La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
OpenAI et la vision de l'AGI par Greg Brockman
Greg Brockman, président d'OpenAI, a récemment affirmé que le débat sur les limites des modèles basés sur le texte est clos. Selon lui, les modèles de raisonnement GPT représentent un chemin direct vers l'Intelligence Artificielle Générale (AGI). Il a déclaré que l'architecture GPT mènera à l'AGI, soulignant que l'entreprise voit une "ligne de vue" claire vers cet objectif à travers les modèles textuels.
Brockman a précisé que cette approche est privilégiée par rapport aux modèles multimodaux comme Sora, que l'entreprise considère comme étant sur "une branche différente de l'arbre technologique." Cette déclaration a été faite lors du Big Technology Podcast, où Brockman a insisté sur le fait que l'une des questions centrales non résolues dans la recherche en IA est désormais réglée : les modèles principalement entraînés sur du texte peuvent développer une véritable compréhension du monde.
Fermeture de Sora et choix stratégique
OpenAI a récemment décidé de fermer l'application et le modèle Sora. Bien que Brockman qualifie Sora de "modèle incroyable," il affirme qu'il se situe sur "une branche différente de l'arbre technologique" que la série de raisonnement GPT. La recherche sur les modèles du monde se poursuivra pour la robotique, mais à une échelle plus réduite et sans produits destinés aux consommateurs.
Brockman a expliqué que, avec une puissance de calcul limitée, il n'est pas faisable pour OpenAI de poursuivre les deux approches en même temps. Il a souligné que la décision de se concentrer sur l'architecture GPT est une question de "séquençage et de timing." Selon lui, les applications "dont nous avons toujours rêvé commencent à devenir accessibles," et le moyen d'y parvenir est à travers l'architecture GPT.
Lors d'une discussion avec Alex Kantrowitz, Brockman a reconnu le risque de négliger les modèles du monde de style Sora. Demis Hassabis de DeepMind a déclaré que le modèle d'image "Nano Banana" de Google semblait particulièrement proche de l'AGI. Brockman a admis : "Dans ce domaine, vous devez faire des choix. N'est-ce pas ? Vous devez faire un pari."
Débat au sein de la communauté IA
La question de savoir si les modèles purement basés sur le texte peuvent atteindre l'intelligence générale est loin d'être tranchée dans la communauté de recherche en IA. Yann LeCun, chercheur en IA renommé, soutient depuis des années que les LLM ne mèneront pas à une intelligence semblable à celle des humains. Il critique leur compréhension limitée de la logique, leur incapacité à comprendre le monde physique, leur manque de mémoire permanente, et leur incapacité à penser de manière rationnelle ou à planifier de manière hiérarchique.
Demis Hassabis, fondateur de DeepMind, partage un point de vue similaire. Il estime que l'échelle des LLM à elle seule n'est pas suffisante et que d'autres percées sont nécessaires. Francois Chollet, un autre chercheur en IA, définit l'intelligence comme la capacité à apprendre de nouvelles compétences de manière efficace. Il souligne que ce qui importe, c'est la capacité d'un système à former indépendamment des abstractions.
Dans un article récent, Richard Sutton de DeepMind et David Silver, ancien chercheur de DeepMind, ont appelé à un changement de paradigme. Ils suggèrent que les systèmes devraient apprendre de leur propre expérience plutôt que de s'entraîner uniquement sur les connaissances humaines. Silver a depuis fondé sa propre startup axée sur l'apprentissage par simulation.
Jerry Tworek, ancien chercheur d'OpenAI, décrit également son domaine de recherche en apprentissage profond comme "terminé." Il affirme que la prochaine étape consiste à construire des simulations du travail humain où les systèmes d'IA peuvent apprendre des compétences. Sa nouvelle startup, Core Automation, est dédiée à cette approche.
Cependant, tout le monde ne partage pas ce scepticisme. Adam Brown, chercheur de DeepMind, a récemment défendu le potentiel de l'architecture actuelle des LLM. Il compare le mécanisme de prédiction des tokens à l'évolution biologique : une règle simple qui, grâce à un "scalage massif," crée une complexité émergente que les gens perçoivent comme de la compréhension. Brown soutient que cette complexité pourrait même mener à la conscience.
