Co-fondateur d'Anthropic prévoit l'émergence d'une « IA auto-développante » d'ici 2028 - ForkLog : cryptomonnaies, IA, singularité, avenir

# Co-fondateur d'Anthropic prévoit l'émergence d'une « intelligence artificielle auto-apprenante » d'ici 2028

D'ici 2028, le marché pourrait voir apparaître des systèmes d'IA capables de développer et d'entraîner eux-mêmes leurs successeurs sans intervention humaine. Une telle prévision a été faite par le co-fondateur d'Anthropic, Jack Clark

« C'est très important. Je ne sais pas comment le réaliser. J'en arrive à cette conclusion à contrecœur, car les conséquences sont si grandes que je me sens submergé par elles, et je ne suis pas sûr que la société soit prête pour les changements que suppose le développement automatisé de l'IA », — a-t-il noté

Clark a décrit un scénario d'automatisation complète de la recherche en IA — un modèle qui :

• définit des tâches de recherche ;
• conçoit des expériences ;
• écrit et teste du code ;
• optimise l'apprentissage ;
• améliore l'architecture de la prochaine version de l'IA

L'expert a qualifié cela de « rubicon vers un avenir presque imprévisible » et a estimé la probabilité de ce scénario à 60 % dans les deux prochaines années

Sur quoi repose cette estimation

La conclusion de Clark se fonde sur la dynamique de plusieurs benchmarks :

• SWE-Bench — test de résolution de problèmes d'ingénierie réels à partir d'un dépôt GitHub. Fin 2023, les meilleures modèles géraient environ 2 % des cas ; d'ici le printemps 2026, ce chiffre atteindrait 94 % ;
• CORE-Bench — reproduction des résultats d'articles scientifiques en IA avec configuration d'environnement, exécution de code et analyse des conclusions. Selon Clark, ce benchmark est en fait « fermé » : les agents modernes atteignent environ 95,5 % ;
• MLE-Bench — réalisation de tâches ML de niveau Kaggle. Les meilleures systèmes d'agents atteignent déjà 64-65 %.

Selon le co-fondateur d'Anthropic, ces trois métriques montrent une seule tendance : l'IA passe rapidement de l'écriture ciblée de code à l'exécution complète de tâches d'ingénierie et de recherche.

Croissance de l'autonomie

Un autre argument est l'augmentation de la durée des tâches que les modèles d'IA peuvent réaliser sans intervention humaine.

Selon METR, en 2022, les systèmes géraient des tâches qui prenaient des dizaines de secondes à un humain. En 2024, ce chiffre est monté à environ 40 minutes, et en 2025 — à six heures. Actuellement, les modèles avancés peuvent mener des travaux d'ingénierie pendant environ 12 heures d'affilée.

Clark a relié cela à la diffusion des outils d'agents pour la programmation. Plus un modèle maintient un objectif, vérifie des résultats intermédiaires et corrige des erreurs, plus il peut déléguer d'étapes du cycle de recherche.

Pourquoi cela est important pour le développement de l'IA

Le cycle actuel de développement de l'IA suit un schéma unique : étudier des matériaux, reproduire un résultat, assembler une expérience, entraîner ou affiner un modèle, vérifier les métriques, identifier les points faibles et répéter. La croissance sur SWE-Bench, CORE-Bench et MLE-Bench montre que les modèles gèrent déjà des fragments entiers de ce cycle.

Clark a également souligné les progrès dans des tâches plus spécialisées. Par exemple, l'IA commence à être utilisée pour la conception de cœurs GPU — code qui détermine l'efficacité de l'apprentissage et de l'inférence des modèles sur du matériel spécifique.

Une autre direction concerne le fine-tuning des modèles. Sur le benchmark PostTrainBench, les systèmes d'IA améliorent de petits LLM open source.

Au printemps 2026, les meilleures réseaux neuronaux atteignent 25-28 % de la croissance cible (contre 51 % pour les équipes humaines). Clark considère ce résultat comme significatif : la référence est fixée par des modèles instructifs réels, créés par des chercheurs expérimentés.

Anthropic a mesuré comment ses modèles optimisent l'entraînement des LLM sur CPU. En un an, la vitesse d'accélération est passée de 2,9 fois (Claude Opus 4) à 52 (Claude Mythos Preview). Pour un humain, une tâche similaire prend généralement entre quatre et huit heures.

L'IA apprend déjà à gérer l'IA

Clark a noté que les systèmes modernes commencent à coordonner le travail d'autres agents. Cette approche est déjà utilisée dans des produits comme Claude Code ou OpenCode : un assistant répartit les tâches entre plusieurs sous-assistants, les contrôle et rassemble les résultats.

Pour le développement de l'IA, c'est crucial : il ne s'agit pas d'une seule tâche linéaire — ce sont souvent des dizaines de processus parallèles, incluant l'écriture de code et la configuration d'environnement. Si le modèle commence à gérer ces processus lui-même, la participation humaine sera considérablement réduite.

La créativité nécessaire aux réseaux neuronaux

Selon le co-fondateur d'Anthropic, une des questions clés est de savoir à quoi ressemble davantage le développement de l'IA : à la découverte de la théorie de la relativité générale ou à la construction de Lego.

Clark a reconnu que les LLM modernes ne sont pas encore capables de générer des idées scientifiques fondamentalement nouvelles. Cependant, pour automatiser une grande partie de la R&D en IA, cela pourrait ne pas être nécessaire.

« En gros, l'IA progresse principalement par une exécution méthodique par des humains d'un certain cycle : prendre un système qui fonctionne bien, en augmenter un aspect, observer les erreurs lors de la mise à l'échelle et les corriger. Cela nécessite très peu d'idées innovantes, et la majorité de ce processus ressemble à un travail d'ingénierie peu reluisant », — a souligné l'expert

Premiers signes de contribution scientifique

Clark pense que les modèles d'IA commencent déjà à montrer des signes précoces d'intuition scientifique. Il a donné plusieurs exemples en mathématiques et informatique :

• une équipe de mathématiciens utilisant Gemini a vérifié environ 700 problèmes d'Erdős et a obtenu 13 solutions, dont une que les chercheurs ont qualifiée de « contribution légèrement non triviale » à un problème ouvert ;
• des chercheurs de l'Université de Colombie-Béothanie, de l'Université de Nouvelle-Galles du Sud, de Stanford et de Google DeepMind ont publié une preuve mathématique trouvée avec une participation significative d'outils basés sur Gemini.

Que se passerait-il si la prévision s'avérait correcte

Clark a souligné que les plus grands laboratoires d'IA se dirigent déjà vers l'automatisation de la recherche. OpenAI prévoit de créer un stagiaire IA pour la recherche autonome, et Anthropic publie des travaux sur l'ajustement automatique selon les valeurs humaines.

Si le rythme actuel se maintient, l'industrie passera à une phase d'automatisation totale du développement de l'IA, a prévu l'expert — un cycle sera lancé, dans lequel chaque nouvelle génération d'IA accélérera l'apparition de la suivante.

Selon lui, si la transition se produit d'ici la fin 2028, le monde sera confronté non seulement à une avancée technologique, mais aussi à des questions fondamentales de sécurité, de répartition du capital, du rôle du travail humain et du contrôle des systèmes qui commencent à évoluer plus rapidement que leurs créateurs.

« Si je devais donner une probabilité pour 2027, je dirais 30 %. Si nous ne voyons pas cela d'ici la fin 2028, je pense que nous découvrirons une lacune dans la paradigme technologique actuel, et qu'il faudra une invention humaine pour avancer », — a conclu Clark

Rappelons qu'en janvier, le PDG d'Anthropic, Dario Amodei, a prédit l'émergence prochaine de l'AGI et la réduction des emplois.