Où se situe la limite des capacités de l'IA actuelle

La puissance de calcul nécessaire à l'entraînement des modèles de langage se discute aujourd'hui au niveau des chefs d'État, et plus seulement dans les conseils d'administration des géants de la tech. La course au leadership en IA est devenue un facteur géopolitique, comparable par son poids au contrôle des technologies nucléaires. Mais derrière cette agitation se cache une question fondamentale que l'industrie préfère éluder : existe-t-il un plafond de principe à ce que l'intelligence artificielle, dans sa forme actuelle, peut accomplir ?

Pour y répondre, il faut d'abord clarifier la terminologie. Genrikh Altshuller, inventeur et méthodologue soviétique, créateur de la théorie de la résolution des problèmes d'invention (TRIZ), distinguait nettement deux types de problèmes. Le premier : les problèmes routiniers.

Ils peuvent être extraordinairement complexes sur le plan du calcul, nécessiter des téraoctets de données et des mois de travail de superordinateurs, mais leur solution se trouve entièrement à l'intérieur du système de connaissances existant. Il s'agit, pour l'essentiel, de rechercher et de combiner ce que l'humanité sait déjà. C'est précisément là que les modèles de langage actuels obtiennent des résultats impressionnants : ils explorent, synthétisent et adaptent les connaissances existantes à une vitesse et à une échelle hors de portée de l'esprit humain.

Le second type : les problèmes inventifs. C'est le domaine où il ne suffit pas de trouver une réponse dans l'espace du connu, mais où il faut en sortir. Créer une nouvelle abstraction, découvrir une régularité que personne n'a formulée auparavant, ou proposer une solution qui contredit les idées admises. C'est là que les choses deviennent les plus intéressantes, et les plus troublantes pour ceux qui croient à l'avènement inévitable d'une IA « forte ».

Les grands modèles de langage actuels, malgré leurs performances impressionnantes, fonctionnent par généralisation statistique de motifs issus des données d'entraînement. Ils ne « comprennent » pas comme un humain : ils reconnaissent des structures et les reproduisent avec des variations. Cela en fait des outils brillants pour les tâches routinières de toute complexité, de l'écriture de code à partir de modèles connus au diagnostic de maladies à partir de données médicales accumulées. Mais face à une véritable découverte, c'est-à-dire voir ce qui n'est pas dans les données, le modèle se heurte à une impasse épistémologique. Il ne peut pas sortir de l'espace de connaissances sur lequel il a été entraîné.

On peut certes objecter que les modèles produisent parfois des résultats inattendus, voire « créatifs ». C'est vrai, mais cette « créativité » relève de la combinatoire, pas de l'invention. Un modèle peut relier deux domaines de connaissance éloignés de façon non évidente, et le résultat peut ressembler à un éclair de génie. Pourtant, une connaissance réellement nouvelle, qui ne soit pas une recombinaison de l'existant, exige un autre mécanisme cognitif. Lequel ? Ni les neurosciences ni la philosophie de l'esprit ne peuvent y répondre.

Les conséquences pratiques de cette distinction sont considérables. Les entreprises et les gouvernements qui investissent des milliards dans l'IA doivent évaluer lucidement les problèmes qu'ils auront à résoudre. S'il s'agit d'automatiser, d'optimiser ou de mettre à l'échelle des processus existants, les modèles de langage s'en sortiront, et un peu mieux chaque année. Mais si le pari consiste à croire que l'IA réalisera une percée scientifique fondamentale ou créera une technologie radicalement nouvelle sans intervention humaine, les attentes sont probablement surévaluées. Du moins avec l'architecture actuelle des modèles.

Le problème a aussi une dimension plus profonde. La course aux LLM entre États entretient une illusion dangereuse : celui qui construira le premier le modèle le plus puissant obtiendra un avantage stratégique en tout. Mais si un plafond épistémologique existe, accroître la puissance n'apporte qu'un gain quantitatif sur les tâches routinières, pas un saut qualitatif vers une superintelligence artificielle. Cela n'enlève rien à l'importance de l'IA : l'automatisation du routinier transformera à elle seule l'économie et la société. Mais cela signifie que l'intelligence humaine, capable d'une véritable invention, reste une ressource irremplaçable.

La question des limites de l'IA n'est pas un verdict contre la technologie, mais une invitation à un débat honnête sur sa nature. Mieux nous comprendrons ce que les machines peuvent et ne peuvent pas faire, plus efficacement nous pourrons bâtir une symbiose entre intelligence humaine et intelligence artificielle. Et c'est peut-être cette symbiose, et non la course à un modèle tout-puissant, qui constituera la véritable percée de la décennie à venir.