Je viens de finir de regarder le dernier partage de Demis Hassabis, fondateur de DeepMind, lors du Y Combinator, et certaines idées méritent vraiment d’être discutées. Ce frère aîné a déclaré franchement que, pour atteindre une véritable AGI, il ne manque que deux pièces clés — l’apprentissage continu, le raisonnement à long terme et le système de mémoire. Selon lui, ces défis pourraient être résolus vers 2030.

Ce qui est le plus intéressant, c’est sa critique des modèles de grande taille actuels. Il dit que ces systèmes présentent une "intelligence inégale" — capables de résoudre des problèmes de niveau médaille d’or aux Olympiades internationales de mathématiques, mais qui échouent sur des problèmes de mathématiques de l’école primaire. Ce n’est pas une question de capacité, mais plutôt que la chaîne de raisonnement est encore trop grossière, manquant de réflexion sur leur propre processus de pensée. Il prend même l’exemple du jeu d’échecs : le modèle se rend parfois compte qu’un coup est mauvais, mais ne trouve pas de meilleure alternative, finissant par répéter la même erreur. Ce phénomène montre qu’il y a encore beaucoup d’espace pour l’innovation dans les systèmes de raisonnement.

Concernant la partie Agent, je suis particulièrement intéressé. Il pense que l’Agent est la véritable voie vers l’AGI, mais nous en sommes encore au stade initial. Un détail qui fait mal — personne n’a encore utilisé d’outils d’IA pour créer un jeu AAA qui domine le marché des applications. Théoriquement, avec le niveau actuel des outils, cela devrait être possible, mais personne ne l’a encore fait. Cela indique que la chaîne d’outils ou le processus lui-même manque encore de quelque chose. Il prévoit que cette percée aura lieu dans 6 à 12 mois.

Les progrès dans la technique de distillation des modèles sont également impressionnants. Leur modèle Flash peut atteindre 95 % des performances du modèle phare à un coût dix fois moindre. De plus, cette compression devient de plus en plus rapide — dans les 6 à 12 mois suivant la sortie d’un nouveau modèle, ses capacités peuvent être compressées dans de petits modèles pouvant fonctionner sur des appareils périphériques. Il admet qu’il n’a pas encore rencontré de limite théorique en termes de densité d’information, donc l’avenir reste très prometteur.

Dans le domaine des découvertes scientifiques, il a proposé un concept intéressant — le "test Einstein". C’est entraîner un système avec des connaissances avant 1901 pour voir s’il peut déduire de manière autonome la théorie de la relativité d’Einstein en 1905. Si une IA peut faire cela, cela signifie qu’elle s’approche vraiment de la capacité d’innovation autonome. AlphaFold a déjà prouvé le potentiel de l’IA dans le domaine du repliement des protéines, utilisé par 3 millions de chercheurs dans le monde. Mais il pense que ce n’est que le début : des domaines comme la science des matériaux, la découverte de médicaments, la modélisation climatique sont tous dans ce "moment AlphaFold 1" — prometteurs, mais pas encore de percée réelle.

Le conseil le plus pratique pour les entrepreneurs est : si vous lancez aujourd’hui un projet de deep tech de niveau dixième année, vous devez intégrer l’émergence de l’AGI dans votre planification. Ce n’est pas alarmiste, mais il faut réfléchir à si votre produit sera encore utile à l’ère de l’AGI. Son idée est que les systèmes généraux (comme Gemini) utiliseront des systèmes spécialisés (comme AlphaFold) comme outils, plutôt que de tout mettre dans un seul grand modèle. Cela aura une grande influence sur votre orientation de construction actuelle.

La logique centrale de tout ce partage est : la difficulté à résoudre des problèmes complexes et celle à résoudre des problèmes simples sont en réalité à peu près équivalentes, la seule différence étant leur localisation. Étant donné que la vie est limitée, pourquoi ne pas concentrer ses efforts sur ces choses "que seul vous pouvez faire et que les autres ne feront pas" ? Cela peut sembler simple, mais pour y parvenir, il faut une forte discipline.