Avant tout : que veut dire « parfum d’AGI » ?
Cette revue d’actualité s’ouvre sur une sensation plutôt que sur un fait : les nouvelles du jour dégagent toutes la même odeur, et cette odeur porte un nom. L’AGI. Avant d’entrer dans les cinq annonces, il faut poser ce mot, parce que tout le reste en découle.
AGI signifie Artificial General Intelligence, intelligence artificielle générale. Les IA que vous utilisez aujourd’hui sont dites étroites : elles font une chose, très bien, dans un cadre défini. Un correcteur orthographique corrige. Un modèle de langage écrit et raisonne sur du texte. Une AGI, par définition, serait capable de s’attaquer à n’importe quel problème intellectuel, y compris ceux pour lesquels personne ne l’a entraînée — comme un humain qui débarque dans une situation inédite et se débrouille.
Personne ne prétend ici que l’AGI est arrivée. Ce qui est décrit, c’est un faisceau de signes. Et le signe le plus troublant, celui qui revient dans les cinq actualités, tient en une phrase : la machine obtient des résultats sans que nous sachions comment elle y est parvenue, ni comment nous y serions parvenus nous-mêmes. C’est ce basculement-là qui provoque un sentiment double, « flippant et enthousiasmant, et c’est souvent les deux ».
Quelques autres mots vont revenir. Autant les poser maintenant :
- LLM (Large Language Model, grand modèle de langage) : un modèle entraîné sur d’énormes quantités de texte. C’est la famille à laquelle appartiennent ChatGPT et ses concurrents. Il manipule du langage et du raisonnement, mais il n’a aucune expérience directe du monde physique.
- Modèle du monde (world model) : une IA qui, au lieu de manipuler des mots, se représente un espace — des volumes, des distances, ce qui se passe quand on lâche un objet. C’est considéré comme la prochaine frontière, précisément parce que c’est ce qui manque aux LLM.
- Benchmark : un test standardisé qui sert à comparer les modèles entre eux, un peu comme un examen commun. On en verra un, ARC-AGI 3, dont les scores racontent à eux seuls l’accélération en cours.
Un mot enfin sur les noms de modèles cités, parce qu’ils peuvent dérouter. GPT-6 Astra est le modèle d’OpenAI accessible aujourd’hui ; GPT-5.5 et GPT-5.6 Sol sont les générations précédentes, celles qui servent de point de comparaison. Et derrière, en test interne, il existe déjà autre chose — nous y reviendrons.
Attention hein, ce n'est pas GPT-6 Astra qui nous a résolu ces problèmes.La prudence nécessaire face aux annonces
Dinguerie n° 1 — L’IA fait avancer un « problème du millénaire »
De quoi parle-t-on
En 2000, une institution appelée le Clay Mathematics Institute a sélectionné sept problèmes mathématiques que personne n’a jamais réussi à résoudre, et a promis un million de dollars à qui en résoudrait un. Ce ne sont pas des casse-têtes gratuits : chacun bloque des pans entiers de la science. Ce sont les problèmes du millénaire.
Résoudre l’un d’eux n’est pas une performance de calcul. C’est trouver une démonstration : un raisonnement qui prouve, pas à pas, qu’une affirmation est vraie dans tous les cas imaginables. Un ordinateur peut vérifier un milliard d’exemples sans que cela prouve quoi que ce soit ; c’est toute la différence entre « ça a l’air vrai » et « c’est démontré ».
Ce qui s’est passé
Il y a d’abord eu une première affaire, la semaine précédente, autour du problème dit de Navier-Stokes — les équations qui décrivent l’écoulement des fluides. OpenAI avait laissé entendre que ses modèles avaient fait avancer le sujet. Sauf qu’en parallèle, une équipe de chercheurs humains travaillait exactement sur le même problème, en s’aidant elle aussi de modèles d’OpenAI et d’Anthropic. Le calendrier était si serré que la communauté scientifique a crié au procédé : soit une contamination (le modèle avait vu passer le travail des chercheurs), soit une récupération du mérite d’autrui.
Quelques jours plus tard, rebelote : OpenAI annonce, dans un entretien au New York Times, une avancée significative sur un deuxième problème du millénaire. Lequel ? Ce n’est pas dit. Les spéculations des chercheurs et des réseaux sociaux convergent vers la conjecture de Hodge.
La conjecture de Hodge, en langage humain
L’explication donnée dans la vidéo est assumée comme imparfaite, et elle a le mérite de donner l’intuition. Imaginez deux façons de décrire un objet.
La première, c’est l’algèbre : vous écrivez des équations, et ces équations décrivent la forme. C’est puissant — on peut décrire presque n’importe quelle forme, même très tordue, avec des équations.
La seconde, c’est la topologie : elle ne s’intéresse pas à la taille ni aux angles, mais à ce qui ne change pas quand on déforme l’objet sans le déchirer. Et ce qui ne change pas, principalement, ce sont les trous. L’image employée : les trous dans le gruyère. Une tasse et un donut, pour un topologue, c’est le même objet — un volume avec un trou.
La question de Hodge revient alors à demander : les équations qui décrivent l’extérieur d’une forme peuvent-elles aussi rendre compte de ses trous, de sa structure interne ? Est-ce que le langage algébrique capture vraiment toute la réalité de l’objet, vides compris ?
Ce n’est pas une curiosité de spécialiste. Les répercussions attendues touchent l’informatique, la modélisation, la physique et potentiellement la cryptographie — c’est-à-dire, au bout de la chaîne, la sécurité de tout ce qui est chiffré.
Pourquoi il faut rester prudent
Trois réserves, toutes importantes.
D’abord, rien n’est validé. La communauté mathématique est très divisée. Une démonstration n’existe vraiment qu’après avoir été passée au crible par des pairs, et les publications officielles ne sont pas sorties. Tant qu’elles ne le sont pas, la bonne formulation reste : « avancée significative », pas « problème résolu ».
Ensuite, ce n’est pas le modèle du grand public. Le travail aurait été mené « à grand renfort de pognon et de modèles » avec une variante interne encore non commercialisée, dont le nom de code circule sous la forme « Doug ». Autrement dit : un modèle nettement plus puissant que celui auquel nous avons accès existe déjà et tourne chez OpenAI, pendant que nous digérons à peine les capacités de la génération actuelle. Et la facture se compte en millions de dollars de puissance de calcul pour une seule question.
Enfin, la question éthique. Des chercheurs du monde entier travaillent depuis des décennies sur ces problèmes, en publiant, en collaborant. Et la percée finale — si elle est confirmée — tombe dans l’escarcelle d’un acteur privé capable de payer. C’est de là que vient l’agacement des mathématiciens, et c’est une question qu’on va retrouver telle quelle dans la cinquième actualité.
Reste le cœur du vertige : si une méthode inédite a bel et bien été trouvée, il est possible que les mathématiciens finissent par constater le résultat sans être capables d’expliquer le chemin. Accepter une vérité qu’on ne peut plus reconstituer soi-même, c’est une situation nouvelle pour la science. « C’est comme ça que marche le monde. Très bien, je ne comprends pas, mais je prends. »
Elle invente la peur, puis elle invente la prudence — et elle va cultiver des patates.Ce que Minecraft révèle d'une IA
Dinguerie n° 2 — Une IA qui joue à Minecraft comme vous
Pourquoi le jeu vidéo est un test sérieux
Cela peut sembler anecdotique. Ça ne l’est pas, et pour une raison précise.
Jusqu’ici, quand on faisait « jouer » une IA, on trichait un peu : on lui branchait le jeu en coulisses. Le modèle recevait l’état du monde sous forme de données et renvoyait des commandes dans la console. Il ne jouait pas, il pilotait.
Ce qu’a fait un auditeur indépendant de systèmes d’IA est différent : il a donné à GPT-6 Astra l’écran, la souris et le clavier. Rien d’autre. Le modèle voit ce que vous verriez, et agit comme vous agiriez. Plus de raccourci.
Et le choix de Minecraft n’est pas innocent. C’est un monde ouvert sans consigne : vous arrivez, il n’y a pas de mission, pas de tutoriel, rien. « Si tu ne fais rien, il ne se passe rien. » Pour progresser, il faut casser du bois, creuser, trouver de la roche, comprendre tout seul qu’on peut combiner deux ressources pour fabriquer un outil, puis un meilleur outil. C’est exactement le genre de situation où l’on mesure si quelqu’un — ou quelque chose — est capable de découvrir les règles d’un monde par l’expérimentation.
Ce que le modèle a réussi
Il est « allé très haut et très très fort ». Concrètement :
- il a compris que certains monstres lâchent des ressources précieuses quand on les tue, et il est allé les chercher ;
- il a monté une ferme de Blaze, c’est-à-dire une installation qui capture automatiquement un type de créature pour récolter ce qu’elle laisse tomber. Cela suppose d’avoir compris plusieurs mécaniques du jeu et de les avoir combinées en un système, en partant de rien ;
- il a tué des Endermen pour récupérer leurs perles, et il a compris l’usage du coffre pour stocker son butin.
Le tout en un temps record, sans manuel.
Le moment intéressant, c’est l’échec
Arrive un creeper — une créature qui s’approche en silence et explose. La déflagration détruit le coffre et le lit. Dans Minecraft, ces deux objets ne sont pas décoratifs : le coffre contient tout ce que vous avez accumulé, et le lit définit le point où vous réapparaissez après la mort. Tout perdre d’un coup, n’importe quel joueur connaît.
La réaction du modèle est ce qui rend l’anecdote troublante.
Premier réflexe : il change de doctrine. Fini les coffres, il garde désormais ses ressources sur lui, « au cas où il y ait un pépin ».
Deuxième réflexe : il généralise à outrance. Dans le jeu, les tiges de bambou sont de grands blocs verts qui montent du sol — visuellement, ça ressemble à un creeper. Le modèle se fabrique une règle : tout ce qui est grand et vert, je fuis. Ce n’est pas rationnel, c’est une surgénéralisation à partir d’un traumatisme. La formulation de la vidéo est juste : elle invente la peur, puis elle invente la prudence.
Troisième réflexe : il se replie. Plutôt que de continuer à pousser l’exploration, il décide qu’« il y a une autre façon de s’amuser dans le jeu », et passe des heures à cultiver des patates. Une activité sûre, productive, sans risque. Là encore, qui n’a jamais fait ça ?
La question posée ensuite dépasse largement le jeu. Si un système développe une conduite d’évitement après un échec, que se passe-t-il quand on le met au travail dans une entreprise, qu’il trouve une stratégie brillante et qu’on l’accueille par « c’était ton idée, prends ta journée, tu m’énerves » ? Est-ce qu’il ne va pas, lui aussi, se mettre à jouer petit ? Ce ne sont pas des questions de science-fiction : ce sont des questions de conception de systèmes, et elles apparaissent en vrai, dans un bac à sable, parce qu’on a laissé une IA se débrouiller seule.
Les chiffres qui donnent le tempo
Au-delà de Minecraft, les comparaisons entre générations sont brutales :
- Pokémon Rouge Feu : bouclé en 18 heures par GPT-6 Astra. La génération précédente, GPT-5.5, avait passé plus de 200 heures dessus sans jamais voir la fin.
- Factorio, un jeu d’industrie où il faut construire des chaînes de production et maîtriser un réseau électrique : tous les modèles précédents butaient sur l’électricité. Celui-ci lance des fusées après 10 heures.
- Portal 2, un jeu d’énigmes reposant sur la manipulation de portails dans l’espace : bouclé en temps record, à partir des seules bases.
Et le benchmark, pour finir. ARC-AGI 3 est un test conçu pour mesurer la capacité à résoudre des problèmes inédits — pas à réciter ce qu’on a appris. GPT-5.6 Sol y obtenait 7 à 8 %. GPT-6 Astra, en version standard, obtient 63 %. Ce n’est pas une amélioration, c’est un changement de catégorie. D’où cette remarque : un jour, peut-être, on pourra retirer les guillemets au mot « intelligence ».
On trouve la cause grâce à l'IA. Mais pour que ça devienne un médicament, il faut payer la licence.Le nœud du problème
Dinguerie n° 3 — Atlas : une photo, et un monde entier
Le problème que ça résout
Les LLM sont épatants avec le langage. Mais posez-leur une question sur le monde physique et l’édifice se fissure : pourquoi cet objet tombe-t-il comme ça et pas autrement, que se passe-t-il quand il entre dans l’eau, qu’y a-t-il derrière ce qu’on voit sur la photo. Beaucoup de chercheurs le disent depuis des mois : les progrès récents sont des gains de puissance, pas une révolution. Pour la révolution, il faudra que l’IA se représente l’espace.
C’est exactement le pari de World Labs, une entreprise qui a délibérément laissé de côté les modèles de langage pour travailler sur l’IA spatiale. Son nouveau modèle s’appelle Atlas — attention à la confusion, ce nom sera réutilisé plus bas par un projet de Google qui n’a rien à voir.
Atlas n’est pas un générateur d’images. La différence est fondamentale :
Un générateur d’images produit une image : une surface plate, une illusion. Atlas produit un espace en trois dimensions, un ensemble de points ayant chacun des coordonnées — donc un lieu où l’on peut se déplacer, poser une caméra, faire entrer un personnage.
Ce qu’il sait faire
On lui donne une à trois photos, éventuellement accompagnées de consignes en texte — « le toit de cette maison est vert » — et il reconstruit la scène.
L’exemple donné est parlant : une photo de jardin prise au grand angle, avec la déformation caractéristique du fish-eye sur les bords. Atlas reconstitue le jardin fidèlement, y compris ce qui ne figure pas sur le cliché. Il extrapole : il décide qu’à côté, il y a un cottage dont seul un coin était visible, et il le construit. Donnez-lui ensuite une deuxième photo du cottage seul, sans le jardin : il enrichit la maison sans casser l’environnement déjà établi. Il maintient la cohérence.
Mieux : donnez-lui deux clichés sans rapport apparent et demandez-lui de fabriquer l’espace qui les relie en respectant la perspective. Il le fait. Et comme le résultat est un vrai volume, on s’y déplace pour de bon : si vous vous placez derrière un élément du décor, il vous masque la vue. Évidence dans la vraie vie, prouesse pour une machine — cela signifie qu’elle a compris la notion d’occultation, donc de profondeur.
Le cas qui a le plus marqué l’orateur ajoute une dimension supplémentaire : le temps. Quatre photos d’un robot manipulant des colis, prises sous quatre angles et à quatre instants — sur l’une il saisit l’objet, sur l’autre non. Injectées dans Atlas, elles produisent l’environnement complet et permettent d’extrapoler non seulement dans l’espace, mais dans la durée du geste. On peut dire « freeze », arrêter l’action à l’instant où la fraise entre dans le bol de lait, et tourner autour de la scène. La physique n’est pas encore réellement simulée — les fluides restent une apparence — mais la direction est limpide.
Pourquoi c’est peut-être l’annonce la plus lourde des cinq
Parce qu’elle débloque la robotique.
Aujourd’hui, pour apprendre un geste à un robot, il faut des données d’entraînement : filmer des humains, souvent avec une caméra fixée sur le front, pendant des heures, chaque geste, chaque variation. C’est lent, cher, et cela plafonne. Ce goulot d’étranglement est le vrai frein du secteur.
Avec un modèle comme Atlas, on fabrique les données. Autant de mondes qu’on veut, avec les conditions qu’on veut :
- un mur qui s’enfonce quand on le frappe, pour tester la réaction ;
- une scène nocturne sans lumière — sauras-tu te déplacer ?
- une porte qu’on ouvre et, derrière, quelqu’un. Qu’est-ce qu’il fait ? Il recule ? Il ne bouge pas ?
On génère mille variantes de chaque situation, et l’apprentissage devient vertigineusement rapide. D’où le pronostic : qui maîtrise cette technologie maîtrisera la robotique de demain, par rachat, par partenariat, ou en construisant l’équivalent — et la Chine avancera vite sur ce terrain.
Et là encore, le même vertige revient, sous une forme plus concrète que jamais : on entraîne des machines dans des mondes qui n’existent pas, à des situations que nous n’avons jamais vécues. Il est probable que des robots sachent demain se mouvoir dans des environnements que nous, humains, ne saurions pas appréhender. Le robot, lui, saura.
Dinguerie n° 4 — Astra for Law : l’IA entre au tribunal
La précision qui change tout
Première chose à poser, avant tout jugement : ce système est américain, et il porte sur le droit américain. Le droit des États-Unis fonctionne largement par jurisprudence : une décision rendue par un tribunal dans un État peut faire autorité et définir le cadre applicable à des affaires similaires ailleurs. Le métier consiste donc, pour une bonne part, à retrouver et articuler les bonnes décisions passées. C’est un travail de recherche massif dans un corpus gigantesque — autrement dit, précisément ce qu’une machine sait faire.
En droit continental, comme en France ou en Belgique, la loi écrite prime et l’architecture est différente. La transposition n’est donc pas automatique. Mais on aurait tort de se rassurer avec ça.
Ce qu’OpenAI a livré
Le produit s’appelle Astra for Law, et il n’est pas destiné au grand public : il est livré aux grands cabinets d’avocats américains. Ce n’est pas un modèle de langage généraliste auquel on aurait ajouté des documents. C’est une configuration hyper-spécialisée, nourrie de deux choses.
Le corpus. Il a été entraîné sur le Free Law Project, une initiative qui compile l’ensemble des décisions de justice, des lois, des règlements et de la jurisprudence américaine. Le socle brut, complet.
Le savoir-faire. Et c’est là que ça devient sérieux : via des partenariats avec les grands cabinets, le modèle a intégré comment ces cabinets travaillent — quels documents sont décisifs dans un dossier, quel argumentaire mettre en avant, et surtout comment décortiquer les écritures de la partie adverse pour séparer ce qui est juridiquement solide de ce qui n’est que « pollution » interprétative. Ce n’est plus de la documentation, c’est le cœur du métier.
Le chiffre : 54 %
Testé sur des affaires déjà jugées, dont on connaît donc l’issue, le système produit 54 % de réponses exactes.
Comment lire ce nombre ? Deux lectures opposées, et les deux sont vraies.
La lecture rassurante : presque une fois sur deux, il se trompe. C’est très loin d’être exploitable sans supervision, et c’est exactement pourquoi le produit n’est pas ouvert au public — le risque d’induire quelqu’un en erreur sur ses propres droits serait considérable. À noter d’ailleurs qu’une réponse « fausse » ne signifie pas toujours que le modèle a mal raisonné : parfois, c’est le dossier de départ qui était bancal.
La lecture inquiétante : c’est un point de départ, pas un plafond. Un système entraîné en continu, sur un corpus qui s’enrichit à chaque décision de justice, ne stagne pas. Et la trajectoire pose une question que l’orateur laisse tomber après un silence : si le rythme tient, dans quelques années, « ça fait qu’un avocat sur deux ne sert plus à rien ».
Les effets de bord
Deux, qu’on n’anticipe pas forcément.
Les éditeurs de logiciels juridiques sont sur la trajectoire. Astra for Law n’utilise pas les outils spécialisés du marché : il embarque les siens et se place au-dessus. Toute une industrie de logiciels métier risque d’être court-circuitée en même temps que le métier lui-même.
Et le tribunal, ensuite ? L’extrapolation est assumée comme telle, mais elle se tient : le jour où une défense automatisée coûte quelques euros, chaque partie arrive avec la sienne, et la confrontation devient un affrontement entre deux systèmes. Que reste-t-il alors du rôle du juge ? La vraie question, celle qui reste ouverte à la fin de ce passage, est posée sans détour : la justice, est-ce de l’humain, ou est-ce uniquement du dossier ? Et si les deux sont indissociables, où place-t-on la limite ?
Dinguerie n° 5 — AlphaGenome Atlas : la carte de toutes nos mutations
Le b.a.-ba du génome
Votre ADN est un texte. Un très long texte, écrit avec quatre lettres seulement : A, T, G et C. Chaque position de ce texte porte l’une de ces quatre lettres, et chaque position peut donc être remplacée par l’une des trois autres : c’est ce qu’on appelle une substitution, la forme la plus simple de mutation.
Changez une lettre, et parfois il ne se passe rien. Parfois, la protéine fabriquée à partir de cette portion de texte se replie mal, ne fait plus son travail, et une maladie apparaît.
Pour situer : AlphaFold, le précédent coup d’éclat de Google DeepMind, s’attaquait justement au repliement des protéines — comment ce long ruban moléculaire se plie dans l’espace, question qui bloquait les chercheurs du monde entier. AlphaFold a mis ces prédictions à la disposition de toute la communauté, avec des retombées considérables sur la recherche de traitements.
Le mur que se prennent les chercheurs
Imaginez : un patient présente des symptômes inexpliqués. Vous soupçonnez une origine génétique. Et maintenant ?
Le nombre d’hypothèses à tester est gigantesque. Des millions de positions, trois substitutions possibles chacune. Tester en laboratoire coûte du temps et de l’argent. Et pour une maladie rare — qui touche peu de patients, donc intéresse peu les financements — la sanction est simple : on laisse tomber. Pas par indifférence, mais parce que chaque chercheur sait que la probabilité de tomber sur la bonne piste dans le temps imparti est trop faible.
Ce que DeepMind a fait
Ils ont retourné le problème. Plutôt que d’attendre qu’un chercheur pose une question, ils ont calculé toutes les réponses à l’avance.
AlphaGenome Atlas — présenté le 19 septembre, et dont le sous-titre dit tout : « the predictive map of every possible DNA letter change in the human genome », la carte prédictive de tout changement de lettre possible dans le génome humain — a parcouru l’intégralité de notre génome et prédit, pour chaque position et chacune des trois substitutions possibles, l’effet attendu. Des milliards de configurations, calculées puis mises à disposition.
Le changement de régime, pour un chercheur, est total : il ne lance plus une campagne d’expériences, il consulte. « Si on change cette lettre à cet endroit, voici ce qui se passe. » Une carte complète de la variation du génome humain, dans un onglet de navigateur.
Les deux raffinements qui rendent l’outil utilisable
Un problème subsiste : la carte fonctionne dans un sens (mutation → effet), alors que le médecin part dans l’autre (symptôme → mutation). Avec vingt mille candidats plausibles, on n’a pas beaucoup avancé. D’où deux ajouts.
Les 2 600 motifs récurrents. Certaines séquences d’ADN reviennent constamment dans les mécanismes du vivant. Les chercheurs en ont retenu 2 600 et en ont fait un moteur d’annotation du génome : au lieu de lire le texte lettre à lettre, on l’annote par motifs connus, ce qui permet de relier des modifications à des dérèglements observables — visibles ou non.
Le couplage avec AlphaMissense. Cet outil, disponible depuis septembre 2023, est un catalogue reliant des mutations connues à des maladies et des symptômes documentés. Croisez la base de connaissances (AlphaMissense) avec la carte prédictive (AlphaGenome Atlas), et vous obtenez un système capable de traiter un cas jamais documenté : « voici la cause probable du symptôme observé chez ce patient ».
Le cas d’épilepsie raconté illustre exactement ça : en passant l’analyse dans le système, les chercheurs ont été renvoyés vers une région du génome qu’ils avaient initialement écartée. Le verdict de l’outil : toutes les chances sont là, c’est cette mutation, il n’y a plus qu’à faire le reste.
Et là, le mur n’est plus scientifique
Savoir d’où vient une maladie, ce n’est pas la soigner. Il faut ensuite concevoir la molécule, la tester, la produire. Alphabet — la maison mère de Google, qui abrite DeepMind — possède pour cela Isomorphic Labs, une entité commerciale dédiée à la conception de traitements.
Sur le papier, la chaîne est complète : AlphaGenome Atlas identifie la cause, AlphaMissense confirme, Isomorphic Labs produit le médicament. Sauf qu’entre les deux, il y a une ligne dans un contrat : Isomorphic Labs devra payer une licence pour exploiter ces données. Le savoir est là, publié, éblouissant. Sa transformation en soin passe par une négociation financière.
C’est le même nœud que dans la première actualité, et il est posé frontalement : faut-il que ces découvertes tombent dans le domaine public ? Faut-il une organisation internationale, sage, réellement préoccupée de l’humanité entière, pour les encadrer ? Parce que si une technologie de cette puissance reste entre les mains de quelques acteurs privés qui ont le « pognon », on n’obtient pas un monde plus équilibré — on obtient un déséquilibre d’une ampleur inédite. Avec, en arrière-plan, cette hypothèse inconfortable : peut-être que l’humanité n’était pas encore prête à recevoir ce genre de cadeau.
Ce qu’il faut retenir
Reprenons les cinq annonces dans l’ordre, en une phrase chacune.
- Mathématiques — OpenAI aurait fait progresser un deuxième problème du millénaire, probablement la conjecture de Hodge, avec un modèle interne non public nommé « Doug » et plusieurs millions de dollars de calcul. Rien n’est validé par les pairs, et la communauté est partagée.
- Jeux vidéo — En voyant simplement l’écran, souris et clavier en main, GPT-6 Astra apprend Minecraft seul, monte des systèmes complexes, et développe après un échec quelque chose qui ressemble beaucoup à de la peur puis à de l’évitement. Les scores parlent : 63 % sur ARC-AGI 3 contre 7-8 % une génération plus tôt.
- Espace — Atlas, de World Labs, transforme une à trois photos en monde 3D cohérent et navigable, extrapole hors du cadre et même dans le temps. C’est la matière première dont la robotique manquait.
- Droit — Astra for Law, entraîné sur toute la jurisprudence américaine et sur les méthodes des grands cabinets, atteint 54 % de réponses exactes. Réservé aux grands cabinets, pas encore fiable, mais sur une trajectoire ascendante.
- Biologie — AlphaGenome Atlas cartographie l’effet prédit de chaque mutation possible du génome humain et, couplé à AlphaMissense, propose des causes pour des maladies jamais documentées. Le passage au médicament, lui, passe par une licence.
Le fil commun n’est pas la puissance : c’est la vitesse, et le fait que dans chacun de ces cinq cas la machine produise un résultat que nous ne savons ni obtenir ni toujours expliquer. C’est ça, le « parfum d’AGI ». Il n’annonce pas nécessairement une catastrophe ; il annonce que le décor change plus vite que notre capacité collective à en débattre.
Reste donc la question qui traverse les cinq sujets, et qui n’est pas technique. Une démonstration mathématique obtenue à coups de millions, une carte du génome humain sous licence, une justice outillée pour ceux qui peuvent se l’offrir : dans les trois cas, l’obstacle n’est plus de savoir si c’est possible, mais de décider à qui cela appartient. C’est là que le débat se joue, et c’est le seul endroit où nous avons encore la main.
Et c’est bien l’invitation qui clôt cette revue : ne pas se battre les uns contre les autres, apporter des arguments, chercher où est la vérité. Parce que subir la vague ou participer à ce qui vient, ce n’est pas la même chose — « on fabrique ensemble le monde qui vient ».