Les scientifiques ont proposé une nouvelle façon de mesurer l'intelligence de l'IA au-dessus du niveau humain

Un groupe de chercheurs en juillet 2026 a publié un travail sur arXiv proposant une nouvelle approche pour mesurer les capacités de systèmes d'IA qui surpassent déjà les humains : au lieu de tests fixes écrits par des humains, les modèles eux-mêmes génèrent des essais publics les uns pour les autres, et les résultats sont agrégés dans une évaluation psychométrique compétitive.

Quel est le Problème Avec les Benchmarks Existants

La question posée dans le titre du travail — « comment mesurer l'intelligence au-delà de l'échelle humaine » — devient de plus en plus pratique à mesure que les modèles phares surpassent un par un les humains aux examens professionnels, tests de programmation et olympiades scientifiques. Les benchmarks écrits par les humains se saturent au fil du temps (saturate) — les modèles accumulent progressivement des scores maximaux ou proches du maximum sur eux, et le test cesse de distinguer les systèmes par la qualité. Pour les modèles qui surpassent déjà les humains dans un domaine particulier, le problème s'aggrave : les créateurs de tests (examinateurs) peuvent simplement ne pas savoir quelles tâches sont simultanément suffisamment difficiles et vérifiables (verifiable) pour un système de ce niveau.

Les auteurs soutiennent que cette difficulté — non une occurrence fortuite de tests spécifiques, mais une conséquence systémique de l'approche d'évaluation sur une échelle absolue (absolute-scale evaluation), lorsque le résultat est comparé à une norme humaine fixe.

Comment Fonctionne la Nouvelle Approche

Au lieu d'une échelle absolue, les auteurs proposent un paradigme de mesure relative (relative measurement) : les modèles eux-mêmes génèrent des essais publics (public challenges) conçus pour séparer d'autres systèmes par la qualité — c'est-à-dire que le test est créé non pas par un expert humain, mais par le système d'IA lui-même en concurrence avec d'autres.

• Les résultats de tels essais sont agrégés dans un système d'évaluation psychométrique compétitive (adversarial psychometric rating system)
• Un tel système, selon la conception des auteurs, est capable de évoluer en fonction de la croissance des capacités des systèmes évalués — c'est-à-dire qu'il ne « plafonne » pas comme les benchmarks statiques
• Les auteurs décrivent des protocoles pratiques qui réduisent les incitations aux attaques basées sur des informations privées (private-information attacks) — c'est-à-dire les tentatives de « jeter un coup d'œil » aux réponses ou conditions de test
• Les protocoles supportent l'adjudication sans la participation d'un juge (judge-free), c'est-à-dire qu'ils ne nécessitent pas un modèle-arbitre distinct ou un humain pour rendre un verdict
• Le cadre est testé à la fois sur des tâches vérifiables et sur des domaines ouverts, non sujets à une vérification formelle (open-ended non-verifiable)

Pourquoi Un Tel Système d'Évaluation Est Nécessaire

L'idée est que l'évaluation pourrait « continuer à fonctionner » même après que les systèmes dépassent le niveau humain (human frontier) dans un domaine particulier — où les benchmarks écrits par les humains sont déjà incapables de distinguer un bon modèle d'un modèle excellent, car le créateur du test lui-même ne peut pas garantir d'évaluer la complexité et la correction d'une tâche pour un système surhumain.

Le défi d'ingénierie clé d'une telle approche est d'empêcher les modèles de « se colliger » les uns avec les autres ou d'adapter les tests aux points faibles des concurrents de manière déloyale. C'est précisément pourquoi les auteurs décrivent séparément les protocoles contre les attaques basées sur des informations privées et insistent sur l'adjudication sans juge distinct : moins il y a de points dans le système qui peuvent être « trompés » par des actions coordonnées des participants à l'évaluation, plus fiable est la classification résultante.

Ce Que Cela Signifie

Le travail s'inscrit dans une discussion plus large sur la saturation des benchmarks d'IA existants : à mesure que les modèles dépassent les tests humains l'un après l'autre, l'industrie a besoin de méthodes de mesure qui ne dépendent pas de la capacité des humains à concevoir des tâches suffisamment complexes. Une approche où les modèles eux-mêmes génèrent et évaluent les essais les uns pour les autres est une réponse possible à ce défi, bien que sa fiabilité pratique et sa résistance à la manipulation doivent encore être testées sur des systèmes réels et largement utilisés.

Questions Fréquemment Posées

Quelle est l'Idée

Centrale Derrière la Nouvelle Approche de Benchmark ?

Au lieu d'utiliser des tests fixes écrits par des humains, les modèles eux-mêmes génèrent des défis publics les uns pour les autres et sont classés dans un système d'évaluation psychométrique compétitive. Cela permet une mesure continue même lorsque les modèles surpassent les niveaux de performance humains.

Comment

Cette Approche Gère-t-Elle le Problème de Saturation ?

En ayant des modèles qui génèrent des tests de manière dynamique en fonction de la concurrence avec d'autres systèmes, l'approche évolue intrinsèquement avec la capacité des systèmes évalués. À mesure que les modèles deviennent plus forts, des tests plus exigeants sont naturellement générés, empêchant le problème du « plafond » des benchmarks statiques.

Quelles

Protections Empêchent les Modèles de Jouer avec le Système ?

Les auteurs décrivent des protocoles contre les attaques basées sur des informations privées et soutiennent l'adjudication sans juge, minimisant les points de manipulation dans le système de classement et garantissant la fiabilité de la classification finale.