvent être généralisées. Résoudre ce problème implique la conception de la mémoire, le contrôle d’accès, la traçabilité des sources et la protection contre l’oubli catastrophique.

L’autonomie crée des problèmes de sécurité

Un modèle qui se contente de suggérer du texte a une surface d’action limitée. Un système autorisé à envoyer des messages, modifier des logiciels, dépenser de l’argent, faire fonctionner des machines ou gérer des comptes peut causer des dommages à partir d’un simple malentendu.

Davantage d’autonomie accroît donc le besoin d’autorisations limitées, de validations, de journaux d’audit, d’exécution isolée et de procédures de reprise. Ces contrôles peuvent ralentir l’action, mais les supprimer n’améliore pas l’intelligence. Cela transfère le coût des erreurs vers les utilisateurs et les tiers.

La compétence physique peut rester en retard sur la compétence numérique

L’intelligence exprimée par des logiciels profite d’environnements rapides et répétables. Le travail physique doit composer avec les frottements, les casses, des capteurs incertains, des objets inhabituels, les changements météorologiques et la sécurité des personnes.

Un système d’IA pourrait devenir largement compétent en recherche, analyse, communication et logiciel avant que les robots n’atteignent une souplesse comparable. La question de savoir si cela compte comme une AGI dépend de la définition retenue. Exiger une adaptation physique de niveau humain fixe une barre plus haute qu’exiger un travail cognitif général via des ordinateurs.

Les institutions peuvent exiger des preuves plus solides

La médecine, la finance, les transports, l’administration publique et les infrastructures critiques entraînent des conséquences que les benchmarks ordinaires ne capturent pas. Assureurs, régulateurs, tribunaux, clients et organismes professionnels peuvent exiger des performances documentées avant d’autoriser un fonctionnement autonome.

Ce délai ne montrerait pas que le modèle sous-jacent manque d’intelligence. Il montrerait que la capacité et l’autorisation sont deux jalons distincts. Une prévision sur la faisabilité technique ne devrait pas supposer silencieusement un déploiement social immédiat.

Les principales critiques de l’approche de Kurzweil

La critique principale de la méthode de Kurzweil est que des tendances fiables dans les technologies de l’information ne déterminent pas automatiquement la date d’arrivée d’une capacité cognitive mal définie.

Le choix des tendances peut orienter la réponse

Une longue courbe historique dépend des décisions sur les technologies, les prix et les mesures de performance à inclure dans le jeu de données. Combiner des méthodes informatiques successives peut révéler une tendance réelle, mais donne aussi à l’analyste la latitude de préserver cette tendance après le changement de direction d’une série particulière.

Les dates de début et de fin comptent également. Une courte période de progrès rapide peut sembler exponentielle pour toujours, alors qu’une moyenne de long terme peut cacher un ralentissement récent. Les prévisions devraient publier les observations sous-jacentes et montrer comment les résultats changent avec d’autres fenêtres temporelles.

L’intelligence n’est peut-être pas une quantité unique que l’on peut mettre à l’échelle

Les performances ne progressent pas uniformément dans le raisonnement, la mémoire, le jugement social, la perception, le contrôle moteur et l’exactitude factuelle. Un système peut énormément progresser dans un domaine tout en restant peu fiable dans un autre.

Cette inégalité remet en cause les comparaisons entre la capacité d’une machine et une estimation de la capacité de calcul du cerveau. Atteindre un seuil numérique d’opérations ne permet pas d’identifier les algorithmes, représentations, expériences de développement ou architectures nécessaires pour employer ces opérations efficacement.

Les systèmes complexes connaissent des changements de régime

Les relations historiques peuvent se rompre lorsque l’ingénierie, l’économie ou les politiques changent. La fabrication peut devenir plus coûteuse. La demande énergétique peut rencontrer des limites locales du réseau. La réglementation peut restreindre les données d’entraînement ou le déploiement. Les consommateurs peuvent résister aux produits qui collectent des informations sensibles.

Ces changements ne réfutent pas le progrès cumulatif comme observation générale. Ils réduisent la confiance dans une date de calendrier fondée sur l’hypothèse que le rythme antérieur va se maintenir.

L’amélioration récursive n’est pas forcément explosive

Un chercheur en IA capable pourrait d’abord trouver les améliorations les plus faciles, puis rencontrer des problèmes plus difficiles. Chaque génération pourrait produire des gains plus faibles, exiger davantage de vérification ou dépendre d’expériences physiques dont la durée est fixe.

Les logiciels peuvent parfois être copiés et testés rapidement, mais la fabrication de puces, la recherche clinique, la construction et les infrastructures énergétiques suivent d’autres cadences. L’affirmation sur la singularité exige un modèle de ces processus limitants, pas seulement un modèle de l’intelligence logicielle.

Une formulation souple affaiblit la falsifiabilité

Les prédictions deviennent difficiles à réfuter lorsque des termes comme intelligence, fusion, omniprésent ou niveau humain restent ouverts à la réinterprétation. Un modèle conversationnel, un implant médical et un smartphone peuvent tous être présentés comme des confirmations partielles d’une large intégration humain-machine.

Une bonne prévision fixe la règle de notation avant l’échéance. Si le seuil d’origine change après l’observation du résultat, l’exercice mesure l’adaptabilité du récit plutôt que la précision prédictive.

Comment d’autres prévisionnistes estiment les calendriers de l’AGI

D’autres prévisionnistes estiment l’AGI à l’aide d’enquêtes d’experts, de modèles fondés sur le calcul, de tendances de capacités, de scénarios structurés et de marchés prédictifs. Chacune de ces méthodes met en lumière des sources d’incertitude différentes.

Les enquêtes auprès d’experts

Les enquêtes demandent aux chercheurs à quelles dates ils attribuent des probabilités précises pour une intelligence machine de niveau humain ou l’automatisation de certaines tâches. Elles recueillent le jugement éclairé de personnes proches de la technologie et peuvent montrer comment les convictions évoluent après des résultats importants.

Les réponses dépendent fortement de l’échantillon et de la formulation. Une enquête auprès d’auteurs de conférences en apprentissage automatique peut différer d’une enquête centrée sur la robotique, les neurosciences, la sûreté ou l’économie. Demander quand l’IA pourra réaliser la majeure partie du travail rémunéré n’équivaut pas à demander quand elle pourra surpasser les humains dans chaque tâche.

Les questions de probabilité sont plus instructives que l’exigence d’une seule année. Un prévisionniste qui donne des dates à 10 %, 50 % et 90 % communique une distribution plutôt que de masquer l’incertitude derrière une estimation ponctuelle.

Les modèles fondés sur la puissance de calcul

Les modèles fondés sur le calcul estiment les ressources nécessaires pour reproduire des aspects pertinents de la cognition humaine, puis prévoient le moment où ces ressources pourraient devenir abordables. Les approches à ancrage biologique en sont une version.

Le calcul est suffisamment transparent pour être révisé, mais son incertitude est grande. Les chercheurs doivent estimer le calcul du cerveau, les besoins d’entraînement, l’efficacité algorithmique, le prix du matériel et la part de cognition qu’un système pratique doit reproduire. Multiplier plusieurs estimations incertaines peut produire une large plage de dates.

Les prévisions fondées sur les capacités

Les prévisions de capacités suivent les performances sur des tâches définies et estiment la vitesse à laquelle les systèmes comblent les écarts. Parmi les cibles utiles figurent les projets logiciels, la résolution de problèmes scientifiques, les jeux inconnus, l’assistance à la recherche et l’activité dans des environnements interactifs.

Cette méthode reste proche des résultats observables. Sa faiblesse est que les progrès sur les benchmarks peuvent ne pas se poursuivre au même rythme et qu’un ensemble de victoires sur des tâches peut encore omettre une capacité nécessaire au fonctionnement général.

La planification par scénarios et les marchés prédictifs

La planification par scénarios développe plusieurs futurs cohérents au lieu d’en sélectionner un seul. Un scénario rapide peut combiner des algorithmes efficaces, des infrastructures abondantes et une recherche assistée par l’IA réussie. Un scénario plus lent peut inclure des rendements décroissants, une ingénierie de la sûreté difficile ou un déploiement limité.

Les marchés prédictifs et les plateformes de prévision ajoutent des incitations à produire des estimations bien calibrées et permettent aux croyances d’évoluer après de nouvelles preuves. Leur utilité dépend de critères de résolution clairs. Un marché ne peut pas se régler équitablement si les participants ne s’accordent pas sur l’événement qui qualifie une AGI.

Aucune méthode n’élimine l’incertitude de définition. Comparer les prévisions commence par les traduire dans la même cible, avec le même niveau de preuve et la même probabilité.

Les signaux qui renforceraient ou affaibliraient la prévision

Les signaux les plus solides mesureront la compétence transférable, l’autonomie durable, l’efficacité d’apprentissage, l’économie vérifiée et le déploiement sûr, plutôt que le battage médiatique autour de démonstrations isolées.

Le transfert vers un travail réellement nouveau

Un système puissant devrait bien réussir des tâches créées après sa date limite d’entraînement et cachées aux développeurs. Il devrait déduire des règles inconnues, demander les informations manquantes et appliquer ses connaissances d’un domaine à l’autre sans projet d’entraînement sur mesure.

Les évaluateurs devraient varier la formulation, les outils, les formats de données et les contraintes environnementales. Réussir malgré ces variations prouve mieux la généralité que mémoriser un style de test familier.

Des horizons de tâches autonomes plus longs

Suivez la durée et la complexité des missions terminées selon un standard d’acceptation défini. La mesure utile inclut les nouvelles tentatives, les interventions humaines, le temps de vérification et les échecs qui laissent l’environnement dans un état pire.

Une augmentation de la durée maximale d’une démonstration est moins parlante qu’une augmentation de la durée médiane des tâches réalisées de manière fiable. Des performances reproductibles sur de nombreux essais montrent si la planification et la reprise après erreur ont progressé.

Un coût plus faible par résultat accepté

Le prix des tokens et la taille d’un modèle ne mesurent pas directement la valeur pour l’entreprise. Le coût par résultat accepté comprend l’usage du modèle, les outils, la relecture, les corrections, l’infrastructure et les pertes causées par les erreurs.

Une baisse du coût vérifié dans de nombreux types de travail soutiendrait l’argument des rendements accélérés, car elle permettrait davantage d’expérimentations et une adoption plus large. Des coûts qui resteraient élevés en raison de la supervision ou des retouches affaibliraient les affirmations fondées uniquement sur une inférence bon marché.

Un apprentissage sûr après le déploiement

Les preuves d’une intelligence générale deviendraient plus solides si les systèmes pouvaient intégrer de nouvelles expériences sans réentraînement illimité et sans perdre leurs compétences antérieures. Les tests devraient vérifier si le système distingue les preuves fiables de la manipulation, préserve les limites de confidentialité et peut expliquer l’origine d’une nouvelle croyance.

Les progrès sur ce point répondraient à une différence majeure entre les modèles statiques et les travailleurs adaptatifs. Un échec maintiendrait les organisations dépendantes de cycles de mise à jour externes, même lorsque les modèles individuels paraissent compétents.

Des preuves opérationnelles indépendantes

Des déploiements audités peuvent montrer si l’IA produit des gains durables dans le logiciel, la science, le support, les opérations et d’autres domaines. Les rapports utiles incluent les définitions des tâches, la performance de référence, la gravité des erreurs, les besoins de supervision et le coût total.

Les éléments défavorables au calendrier le plus rapide incluraient une durée de tâches fiables qui stagne, des échecs persistants sur de simples variations, une hausse des coûts d’infrastructure par résultat accepté ou l’impossibilité d’améliorer la sûreté sans sacrifier l’essentiel de l’autonomie utile. Ce sont des contre-signaux plus solides qu’une pause temporaire sur un benchmark.

Enseignements pratiques pour planifier

La réponse pratique à la prévision de Kurzweil consiste à se préparer à des progrès plus rapides de l’IA sans faire dépendre une entreprise, une carrière ou une politique d’une seule date.

Distinguez les capacités actuelles de l’AGI

Les organisations n’ont pas besoin d’AGI pour tirer parti des modèles de langage, des agents logiciels, de l’analyse de documents ou des flux de travail automatisés. Elles doivent associer chaque outil à une tâche limitée et vérifier s’il exécute cette tâche de manière économique.

Qualifier tous les systèmes utiles d’AGI conduit à de mauvaises décisions dans les deux sens. Cela encourage une autonomie imprudente lorsqu’un modèle n’est pas fiable, et des retards inutiles lorsqu’une application limitée et supervisée fonctionne déjà.

Menez des expérimentations réversibles

Un processus de mise en œuvre raisonnable limite le coût d’une erreur :

• Définissez la tâche, les contraintes et le test d’acceptation avant de choisir un modèle
• Gardez les actions importantes derrière une approbation explicite jusqu’à ce que les performances soient mesurées
• Consignez les erreurs selon leur gravité et leur cause au lieu de les réduire à un seul score moyen
• Conservez des snapshots, des journaux et des procédures de retour arrière pour pouvoir rétablir la situation
• Comparez le coût total vérifié avec le processus existant

Cette approche reste utile si les progrès de l’IA sont rapides, inégaux ou lents. Elle produit des preuves qui peuvent faire évoluer la stratégie sans exiger une conviction sur la date exacte d’arrivée de l’AGI.

Koder.ai offre une façon de mener ce type d’expérimentation pour le développement logiciel. Son interface de chat peut créer des applications web React, des services Go avec des bases de données PostgreSQL et des applications mobiles Flutter. Le mode planification aide à définir le travail avant sa mise en œuvre, tandis que les snapshots et le retour arrière facilitent l’annulation des essais. L’export du code source, le déploiement, l’hébergement et la prise en charge des domaines personnalisés permettent à une équipe de tester une application tout en gardant un contrôle concret sur le résultat.

Ces capacités ne dépendent pas de l’affirmation que l’AGI est arrivée. Elles appliquent l’IA actuelle à un flux de travail précis dont les résultats peuvent être examinés. Un fondateur peut prototyper un site web, un CRM, un ERP ou un produit mobile, le tester auprès des utilisateurs et décider si un investissement supplémentaire se justifie.

Planifiez selon trois scénarios

Un scénario de progrès rapide suppose que les agents deviendront bientôt fiables sur de longues missions. La préparation devrait se concentrer sur la conception des autorisations, la capacité d’évaluation, l’intégration organisationnelle et l’expérimentation rapide.

Un scénario de progrès inégal suppose de solides performances dans certains domaines et des faiblesses persistantes ailleurs. La préparation devrait se concentrer sur la décomposition des tâches, l’orientation du travail vers le système adapté et le maintien d’une relecture humaine là où le coût des erreurs est élevé.

Un scénario de progrès lent suppose que les méthodes actuelles rencontrent des limites difficiles. La préparation devrait privilégier les investissements qui améliorent aussi les opérations classiques, comme de meilleures données, des processus plus clairs, des logiciels modulaires et des contrôles qualité mesurables.

Une décision valable dans les trois scénarios a plus de valeur qu’un pari important et irréversible qui ne réussit que si une seule prévision est exactement juste.

Posez des questions précises sur chaque prédiction

Avant d’agir sur une prévision d’AGI, déterminez :

• Quel comportement observable qualifie une AGI ?
• Quelle probabilité est associée à l’année annoncée ?
• Quels éléments conduiraient le prévisionniste à modifier la date ?
• Quelles contraintes techniques ou sociales sont exclues du modèle ?
• Comment la prédiction sera-t-elle notée si le résultat arrive sous une autre forme ?

Le calendrier de Kurzweil est surtout utile comme hypothèse sur le progrès technologique cumulatif. Sa valeur tient aux mesures et aux hypothèses qu’il invite le lecteur à examiner, pas au fait de traiter une année de calendrier comme une promesse. Préparez-vous par des expérimentations limitées, des évaluations indépendantes et des décisions réversibles, puis changez de cap lorsque les preuves évoluent.