Les grands modèles de langage cartonnent à tous les examens, mais s'éloignent encore plus de l'AGI : Que révèle cet article de recherche ?
Cet article remet en question les définitions actuelles de l'AGI (Intelligence Artificielle Générale), souvent basées sur des performances à des tests humains, que les grands modèles linguistiques dépassent désormais sans pour autant démontrer une véritable intelligence générale adaptative. S'appuyant sur un article de Michael Timothy Bennett, l'auteur critique l'approche dominante de « Scale-maxing » (maximisation de l'échelle), qui repose sur des quantités massives de données et de puissance de calcul pour mémoriser des réponses approximatives, mais échoue face à des problèmes nouveaux ou requérant une compréhension causale.
La proposition centrale est de redéfinir l'AGI non pas comme une imitation de l'homme, mais comme un « scientifique artificiel ». Un tel système devrait posséder trois capacités clés : 1) une **capacité d'expérimentation active** pour acquérir des informations par interaction avec son environnement, 2) une **compréhension causale** (« savoir pourquoi ») et non pas seulement des corrélations, et 3) la capacité à **équilibrer exploration et exploitation** des connaissances sous contraintes de ressources (calcul, mémoire, énergie).
L'article conclut que la voie vers l'AGI nécessitera une fusion de différentes méthodes (maximisation d'échelle, de simplicité, et d'affaiblissement des contraintes), et non pas seulement le perfectionnement des grands modèles. Les critères d'évaluation devraient ainsi évoluer vers des « benchmarks d'adaptation » mesurant la capacité à découvrir de nouvelles connaissances dans des situations inédites, plutôt que la simple restitution de savoirs existants.
marsbit05/28 00:28
