AGI/Singularité: 10 000 prédictions analysées
L’intelligence artificielle générale (AGI) survient lorsqu’un système d’IA égale les capacités cognitives humaines dans toutes les tâches. Nous avons analysé 10 000 prédictions des chercheurs en IA‘, principaux entrepreneurs‘, et de la communauté concernant le calendrier de l’AGI :
L’AGI/singularité arrivera-t-elle ? L’AGI est inévitable selon la plupart des experts en IA.
Quand atteindrons-nous l’AGI ? Entre la fin des années 2020 et le début des années 2030. Le calendrier de l’AGI s’est raccourci après le lancement de ChatGPT.
Calendrier de l’intelligence artificielle générale
La chronologie ci-dessus présente l’année anticipée de la singularité, basée sur des informations recueillies à partir de 10 enquêtes auprès de plus de 6 000 participants, des réponses de 18 chercheurs en IA, et des perspectives communautaires issues des marchés de prédiction Manifold, Kalshi et Metaculus.
Comme vous pouvez le voir ci-dessus, les répondants aux enquêtes s’attendent de plus en plus à ce que la singularité se produise plus tôt que prévu. Découvrez les méthodes que nous avons utilisées pour créer ce graphique.
Prédictions de l’AGI issues des marchés de prédiction
Pour les marchés de prédiction et les prédictions issues de la communauté, nous avons utilisé :
3 900 prédictions issues de Manifold, Kalshi et Metaculus, qui sont des marchés de prédiction en ligne où les participants échangent sur la probabilité et le moment des événements futurs pour réaliser des gains ou de la réputation. Nous avons également inclus la date de prédiction moyenne obtenue à partir de ces marchés de prédiction.
Autres questions clés sur l’AGI
Quel est notre statut actuel concernant l’AGI ?
Bien que l’IA étroite dépasse les humains dans des tâches spécifiques, une machine intelligente n’existe pas. Certains chercheurs affirment que les grands modèles de langage montrent des capacités généralistes émergentes.1 Selon notre benchmark AGI, les machines sont loin de générer de la valeur économique de manière autonome.
Comment pouvons-nous atteindre l’AGI ?
Soit en ajoutant davantage de calcul et de données aux architectures actuelles comme les transformers, soit en inventant de nouvelles approches. Il n’y a pas encore de consensus scientifique sur la méthode pour atteindre l’AGI ou pour la valider.
Ci-dessous, vous pouvez voir un résumé des prédictions qui composent cette chronologie, ou voir le tableau complet.
Résultats des principales enquêtes auprès des chercheurs en IA
Nous avons examiné les résultats de 10 enquêtes impliquant plus de 6 000 chercheurs et experts en IA, dans lesquelles ils ont estimé quand l’AGI/singularité pourrait se produire.
Bien que les prédictions varient, la plupart des enquêtes indiquent une probabilité de 50 % d’atteindre l’AGI entre 2040 et 2061, certains estimant que la superintelligence pourrait suivre d’ici quelques décennies.
Enquête d’experts sur les progrès de l’IA
En octobre 2023, IA Impacts a interrogé 2 778 chercheurs en IA sur la date à laquelle l’AGI pourrait être atteinte. Cette enquête comprenait des questions presque identiques à celle de 2022. Sur la base des résultats de l’Enquête d’experts sur les progrès de l’IA, l’intelligence machine de haut niveau est estimée se produire d’ici 2040.2
Enquête d’experts sur les progrès de l’IA
L’enquête a été menée auprès de 738 experts ayant publié aux conférences NIPS et ICML 2021. Sur la base des résultats de l’Enquête d’experts sur les progrès de l’IA, les experts estiment qu’il y a une probabilité de 50 % que l’intelligence machine de haut niveau se produise d’ici 2059.3
Les experts ont également prédit que le coût du matériel, les progrès algorithmiques et les travaux sur les ensembles d’entraînement seraient les principaux facteurs de progrès de l’IA.
Enquête sur la prévision des progrès de l’IA
Baobao Zhang a interrogé 296 experts en IA en 2019, leur demandant de prédire quand les machines dépasseraient le travailleur humain médian dans l’exécution de plus de 90 % des tâches économiquement pertinentes. Selon les résultats de l’Enquête sur la prévision des progrès de l’IA, la moitié des répondants ont estimé que cela se produirait avant 2060.4
Enquête des experts en IA sur le calendrier de l’AGI
Les prédictions de l’Enquête des experts en IA sur le calendrier de l’AGI en 20195 sont :
- 45 % des répondants prédisent une date avant 2060.
- 34 % de l’ensemble des participants ont prédit une date après 2060.
- 21 % des participants ont prédit que la singularité ne se produirait jamais.
Enquête sur l’impact potentiel de l’IA sur le déplacement de la main-d’œuvre
Ross Gruetzemacher a interrogé 165 experts en IA en 2018 pour évaluer l’impact potentiel de l’IA sur le déplacement de la main-d’œuvre. Les experts ont été invités à estimer quand les systèmes d’IA seraient capables d’effectuer 99 % des tâches pour lesquelles les humains sont actuellement rémunérés, à un niveau égal ou supérieur à celui d’un humain moyen.
Sur la base des résultats de l’enquête sur l’impact potentiel de l’IA sur le déplacement de la main-d’œuvre, la moitié des répondants ont prédit que ce jalon serait atteint avant 2068, tandis que 75 % prévoyaient qu’il se produirait dans les 100 prochaines années.6
Enquête auprès des experts en IA des conférences NIPS et ICML
En mai 2017, 352 experts en IA ayant publié aux conférences NIPS et ICML 2015 ont été interrogés.7
Sur la base des résultats de l’enquête des conférences NIPS et ICML, les experts estiment une probabilité de 50 % que l’AGI se produise d’ici 2060. Cela dit, il existe une différence d’opinion significative selon la géographie :
- Les répondants asiatiques s’attendent à l’AGI dans 30 ans,
- Les Nord-Américains l’attendent dans 74 ans.
Certaines fonctions professionnelles importantes qui devraient être automatisées d’ici 2030 incluent les proxy de centres d’appels, la conduite de camions et la vente au détail.
Enquête sur les progrès futurs de l’intelligence artificielle
Vincent C. Muller, président de l’Association européenne pour les systèmes cognitifs, et Nick Bostrom, de l’Université d’Oxford, qui a publié plus de 200 articles sur la superintelligence et l’intelligence artificielle générale (AGI), ont mené l’enquête sur les progrès futurs de l’intelligence artificielle en 2012 et 2013. 550 participants ont répondu à la question : Quand l’AGI est-elle susceptible de se produire ?8
Selon les résultats de l’enquête sur les progrès futurs de l’intelligence artificielle :
- Les experts en IA interrogés estiment que l’AGI émergera probablement (plus de 50 % de chances) entre 2040 et 2050 et qu’il est très probable (90 % de chances) qu’elle apparaisse d’ici 2075.
- Une fois l’AGI atteinte, la plupart des experts affirment qu’elle évoluera vers la super-intelligence relativement rapidement, avec un délai allant d’aussi peu que 2 ans (peu probable, 10 % de probabilité) à environ 30 ans (probabilité élevée, 75 %).
Enquête auprès des experts en IA participant à la conférence AGI-09
Sur la base des résultats de l’enquête menée auprès de 21 experts en IA participant à la conférence AGI-09 en 2009, l’AGI se produira vers 2050, et plausiblement plus tôt.9 Vous pouvez voir ci-dessous leurs estimations concernant des réalisations spécifiques de l’IA : réussir le test de Turing, passer la troisième année, accomplir des percées scientifiques dignes du Nobel et atteindre une intelligence surhumaine.
Figure 1 : Résultats de l’enquête distribuée aux participants de la conférence Artificial General Intelligence 2009 (AGI-09).
Perspectives communautaires
Nous avons également évalué les prédictions de Samotsvety Forecasting et de la communauté Metaculus sur l’AGI, ainsi que les résultats des marchés de prédiction de Manifold, Kalshi et Polymarket :
Samotsvety Forecasting
Samotsvety Forecasting est une équipe de prévisionnistes qui fait des prédictions probabilistes sur des événements du monde réel, en particulier en géopolitique, technologie et risques mondiaux, en utilisant un raisonnement structuré et des méthodes quantitatives. Ils affichent un solide historique compétitif sur les principales plateformes et tournois de prévision (par ex., INFER/CSET-Foretell), où leur précision est mesurée à l’aide de métriques de notation formelles telles que le score de Brier.10
En janvier 2026, l’équipe a mis à jour ses prédictions sur l’AGI avec 8 prévisionnistes.11 Voici les résultats agrégés :
- Probabilité de 10 % que nous atteignions l’AGI en 2026
- Probabilité de 50 % que nous atteignions l’AGI d’ici 2041
- Probabilité de 90 % que nous atteignions l’AGI d’ici 2164
Dans une prévision antérieure de 2022, l’équipe estimait une probabilité de 32 % d’AGI d’ici 20 ans (d’ici ~2042) et 73 % d’ici 2100, toutes deux inférieures à leurs projections actuelles.12
Marché Manifold
En juillet 2026, plus de 1 100 contributeurs du marché Manifold ont prédit que l’année où une IA passera pour la première fois un « test de Turing contradictoire de haute qualité » serait 2035.13
Marché de prédiction Kalshi
En juillet 2026, les contributeurs du marché de prédiction Kalshi estiment qu’il y a une probabilité de 40 % que OpenAI atteigne l’AGI d’ici 2030.14
Polymarket
Les résultats des prédictions de Polymarket en juillet 2026 indiquaient qu’il y a une probabilité de 10 % que OpenAI atteigne l’AGI d’ici 2027.15
Prédictions de la communauté Metaculus
En juillet 2026 :
- 1 800 participants ont répondu à la question « Quand le premier système d’IA faiblement général sera-t-il conçu, testé et annoncé publiquement ? » et la prédiction est 2028.16
- 180 participants ont répondu à la question « Quand une IA passera-t-elle pour la première fois un test de Turing long, informé et contradictoire ? » et leur prédiction est 2029.17
- 1 900 participants ont répondu à la question « Quand le premier système d’IA générale sera-t-il conçu, testé et annoncé publiquement ? » et leur prédiction est 2032.18
En 2022, 81 participants ont répondu à la question « Quand les meilleurs prévisionnistes s’attendent-ils à ce que la première intelligence artificielle générale soit développée et démontrée ? » et leur prédiction était 2035.19
Perspectives d’entrepreneurs et de chercheurs individuels en IA
Les entrepreneurs en IA font également des estimations sur le moment où nous atteindrons la singularité, et ils sont plus optimistes que les chercheurs. Cela est attendu car ils bénéficient de l’intérêt accru pour l’IA.
Leurs avis divergent sur sa vitesse et son cheminement. Amodei de Anthropic s’attend à ce que l’AGI arrive à court terme en raison de progrès auto-renforçants rapides, tandis que Hassabis de DeepMind la juge plausible mais reste prudent, citant des défis non résolus en matière de créativité scientifique et d’auto-amélioration autonome.
Voici les prédictions de 15 des entrepreneurs et chercheurs en IA les plus éminents :
- Shane Legg, cofondateur de DeepMind Technologies, définit l’AGI minimale comme un agent artificiel capable d’exécuter de manière fiable l’ensemble des tâches cognitives qu’un humain moyen peut accomplir, sans échouer de manière qui nous surprendrait si une personne se voyait confier la même tâche. Sa prédiction en janvier 2026 est qu’il y a une probabilité de 50 % que l’AGI minimale se produise d’ici 2028.
- Selon Legg, atteindre l’AGI minimale ne signifie pas que nous comprenons pleinement ou pouvons reproduire les formes les plus élevées de l’intelligence humaine, comme les grandes percées scientifiques ou les réalisations artistiques. L’AGI complète serait atteinte lorsque l’IA pourra égaler tout le spectre de la cognition humaine.20
- Dario Amodei, PDG d’Anthropic, a exprimé une forte confiance dans le fait que les systèmes de niveau AGI arrivent à court terme lors du Forum économique mondial de 2026 à Davos. Il a déclaré que l’AGI se produira probablement d’ici quelques années (2027), peut-être plus tôt que largement attendu.
- Il soutient que les progrès rapides du codage et de l’automatisation de la recherche en IA sont essentiels, permettant aux systèmes d’IA de gérer la plupart des tâches d’ingénierie logicielle de bout en bout et d’accélérer leur propre développement grâce à des boucles de rétroaction.
- Bien qu’il reconnaisse des contraintes telles que la disponibilité du matériel et le temps d’entraînement, il considère qu’un calendrier plus long est improbable et anticipe une accélération rapide une fois ces boucles matures.21
- Lors du même événement en 2026, Demis Hassabis, fondateur de DeepMind, a maintenu une perspective plus prudente, réitérant une estimation d’environ une probabilité de 50 % d’atteindre l’AGI d’ici la fin de la décennie (2030).
- Hassabis convient que les progrès sont rapides dans des domaines vérifiables comme le codage et les mathématiques, mais souligne que la découverte scientifique et le raisonnement créatif restent plus difficiles.
- Il met en évidence les limitations non résolues dans la génération de nouvelles questions et théories et exprime une incertitude quant à l’auto-amélioration pleinement autonome, en particulier dans les domaines complexes du monde réel, ce qui, selon lui, rend les délais de l’AGI moins certains.
- Combinant les progrès de l’IA en matière de raisonnement, de programmation et de mathématiques, Eric Schmidt, ancien PDG de Google, déclare que nous dirigeons vers l’intelligence artificielle générale d’ici 3 à 5 ans (comme indiqué en avril 2025).22
- Elon Musk s’attend à ce qu’une intelligence artificielle plus intelligente que le plus intelligent des humains soit développée d’ici 2026.23
- En février 2025, l’entrepreneur et investisseur Masayoshi Son l’a prédit dans 2 à 3 ans (c’est-à-dire 2027 ou 2028).
- En mars 2024, le PDG de Nvidia, Jensen Huang, a prédit que d’ici cinq ans, l’IA égalerait ou dépasserait les performances humaines sur n’importe quel test : 2029.24
- Louis Rosenberg, informaticien, entrepreneur et écrivain, d’ici 2030.
- Ray Kurzweil, informaticien, entrepreneur et auteur de 5 best-sellers nationaux, dont The Singularity Is Near : Précédemment 2045, en 2024, 2032.25
- En 2023, Hinton a estimé que l’AGI pourrait prendre de 5 à 20 ans.26
- Sam Altman, PDG d’OpenAI, d’ici 2035. Il a mentionné « quelques milliers de jours » en 2024 dans son blog « The Intelligence Age ».
- Ajeya Cotra, chercheuse en IA, a analysé la croissance de la puissance de calcul d’entraînement et estimé une probabilité de 50 % que l’IA dotée de capacités humaines émerge d’ici 2040.27
- Patrick Winston, professeur au MIT et directeur du laboratoire d’intelligence artificielle du MIT de 1972 à 1997, a mentionné 2040, en soulignant que bien que ce soit une date à laquelle cela se produirait, il est difficile de l’estimer..
- Jürgen Schmidhuber, co-fondateur de la société d’IA NNAISENSE et directeur du laboratoire d’IA suisse IDSIA, d’ici 2050.26
Autres commentaires et développements sur l’AGI
Panel présidentiel de l’AAAI sur l’avenir de la recherche en IA
475 répondants, principalement issus du milieu universitaire (67 %) et d’Amérique du Nord (53 %), ont été interrogés sur les progrès de l’IA. Bien que l’enquête du panel présidentiel de l’AAAI 2025 sur l’avenir de la recherche en IA n’ait pas demandé de calendrier pour l’AGI, 76 % des répondants ont indiqué qu’il était peu probable que la mise à l’échelle des approches actuelles de l’IA conduise à l’AGI.28
OpenAI étend ses ambitions en robotique
OpenAI accroît son accent sur la robotique dans le cadre de son objectif de faire progresser l’intelligence artificielle générale. L’entreprise recrute des spécialistes des systèmes de robots humanoïdes et constitue une équipe pour concevoir des algorithmes qui aident les robots à apprendre et à agir de manière indépendante dans le monde physique.
Cela marque un changement par rapport à l’accent précédent d’OpenAI sur les modèles de langage et d’images. L’entreprise vise désormais à relier le raisonnement avancé à l’interaction physique, suggérant qu’elle considère la robotique comme une étape essentielle vers le test et la réalisation de l’AGI.
Contexte et implications
Après avoir mis fin à sa première équipe de robotique vers 2020, OpenAI revient au développement actif dans le domaine. Les récents recrutements et partenariats potentiels indiquent un effort renouvelé pour construire des robots capables d’apprentissage et de manipulation dans le monde réel.
En combinant des modèles d’IA à grande échelle avec des données sensorielles, OpenAI vise à créer des systèmes capables de raisonner et d’opérer en dehors des environnements numériques. Le recrutement d’experts en robotique humanoïde indique également des objectifs à long terme qui vont au-delà de l’automatisation et vers des robots capables de travailler en toute sécurité aux côtés des humains.29
Rapport de Microsoft sur les premières expériences avec GPT-4
Microsoft Research a étudié une première version de OpenAI’s GPT-4 en 2023. Le rapport affirmait qu’il montrait une intelligence générale supérieure à celle des modèles d’IA précédents, performant à un niveau humain dans des domaines comme les mathématiques, le codage et le droit. Cela a suscité un débat sur la question de savoir si GPT-4 était une forme préliminaire d’intelligence artificielle générale. 30
Le rapport « La route vers l’intelligence artificielle générale » du MIT
Le rapport « La route vers l’intelligence artificielle générale » d’août 2025 prévoit que des systèmes de type AGI précoce pourraient commencer à émerger entre 2026 et 2028, montrant un raisonnement de niveau humain dans des domaines spécifiques, des capacités multimodales à travers le texte, l’audio et les interfaces physiques, et une autonomie limitée orientée vers des objectifs.
Le rapport combine des prévisions agrégées et suggère une probabilité de 50 % que plusieurs jalons généralisés, tels que le transfert de connaissances et le raisonnement large, seront atteints d’ici 2028.
Les projections à plus long terme estiment que les machines pourraient dépasser les performances humaines dans toutes les tâches économiquement utiles d’ici environ 2047, sous réserve de progrès en efficacité de calcul, de percées algorithmiques et d’apprentissage autonome.31
IA Frontiers sur les probabilités de l’AGI
Adam Khoja et Laura Hiscott d’IA Frontiers, une plateforme de débats et de dialogues sur l’IA, estiment une probabilité de 50 % d’atteindre l’AGI d’ici 2028 et une probabilité de 80 % d’ici 2030, en utilisant leur définition quantitative de l’AGI.32
Khoja et Hiscott évaluent les progrès vers l’intelligence artificielle générale en utilisant une définition développée par Khoja, Dan Hendrycks et leurs co-auteurs.33 Leur cadre mesure dix capacités cognitives et attribue à GPT-4 un score de 27 % et à GPT-5 un score de 57 %. Cela indique que les modèles actuels sont à peu près à mi-chemin du seuil défini pour l’AGI.
Khoja et Hiscott soutiennent que les discussions traditionnelles sur les calendriers de l’AGI manquent de précision parce qu’elles reposent sur des définitions incohérentes. Leur cadre standardisé vise à créer de la clarté en identifiant les forces et les faiblesses spécifiques des modèles actuels. Ils notent que la lecture, l’écriture, les mathématiques et les connaissances générales atteignent ou dépassent les niveaux de référence humains et ne sont plus des facteurs limitants.
Les auteurs soulignent les lacunes restantes dans le raisonnement visuel, la physique intuitive, le traitement auditif, la vitesse dépendante de la perception, et la mémoire de travail visuelle et auditive. Ils signalent des améliorations rapides sur des benchmarks tels que SPACE et MindCube et suggèrent que ces lacunes peuvent probablement être comblées par des recherches incrémentales continues. Ils observent également que les hallucinations restent une préoccupation mais sont traitables étant donné les différences de performance entre les principaux modèles.
Selon Khoja, Hiscott et Hendrycks, l’obstacle restant le plus important est l’apprentissage continu et le stockage de la mémoire à long terme. Les systèmes actuels ne peuvent pas conserver l’information d’une session à l’autre, et la résolution de cette limitation nécessitera au moins une percée significative. Cependant, les auteurs soulignent que les grands laboratoires d’IA accordent désormais la priorité à ce domaine.
Apprendre du suroptimisme passé dans les prédictions de l’IA
Gardez à l’esprit que les chercheurs en IA ont été trop optimistes par le passé. En voici des exemples :
- Geoff Hinton a affirmé en 2016 que nous n’aurions plus besoin de radiologistes d’ici 2021 ou 2026. Jusqu’à présent, la radiologie n’a pas été entièrement automatisée et les hôpitaux en ont besoin par milliers.34
- Pionnier de l’IA Herbert A. Simon en 1965 : « les machines seront capables, d’ici vingt ans, de faire tout travail qu’un homme peut faire. »35
- L’ordinateur de cinquième génération du Japon en 1980 avait un calendrier de dix ans avec des objectifs comme « mener des conversations informelles. »36
Cette expérience historique a contribué à ce que la plupart des scientifiques actuels évitent de prédire l’AGI dans des délais audacieux comme 10-20 ans, mais cela a changé avec l’essor de l’IA générative.
Comprendre ce qu’est la singularité
L’intelligence artificielle nous effraie et nous intrigue. Presque chaque semaine, il y a une nouvelle frayeur liée à l’IA dans les actualités, comme des développeurs effrayés par ce qu’ils ont créé ou fermant des bots parce qu’ils sont devenus trop intelligents.37
La plupart de ces mythes résultent d’une recherche mal interprétée par ceux qui ne sont pas dans les domaines de l’IA et de l’IA générative. Certains acteurs prétendent craindre l’IA parce qu’ils pourraient tirer profit d’une réglementation accrue, ou cela pourrait leur apporter plus d’attention.
La plus grande crainte concernant l’IA est la singularité (aussi appelée intelligence artificielle générale ou AGI), un événement qui devrait entraîner une augmentation rapide de l’intelligence machine. Cela est prévu lorsqu’un système combine une pensée de niveau humain avec une vitesse surhumaine et une mémoire quasi parfaite rapidement accessible. Selon certains experts, la singularité implique également la conscience machine.
Une telle machine pourrait s’auto-améliorer et dépasser les capacités humaines. Avant même que l’intelligence artificielle ne soit un sujet de recherche en informatique, des écrivains de science-fiction comme Asimov s’en préoccupaient. Ils concevaient des mécanismes (c’est-à-dire les lois de la robotique d’Asimov) pour assurer la bienveillance des machines intelligentes, ce qu’on appelle plus communément aujourd’hui la recherche sur l’alignement.
Pourquoi les experts pensent que l’AGI est inévitable : principaux arguments et preuves
Atteindre l’AGI ressemble à une prédiction folle, mais cela semble un objectif tout à fait raisonnable quand on considère que l’intelligence humaine est fixe et que l’intelligence machine est en croissance. Ce n’est qu’une question de temps avant que les machines ne nous dépassent, à moins qu’il n’y ait une limite stricte à leur intelligence. Nous n’avons pas encore rencontré une telle limite.
L’intelligence humaine est fixe, sauf si nous fusionnons d’une manière ou d’une autre nos capacités cognitives avec les machines. La startup de dentelle neuronale d’Elon Musk vise à le faire, mais la recherche sur les interfaces cerveau-ordinateur en est à ses débuts.38
L’intelligence machine dépend des algorithmes, de la puissance de traitement et des données.
- La puissance de traitement a augmenté de manière exponentielle à mesure que les investissements affluent dans la R&D et les centres de données.
- Jusqu’à présent, nous avons réussi à fournir aux machines les algorithmes nécessaires pour utiliser efficacement leur puissance de traitement et leur mémoire.
- Enfin, les entreprises et les particuliers créent des données numériques à un rythme croissant. Les données synthétiques peuvent corrompre les modèles ou les augmenter. Même si elles les corrompent, c’est un problème soluble grâce à la curation des données.
Réalisations récentes
Opus 4.6
En février 2026, Claude a publié Opus 4.6 avec une fenêtre de contexte de 1M et des résultats de benchmark impressionnants.
Anthropic se concentre également sur les cas d’utilisation en publiant des plugins comme Claude legal, qui sont des fichiers markdown pour aider les modèles à naviguer dans des domaines spécifiques. Bien que cela ait été un ajout mineur à Claude, cela a déclenché une vente massive sur le marché boursier, y compris SaaS et les logiciels juridiques.39
Gemini Deep Think
Un autre exemple est le mode deep think de Gemini de DeepMind, qui a obtenu une performance de médaille d’or aux Olympiades internationales de mathématiques de 2025, marquant un pas significatif dans la capacité de l’IA à raisonner sur des problèmes complexes.
Fonctionnant entièrement en langage naturel, Gemini a résolu cinq problèmes sur six dans la fenêtre officielle de 4.5 heures du concours, tout en produisant des preuves claires et lisibles par l’homme sans recourir à des outils symboliques formels.
Ses capacités proviennent de plusieurs innovations : le mode Deep Think permet une exploration parallèle des chemins de solution, l’entraînement intègre des preuves mathématiques de niveau expert, et l’apprentissage par renforcement affine son approche stratégique.
Ces progrès démontrent que l’IA avancée peut désormais s’engager dans un raisonnement sophistiqué et interprétable à un niveau autrefois réservé aux meilleurs résolveurs de problèmes humains.40
Opencrawl
Opencrawl est un projet open source visant à transformer les LLM en agents. Il est devenu l’un des projets les plus populaires sur GitHub et a lancé l’écosystème opencrawl.
Croissance exponentielle
Voici une analogie utile pour comprendre la croissance exponentielle. Bien que les machines ne semblent pas très intelligentes actuellement, elles peuvent devenir assez intelligentes dans un avenir proche.
Croissance récente des capacités de calcul de l’IA
Figure 2 : La figure montre un résumé des schémas de croissance de la puissance de calcul observés dans diverses catégories : modèles notables dans l’ensemble (en haut à gauche), modèles de pointe (en haut à droite), principaux modèles de langage (en bas à gauche) et meilleurs modèles des grandes entreprises (en bas à droite).
Les ressources de calcul pour l’entraînement des modèles d’IA ont considérablement augmenté, environ deux tiers de la performance des modèles de langage étant attribués à l’amélioration de l’échelle du modèle.
Selon un article de 2024,41 la croissance de l’utilisation de la puissance de calcul pour l’entraînement des modèles d’IA a constamment augmenté d’environ 4 à 5x par an, reflétant les tendances des modèles notables, des modèles de pointe et des grandes entreprises comme OpenAI, Google DeepMind et Meta IA (voir Figure 2).
Cependant, le taux de croissance a quelque peu ralenti depuis 2018, surtout pour les modèles de pointe, mais les modèles de langage ont connu une croissance plus rapide jusqu’à 9x/an jusqu’à la mi-2020, après quoi le rythme a ralenti à 4-5x/an.
La tendance globale de la croissance de la puissance de calcul de l’IA reste forte, et les projections suggèrent que le taux de croissance de 4-5x/an se poursuivra à moins que de nouveaux défis ou percées ne surviennent. Cette croissance se manifeste également dans les stratégies de mise à l’échelle des grandes entreprises d’IA, bien que de légères variations existent entre elles.
Malgré un ralentissement de la croissance des modèles de pointe, les modèles plus grands publiés aujourd’hui, tels que GPT-4 et Gemini Ultra, s’alignent étroitement sur la trajectoire de croissance prévue.
Si l’informatique classique ralentit, l’informatique quantique pourrait combler le vide
L’informatique classique nous a menés assez loin. Les algorithmes d’IA sur des ordinateurs classiques peuvent dépasser les performances humaines dans des tâches spécifiques comme le jeu d’échecs ou de Go. Par exemple, AlphaGo Zero a battu AlphaGo par 100-0. AlphaGo avait battu les meilleurs joueurs du monde.42 Cependant, nous approchons des limites de la vitesse des ordinateurs classiques.
La loi de Moore, qui repose sur l’observation que le nombre de transistors dans un circuit intégré dense double environ tous les deux ans, implique que le coût de l’informatique est divisé par deux environ tous les deux ans.
D’autre part, la plupart des experts pensent que la loi de Moore touche à sa fin au cours de cette décennie.43 Cependant, des efforts sont faits pour continuer à améliorer l’efficacité de l’informatique.
Par exemple, DeepSeek a surpris les marchés mondiaux avec son modèle R1 en proposant un modèle de raisonnement à une fraction du coût de ses concurrents, comme OpenAI.
L’informatique quantique, qui est encore une technologie émergente, peut contribuer à réduire les coûts de calcul après la fin de la loi de Moore. L’informatique quantique repose sur l’évaluation simultanée de différents états, alors que les ordinateurs classiques ne peuvent calculer qu’un état à la fois.
La nature unique de l’informatique quantique peut être utilisée pour entraîner efficacement les réseaux de neurones, actuellement l’architecture d’IA la plus populaire dans les applications commerciales. Les algorithmes d’IA fonctionnant sur des ordinateurs quantiques stables ont une chance de débloquer la singularité.
Pourquoi certains experts pensent-ils que nous n’atteindrons pas l’AGI ?
Il existe 3 principaux arguments contre l’importance ou l’existence de l’AGI. Nous les avons examinés avec leurs réfutations courantes :
1- L’intelligence est multidimensionnelle
Par conséquent, l’AGI sera différente, pas nécessairement supérieure à l’intelligence humaine.
C’est vrai, et l’intelligence humaine est également différente de l’intelligence animale. Certains animaux sont capables d’exploits mentaux, comme les écureuils qui se souviennent de l’endroit où ils ont caché des centaines de noix pendant des mois.
Yann LeCun, l’un des pionniers de l’apprentissage profond, estime que nous devrions abandonner le mot AGI et nous concentrer sur la réalisation de « l’intelligence machine avancée ».44 Il soutient que l’esprit humain est spécialisé et que l’intelligence est un ensemble de compétences et la capacité d’en acquérir de nouvelles. Chaque humain peut accomplir un sous-ensemble de tâches relevant de l’intelligence humaine.45
Il est également difficile de comprendre le niveau de spécialisation de l’esprit humain, en tant qu’humains, puisque nous ne connaissons pas et ne pouvons pas expérimenter tout le spectre de l’intelligence.
Dans les domaines où les machines ont montré une intelligence surhumaine, les humains ont pu les battre en exploitant les faiblesses spécifiques des machines. Par exemple, un amateur a pu battre un programme de Go qui était au niveau des programmes de Go ayant battu des champions du monde en étudiant et en exploitant les faiblesses du programme.46
2- L’intelligence n’est pas la solution à tous les problèmes
Science
Même la meilleure machine analysant les données existantes pourrait ne pas être capable de trouver un remède contre le cancer. Elle pourrait avoir besoin de mener des expériences dans le monde réel et d’analyser les résultats pour découvrir de nouvelles connaissances dans la plupart des domaines.
Plus d’intelligence peut conduire à des expériences mieux conçues et gérées, permettant plus de découvertes par expérience. L’histoire de la productivité de la recherche devrait le démontrer, mais les données sont assez bruitées et il y a des rendements décroissants dans la recherche. Nous rencontrons des problèmes plus difficiles comme la physique quantique à mesure que nous résolvons des problèmes plus simples comme le mouvement newtonien.
Enfin, des prédictions parfaites peuvent ne pas être possibles dans certains domaines en raison de l’aléa inhérent ou de l’incommensurabilité de ce domaine. Par exemple, même avec une abondance de données, nous ne sommes pas capables de prédire certaines issues de vie avec un haut niveau de précision.47
Économie
L’intelligence n’est pas l’ingrédient de la création de valeur économique.
- Le QI, la mesure la plus communément acceptée de l’intelligence humaine, n’est pas corrélé avec la valeur nette pour des valeurs supérieures à environ 40k$ (voir l’image ci-dessous) :
Figure 3 : Le QI est corrélé à la richesse à de faibles niveaux de richesse.48
Figure 4 : Le QI n’est pas corrélé à la richesse si l’on se concentre sur les niveaux élevés de richesse. Ce graphique est le même que le précédent, sauf que les niveaux de revenu net inférieurs à 40k$ ont été masqués.
- Dans le monde de l’investissement, l’intelligence de l’équipe d’une entreprise n’est pas considérée comme un facteur de compétitivité. On suppose implicitement que d’autres entreprises peuvent également identifier des stratégies intelligentes. Les investisseurs préfèrent les entreprises dotées d’avantages injustes qui incluent la propriété intellectuelle, l’échelle, l’accès exclusif aux ressources, etc. La plupart de ces avantages injustes ne peuvent pas être reproduits uniquement par l’intelligence.
3- L’AGI n’est pas possible car il est impossible de modéliser le cerveau humain
Théoriquement, il est possible de modéliser toute machine computationnelle, y compris le cerveau humain, avec une machine relativement simple capable d’effectuer des calculs de base et d’accéder à une mémoire et un temps infinis. C’est l’hypothèse universellement acceptée de Church-Turing énoncée en 1950. Cependant, comme indiqué, cela nécessite certaines conditions difficiles : un temps et une mémoire infinis.
La plupart des informaticiens pensent que la modélisation du cerveau humain prendra moins qu’un temps et une mémoire infinis. Néanmoins, il n’existe aucun moyen mathématiquement solide de prouver cette croyance, car nous ne comprenons pas encore assez bien le cerveau pour caractériser précisément sa puissance de calcul. Nous devrons construire une telle machine !
Comment pouvons-nous atteindre l’AGI ?
Figure 5 : L’horizon temporel des modèles d’IA de pointe montre les tâches les plus longues (en temps équivalent humain) que chaque modèle peut accomplir avec une fiabilité de 50 %.49
La figure ci-dessus montre comment les capacités des agents d’IA se sont améliorées en mesurant les tâches les plus longues qu’ils peuvent accomplir avec une fiabilité de 50 %.
La conclusion clé est que la longueur des tâches que les modèles de pointe peuvent gérer a augmenté de manière exponentielle, doublant environ tous les sept mois. Cela signifie que les modèles plus récents, comme Claude 3.7 Sonnet et o1, peuvent désormais accomplir des tâches qui prendraient près d’une heure à un humain, alors que les modèles plus anciens comme GPT-2 pouvaient à peine gérer des tâches de plus de quelques secondes.
La zone ombrée reflète l’incertitude statistique, mais la tendance générale est fiable. Si ce schéma se poursuit, les systèmes d’IA pourraient bientôt gérer des tâches complexes qui prennent des jours voire des semaines aux humains, marquant une étape significative vers une autonomie plus large et des capacités de type AGI.
La mise à l’échelle comme voie vers l’AGI
Les dirigeants des laboratoires d’IA de pointe pensent que la mise à l’échelle des approches actuelles basées sur les transformeurs peut conduire à l’AGI, ce qui alimente leurs prédictions sur l’atteinte de l’AGI dans quelques années.
Une voie proposée vers l’AGI consiste à mettre à l’échelle les architectures existantes comme les transformeurs en augmentant le calcul et les données, tandis qu’une autre consiste à développer des approches entièrement nouvelles.
À l’appui de l’hypothèse de mise à l’échelle, un rapport de 2024 d’Epoch IA a analysé si la croissance de la puissance de calcul de l’IA peut se poursuivre jusqu’en 2030.
Ils ont identifié quatre contraintes majeures : la disponibilité de l’énergie, la capacité de fabrication de puces, la rareté des données et la latence de traitement (voir Figure 6).
Malgré ces défis, ils soutiennent qu’il est faisable d’entraîner des modèles nécessitant jusqu’à 2e29 FLOPs d’ici la fin de la décennie, en supposant des investissements importants dans l’infrastructure.
De tels progrès pourraient produire des systèmes d’IA bien plus capables que les modèles de pointe actuels comme GPT-4, nous rapprochant de l’AGI.50
Figure 6 : Le graphique illustre les limites supérieures estimées du calcul d’entraînement de l’IA d’ici 2030 sous les contraintes clés, l’énergie, la production de puces, les données et la latence, avec des médianes allant de 2e29 à 3e31 FLOP.
Au-delà de la mise à l’échelle : le plaidoyer pour de nouvelles architectures
Cependant, des scientifiques influents en IA comme Yann LeCun et Richard Sutton estiment que la mise à l’échelle des grands modèles de langage ne mènera pas à une intelligence de niveau humain.51 52 Ils pensent que de nouvelles architectures ou approches sont nécessaires pour l’AGI.
Comment mesurer si nous avons atteint l’AGI ?
Les grands modèles de langage dépassent de nouveaux benchmarks chaque semaine, mais évaluer les LLM est difficile en raison de problèmes comme l’empoisonnement des données et l’absence d’une définition scientifique acceptée de l’intelligence de niveau humain.
Ces préoccupations sont amplifiées par les enseignements de recherches récentes53 selon lesquelles la mise à l’échelle des LLM n’est pas une voie durable pour de meilleures performances, en particulier dans les domaines scientifiques et à enjeux élevés. Les auteurs montrent que :
- Les LLM présentent des exposants de mise à l’échelle très faibles (~0,1), ce qui signifie que même des augmentations massives des données ou du calcul produisent des gains de précision infimes.
- La puissance d’apprentissage des LLM provient de leur capacité à produire des sorties non gaussiennes, mais cela entraîne également des accumulations d’erreurs et des prédictions fragiles.
- Les métriques traditionnelles comme les fonctions de perte sont des pseudo-métriques qui ne s’alignent pas avec la véritable convergence ou précision.
- Un régime d’IA dégénérative (DAI) peut apparaître lorsque les modèles, entraînés sur des données synthétiques ou répétitives, accumulent les erreurs plus vite qu’ils ne peuvent les corriger.
Ces constats remettent en question la fiabilité des benchmarks standard et soulignent la nécessité de stratégies d’évaluation plus diversifiées et évolutives.
Les anciennes métriques comme le test de Turing ne sont plus à la hauteur des machines d’aujourd’hui, et de nouvelles métriques comme ARC-AGI peuvent manquer des capacités de généralisation des benchmarks plus larges.
Les métriques émergentes comme ARC-AGI visent à tester l’abstraction et la généralisation, mais peuvent encore manquer de résilience à la contamination des données ou au surapprentissage.
De plus, comme le souligne l’article, même de « bons » scores de perte peuvent masquer des catastrophes d’information sous-jacentes dues à des fluctuations non gaussiennes et à des instabilités d’entraînement.53
Comment suivre les progrès des LLM ?
Il existe quelques approches de benchmarking pour surmonter ces défis :
- Mise à jour fréquente des questions de benchmark. Exemple concret : LiveBench
- Utilisation d’ensembles de validation pour prévenir l’empoisonnement des données : les benchmarks d’AIMultiple, comme le benchmark AGI ou ARC-AGI.
Quelles sont les approches au-delà du benchmarking pour déterminer l’AGI ?
Il existe des indicateurs potentiellement forts mais retardés de l’impact de l’IA, qui peuvent aider à identifier l’AGI.
Croissance économique
Le PDG d’Microsoft Satya Nadella affirme qu’une croissance de 10 % dans le monde développé indiquerait l’AGI.54 . Cependant, son incitation est d’avoir une définition retardée de l’AGI puisque l’AGI mettrait fin au partenariat exclusif entre OpenAI et Microsoft.55
Chômage
Nous attendons à ce que l’AGI
- Réduise l’emploi de bureau à 10 % de son pic mondial, mesuré en part des personnes dans la population active. Cela devrait se produire si la part des revenus du travail diminue considérablement en raison de l’IA.
- Alors que la croissance du PIB se poursuit
Dans un monde où les machines sont plus intelligentes et efficaces que les humains, il ne serait pas rationnel de payer un humain pour s’asseoir devant un ordinateur. Par conséquent, nous attendons à ce que l’emploi de bureau s’effondre tandis que les humains continuent de prospérer dans les métiers du monde physique.
Les agences gouvernementales collectant les statistiques du travail classent les emplois en catégories détaillées, ce qui fait de l’emploi de bureau une métrique facile à suivre.
Nous avons recueilli des données du Bureau of Labor Statistics des États-Unis sur l’emploi de bureau de 2019 à 2024.56 Pour plus de clarté et de cohérence, nous avons classé les travailleurs de bureau dans les groupes professionnels suivants :
- Professions de l’architecture et de l’ingénierie
- Professions des opérations commerciales et financières
- Professions de l’informatique et des mathématiques
- Professions de la santé et techniques
- Professions juridiques
- Professions des sciences de la vie, physiques et sociales
- Professions de la gestion
- Professions du soutien administratif et de bureau
- Professions de la vente et assimilées
Selon notre analyse, le ratio de travailleurs de bureau par rapport à l’emploi total a fluctué entre 45 % et 48 % au cours de cette période.
Bien que cette fourchette suggère une relative stabilité de la part de l’emploi de bureau jusqu’à présent, elle n’est pas indicative d’une tendance à long terme, et nous attendons à des changements plus prononcés dans les années à venir à mesure que l’automatisation et l’adoption de l’IA s’accélèrent. Pour plus de prédictions sur la façon dont l’IA changera l’emploi de bureau et les postes de débutants, lisez pertes d’emplois dues à l’IA.
Devrions-nous même viser l’AGI ?
Il y a des informaticiens qui avertissent que se concentrer sur l’AGI comme objectif ultime peut fausser la recherche en IA.57 Les critiques incluent : créer une illusion de consensus, suradapter les benchmarks, ignorer les valeurs sociales intégrées, laisser le battage médiatique dicter les priorités, accumuler une « dette de généralité » (repousser les questions de conception clés) et exclure les communautés marginalisées et les chercheurs sous-financés.
Des objectifs spécifiques, mesurables et transparents seraient meilleurs pour les progrès de l’IA qu’un objectif vaguement défini comme l’AGI.
Ajouter comme source préféréeRaisonnement mathématique derrière les prédictions de l’AGI
Le raisonnement mathématique est essentiel pour comprendre et prévoir les calendriers de l’AGI. De nombreuses projections sont basées sur des tendances quantifiables et des modèles formels qui guident les attentes sur le moment où l’intelligence artificielle générale pourrait émerger.
Lois d’échelle et croissance de la puissance de calcul
Un élément clé du raisonnement mathématique consiste à analyser les lois d’échelle. Celles-ci montrent que les performances des modèles s’améliorent de manière prévisible avec plus de données, de paramètres et de calcul.
La croissance annuelle constante de 4 à 5× de la puissance de calcul d’entraînement de l’IA étaye les prévisions selon lesquelles l’AGI pourrait être réalisable d’ici une ou deux décennies, en supposant que les tendances actuelles se poursuivent.
Ces projections sont basées sur des ajustements empiriques aux courbes de performance et des extrapolations, étayées par des relations de loi de puissance, un concept central de la modélisation mathématique.
Prévision probabiliste
Les chercheurs appliquent également des méthodes probabilistes aux prédictions de l’AGI. Les enquêtes demandent souvent aux experts d’estimer la probabilité que l’AGI soit développée d’ici certaines années, produisant des distributions de probabilité cumulées.
Par exemple, une probabilité de 50 % d’ici 2040 reflète un consensus sous incertitude, motivé par une mise à jour de type bayésien basée sur les progrès observés de l’IA.
Cette approche de raisonnement mathématique capture l’incertitude des experts sans exiger de dates précises, permettant une révision continue à mesure que de nouvelles données deviennent disponibles.
Fondements théoriques
Ces prévisions sont basées sur des éléments théoriques du raisonnement mathématique, y compris la thèse de Church-Turing, qui implique que la cognition humaine peut être simulée par des machines, et des concepts comme la complexité de Kolmogorov, qui relient l’intelligence à la compressibilité de l’information.
Bien que de telles théories ne garantissent pas l’AGI, elles fournissent un cadre pour réfléchir à sa possibilité et aux exigences computationnelles impliquées.
En savoir plus sur l’intelligence artificielle générale
David Silver, chercheur scientifique principal chez Google DeepMind
Il explique que l’intelligence artificielle générale (AGI) fait référence aux systèmes d’IA capables d’apprendre et d’exceller dans un large éventail de tâches, comme les humains qui peuvent devenir experts dans divers domaines tels que la science, la musique ou le sport.
Contrairement à l’IA étroite limitée à une seule fonction, l’AGI aspire à refléter l’adaptabilité humaine et la capacité générale de résolution de problèmes.
Il note que bien que l’AGI soit un objectif à long terme, atteindre une véritable intelligence de niveau humain nécessitera probablement plusieurs percées et se développera progressivement (voir la vidéo ci-dessous).
Ilya Sutskever, co-fondateur et scientifique en chef d’OpenAI
Dans le TED Talk « The Exciting, Perilous Journey Toward AGI », il explore les progrès rapides vers l’intelligence artificielle générale (AGI).
Il prédit que l’AGI pourrait émerger dans les 5 à 10 prochaines années, bien qu’il reconnaisse l’incertitude de ce calendrier.
Sutskever souligne à la fois le potentiel immense et les risques profonds de l’AGI, insistant sur la nécessité d’aligner son développement sur les valeurs humaines. Malgré les défis, il est optimiste que l’humanité puisse guider en toute sécurité cette puissante technologie (voir la vidéo ci-dessous).
Ray Kurzweil, informaticien et entrepreneur
Il réfléchit sur plus de six décennies de progrès de l’IA, retraçant la capacité de l’humanité à construire des outils d’amélioration de l’intelligence, des outils primitifs aux grands modèles de langage.
Il prédit également que l’intelligence artificielle générale arrivera d’ici 2029, menant à la singularité technologique d’ici 2045. Il met en évidence les avancées exponentielles de la puissance de calcul, de la médecine et de la biotechnologie.
Il prévoit également des percées comme des remèdes générés par l’IA, des essais cliniques numériques et la vitesse de libération de la longévité, où les progrès scientifiques pourraient prolonger la vie indéfiniment (voir la vidéo ci-dessous).
Yann LeCun, lauréat du prix Turing
Découvrez pourquoi les LLM ne peuvent pas nous donner une intelligence de niveau humain et les dernières approches de l’IA pour y parvenir :
Prédictions sur l’intelligence artificielle générale
Méthodologie du graphique de la singularité
Pour tracer l’année attendue du développement de l’AGI sur le graphique, nous avons utilisé la moyenne pondérée des prédictions pour chaque année dans chaque catégorie. Par exemple, s’il y avait plusieurs prévisions des marchés de prédiction en 2022, nous avons calculé leur moyenne pondérée et tracé cette valeur.
- Pour les prédictions individuelles, nous avons inclus les prévisions de 18 experts en IA.
- Pour les prédictions scientifiques, nous avons recueilli les résultats d’enquêtes de 10 articles évalués par des pairs qui fournissent des calendriers pour l’AGI.
- Pour les résultats des marchés de prédiction, nous avons inclus les prévisions de 3 marchés de prédiction (Manifold, Kalshi et Metaculus).
Conclusion
Les prédictions pour l’AGI ont considérablement évolué ces dernières années. Alors que les enquêtes précédentes situaient son arrivée vers 2060, les prévisions récentes, en particulier celles des entrepreneurs, suggèrent qu’elle pourrait émerger dès 2026-2035.
Ce changement est alimenté par les progrès rapides des grands modèles de langage et la puissance de calcul croissante. Pourtant, malgré ces gains, l’IA actuelle manque encore de la flexibilité générale et de l’autonomie associées à l’intelligence de niveau humain.
Les experts restent divisés sur la manière dont l’AGI sera atteinte ; certains pensent que la mise à l’échelle des architectures actuelles suffira, tandis que d’autres soutiennent que de nouvelles méthodes sont nécessaires.
Les principaux défis incluent des demandes de ressources élevées, des benchmarks peu clairs et des préoccupations éthiques non résolues. L’AGI est peut-être plus proche, mais son arrivée dépend encore à la fois de percées techniques et d’une surveillance attentive.
FAQ
La singularité est un événement hypothétique qui devrait entraîner une augmentation rapide de l’intelligence machine.
Pour la singularité, nous avons besoin d’un système qui combine une pensée de niveau humain avec une vitesse surhumaine et une mémoire quasi parfaite rapidement accessible.
La singularité devrait également entraîner une conscience machine, mais comme la conscience n’est pas bien définie, nous ne pouvons pas être précis à ce sujet. Un tel système pourrait s’auto-améliorer et dépasser les capacités humaines.
Bien que la singularité soit un terme relativement ancien, l’AGI et surtout la superintelligence sont utilisés plus fréquemment pour décrire le même événement.
L’intelligence artificielle générale (AGI) désigne un type d’IA capable de comprendre, d’apprendre et d’appliquer des connaissances dans un large éventail de tâches intellectuelles à un niveau égal ou supérieur à celui des humains.
Contrairement à l’IA étroite, qui est conçue pour des tâches spécifiques comme la traduction linguistique ou la reconnaissance d’images, l’AGI posséderait des capacités cognitives généralisées, lui permettant de raisonner, de planifier et de s’adapter dans des situations inconnues.
Le développement de l’AGI reste un objectif de recherche important et un sujet de débat éthique et philosophique.
La superintelligence désigne un intellect qui dépasse de manière significative les meilleurs esprits humains dans pratiquement tous les domaines, y compris la créativité, la résolution de problèmes et la compréhension sociale.
Elle représente une étape au-delà de l’AGI, où un système artificiel pourrait surpasser les humains dans toutes les activités intellectuelles significatives.
Le concept soulève des considérations critiques concernant le contrôle, la sécurité et les implications à long terme pour le rôle de l’humanité dans un monde dominé par une intelligence supérieure.
L’intelligence machine avancée (AMI) implique des systèmes d’IA compétents qui s’approchent ou atteignent une intelligence quasi-générale.
Bien qu’ils ne possèdent peut-être pas encore la flexibilité complète et la conscience de soi associées à l’AGI, les systèmes AMI démontrent un raisonnement avancé, un apprentissage et une adaptabilité à travers diverses tâches.
Le terme est souvent utilisé pour désigner les systèmes d’IA qui dépassent les capacités actuelles de l’IA étroite mais restent en dessous du seuil de l’intelligence générale complète.
Citez ce benchmark
Choisissez le format qui correspond à votre lieu de publication. Coller la version avec lien dans votre CMS préserve le lien retour.
@misc{dilmegani2026,
author = {Dilmegani, Cem and Ermut, Sıla},
title = {{AGI/Singularité: 10 000 prédictions analysées}},
year = {2026},
month = aug,
howpublished = {\url{https://aimultiple.com/artificial-general-intelligence-singularity-timing}},
note = {AIMultiple. Consulté le 3 Août 2026}
}Résultats et horodatages de 219 points de données. Téléchargez les données utilisées dans cet article sous forme de fichier ZIP contenant 2 fichiers CSV et un README.
Liens de référence
Les travaux de Cem ont été cités par des publications internationales de premier plan telles que Business Insider, Forbes, Washington Post, des entreprises mondiales comme Deloitte, HPE et des ONG comme le Forum économique mondial et des organisations supranationales comme la Commission européenne.
Tout au long de sa carrière, Cem a exercé en tant que consultant tech, acheteur tech et entrepreneur tech. Il a conseillé des entreprises sur leurs décisions technologiques chez McKinsey & Company et Altman Solon pendant plus d'une décennie. Il a également publié un rapport McKinsey sur la numérisation.
Il a dirigé la stratégie technologique et les achats d'un opérateur télécom tout en rendant compte au PDG. Il a également mené la croissance commerciale de l'entreprise deep tech Hypatos qui a atteint un chiffre d'affaires récurrent annuel à 7 chiffres et une valorisation à 9 chiffres à partir de 0 en 2 ans. Le travail de Cem chez Hypatos a été couvert par des publications technologiques de premier plan comme TechCrunch et Business Insider.
Cem intervient régulièrement lors de conférences technologiques internationales. Il est diplômé de la Bogazici University en tant qu'ingénieur informatique et détient un MBA de la Columbia Business School.
Commentaires 12
Partagez vos idées
Votre adresse courriel ne sera pas publiée. Tous les champs sont obligatoires. Les commentaires sont laissés dans leur langue d'origine.
Does anyone know when this article was first published? I want to do a comparison of predictions vs reality for a project.
Hi Harper. The article was first published in mid-2017. But it's undergone constant updates since then to reflect the latest developments. Good luck with your project and let us know if we can help further!
I think we are far away from the point of singularity. It is not only that intelligence is multi dimensional, but also what is deemed as being intelligent (e.g., IQ, EQ) changes with time. People also change with time. So what is that point of singularity may change.
Hello, Yuvan. Thank you for your feedback.
Hello, Achieving the singularity from where we are now is relatively a simple jump, it is just time and advancements combined with a team somewhere who is dedicated to it and has the money to pull it off. The missing part of the equation would be asking the question "what is consciousness?" and understanding that. Then, understanding how to model that with non-biological machinery even at small levels, like modeling the consciousness of an amoeba or more advanced things like snakes and squirrels. Then if we know for certain what it is and how to model it, just run an adaptive evolution algorithm on itself, modeling out all of the processes in human cognition until it can beat them everywhere. Then, allow it to simply rebuild itself to continuously improve. The problem currently preventing this, is that human beings have no idea what consciousness is at all. It is a great mystery. One person thinks it is in the brain. Another thinks the brain is like a tuning fork, channeling the consciousness from somewhere else. It is a great mystery in science. When this problem is solved, then machine consciousness can be built most likely, depending on what it actually is. If consciousness is something weird, such as "human beings have spirits in other dimensions that are planned for their bodies by a supreme being. The brain creates a quantum resonant frequency that links it together with this already conscious entity, and then several universes are interacting simultaneously to create the actual experience of being self aware and sentient" well then, it will be very difficult to design a machine that does that same thing. It is more likely that we figure out how to model the resonance in the brain and then transfer an already existing consciousness of an animal or a human into a machine and keep it going, if that even makes any sense at all. However, maybe that's not how it works, and it is something simple like the holographic connection of energy patterns fluctuating in the mind - this can be modeled and a machine can be built that does these sorts of things with much more efficiency. Right now the mystery of the problem is consciousness itself. Hope that helps. I really enjoyed the robot soccer tournament. I also feel like a superhero at soccer now.
It's becoming clear that with all the brain and consciousness theories out there, the proof will be in the pudding. By this I mean, can any particular theory be used to create a human adult level conscious machine. My bet is on the late Gerald Edelman's Extended Theory of Neuronal Group Selection. The lead group in robotics based on this theory is the Neurorobotics Lab at UC at Irvine. Dr. Edelman distinguished between primary consciousness, which came first in evolution, and that humans share with other conscious animals, and higher order consciousness, which came to only humans with the acquisition of language. A machine with primary consciousness will probably have to come first. The thing I find special about the TNGS is the Darwin series of automata created at the Neurosciences Institute by Dr. Edelman and his colleagues in the 1990's and 2000's. These machines perform in the real world, not in a restricted simulated world, and display convincing physical behavior indicative of higher psychological functions necessary for consciousness, such as perceptual categorization, memory, and learning. They are based on realistic models of the parts of the biological brain that the theory claims subserve these functions. The extended TNGS allows for the emergence of consciousness based only on further evolutionary development of the brain areas responsible for these functions, in a parsimonious way. No other research I've encountered is anywhere near as convincing. I post because on almost every video and article about the brain and consciousness that I encounter, the attitude seems to be that we still know next to nothing about how the brain and consciousness work; that there's lots of data but no unifying theory. I believe the extended TNGS is that theory. My motivation is to keep that theory in front of the public. And obviously, I consider it the route to a truly conscious machine, primary and higher-order. My advice to people who want to create a conscious machine is to seriously ground themselves in the extended TNGS and the Darwin automata first, and proceed from there, by applying to Jeff Krichmar's lab at UC Irvine, possibly. Dr. Edelman's roadmap to a conscious machine is at https://arxiv.org/abs/2105.10461
I think Patrick Winston was joking when he said 20 years. From the linked quote: "I was recently asked a variant on this question. People have been saying we will have human-level intelligence in 20 years for the past 50 years. My answer: I’m ok with it. It will be true eventually." "Forced into a corner, with a knife at my throat, I would say 20 years, and I say that fully confident that it will be true eventually."
Great point! We should have read the source more carefully. I tried to explain his point better in the article.
I have the impression that the nerds that make this kind of prediction (replicate human brain) know a whole lot about computer programming but are ignorant about neuroscience/psychology. We are nor even scratching the surface about primary phenomenon, such as counsciousness / unconsciousness. How do you claim that you can replicate something that we are still far from understanding how it works?
Thank you for the comment. True, better understanding of the mind would help AGI research.
mmm... I'm not sure we can reach to this point: "benevolence of intelligent machines" Emotions and Feelings are there to guide our actions, to improve ourselves and to make a better world, can we make a machine to feel guilt of being smarter than us??
Saying human intelligence is fixed ignores that as we learn more about how the human brain works we may learn how to expand its capability's ie through some form of enhanced learning, targeted drugs, gene therapy, electro stimulation and not just direct brain computer connections being the only potential for doing this. More so currently hampered by our lack of understanding even the language you use has an effect on your cognitive ability's its one of the reasons deaf people were called dumb was the occurrence of language deprivation and how it negatively effected neurodevelopment it was a major problem when deaf children were forced to lip read instead of using sign language . But we will need more powerful AIs to achieve an understanding of our brains
People who say AGI will be here in 2060 are idiots and don't understand the flow of technology you'll see
@Vyn What do you mean? Do you mean to say it will take way before or way after 2060?
Thanks! I'll be quite happy if I get to see 2060
Intelligent doesn't solve our all problems maybe yes but certainly its essential and more intelligent you are faster you solve problems. If you are a chimp you can not even pour water to a glass. You do not even know what glass is used for. Yes if you are human being you still need to get up and grab the glass but intellegence is essential. I do not think human brain is impossible to create in a lab. I think earth is a lab. Anything found in nature can be replicate in the lab.
if P=NP then the singularity may happen also. Saying the human brain is impossible to recreate I dont agree with, but to say its intractable probably is approximately true. So P=NP, if you could solve that mystery (which is the millenial prize funnily) with an intractable calculation, that could make all the magic happen as well.
Thanks for the comment. Most computer scientists working on AI or machine learning would agree that it is possible to replicate human brain's capabilities.
The claim that "humans contribute most to the biomass" on the planet is likely to be wrong. Check out this paper for a careful estimation: https://www.pnas.org/content/115/25/6506
Thank you! That was insightful. Biology is not my strong suit, I should stick to computer science.
@AIMultiple Humble response, and great article. Thanks a ton :)
@B Thanks!