Sequoia interviewe Hasabis : l'information est l'essence de l'univers, l'IA ouvrira une toute nouvelle branche de la science

Origine organisée : Connaissances AI de Gua哥

Le contenu de cet article est organisé à partir de l’interview de Demis Hassabis sur la chaîne Sequoia Capital, publiée publiquement le 29 avril 2026.

Résumé : Interview de Demis Hassabis lors de AI Ascent 2026 de Sequoia Capital

Les liens entre IA et jeux : les jeux sont un terrain d’expérimentation idéal pour l’intelligence artificielle. En intégrant l’IA comme mécanisme central, on peut non seulement valider efficacement les concepts d’algorithmes, mais aussi fournir un support de calcul précoce pour la recherche technologique.

La “théorie du moment opportun” pour l’entrepreneuriat : l’entrepreneuriat doit “précéder l’époque de 5 ans, et non de 50 ans”. Il faut saisir avec acuité l’équilibre entre percées technologiques et besoins concrets, car aller trop en avance rend souvent la réussite difficile.

L’évolution de l’AGI : la mission claire et ferme de DeepMind — première étape, construire une intelligence artificielle générale (AGI) ; deuxième étape, utiliser l’AGI pour résoudre tous les problèmes complexes, y compris en sciences et médecine.

La valeur centrale de “AI for Science” : l’IA est le langage parfait pour décrire la biologie et les systèmes naturels complexes. Grâce à la simulation par IA, le cycle de développement de nouveaux médicaments pourrait passer de plusieurs années à quelques semaines, voire réaliser une médecine personnalisée véritable.

L’émergence de nouvelles disciplines scientifiques : la complexité des systèmes d’IA eux-mêmes engendrera de nouvelles sciences d’ingénierie telles que “l’interprétabilité mécanistique”. Par ailleurs, la simulation pilotée par IA permettra à l’humanité de réaliser des expériences contrôlées sur des systèmes sociaux complexes comme l’économie, ouvrant ainsi de nouvelles branches scientifiques.

L’information comme essence de l’univers : matière, énergie et information peuvent se transformer mutuellement. La nature de l’univers pourrait être un gigantesque système de traitement de l’information, conférant à l’IA une signification profonde dans la compréhension des lois fondamentales de l’univers.

Les limites de la machine de Turing : les réseaux neuronaux modernes ont déjà prouvé que la machine de Turing classique suffit à simuler des problèmes autrefois considérés comme nécessitant uniquement le calcul quantique (ex. : repliement des protéines). Le cerveau humain pourrait très probablement être une machine de Turing hautement approximative.

Réflexions philosophiques sur la conscience : la conscience pourrait être constituée de composants tels que la cognition de soi, la continuité temporelle, etc. Sur la voie vers l’AGI, il faut d’abord la considérer comme un outil puissant, puis, avec son aide, explorer cette vaste question philosophique qu’est la “conscience”.

Résumé du contenu

Demis Hassabis, co-fondateur et CEO de Google DeepMind, lauréat du prix Nobel de chimie 2024 grâce à AlphaFold, et partenaire de Sequoia Capital, a eu un dialogue d’une grande ampleur et profondeur avec Konstantine Buhler lors du sommet AI Ascent 2026, explorant le chemin vers l’AGI et le futur après l’AGI.

Dans cet échange, il explique pourquoi il croit qu’il sera possible d’atteindre l’AGI d’ici 2030, pourquoi le long cycle de développement de nouveaux médicaments pourrait se réduire de dix ans à quelques jours, et pourquoi “l’information”, plutôt que la matière ou l’énergie, doit être vue comme l’essence la plus fondamentale de l’univers. Il évoque aussi comment Einstein, s’il était encore en vie, jugerait les limites actuelles des modèles IA, et pourquoi les deux prochaines années seront cruciales pour le destin de l’humanité.

Interview intégrale

Animateur : Demis, merci beaucoup d’être venu.

Demis Hassabis : Je suis ravi d’être ici. Merci à tous pour votre accueil, c’est un plaisir d’échanger avec vous.

Animateur : C’est un grand honneur de vous inviter dans notre usine de chocolat.

Demis Hassabis : Je viens d’apprendre ça. J’ai hâte de goûter le chocolat.

Animateur : Super. Demis, passons directement au vif du sujet. Aujourd’hui, nous accueillons un vétéran du secteur : un penseur original, fondateur, visionnaire, pionnier dans tous les domaines de l’IA. Demis est un croyant sincère et un scientifique pur.

Les motivations et la ligne directrice intérieure de Demis

Notre discussion débutera par l’histoire de la création de DeepMind, puis abordera la science et la technologie, pour finir avec une session de questions du public. Commençons sans tarder.

Demis, tu as été prodige aux échecs, fondateur d’une société de jeux, et aussi neuroscientifique. Tu es le fondateur de DeepMind, et aujourd’hui à la tête d’une entreprise de grande envergure et influente. Ces identités semblent très différentes, mais tu dis qu’il y a une ligne directrice qui les relie. Peux-tu partager cela avec nous ?

Demis Hassabis : Effectivement, il y a une ligne directrice, même si cela peut paraître une explication post hoc. Mais mon désir de m’investir dans l’IA remonte à longtemps. J’ai toujours considéré que c’était la tâche la plus importante et la plus passionnante de ma vie. Dès l’âge de 15-16 ans, chaque choix d’études, chaque action, visait à un jour fonder une société comme DeepMind.

Je suis entré dans le secteur du jeu par “contournement” parce qu’au 90s, c’était là que naissaient les technologies de pointe. Pas seulement l’IA, mais aussi le rendu graphique et le hardware. Par exemple, les GPU que nous utilisons aujourd’hui ont été initialement conçus pour les moteurs graphiques, et dès la fin des années 90, j’utilisais déjà les premiers GPU. Tous les jeux que j’ai développés, que ce soit pour Bullfrog ou pour ma propre société Elixir Studios, intégraient l’IA comme mécanisme central.

Ma création la plus célèbre est probablement “Theme Park”, que j’ai développé vers 17 ans. C’est un jeu de simulation de parc d’attractions où des milliers de petits personnages entrent, utilisent les attractions, achètent dans les boutiques. Derrière, tourne un modèle économique complet basé sur l’IA. Comme dans “SimCity”, c’est une œuvre pionnière dans ce genre. Quand j’ai vu qu’il s’était vendu à plus de 10 millions d’exemplaires, et que j’ai vu à quel point les joueurs prenaient plaisir à interagir avec l’IA, cela a renforcé ma détermination à consacrer ma vie à l’IA.

Plus tard, je me suis tourné vers la neuroscience, pour m’inspirer du fonctionnement du cerveau et en déduire de nouvelles idées d’algorithmes. Quand le moment de fonder DeepMind est enfin arrivé, en combinant toutes ces expériences, tout semblait naturel. Naturellement, nous avons aussi utilisé les jeux comme terrain d’entraînement pour valider nos concepts d’IA.

L’expérience entrepreneuriale chez Elixir Studios

Animateur : Aujourd’hui, beaucoup d’entrepreneurs sont présents. Tu dois avoir une forte expérience à ce sujet, car tu as créé deux entreprises. Revenons à ta première création, Elixir Studios. Comment ça s’est passé ? Même si ce n’est pas ta société la plus connue, tu y as aussi connu un grand succès. Comment as-tu dirigé cette société ? Qu’as-tu appris sur “comment bâtir une entreprise” à cette occasion ?

Demis Hassabis : Après l’université, j’ai lancé Elixir Studios. J’ai eu la chance d’avoir travaillé auparavant chez Bullfrog Productions, un studio légendaire dans l’industrie, probablement le plus prestigieux en Europe à l’époque.

Je voulais faire quelque chose pour repousser les limites de l’IA. En réalité, à cette époque, je finançais la recherche en IA en développant des jeux, en défiant la frontière technologique, en combinant innovation extrême et créativité. Je pense que cette philosophie reste valable pour nos recherches exploratoires d’aujourd’hui.

Ce que j’ai appris de façon la plus profonde, c’est qu’il faut “précéder l’époque de 5 ans, et non de 50”. Chez Elixir, nous avons essayé de créer un jeu appelé “République”, simulant un pays entier. Le but était que le joueur puisse renverser un despote, en simulant une ville vivante, respirante, avec des citoyens réels.

Il faut savoir qu’à la fin des années 90, on utilisait encore des processeurs Pentium. Nous devions faire tourner en même temps tous les graphismes et l’IA pour un million de personnages sur des PC domestiques. C’était une ambition démesurée — peut-être un peu irréaliste — qui a engendré beaucoup de difficultés.

J’ai retenu cette leçon : il faut être en avance, mais si on a 50 ans d’avance, on échoue probablement. Quand une idée devient évidente pour tout le monde, il est trop tard pour entrer. La clé, c’est donc de trouver ce point d’équilibre subtil.

Création de DeepMind en 2009

Animateur : Très bien, pour ne pas trop précéder l’époque, parlons de 2009. Tu étais convaincu que l’AGI se réaliserait. Peut-être seulement 10 ans d’avance, mais mieux que 50. Parle-nous de 2009. Comment as-tu convaincu cette première équipe de talents exceptionnels ? Parce qu’à l’époque, l’AGI ressemblait à de la science-fiction. Comment leur as-tu fait croire à tout cela ?

Demis Hassabis : À cette époque, nous avions perçu quelques indices intéressants. Nous pensions avoir seulement 5 ans d’avance, mais en réalité, peut-être 10 ans. Le deep learning, inventé par Jeff Hinton et ses collègues, venait tout juste d’émerger, mais peu de gens comprenaient son potentiel. Nous avions aussi une solide expérience en reinforcement learning, et nous pensions qu’en combinant ces deux techniques, on pourrait faire un saut qualitatif. Jusqu’ici, elles n’avaient été utilisées qu’en “toy problems” — des problèmes académiques simplifiés. Dans le domaine de l’IA, elles étaient comme deux îles isolées.

De plus, nous voyions le potentiel de la puissance de calcul. À l’époque, les GPU allaient exploser. Aujourd’hui, on utilise des TPU, mais à l’époque, la croissance du calcul accéléré allait devenir un moteur énorme. Par ailleurs, à la fin de mon doctorat et de ma post-doc, certains collègues que j’avais recrutés étaient des neuroinformaticiens, et nous avions extrait de la mécanique cérébrale des idées et des lois précieuses, notamment la conviction que le reinforcement learning, à force d’expansion à grande échelle, pouvait mener à l’AGI.

Nous avions rassemblé tous ces éléments clés. Nous avions même l’impression d’être les gardiens d’un secret extraordinaire, car dans le monde académique comme industriel, personne ne croyait qu’une percée majeure était possible. En fait, quand nous avons dit vouloir développer une AGI — ou ce qu’on appelait alors “Strong AI” — beaucoup de chercheurs nous ont regardés de haut. Pour eux, c’était une voie sans issue ; dans les années 90, tout le monde avait déjà essayé, et ça avait échoué.

En post-doctorat au MIT, centre de l’expert system et de la logique formelle, je trouvais cela archaïque. Mais dans les universités comme Cambridge ou le MIT, on continuait à utiliser ces méthodes anciennes. Cela m’a renforcé dans la conviction que nous avions raison. Au moins, si nous échouons, ce sera avec une approche totalement nouvelle, différente de celle des années 90. Cela valait la peine d’essayer, même si c’était risqué, même si la recherche était incertaine.

La mission de DeepMind et le pari sur l’AGI

Animateur : Avez-vous rencontré des résistances face à cette conviction précoce ? Pour convaincre vos premiers collaborateurs, avez-vous dû leur prouver quelque chose ?

Demis Hassabis : Peu importe les circonstances, je consacrerai toujours toute ma vie à l’IA. Son développement a dépassé nos prévisions optimistes. Mais cela restait dans le cadre de nos prévisions de 2010 — une trajectoire de 20 ans.

Je pense que, dans ce domaine, notre progression a été conforme à ce que nous avions anticipé, et que nous avons joué un rôle essentiel.

Même si ce n’était pas le cas, l’IA reste une discipline marginale, et je continuerais à la suivre, car c’est la technologie la plus importante que j’aie connue. Mon objectif est clair : la première étape, c’est de déchiffrer l’intelligence, c’est-à-dire construire une AGI ; la seconde, c’est de l’utiliser pour résoudre tous les autres problèmes. Je crois que c’est la technologie la plus importante et la plus fascinante que l’humanité ait inventée.

Elle est un outil de recherche scientifique, une création captivante, et aussi une voie pour mieux comprendre la conscience, le rêve, la créativité — l’essence de l’esprit humain. En tant que neuroscientifique, j’ai souvent ressenti qu’il manquait un outil d’analyse comme l’IA pour explorer ces questions. Elle offre un mécanisme de comparaison, permettant d’étudier en profondeur deux systèmes différents comme dans des expériences contrôlées.

“L’IA pour la science” : la culture

Animateur : Parlons de “l’IA pour la science”. Tu as été un pionnier dans ce domaine, un croyant convaincu, un idéaliste. C’est la mission qui vous anime. La façon dont tu as créé DeepMind, avec sa culture, comment cela a-t-il permis à l’organisation de rester à la pointe de “l’IA pour la science” ?

Demis Hassabis : C’est précisément notre objectif ultime. Pour moi, la motivation fondamentale est de construire une IA qui fasse avancer la science, la médecine, notre compréhension du monde. C’est ma façon de suivre cette mission — par une “méthode méta” : d’abord créer l’outil ultime, puis l’utiliser pour faire des avancées scientifiques. Nous avons déjà réalisé AlphaFold, et je suis convaincu que d’autres suivront.

DeepMind a toujours placé cet objectif au cœur de sa stratégie. En fait, nous avons une équipe “IA pour la science” dirigée par Pushmeet Kohli, créée il y a près de dix ans. Après la victoire d’AlphaGo à Séoul, nous avons immédiatement lancé ce programme, il y a tout juste dix ans.

J’ai attendu que les algorithmes deviennent suffisamment puissants, que la vision soit suffisamment générale. La victoire à Go a été un tournant historique ; à ce moment-là, nous avons compris que le moment était venu d’appliquer ces idées à des problèmes scientifiques cruciaux, en commençant par ces grands défis.

Nous croyons fermement que c’est là que l’IA peut apporter le plus de bénéfices. Quoi de mieux que de guérir des maladies, d’allonger la durée de vie, d’aider la médecine ? Ensuite, ce sera la science des matériaux, l’environnement, l’énergie. Je suis convaincu que dans quelques années, l’IA brillera dans ces domaines.

Les avancées en biologie et Isomorphic Labs

Animateur : Comment l’IA a-t-elle permis des avancées en biologie ? Tu as beaucoup investi dans Isomorphic Labs, un domaine qui te passionne. Depuis le début, tu as cru dur comme fer au potentiel de l’IA pour guérir les maladies. Quand peut-on espérer un “moment phare” en biologie, comme en linguistique ou en programmation ?

Demis Hassabis : Je pense que la naissance d’AlphaFold a marqué un “moment phare” en biologie. La structure 3D des protéines, leur repliement, est un problème scientifique vieux de 50 ans. Le résoudre est crucial pour concevoir des médicaments ou décrypter la biologie fondamentale. Mais ce n’est qu’une étape dans le processus de découverte de médicaments, une étape essentielle mais limitée.

Notre nouvelle société Isomorphic Labs, que je gère avec plaisir, se concentre sur le développement de technologies clés en biochimie et chimie. Ces technologies permettent de concevoir automatiquement des composés parfaitement adaptés à des sites précis de protéines. En maîtrisant la forme et la surface des protéines, on verrouille la cible. Ensuite, il faut fabriquer des molécules qui se lient efficacement à cette cible, tout en évitant les effets secondaires indésirables.

Notre rêve ultime : transférer tout le processus de recherche, qui occupe aujourd’hui 99 % du temps et des ressources, dans la simulation informatique (In Silico), ne laissant que la validation expérimentale en laboratoire humide (Wet Lab). Si on y parvient — et j’en suis convaincu dans quelques années — on pourra réduire le cycle de découverte de médicaments de 10 ans à quelques mois, voire quelques semaines, voire quelques jours.

Une fois ce seuil franchi, guérir toutes les maladies deviendra accessible. La médecine personnalisée, adaptée à chaque patient, deviendra réalité. La révolution dans la recherche médicale et pharmaceutique sera profonde dans les années à venir.

Les sciences nées de la simulation

Animateur : C’est fascinant. Tu as souvent évoqué “l’IA pour la science”. Penses-tu qu’un jour, l’IA engendrera un tout nouveau système scientifique ? Comme la thermodynamique née de la révolution industrielle. Notre système éducatif pourrait-il voir émerger de nouvelles disciplines fondamentales ? Si oui, à quoi ressembleraient-elles ?

Demis Hassabis : Je pense que plusieurs choses vont se produire.

D’abord, la compréhension et l’analyse des systèmes d’IA eux-mêmes deviendront une discipline complète — une science de l’ingénierie (Engineering Science). Ces créations sont fascinantes, mais aussi extrêmement complexes. Leur complexité pourrait rivaliser avec celle de l’esprit humain et du cerveau. Il faudra donc les étudier en profondeur pour en comprendre le fonctionnement, ce qui dépasse notre niveau actuel. Je crois qu’un nouveau domaine émergera, la “mécanistique interprétative” (Mechanistic Interpretability). Nous avons encore beaucoup à explorer pour déchiffrer ces systèmes.

Ensuite, je suis convaincu que l’IA ouvrira de nouvelles portes en science. La plus excitante est “l’IA pour la simulation” (AI for Simulations). Je suis passionné par la simulation ; tous mes jeux sont en fait des simulateurs. Je pense que la simulation est la clé pour résoudre des problèmes en sciences sociales, en économie, en sciences humaines.

Ces disciplines sont des systèmes émergents (Emergent Systems), difficiles à expérimenter de façon contrôlée et reproductible. Par exemple, si vous augmentez le taux d’intérêt de 0,5 %, vous ne pouvez faire qu’une seule opération dans le monde réel, puis observer le résultat. Vous avez des théories, mais pas la possibilité de répéter l’expérience à l’infini. Si on pouvait simuler ces systèmes avec précision, on pourrait faire des expériences rigoureuses, et établir une nouvelle science.

Je crois que cela nous donnerait la capacité de prendre de meilleures décisions dans ces domaines, encore très incertains aujourd’hui.

Les conditions pour des simulations ultra-précises

Animateur : Pour réaliser ces simulations d’une précision extrême, notamment avec des “modèles du monde” (World Models), quelles avancées scientifiques et techniques faut-il encore faire ?

Demis Hassabis : Je réfléchis beaucoup à cette question. Dans notre travail, nous utilisons massivement des simulateurs d’apprentissage (Learning Simulators). Ces simulateurs sont indispensables dans des domaines où nos connaissances mathématiques sont insuffisantes ou où les systèmes sont trop complexes. On ne peut pas simplement écrire un programme de simulation spécifique pour chaque cas, cela manquerait de précision et ne couvrirait pas tous les paramètres.

Nous avons déjà expérimenté cela en météorologie. Nous disposons du simulateur “WeatherNext”, le plus précis au monde, qui fonctionne bien plus vite que les outils actuels. Je ne sais pas si nous pouvons tout prévoir, ni si c’est souhaitable, mais la première étape est de mieux comprendre ces systèmes complexes.

Même en biologie, nous étudions ce qu’on appelle la “cellule virtuelle” (Virtual Cell), un système émergent très dynamique. Tout comme les mathématiques décrivent la physique, l’apprentissage automatique pourrait devenir le langage de la biologie. La biologie et d’autres sciences naturelles regorgent de signaux faibles, de corrélations subtiles, de données massives, qui dépassent la capacité d’analyse du cerveau humain. Pourtant, dans ces données, il y a des liens, des causalités, des relations profondes.

L’apprentissage automatique est l’outil idéal pour décrire ces systèmes. Aujourd’hui, la mathématique ne peut pas tout faire, car ces systèmes sont trop complexes, même pour les meilleurs mathématiciens, ou leur expressivité est insuffisante. Certains de ces systèmes sont très chaotiques, stochastiques.

Une fois que l’on maîtrise ces simulateurs, on pourra peut-être en tirer une nouvelle science. On pourra extraire des lois explicites (Explicit Equations) à partir de ces simulateurs implicites ou intuitifs. En faisant des milliers d’échantillonnages, on pourrait découvrir des lois fondamentales, comme celles de Maxwell.

Je ne sais pas si ces lois existent vraiment dans ces systèmes émergents, mais si elles existent, je ne vois pas pourquoi on ne pourrait pas les découvrir par cette méthode.

L’univers comme information

Animateur : Vous avez évoqué une théorie selon laquelle la structure fondamentale de l’univers pourrait être de l’ordre de l’information. Comment voyez-vous cela ? Qu’est-ce que cela implique pour la vision classique de la machine de Turing ?

Demis Hassabis : Bien sûr, on peut citer Einstein et sa formule E=mc², pour dire que énergie et matière sont équivalentes. Mais je pense que l’information a aussi une certaine équivalence. La matière et la structure organisationnelle — notamment dans les systèmes vivants, qui résistent à l’entropie — peuvent être vues comme des systèmes d’information. En d’autres termes, on peut transformer matière, énergie et information.

Mais j’ai le sentiment que l’information est la plus fondamentale. Cela va à l’encontre de la physique classique des années 1920, qui considérait l’énergie et la matière comme primaires. Moi, je pense que voir l’univers comme constitué d’informations est une façon plus profonde de le comprendre.

Si cette idée est correcte — et je pense qu’il y a beaucoup de preuves en ce sens — alors la signification de l’IA devient encore plus profonde. Son cœur, c’est l’organisation, la compréhension et la construction d’objets informationnels.

Pour moi, l’IA, c’est essentiellement du traitement de l’information. Si on adopte cette vision, on voit que ces disciplines apparemment très différentes ont en réalité une connexion profonde.

La machine de Turing peut-elle tout calculer ?

Animateur : Pensez-vous que la machine de Turing classique peut tout calculer ?

Demis Hassabis : Parfois, je me considère comme un “défenseur de Turing”, car Alan Turing est l’un de mes héros scientifiques. Je crois que ses travaux ont posé les bases de l’informatique et de l’IA. La machine de Turing est l’un des résultats les plus profonds de l’histoire : tout ce qui est calculable peut l’être par une machine décrite de façon relativement simple. Je pense que notre cerveau est probablement une machine de Turing approximative.

Il est intéressant de réfléchir à la relation entre la machine de Turing et les systèmes quantiques. Mais ce que nous avons montré avec AlphaGo, AlphaFold, et d’autres, c’est qu’une machine de Turing classique, sous une forme moderne de réseaux neuronaux, peut modéliser des problèmes qu’on pensait nécessiter la mécanique quantique (ex. : repliement des protéines). La structure du repliement des protéines, par exemple, implique des interactions quantiques, notamment des liaisons hydrogène.

Mais en pratique, on peut obtenir une solution approchée optimale avec des méthodes classiques. Cela suggère que beaucoup de phénomènes que l’on croyait nécessiter la physique quantique pour être simulés ou résolus peuvent en réalité l’être avec des méthodes classiques, si on les applique intelligemment.

Philosophie de la conscience

Animateur : Vous avez toujours considéré l’IA comme un outil, comme un télescope, un microscope ou un astrolabe (outil d’astronomie). Mais quand une machine peut simuler presque tout, y compris des systèmes quantiques, elle dépasse le simple outil. Quand cela arrivera-t-il ? Est-ce que cela dépassera un jour le cadre de l’outil ?

Demis Hassabis : Je ressens très fortement que, dans la quête de l’AGI, nous pensons souvent qu’il faut d’abord construire un outil très intelligent, précis, pratique, puis franchir une étape supplémentaire. La signification de cette étape est déjà très profonde. Cet outil pourrait devenir de plus en plus autonome, intelligent, et c’est ce que nous voyons aujourd’hui. Nous sommes dans une “ère des agents” (Agent Era).

Mais il y a une question plus profonde : cet agent aurait-il une capacité d’action (Agency) ? Aurait-il une conscience ? Ce sont des questions que nous devrons affronter. Je pense qu’on peut d’abord utiliser cet outil pour explorer ces questions, en utilisant la puissance de l’IA pour mieux comprendre la conscience.

Idéalement, ce processus nous aidera aussi à mieux comprendre notre propre cerveau, notre propre esprit, et à définir plus précisément des concepts comme la “conscience”.

Prévisions sur la conscience

Animateur : Avez-vous une idée préliminaire de ce que pourrait être la définition future de la conscience ?

Demis Hassabis : Non, je n’ai pas de réponse définitive. La philosophie a beaucoup réfléchi à cette question depuis des millénaires. Ce qui me paraît clair, c’est que certains composants sont indispensables : la conscience de soi, la distinction entre soi et l’autre, la continuité temporelle. Ces éléments sont nécessaires pour qu’un système semble conscient.

Mais la définition complète reste une “question ouverte” (Open Question). J’en ai discuté avec beaucoup de philosophes, y compris Daniel Dennett, récemment disparu. La question centrale est : un système qui agit comme s’il était conscient, est-il réellement conscient ? Avec l’avancée de l’AGI, cela pourrait devenir une question empirique.

Mais pourquoi pensons-nous que nous sommes conscients ? Parce que notre comportement, nos performances, ressemblent à ceux d’un être conscient. Et aussi parce que nous partageons la même “substrat” (support matériel). Si deux systèmes ont la même base, la même architecture, alors leur expérience devrait être comparable.

Donc, si cette hypothèse est vraie, alors la conscience pourrait être une propriété émergente, liée à la structure, et non à la matière spécifique. Mais il est difficile de supprimer complètement la différence de substrat entre humain et machine. On peut analyser le comportement, mais l’expérience subjective, elle, reste mystérieuse.

Après l’AGI, peut-être qu’on trouvera des méthodes pour aborder cette question, mais cela dépasse le cadre de la science actuelle, même dans “l’IA et la science”.

Questions philosophiques finales

Animateur : Très intéressant. Nous allons ouvrir la séance de questions du public. Préparez vos questions. Vous avez mentionné Kant et Spinoza comme vos philosophes préférés. Kant, un déontologue, insiste sur la responsabilité ; Spinoza, un déterministe, voit l’univers comme une nécessité. Comment reliez-vous ces deux visions si différentes ? Quelle est votre conception fondamentale du fonctionnement du monde ?

Demis Hassabis : J’aime ces deux philosophes parce qu’ils offrent des perspectives complémentaires. Kant a proposé que “l’esprit crée la réalité” — je l’ai compris profondément en neurosciences. Cela donne une raison supplémentaire d’étudier comment l’esprit interprète le monde. La vision de Kant m’a toujours inspiré dans ma quête de comprendre la cognition.

Spinoza, lui, concerne la dimension spirituelle. Si on veut utiliser la science comme outil pour comprendre l’univers, on doit aussi explorer ses lois profondes. La science et la philosophie se rejoignent dans cette recherche.

Pour moi, cela reflète la dualité entre la structure et la création. La science cherche à décrire la réalité, la philosophie à comprendre sa signification. En combinant ces deux approches, on peut mieux saisir la nature du cosmos.

Une dernière question rapide : pensez-vous que l’AGI sera atteint avant ou après 2030 ? Ou préférez-vous ne pas répondre ?

Demis Hassabis : Je pense que ce sera avant 2030, probablement vers cette date. Je suis assez confiant.

Animateur : Très bien. Et après l’AGI, quelles sont les lectures incontournables que vous recommandez ?

Demis Hassabis : Je recommande “The Fabric of Reality” de David Deutsch. C’est une œuvre qui reste pertinente. J’espère qu’avec l’AGI, nous pourrons répondre aux questions qu’il soulève, et cela orientera aussi mes travaux futurs.

Animateur : Quelles sont, selon vous, les plus grandes fiertés chez DeepMind ?

Demis Hassabis : AlphaFold, sans aucun doute.

Animateur : Enfin, si vous deviez jouer à un jeu de stratégie à enjeux élevés, comme “Civilization” ou “Polytopia”, et que vous pouviez choisir un scientifique comme allié, qui choisiriez-vous ? Einstein, Turing ou Newton ?

Demis Hassabis : Je choisirais von Neumann, car il était un maître en théorie des jeux. Son expertise serait précieuse dans ce contexte.

Animateur : Merci beaucoup, Demis. Vous êtes un véritable polymathe. Merci à tous pour votre attention, et applaudissons Demis Hassabis pour cette intervention exceptionnelle.