Aller au contenu principal
Et si la course actuelle à l’IA se trompait de cible ? Dans un entretien accordé à Y Combinator fin avril 2026, Demis Hassabis a défendu une idée aussi simple qu’inconfortable : les grands modèles de langage impressionnent, mais ils ne ressemblent encore ni à un esprit stable, ni à un inventeur.
Demis Hassabis casse l’idée selon laquelle les LLM mèneraient seuls à l’AGI
Depuis deux ans, les grands modèles de langage (LLM) donnent l’impression d’avancer à toute vitesse. Ils écrivent, traduisent, résument et programment. Ils improvisent même parfois avec un aplomb troublant. Pourtant, derrière cette démonstration de force, Demis Hassabis rappelle qu’un système capable de parler du monde ne sait pas forcément le comprendre durablement.
Dans ce podcast, le patron de Google DeepMind situe toujours l’arrivée possible d’une intelligence artificielle générale (AGI) vers 2030. Mais il ajoute aussitôt une nuance décisive. Les briques actuelles existent, dit-il, sans que l’édifice tienne encore debout. La route n’est donc pas bloquée par un simple manque de puissance. Elle bute sur des défauts d’architecture plus profonds.
Trois blocages techniques montrent pourquoi les LLM restent encore instables
Le premier problème porte sur l’apprentissage continu. Un LLM avale des masses de données, puis reste largement figé jusqu’à une nouvelle phase d’entraînement. C’est très efficace pour accumuler des connaissances. Cela l’est beaucoup moins pour apprendre au fil du temps, corriger ses repères, affiner ses intuitions et trier l’utile.
Vient ensuite le raisonnement à long terme, sans doute le point le plus troublant. Hassabis décrit une intelligence en dents de scie. Le même système peut résoudre un problème spectaculaire, puis s’effondrer sur une variante très simple. Ce contraste fascine le public. Il inquiète pourtant les chercheurs, car une intelligence générale ne devrait pas avancer par éclairs isolés.
La mémoire complète ce trio de blocages. Dans les architectures actuelles, le contexte se remplit souvent d’informations inégales, redondantes ou carrément fausses. Résultat, le modèle confond parfois rappel fidèle, association approximative et pure invention. Tant que cette mémoire restera aussi peu structurée, l’idée d’une IA vraiment robuste gardera quelque chose de fragile.
Le test d’Einstein révèle la limite entre imitation brillante et invention réelle
Pour mesurer cette limite, Hassabis évoque une expérience presque romanesque. Il ne s’agit plus de demander à une IA de reformuler des connaissances existantes. Il s’agit de redécouvrir une idée absente de son corpus. En clair, retrouver seule des percées d’Einstein à partir d’un monde documentaire arrêté avant leur publication.
L’enjeu est immense, car il touche à ce que beaucoup confondent encore avec de la simple performance. Prédire le mot suivant, même avec génie, ne suffit pas à produire une théorie neuve. Pour franchir ce cap, un système doit relier des observations. Il doit repérer des contradictions, formuler des hypothèses, puis tenir cette piste malgré l’incertitude. C’est là que les LLM actuels montrent leur plafond conceptuel.
AlphaFold esquisse une autre route vers l’AGI, plus hybride et ancrée dans le réel
C’est ici qu’AlphaFold devient passionnant. Ce système, qui a valu à Demis Hassabis et John Jumper une part du prix Nobel de chimie 2024, n’est pas un chatbot universel. Il vise un objectif précis. Sa structure répond à un problème concret : prédire la forme des protéines et, avec AlphaFold 3, leurs interactions avec d’autres molécules.
Le signal envoyé au secteur est presque contre-intuitif. Les progrès les plus transformateurs ne viennent pas toujours du modèle le plus bavard. Ils viennent souvent du modèle le mieux arrimé au réel. Lorsqu’une IA s’ancre dans des contraintes physiques, biologiques ou expérimentales, elle paraît moins spectaculaire. Elle devient pourtant bien plus utile pour la science, la médecine ou l’environnement.
C’est pour cela que la vision de Hassabis converge avec celle des World Models. L’idée n’est plus de bâtir un cerveau géant unique. Il s’agit plutôt d’assembler des systèmes spécialisés, capables de mieux représenter le monde réel. Si ce virage se confirme, la prochaine révolution de l’IA sera peut-être moins bavarde, mais bien plus profonde.
Par Gabrielle Andriamanjatoson, le
Catégories: Sciences, Actualités