Dossier AGI · Débutant · 10 min
Histoire de l'idée d'AGI : de Turing aux laboratoires actuels
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.
L’idée d’AGI prolonge une ambition ancienne : construire des machines capables d’apprendre et de résoudre des problèmes variés, au-delà d’une spécialité fixée à l’avance. De Turing aux laboratoires actuels, son histoire est celle de méthodes concurrentes, mais aussi de désaccords sur ce qui constituerait une preuve d’intelligence générale.
Une ambition ancienne, plusieurs questions distinctes
L’intelligence artificielle générale, ou AGI, ne désigne pas une architecture précise. C’est un objectif dont le contenu dépend de la définition retenue : accomplir une grande variété de tâches, atteindre un niveau humain, apprendre efficacement des situations nouvelles ou travailler avec autonomie.
Ces critères ne sont pas interchangeables. Un logiciel peut couvrir de nombreux sujets tout en restant dépendant de procédures connues. Un autre peut apprendre rapidement un jeu inconnu sans disposer des connaissances nécessaires pour rédiger un rapport professionnel.
Pour comprendre cette histoire, il faut donc suivre plusieurs fils. Le premier concerne les comportements observables : ce que la machine réussit. Le deuxième concerne l’apprentissage : comment elle acquiert cette compétence. Le troisième concerne les conditions de fonctionnement : ressources, outils, aide humaine et environnement.
Cette distinction évite une lecture trompeuse du passé. Les chercheurs n’ont pas tous travaillé sur une même échelle dont chaque découverte aurait rapproché mécaniquement le sommet. Ils ont parfois poursuivi des objectifs différents sous un vocabulaire voisin.
La question de la conscience reste encore distincte. Une évaluation de capacités ne permet pas, à elle seule, de conclure qu’un système possède une expérience subjective. À l’inverse, une discussion philosophique sur la conscience ne remplace pas une mesure de fiabilité.
Notre rubrique AGI et recherche reprend ces différents axes. L’article Qu’est-ce que l’AGI ? fournit une entrée plus courte ; cette page explique comment les problèmes se sont constitués et pourquoi ils persistent.
Turing : remplacer une question abstraite par une épreuve
Dans son article Computing Machinery and Intelligence, publié en octobre 1950, Alan Turing propose d’aborder l’intelligence des machines par un jeu d’imitation. L’interrogateur échange à distance et cherche à distinguer ses interlocuteurs.
Le déplacement est décisif : plutôt que d’attendre une définition unanimement acceptée de la pensée, Turing examine un dispositif où des comportements peuvent être comparés. Son texte traite aussi des machines apprenantes ; il ne se réduit donc pas à la seule conversation.
Le test de Turing constitue un repère historique, mais son interprétation demande de la prudence. Convaincre un interlocuteur renseigne sur une interaction donnée. Cela ne mesure pas directement toutes les compétences possibles.
Prenez une situation hypothétique : un programme explique très bien comment réparer un mécanisme. Cette réponse ne vous apprend pas encore s’il reconnaîtrait la pièce défectueuse, découvrirait une panne inhabituelle ou vérifierait que la réparation fonctionne.
La leçon méthodologique reste utile : une épreuve doit être interprétée dans son périmètre. Si vous évaluez une conversation, vous obtenez des observations sur une conversation. Pour conclure à une capacité plus large, il faut justifier le passage entre cette observation et l’affirmation générale.
L’histoire de l’AGI conserve cette tension. Une démonstration accessible peut rendre une capacité visible au public, alors qu’une caractérisation scientifique demande des conditions explicites et des résultats reproductibles. Les deux démarches peuvent se compléter, mais elles ne répondent pas exactement à la même question.
Dartmouth : formuler un programme de recherche général
La proposition de Dartmouth, datée du 31 août 1955, prépare une rencontre pour l’été 1956. John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon y présentent un programme nommé intelligence artificielle.
Le document envisage notamment le langage, les abstractions, la résolution de problèmes et l’amélioration des machines. Il examine aussi les réseaux de neurones : le projet initial ne se limite pas à une seule méthode de programmation.
Ce qui deviendra l’ambition d’une intelligence générale est donc présent dans les questions fondatrices du domaine, même si le vocabulaire n’est pas celui des débats actuels. Il serait anachronique de lire cette proposition comme une spécification moderne de l’AGI.
L’hypothèse scientifique et sa réalisation doivent également être séparées. Affirmer qu’un aspect de l’intelligence pourrait être décrit assez précisément pour être simulé ouvre un programme de travail. Cela ne fournit ni l’algorithme, ni les ressources nécessaires, ni la preuve que tous les obstacles seront surmontés.
Pour lire un programme contemporain, la même distinction est utile. Une mission de laboratoire indique ce que ses chercheurs cherchent à construire. Une publication décrit une méthode et des résultats. Une évaluation indépendante vérifie certaines propriétés dans des conditions définies.
Confondre ces niveaux transforme facilement une intention en accomplissement. Les textes fondateurs gagnent donc à être lus comme des propositions de recherche : ambitieux dans leurs questions, mais sans valeur de certificat pour les systèmes qui viendront ensuite.
Des règles aux systèmes experts : la difficulté du transfert
Une partie de la recherche a cherché à représenter explicitement des connaissances et à appliquer des règles pour résoudre des problèmes. Les systèmes experts ont poussé cette logique vers des domaines spécialisés. Le chercheur Nils J. Nilsson en retrace le développement dans The Quest for Artificial Intelligence, notamment les travaux sur le conseil et le dépannage.
Cette trajectoire montre la différence entre une ambition générale et une solution délimitée. Décrire des connaissances utiles dans un domaine ne fournit pas automatiquement un moyen d’en acquérir dans tous les autres.
Un exemple fictif permet de comprendre le problème. Un système de diagnostic connaît les relations entre certains symptômes et certaines pannes. Face à un appareil conçu autrement, ses règles peuvent perdre leur pertinence, même si elles restent logiquement cohérentes.
Il faut alors distinguer la qualité des règles, la justesse des observations et le périmètre où elles s’appliquent. Une déduction correcte à partir d’une hypothèse inadaptée peut produire une mauvaise décision. La difficulté ne tient donc pas uniquement à la puissance du raisonnement.
Cette question demeure centrale pour l’AGI : comment réutiliser une connaissance sans supposer que la situation nouvelle ressemble exactement aux précédentes ? Faut-il reconnaître une structure commune, construire une représentation différente ou apprendre une nouvelle procédure ?
Pour comparer les approches, gardez ces critères séparés :
| Critère | Connaissances décrites par des règles | Modèle appris à partir de données |
|---|---|---|
| Origine des connaissances | Formalisation explicite | Ajustement à partir d’exemples |
| Correction possible | Modifier les règles concernées | Modifier les données, l’entraînement ou le système |
| Question de transfert | Les règles s’appliquent-elles au nouveau contexte ? | Les régularités apprises restent-elles pertinentes ? |
| Preuve attendue | Résultats dans le domaine prévu | Résultats sur des données et situations pertinentes |
Ce tableau est une grille de lecture, pas un classement : aucune colonne ne garantit à elle seule la généralité.
Apprendre des données change la méthode, pas la question finale
Dans une démarche d’apprentissage, le concepteur ne décrit pas nécessairement chaque règle de décision. Il organise un processus où le système ajuste son comportement à partir d’exemples, d’objectifs ou de retours sur ses actions.
Cela déplace le travail. Il faut choisir les données, définir ce que signifie réussir, puis vérifier que les résultats dépassent les exemples utilisés pour apprendre. Remplacer des règles écrites par des paramètres appris ne supprime pas les hypothèses introduites par les concepteurs.
Supposons, à titre d’illustration, que vous appreniez à un programme à reconnaître des objets photographiés sur fond blanc. Le tester sur d’autres photographies très semblables évalue une capacité utile. Le tester dans un atelier encombré pose une autre question.
L’écart entre ces situations explique pourquoi la généralisation occupe une place centrale dans les débats sur l’AGI. On cherche à préciser ce qui reste stable quand changent les apparences, les consignes ou la structure du problème.
Pour juger un résultat, le nombre de tâches réussies ne suffit donc pas toujours. Il faut examiner leur diversité réelle, leur proximité avec les données d’apprentissage et l’aide fournie au système. Des exercices présentés différemment peuvent solliciter la même procédure.
Inversement, une performance spécialisée conserve sa valeur pratique. Un programme n’a pas besoin d’être général pour rendre un service. L’histoire de l’AGI ne doit pas conduire à déprécier les outils délimités, mais à éviter de leur attribuer des propriétés que leur évaluation n’établit pas.
Le Transformer et les modèles de langage élargissent le débat
En juin 2017, Ashish Vaswani et ses coauteurs présentent le Transformer dans Attention Is All You Need. La publication propose une architecture fondée sur des mécanismes d’attention et l’évalue notamment en traduction automatique.
Il faut conserver ce contexte : le résultat publié concerne une architecture et des expériences précises. Ce n’est pas une démonstration d’intelligence générale, ni une preuve que toute compétence pourra découler du même principe.
Pour situer les outils contemporains, vous pouvez consulter les fiches de ChatGPT, Claude et Gemini. Ces noms désignent des produits ; ils ne constituent pas des catégories scientifiques d’intelligence.
Une interface commune peut donner une impression d’unité : l’utilisateur demande une traduction, une explication, puis un programme dans la même conversation. Pour analyser cette polyvalence, il faut cependant revenir aux tâches, aux conditions et aux erreurs.
La distinction entre modèle et système devient également nécessaire. Une réponse peut dépendre du modèle, mais aussi d’un moteur de recherche, d’un interpréteur de code, de documents fournis ou d’une procédure de vérification. L’ensemble est l’objet pertinent si vous souhaitez mesurer le service rendu.
Imaginez une évaluation où un assistant peut consulter une documentation. Sa réussite établit quelque chose sur cet assistant avec cet accès. Elle ne montre pas automatiquement que le modèle possède la même compétence sans documentation.
Ce raisonnement ne retire rien au résultat. Il permet de savoir ce qui a progressé : connaissances disponibles, utilisation des outils, sélection d’une méthode ou adaptation au problème. Une histoire rigoureuse de l’AGI doit conserver ces distinctions au lieu de tout attribuer à une intelligence unique et indifférenciée.
François Chollet : distinguer compétence et acquisition de compétence
Dans On the Measure of Intelligence, publié en novembre 2019, François Chollet propose de caractériser l’intelligence par l’efficacité avec laquelle un système acquiert des compétences. Il insiste sur le rôle des connaissances préalables, de l’expérience et de la difficulté de généralisation.
Le texte introduit aussi ARC, un ensemble de tâches destiné à examiner une forme de raisonnement abstrait. La différence avec une simple mesure de compétence est essentielle : réussir une tâche ne révèle pas à elle seule les moyens nécessaires pour apprendre à la réussir.
Cette position porte sur la mesure. Elle invite à documenter le point de départ et l’expérience reçue, plutôt qu’à lire seulement le résultat final. La page de référence sur la généralisation développe ce cadre et ses implications.
Pour en saisir l’enjeu, considérons un exemple pédagogique. Vous donnez à deux systèmes une règle de classement inconnue. L’un reçoit de très nombreux exercices corrigés ; l’autre dispose seulement de quelques démonstrations. Un résultat final identique ne renseigne pas de la même manière sur leur apprentissage.
Il faut toutefois définir soigneusement ce qui compte comme expérience préalable. Un problème nouveau pour l’évaluateur peut ressembler à des exercices déjà rencontrés par le système. L’apparence de nouveauté ne suffit donc pas.
Cette grille ne rend pas inutiles les évaluations professionnelles. Si vous devez automatiser une tâche, la qualité du résultat compte directement. Mais si votre question porte sur l’intelligence générale, il faut aussi examiner comment la compétence a été acquise.
L’article On the Measure of Intelligence expliqué simplement présente plus directement cet argument. Il complète cette histoire en détaillant une proposition de mesure, sans en faire une définition unanimement adoptée.
Les laboratoires proposent des seuils différents
Le cadre Levels of AGI, initialement publié en novembre 2023, distingue notamment la profondeur des performances et leur étendue. Ses auteurs, dont Meredith Ringel Morris et Shane Legg, examinent séparément les questions d’autonomie et de déploiement.
Cette démarche ne se confond pas avec celle de François Chollet. Elle cherche à organiser les capacités observées selon plusieurs dimensions, tandis que son approche met l’accent sur l’efficacité d’acquisition. Les questions peuvent se compléter sans produire un seuil identique.
En octobre 2024, Dario Amodei décrit dans Machines of Loving Grace une hypothèse d’IA puissante : compétences intellectuelles étendues, accès à des interfaces numériques et capacité à mener des tâches longues. Il présente un scénario prospectif, avec ses incertitudes, et non une certification de capacités acquises.
Google DeepMind propose encore une autre décomposition dans son cadre cognitif présenté le 17 mars 2026. Celui-ci examine notamment l’apprentissage, la mémoire, le raisonnement et la métacognition, avec des comparaisons aux performances humaines.
Ces publications montrent pourquoi une déclaration sur l’AGI doit être accompagnée de sa définition. Une mesure de polyvalence, une mesure d’apprentissage et un scénario d’autonomie ne portent pas sur le même objet.
À la date de cette page, le 24 octobre 2026, ces textes servent donc de repères documentaires. Leur présence ne permet pas d’affirmer qu’un seuil commun aurait été franchi.
Pour comparer des annonces, demandez ce qui est évalué, par qui et selon quel protocole. Une organisation peut employer une définition cohérente pour ses recherches sans que celle-ci engage l’ensemble de la communauté scientifique.
Lire les progrès sans transformer l’histoire en calendrier
L’histoire de l’AGI aide à interpréter les annonces lorsqu’on sépare trois éléments : la capacité observée, l’explication proposée et la projection vers l’avenir. Ils n’ont pas le même statut de preuve.
Une expérience peut montrer qu’un système résout une famille de problèmes. Les auteurs peuvent attribuer ce résultat à une méthode particulière. Prévoir ensuite que cette méthode suffira à construire une intelligence générale demande des hypothèses supplémentaires.
La même prudence s’applique aux échecs. Une difficulté rencontrée dans un protocole ne prouve pas automatiquement une impossibilité définitive. Il faut déterminer si elle vient des données, de la méthode, des ressources ou de la définition même de la tâche.
Pour lire une nouvelle publication, vous pouvez suivre cette séquence :
- Identifier le système évalué et les moyens dont il dispose.
- Examiner les tâches, leur sélection et leur proximité avec l’apprentissage.
- Vérifier les comparaisons humaines et les conditions de réalisation.
- Rechercher les échecs, leur fréquence et leur gravité.
- Séparer les observations des extrapolations.
La page sur les benchmarks de l’AGI détaille ces problèmes de mesure. Un score devient informatif lorsqu’on sait ce qu’il résume et ce qu’il laisse de côté.
Pour vos usages, cette histoire conduit aussi à une règle pratique : évaluez l’outil sur le travail que vous lui confiez. L’étiquette générale ne remplace ni un essai représentatif, ni une mesure des erreurs, ni une vérification du besoin de supervision.
De Turing aux laboratoires actuels, le fil durable reste ainsi la construction d’épreuves adaptées aux affirmations. Les méthodes changent ; la nécessité de préciser ce qui a été démontré demeure.
Pages liées
Questions fréquentes
Alan Turing a-t-il inventé l'AGI ?
Turing a posé une partie des questions fondatrices sur les machines intelligentes, mais lui attribuer seul l'AGI effacerait des traditions de recherche distinctes. Son article sur le jeu d'imitation ne définit pas un programme technique unique conduisant à une intelligence générale.
Pourquoi parle-t-on d'AGI plutôt que simplement d'IA ?
Le mot IA couvre aussi des logiciels spécialisés dans une fonction. Ajouter générale sert à préciser une ambition de transfert entre tâches et d'apprentissage, même si les chercheurs ne placent pas tous le seuil au même endroit.
L'AGI doit-elle avoir un corps ou être un robot ?
Cela dépend de la définition retenue. Une définition centrée sur le travail intellectuel peut accepter un système purement logiciel ; une définition incluant les compétences physiques exige d'autres observations et d'autres épreuves.
Un système qui réussit le test de Turing est-il une AGI ?
Une conversation convaincante ne suffit pas à établir toutes les capacités que recouvre une définition de l'AGI. Il faut aussi préciser le protocole, les connaissances nécessaires et les compétences qui restent en dehors de l'échange.
Pourquoi les chercheurs ne s'accordent-ils pas sur une date d'arrivée de l'AGI ?
Ils ne prévoient pas toujours le même événement : réussite à des évaluations, autonomie professionnelle ou apprentissage général. Leurs hypothèses sur les données, le calcul et les obstacles scientifiques diffèrent également.