Dossier
AGI : comprendre l'intelligence artificielle générale
L'AGI est une IA capable d'apprendre efficacement à résoudre des problèmes qu'elle n'a jamais vus, dans n'importe quel domaine. Elle n'existe pas encore : le meilleur modèle réussit 95 % d'ARC-AGI-2, mais à un coût et avec une efficacité d'apprentissage très loin de l'humain. Ce dossier de 12 pages explique comment la mesurer et ce qui manque.
L'AGI, de quoi parle-t-on ?
L'intelligence artificielle générale (AGI) désigne un système capable d'apprendre et de résoudre efficacement des problèmes nouveaux, dans des domaines variés, sans avoir été préparé pour chacun. La définition fait débat : certains la mesurent au nombre de tâches humaines automatisées, d'autres à la capacité d'acquérir une compétence nouvelle à partir de très peu d'exemples. C'est cette seconde approche, centrée sur la généralisation, que ce dossier suit en détail.
Les pages ci-dessous expliquent les notions clés (généralisation, adaptation au moment du test, synthèse de programmes), les benchmarks qui tentent de mesurer le progrès, l'histoire du concept, les prévisions et les risques. Elles sont publiées sous la responsabilité de François Chollet, créateur du benchmark ARC-AGI.
La conférence « How We Get To AGI »
François Chollet : How We Get To AGI (AI Startup School, Y Combinator, 2025). La vidéo n'est chargée depuis YouTube qu'au clic.
Le résumé structuré et commenté de la conférence est dans How We Get To AGI.
Le dossier, dans l'ordre de lecture
- ARC-AGI Débutant
ARC-AGI évalue l'adaptation à des problèmes nouveaux. Comprenez ses trois versions, les scores publiés et leurs limites pour lire les progrès de l'IA. - ARC Prize Débutant
L'ARC Prize récompense des méthodes ouvertes sur ARC-AGI. Comprenez ses règles, les résultats des éditions et ce que ces scores permettent de conclure. - How We Get To AGI Intermédiaire
La conférence de François Chollet à l'AI Startup School 2025 : déroulé complet, notions clés, chiffres cités, ce qui s'est confirmé depuis et ce qui reste débattu. - Généralisation Intermédiaire
La généralisation permet de résoudre des problèmes nouveaux. Définitions, exemples et méthodes pour comprendre la mesure de l'intelligence selon Chollet. - Synthèse de programmes Avancé
La synthèse de programmes construit du code à partir de contraintes ou d’exemples. Comprenez ses méthodes, son histoire et sa place dans la recherche sur l’AGI. - Modèles de raisonnement Intermédiaire
Les modèles de raisonnement améliorent certaines tâches grâce à davantage de calcul. Comprenez leur entraînement, leurs gains mesurés et leurs limites. - Adaptation au test Avancé
L’adaptation au moment du test ajuste un modèle à une tâche nouvelle. Comprenez ses mécanismes, les résultats publiés et le coût du calcul à l’inférence. - Mesurer les progrès Intermédiaire
Les benchmarks mesurent des capacités précises, pas une distance vers l’AGI. Comprenez leurs limites, la saturation et la contamination pour lire les scores. - Histoire de l'AGI Débutant
De Turing aux laboratoires actuels, l'histoire de l'AGI éclaire ses définitions, ses grandes approches et les désaccords sur la mesure de l'intelligence. - Risques de l'AGI Intermédiaire
Les risques de l'AGI distinguent dommages observés et scénarios futurs. Comprenez les désaccords scientifiques, les preuves disponibles et les protections. - Prévisions AGI Intermédiaire
Aucune date d’AGI ne fait consensus. Comparez les prévisions publiées, leurs définitions, leurs méthodes et les incertitudes qui expliquent leurs écarts. - Limites du deep learning Avancé
L'apprentissage profond reste fragile face à la nouveauté, aux causes et aux tâches longues. Comprenez les analyses des chercheurs et comment évaluer ces limites.
Où en sont les modèles sur ARC-AGI ?
ARC-AGI mesure la capacité à résoudre des puzzles visuels jamais vus, faciles pour un humain. Au 25 octobre 2026, 73 modèles ont un score publié sur ARC-AGI-2 ; le meilleur est GPT-6 Astra (95 %). Sur la première version, ARC-AGI-1, le record est de 98,5 % (Claude Opus 5.5). Un score élevé ne suffit pas à conclure à une AGI : le coût par tâche et l'efficacité d'apprentissage comptent aussi.
Articles récents sur l'AGI et la recherche
- Synthèse de programmes : la piste de Ndea vers l'AGI 21 octobre 2026
- « How We Get To AGI » : les idées clés de la conférence de François Chollet 20 octobre 2026
- Les LLM raisonnent-ils vraiment ? 20 octobre 2026
- « On the Measure of Intelligence » expliqué simplement 19 octobre 2026
- ARC-AGI expliqué : le test qui mesure l'intelligence des IA 17 octobre 2026
- Qu'est-ce que l'AGI ? Définition, mesure et état de la recherche 16 octobre 2026
Questions fréquentes
L'AGI existe-t-elle déjà ?
Non, selon la définition fondée sur la généralisation : les meilleurs systèmes restent loin de l'efficacité d'apprentissage humaine sur des problèmes réellement nouveaux, même quand leurs scores progressent vite. D'autres définitions, plus économiques, donnent des réponses différentes ; le dossier les compare.
Qu'est-ce que le benchmark ARC-AGI ?
Un ensemble de puzzles visuels sur grille, créé en 2019, où il faut deviner une règle à partir de deux ou trois exemples. Chaque tâche est nouvelle, ce qui empêche de réussir par simple mémorisation.
Quand l'AGI arrivera-t-elle ?
Personne ne le sait. Les prévisions publiques vont de quelques années à plusieurs décennies et dépendent surtout de la définition retenue. La page sur les prévisions résume les principales estimations et leurs hypothèses.
Articles liés
- Synthèse de programmes : la piste de Ndea vers l'AGI21 octobre 2026
- « How We Get To AGI » : les idées clés de la conférence de François Chollet20 octobre 2026
- Les LLM raisonnent-ils vraiment ?20 octobre 2026
- « On the Measure of Intelligence » expliqué simplement19 octobre 2026
Neutralité. Aucun lien d'affiliation. Aucun éditeur ne paie pour être évalué, noté ou classé. Les évaluations sont dirigées par François Chollet, neutres et factuelles, et chaque donnée est datée et sourcée. Comment nous notons