L'intelligence artificielle entre dans la phase « IA du monde réel ».

Auteur : Wang Jie

À l'occasion du Forum économique mondial de Dalian, qui s'est tenu fin juin dans le nord-est de la Chine, les leaders mondiaux de l'intelligence artificielle (y compris la robotique) se sont réunis pour discuter des développements actuels du secteur de l'IA et des grandes tendances à venir. Wang Jie, l'un des premiers investisseurs chinois en IA et co-directeur du Centre de recherche en économie de l'IA de l'Académie numérique de Shenzhen, a proposé qu'après avoir traversé trois phases – « génération de contenu », « capacité de raisonnement » et « capacité d'action » – l'industrie de l'IA se dirige vers la phase « IA du monde réel ». Tous les maillons de l'industrie doivent également se préparer en conséquence pour accueillir cette phase.

Voici le texte intégral de « L'intelligence artificielle entre dans la phase "IA du monde réel" », publié en exclusivité par Tencent Technology.

We are at AI’s reality moment.

Ces dernières années, l'IA a appris à générer, raisonner et agir. La prochaine étape ne consiste pas seulement à savoir si l'IA peut donner de meilleures réponses à l'écran, mais si elle peut apprendre des retours du monde réel et fournir des résultats acceptables et durables dans le monde réel. Aujourd'hui, nous sommes au « moment de réalité » du développement de l'IA.

Observation : l'IA s'éloigne constamment du monde des benchmarks

Ces dernières années, le récit principal de l'industrie de l'IA a été organisé par les benchmarks. Chaque lancement de modèle s'accompagne d'un ensemble de scores : compréhension linguistique, examens spécialisés, raisonnement mathématique, génération de code, ingénierie logicielle, opérations web, questions-réponses multimodales, tâches d'agents. Les scores augmentent, l'industrie s'excite ; les scores stagnent, de nouveaux benchmarks sont créés. Les benchmarks sont devenus les jalons successifs sur la longue route du développement de l'IA.

Mais une réalité de plus en plus claire se dessine : l'IA s'éloigne constamment du monde des benchmarks. De nombreux tests autrefois considérés comme suffisamment difficiles pour représenter l'intelligence sont approchés, égalés puis dépassés par les modèles. Les chercheurs continuent de définir de nouvelles tâches, de nouveaux classements, de nouveaux ensembles d'évaluation, et les modèles continuent de rattraper et de planter de nouveaux drapeaux. Cela fait bien sûr partie du progrès scientifique, mais montre aussi que les benchmarks seuls ne peuvent plus porter tout le sens du développement de l'IA.

Le monde des benchmarks est essentiellement un « monde théorique » : les problèmes sont prédéfinis, les réponses ont des limites claires, les critères d'évaluation peuvent être formalisés, et le coût de l'échec n'est généralement qu'une ligne de score. Il est adapté pour prouver qu'un modèle possède une certaine capacité, mais cela ne prouve pas que le modèle peut fournir les résultats attendus dans un flux de travail réel. Un modèle qui répond correctement à une banque de questions ne signifie pas qu'il peut accomplir de manière stable des tâches dans le processus d'achat d'une entreprise, la coordination des soins dans un hôpital, le système de planification d'une usine, l'examen des risques d'un document juridique, ou la réponse aux urgences dans la gouvernance urbaine.

Par conséquent, lorsque nous disons que l'IA quitte le monde des benchmarks, ce n'est pas pour dire que les benchmarks ne sont plus importants. Au contraire, les benchmarks restent un tableau de bord nécessaire au progrès technique. Mais un tableau de bord n'est pas la route, un score n'est pas un résultat, et une démonstration n'est pas une livraison. L'IA quitte le monde des benchmarks pour aller vers quel monde ? La réponse est : le monde réel. L'ensemble de l'industrie entre dans la phase « IA du monde réel ».

Transition du « monde théorique » au « monde réel »

Les trois anciennes phases du « monde théorique »

**Le développement actuel de l'IA a déjà traversé trois phases anciennes distinctes.**La première est la phase de "génération de contenu", avec comme forme typique le chatbot. Pour la première fois, l'IA utilise le langage naturel comme interface, capable d'écrire, de résumer, de traduire, de dialoguer, d'expliquer, devenant un outil textuel universel pour le travail cognitif humain. La deuxième est la phase de "capacité de raisonnement", avec comme forme typique le raisonneur, représenté par des modèles comme GPT o1 et DeepSeek R1. L'IA commence à montrer des capacités accrues de décomposition, de recherche, de planification, de preuve et d'auto-vérification, capable de traiter des problèmes à plus longues chaînes et de plus haute complexité. La troisième est la phase de "capacité d'action", avec comme forme typique l'agent. L'IA ne se contente plus de répondre à des questions, mais utilise des outils, navigue sur le web, écrit du code, manipule des logiciels et exécute des tâches en plusieurs étapes.

Ces trois phases sont très importantes. La génération a donné le langage à l'IA, le raisonnement a donné la pensée à l'IA, et les agents ont donné des mains préliminaires à l'IA. Après avoir su générer, raisonner et agir, la prochaine chose n'est pas d'accomplir plus d'actions dans une démonstration, mais d'assumer les résultats dans un environnement réel. Le monde réel fournira à l'IA l'environnement pour ses actions à long terme.

Pourquoi les trois phases ci-dessus sont-elles considérées comme anciennes ? Parce qu'elles restent en grande partie dans le "monde théorique" ou le "monde quasi réel". Les modèles sont confrontés à des problèmes abstraits, et non à des systèmes économico-sociaux complets ; ils optimisent des retours calculables, et non des résultats réels multi-agents, multi-contraintes et à long cycle ; ils montrent des possibilités de capacités, et non des résultats de travail acceptés conjointement par les utilisateurs, les organisations, les institutions et le marché.

La nouvelle phase du « monde réel »

Nous proposons « IA du monde réel », Real-World AI, pour refléter la nouvelle phase dans laquelle l'IA va entrer. La définition de l'IA du monde réel est : une IA capable d'apprendre des retours du monde réel, d'accomplir des tâches du monde réel et de produire des résultats réels. Le « monde réel » comprend ici deux significations : Premièrement, les retours d'entraînement proviennent de résultats réels, d'utilisateurs, d'institutions, de coûts et de risques dans l'environnement réel, et non seulement de réponses standard ; deuxièmement, les tâches proviennent de flux de travail réels, et non seulement de banques de questions, de bacs à sable ou de démonstrations. Ce n'est pas une étiquette vague, mais un nom de phase pour le passage de l'IA de la démonstration de capacités à la livraison de production, de l'intelligence théorique à l'intelligence de travail.

Le cœur de l'IA du monde réel n'est pas de connecter l'IA à plus de boutons, mais de faire entrer l'IA dans une boucle fermée : comprendre les tâches réelles, recevoir des retours réels, exécuter des actions réelles, ajuster ses propres stratégies, et finalement livrer des résultats réels acceptables. Cela exige que les capacités des modèles dépassent les domaines actuellement principalement concentrés sur le « code, l'ingénierie logicielle, les mathématiques, la cybersécurité » et autres domaines « académiques informatiques », pour aller vers des scénarios de travail humain plus larges : marketing, ventes, chaîne d'approvisionnement, fabrication, finance, droit, santé, éducation, recherche, gouvernance publique, et les systèmes robotiques et d'automatisation dans le monde physique.

Voici une comparaison clé entre le monde réel et le monde théorique :

Tableau comparatif (non traduit, car non fourni dans la source)

En ce sens, l'IA du monde réel n'est pas un modèle, un produit ou une route algorithmique particulière, mais une nouvelle direction pour l'ensemble de l'industrie. Elle reliera le post-entraînement, l'apprentissage par renforcement, l'utilisation d'outils, les systèmes de mémoire, l'intégration des flux de travail, les retours organisationnels, la supervision humaine, les mécanismes de sécurité et la mesure de la valeur économique. Le monde réel deviendra le nouveau terrain d'entraînement de l'IA.

L'IA du monde réel produira une intelligence du monde réel (real-world intelligence). L'intelligence du monde réel est la capacité du modèle formé après avoir reçu des retours du monde réel, ainsi que la capacité de transformer des objectifs en résultats sous des contraintes réelles. Elle ne mesure pas la performance instantanée du modèle sur des problèmes statiques, mais la disponibilité continue, la fiabilité et la capacité de création de valeur d'un système d'IA dans des tâches réelles. Si le cœur de l'intelligence de benchmark (benchmark intelligence) est de savoir si l'on peut obtenir la bonne réponse à une question donnée, alors le cœur de l'intelligence du monde réel (real-world intelligence) est de savoir si l'on peut accomplir un résultat accepté dans une tâche réelle.

Pourquoi la transition du « monde théorique » au « monde réel » est-elle inévitable ?

Cette transition a une nécessité technique et une nécessité économique. Techniquement, les grands modèles de langage ont donné à l'IA la capacité linguistique, les modèles de raisonnement lui ont donné une capacité de réflexion plus forte, et les agents lui ont donné une capacité d'action préliminaire. En examinant le comportement humain, après avoir acquis le langage, la pensée et l'action, l'homme entrera nécessairement dans une phase d'interaction avec le monde réel. L'intelligence n'est pas une capacité qui reste dans l'esprit, mais une capacité à atteindre des objectifs dans un environnement. Par conséquent, la prochaine étape de l'IA est également très claire : entrer dans le monde réel.

Économiquement, la plus grande valeur de la révolution de l'IA ne peut pas rester éternellement dans les questions-réponses, l'écriture et les fragments de code. La véritable libération de productivité vient du déblocage des tâches réelles : un processus de service client automatisé de bout en bout, une due diligence juridique livrée de manière stable, une chaîne d'approvisionnement optimisée dynamiquement, une hypothèse de recherche rapidement validée, un robot collaborant de manière fiable dans un entrepôt ou un foyer. Ce n'est que lorsque l'IA entre dans le flux de travail réel que les entreprises l'intégreront dans leur capacité organisationnelle, que la société l'intégrera dans sa productivité, et que l'humanité ressentira vraiment l'ampleur de cette révolution technologique.

C'est aussi pourquoi « l'IA du monde réel » est plus opérationnelle que de simplement discuter de l'AGI. L'AGI demande si l'IA approche l'intelligence humaine, l'IA du monde réel demande si l'IA peut accomplir des tâches réelles ; l'AGI tend à diriger la discussion vers des capacités infinies, l'IA du monde réel ramène la discussion vers les retours, les résultats, les coûts et la valeur. Elle n'abaisse pas l'objectif de l'IA, mais place cet objectif là où il doit finalement être affronté : la réalité.

Feuille de route et terminologie

Feuille de route

En termes de feuille de route, celle en cinq étapes proposée par OpenAI en 2024 capte globalement la direction allant du chatbot au raisonneur puis à l'agent, mais elle ne décrit pas complètement la transition du monde théorique au monde réel. De plus, les deux dernières étapes, innovateur et organisateur, penchent davantage vers les caractéristiques de capacités que les agents pourraient posséder, plutôt que des formes techniques parallèles au chatbot, au raisonneur et à l'agent ; les critères ne sont pas cohérents. Plus important encore, lorsque cette feuille de route a été proposée, l'industrie n'était pas encore vraiment entrée dans la phase des agents, donc les jugements sur ce qui vient après les agents étaient naturellement incertains.

Au point où l'industrie passe du monde théorique au monde réel, nous avons besoin d'une feuille de route qui puisse mieux guider le travail à long terme. Nous proposons le cadre en cinq étapes suivant : Première, IA Fondation (Foundation AI), phase des modèles de base, l'IA acquiert une représentation générale et une capacité de compression des connaissances ; Deuxième, IA Générative (Generative AI), phase de l'IA générative, l'IA acquiert une capacité de génération en langage naturel et multimodale ; Troisième, IA de Raisonnement (Reasoning AI), phase de l'IA de raisonnement, l'IA acquiert des capacités plus fortes de recherche, de planification, de preuve et de réflexion ; Quatrième, IA Agentique (Agentic AI), phase des agents d'IA, l'IA acquiert la capacité d'action : utiliser des outils, manipuler des logiciels, exécuter des étapes ; Cinquième, IA du Monde Réel (Real-World AI), phase de l'IA du monde réel, l'IA entre dans les flux de travail réels, apprend des retours réels et livre des résultats réels acceptés par les humains, les organisations et les institutions.

Cette feuille de route place « l'IA du monde réel » après l'agent. L'agent résout la question « l'IA peut-elle agir ? », tandis que l'IA du monde réel résout la question « après avoir agi, l'IA produit-elle des conséquences acceptables ? ». L'agent est l'interface, le monde réel est la boucle fermée ; l'agent est la main, l'IA du monde réel est la capacité de travail organisée ; l'agent permet à l'IA d'entrer dans le processus, l'IA du monde réel permet à l'IA d'être acceptée par le processus, d'être digne de confiance pour l'organisation et d'être mesurée économiquement.

Ensuite, l'industrie pourrait entrer dans une phase plus grande : l'IA devient la couche opérationnelle de l'économie et de la société, c'est-à-dire la "couche numérique" que nous avons mentionnée à plusieurs reprises. À ce moment-là, l'IA ne se contente pas d'accomplir des tâches une par une, mais participe au support de décision, à la coordination organisationnelle, à l'allocation des ressources, à la découverte scientifique, au fonctionnement urbain et aux opérations physiques. Mais cet avenir ne pourra se réaliser que si nous parvenons à franchir l'étape de l'IA du monde réel aujourd'hui. Pas de retour réel, pas d'intelligence réelle ; pas de résultat réel, pas de productivité réelle.

Terminologie

Par le passé, nous avons déjà une multitude de termes décrivant le développement actuel de l'IA : AGI, ASI, IA Générative, IA Agentique, IA Incarnée, IA Physique, etc. (Le modèle du monde / World Model ne décrit pas les caractéristiques du développement de l'IA, mais une approche de modèle). Globalement, la plupart de ces termes proviennent d'un angle algorithmique, de capacité ou de support, et peuvent être appelés « descriptions sous l'angle algorithmique ». Ils sont très importants, mais ils tendent aussi à faire dériver la discussion de l'industrie vers des débats abstraits tels que « le modèle est-il assez intelligent », « l'intelligence est-elle infinie », « quand dépassera-t-il l'humain ».

Un bon nom doit avoir un sens de direction : il décrit non seulement ce qu'est la technologie, mais aussi nous rappelle où nous allons finalement et où nous en sommes actuellement. « IA du monde réel » possède ce sens de direction. Elle ne nie pas l'AGI, l'IA Physique ou l'IA Incarnée, mais change la manière de poser les questions : on ne demande plus seulement ce qu'est l'IA techniquement, mais ce que l'IA peut faire économiquement et socialement ; on ne demande plus seulement si l'IA approche l'intelligence humaine, mais si l'IA peut accomplir de manière stable des tâches réelles, créer une valeur réelle et assumer des conséquences réelles.

« IA du monde réel » unit également le monde numérique et le monde physique. Dans le monde numérique, l'IA du monde réel signifie que l'IA entre dans les logiciels d'entreprise, le travail du savoir, les processus de transaction, les processus de R&D, les processus de gouvernance ; dans le monde physique, l'IA du monde réel signifie que les robots, la conduite autonome, la fabrication intelligente, les services domestiques et les infrastructures urbaines apprennent de l'environnement réel. Que le support soit un navigateur, une API, un logiciel de bureau, un bras robotique, un véhicule ou un robot humanoïde, la question centrale est la même : l'IA peut-elle former une boucle fermée dans un environnement réel, accomplir une tâche et être acceptée par la réalité ?

Par conséquent, nous présentons à toute l'industrie l'expression « IA du monde réel / Real-World AI ». Elle peut rassembler chercheurs, entrepreneurs, investisseurs, utilisateurs professionnels et décideurs politiques sur une même carte : passer de l'intelligence de benchmark (benchmark intelligence) à l'intelligence du monde réel (real-world intelligence) ; passer de la période de démonstration de capacités à la période de déblocage de tâches ; passer de la compétition de modèles à la compétition de productivité ; passer de « l'IA semble pouvoir faire » à « l'IA peut vraiment faire ».

L'IA du monde réel n'est pas une fin, mais une entrée. Elle nous rappelle que le travail le plus important de l'IA dans les années à venir n'est pas seulement de créer des modèles plus grands, des contextes plus longs, des démonstrations plus belles, mais de transformer la réalité en cycle d'entraînement, les retours en capacité, les tâches en valeur, et l'IA en une force productive réellement utilisable pour la société humaine.

Pour que cette phase arrive vraiment, l'industrie doit former un nouveau consensus. L'entraînement des modèles doit faire des retours des flux de travail réels une ressource centrale du post-entraînement, plutôt que de simplement courir après les classements existants ; les applications d'IA doivent faire passer les produits de la forme d'assistant à la forme de livraison de tâches, plutôt que de simplement intégrer une fenêtre de chat IA dans un logiciel ; les utilisateurs professionnels doivent faire passer l'évaluation de l'IA de « est-ce facile à utiliser ? » à « peut-il accomplir de façon stable des tâches clés ? » ; les investisseurs doivent, au-delà des paramètres des modèles et des effets de démonstration, réévaluer la vitesse de déblocage des tâches, la profondeur de la boucle de retour et le coût unitaire de production ; les décideurs politiques doivent établir des cadres de données, de responsabilité, de sécurité et d'audit pour que l'adoption dans le monde réel puisse se développer dans la confiance.

C'est la signification de « l'IA du monde réel » en tant que terme. Elle concentre l'attention dispersée de l'industrie en une direction commune : faire sortir l'IA de la scène de démonstration pour l'amener sur le site de production ; la faire sortir des banques de questions pour l'amener dans les organisations ; la faire sortir des réponses uniques pour l'amener dans un retour continu ; la faire sortir de l'intelligence abstraite pour l'amener vers la valeur réelle. We are at AI’s reality moment. La prochaine frontière de l'IA n'est pas un autre benchmark, la prochaine frontière est le monde réel.

Le monde réel deviendra le nouveau terrain d'entraînement de l'IA.

Reality is becoming the next training loop for AI.