La start-up de David Silver lève 1,1 milliard de dollars pour une IA qui apprend sans données humaines

Ineffable Intelligence, laboratoire britannique lancé il y a seulement quelques mois par l'ancien chercheur de DeepMind David Silver, a levé 1,1 milliard de dollars pour une valorisation de 5,1 milliards. Un tour de table de cette taille est un pari très important, non seulement sur une nouvelle entreprise, mais sur une nouvelle idée technique : créer une IA qui acquiert connaissances et compétences sans s'appuyer sur d'énormes jeux de données humaines.

Pour le marché, c'est un signal important. Ces dernières années, la course à l'IA s'est organisée autour de modèles toujours plus gros, entraînés sur des textes, des images, du code et d'autres données créées par des humains. Cette approche a donné des résultats impressionnants, mais elle a aussi fait apparaître des limites : les données de qualité ne sont pas infinies, la pression autour du droit d'auteur augmente et les gains de capacités obtenus par la simple montée en échelle coûtent de plus en plus cher.

Dans ce contexte, l'idée d'un système qui apprend non pas d'une archive humaine, mais de sa propre interaction avec des tâches et un environnement, sonne comme une candidature à la prochaine étape du secteur.

Le nom de David Silver rend ce pari particulièrement visible. Il est connu comme l'un des chercheurs clés de DeepMind et l'un des principaux promoteurs des approches où un agent apprend par l'expérience, la recherche et l'auto-apprentissage par le jeu contre soi-même. Cette ligne de recherche était à l'origine des percées retentissantes de DeepMind dans les environnements de jeu, où les systèmes ne se contentaient pas de reproduire des exemples humains, mais trouvaient leurs propres stratégies et dépassaient souvent l'intuition humaine.

La nouvelle société de Silver est donc perçue non comme une énième start-up d'IA au nom à la mode, mais comme une tentative d'étendre les idées de l'apprentissage par renforcement et de la recherche autonome à une classe de problèmes plus large.

L'expression « apprendre sans données humaines » ne signifie pas que les humains disparaissent totalement du processus. Il s'agit plutôt d'un déplacement du centre de gravité : moins de dépendance aux corpus constitués à la main et à l'annotation, davantage d'appui sur les simulations, la génération de tâches, les environnements vérifiables, le retour d'information issu des résultats et les boucles d'amélioration internes. Si cette architecture fonctionne, elle pourrait permettre de créer des systèmes qui ne se contentent pas de restituer ce que l'humanité a déjà accumulé, mais élaborent de nouvelles stratégies et connaissances en agissant. C'est particulièrement important là où les données historiques sont rares, de mauvaise qualité, ou enferment trop le modèle dans le cadre de l'expérience passée.

L'ampleur du financement mérite une attention particulière. Un tour de 1,1 milliard de dollars pour un laboratoire apparu il y a littéralement quelques mois montre avec quelle agressivité les capitaux continuent d'affluer vers l'infrastructure d'IA et la recherche fondamentale. Les investisseurs n'achètent ici ni du chiffre d'affaires ni un marché produit confirmé, mais une combinaison de la réputation du fondateur, d'une école scientifique et de la chance d'occuper en premier une position dans la prochaine grande vague. La valorisation de 5,1 milliards souligne que le marché est prêt à payer cher des équipes qui proposent une alternative à la voie actuelle des LLM et promettent une manière plus générale d'entraîner les machines.

Mais l'ambition s'accompagne d'un risque sérieux. Construire un système qui apprend réellement sans jeu de données humain est bien plus difficile que de formuler l'idée dans un titre. Il lui faut des environnements d'entraînement de qualité, des mécanismes d'autovérification, une résistance à l'accumulation d'erreurs et des moyens de transférer les compétences de scénarios artificiels vers le monde réel. De plus, même de très bons résultats dans les jeux et les simulations ne garantissent pas les mêmes progrès sur des tâches ouvertes et chaotiques, où l'ambiguïté, les variables cachées et les exigences de sécurité sont trop nombreuses.

Ce que cela signifie en pratique : le marché de l'IA parie de nouveau non seulement sur l'échelle, mais sur un changement de paradigme. Si Ineffable Intelligence parvient à démontrer que l'apprentissage autonome peut être transposé de façon fiable hors des environnements de jeu et de laboratoire, le secteur disposera d'un argument de poids en faveur de modèles qui apprennent en agissant, et pas seulement en lisant l'internet humain. Sinon, ce tour de table restera l'exemple du prix que l'on accorde aujourd'hui à la seule possibilité de dépasser la génération actuelle d'IA.