Demis Hassabis : Agents, IA générale et la prochaine grande avancée scientifique

Lorsque Demis Hassabis a mis AlphaFold à la disposition de tous les scientifiques du monde, il ne l'a pas breveté. Pour une entreprise de pointe dans le domaine de l'IA, c'est une décision presque inexplicable. Pourtant, aujourd'hui, chaque nouveau médicament passe par AlphaFold – et sa diffusion libre a fait progresser la science plus que mille articles universitaires. La véritable révolution ici ne réside pas seulement dans la puissance de l’IA, mais dans la manière dont elle est diffusée et utilisée. Tout le monde pense que l’intelligence artificielle est une course pour savoir qui construira le plus gros cerveau. Mais Hassabis raisonne à l’inverse : le défi ne consiste pas seulement à créer des modèles plus grands, mais à les rendre réellement utiles, accessibles et capables d’apprendre comme nous le faisons, c’est-à-dire en continu, sans repartir à zéro à chaque fois. Aujourd’hui, la plupart des modèles fonctionnent « sans état », c’est-à-dire qu’ils oublient tout entre deux sessions : chaque prompt est un nouveau départ, comme s’ils n’avaient jamais rien appris du passé. Pourtant, le cerveau humain fonctionne différemment : pendant le sommeil, il retravaille et consolide les expériences clés — un détail qu’Andrej Hassabis a étudié lors de son doctorat sur le fonctionnement de l’hippocampe. Lorsque DeepMind a conçu, en 2013, le premier programme capable de battre les jeux vidéo Atari, le véritable tournant a précisément été de s'inspirer de cette idée biologique : le modèle « rejouait » en son sein les meilleures parties, en tirant des enseignements des séquences gagnantes. Mais aujourd'hui, même avec des fenêtres de mémoire gigantesques – des millions de tokens –, la plupart des systèmes d'IA accumulent les données de manière grossière, sans faire la distinction entre ce qui compte vraiment et le bruit de fond. Et chaque fois que le modèle doit rechercher la bonne information pour prendre une décision, cela a un coût réel. Ici, Hassabis établit une comparaison déconcertante : les modèles actuels, bien qu'ils disposent d'énormes « mémoires », sont en réalité moins efficaces et moins sélectifs qu'un être humain doté d'une mémoire limitée mais bien organisée. Et c'est là que survient le renversement : il ne suffit pas d'augmenter la puissance ou la quantité de données. Il faut une nouvelle qualité d’apprentissage – la capacité à s’adapter au contexte, à raisonner à long terme, à se constituer une mémoire personnelle et sélective. Un exemple concret ? Malgré les progrès réalisés, aucun agent d’IA n’a encore créé de jeu capable de dominer les classements mondiaux, alors qu’aujourd’hui, n’importe qui peut prototyper en une demi-heure ce qui prenait six mois à Hassabis, alors âgé de 17 ans. Il manque encore « l’âme » et la créativité profonde qui donnent du sens et de la valeur à une œuvre : l’impulsion humaine qui transforme un outil en un chef-d’œuvre. Pourtant, la frontière s'estompe. Hassabis prévoit qu’au cours des 6 à 12 prochains mois, nous verrons des équipes capables de multiplier leur productivité par mille grâce à l’utilisation d’agents d’IA, avant que l’autonomie totale ne devienne réellement une réalité. Et la question qui se pose est la suivante : que se passera-t-il lorsque ces capacités ne seront plus entre les mains de quelques laboratoires seulement, mais qu'elles seront diffusées dans des modèles open source, suffisamment petits pour fonctionner sur un téléphone et suffisamment puissants pour résoudre des problèmes réels ? Dans ce contexte, le modèle Gemma, open source et téléchargé 40 millions de fois en deux semaines, n’est que le début. Pour ceux qui veulent réaliser la prochaine percée scientifique, Hassabis donne deux règles : recherchez des problèmes qui ont un espace de recherche extrêmement vaste – comme les configurations d'une protéine ou les coups au jeu de Go, où aucun algorithme de force brute ne peut rivaliser – et définissez un objectif clair, une « fonction objectif » sur laquelle vous pouvez effectuer du climbing. Ensuite, il faut soit beaucoup d’expérimentation réelle, soit suffisamment de données pour simuler l’univers que vous souhaitez explorer. Dans ce contexte, les nouvelles IA ne seront pas seulement des « résolveurs de problèmes », mais pourront devenir des co-scientifiques : capables non seulement de trouver des réponses, mais aussi de poser des questions radicalement nouvelles, comme « inventer » les prochains problèmes du millénaire qu'il vaudra la peine de résoudre. Hassabis propose même un test : entraîner une IA avec des données antérieures à 1901 et voir si, comme Einstein en 1905, elle parvient à « découvrir » la relativité restreinte par elle-même. L’objectif ultime n’est pas seulement de résoudre des problèmes difficiles, mais de créer de nouvelles frontières de la connaissance. Et il y a une surprise dans cette approche : Hassabis ne croit pas au « supercerveau unique » qui contient tout. Il imagine plutôt des systèmes généraux qui utilisent des outils spécialisés — une sorte d'orchestre d'IA, où chaque modèle excelle dans un domaine spécifique mais collabore avec les autres. L’idée dont nous avons besoin pour l’avenir n’est pas seulement plus de puissance, mais aussi plus de coordination et plus de « dextérité » dans l’utilisation des outils. Si vous vous demandez quelle est la différence entre une start-up qui fait vraiment de la science avec l’IA et une start-up qui se contente de proposer une API, la réponse est la suivante : un impact réel est obtenu par ceux qui combinent des compétences approfondies dans plusieurs domaines, non seulement l’informatique, mais aussi la physique, la biologie et les matériaux. Hassabis conclut par un conseil qui sonne comme un défi : « Les problèmes difficiles ne sont pas plus compliqués que les problèmes faciles. Ils sont simplement difficiles d'une manière différente. Si vous n'avez qu'une seule vie, consacrez-la à quelque chose qui changerait le monde si vous n'étiez pas là. » L’intelligence générale arrivera peut-être pendant que nous sommes encore en chemin. Mais la vraie question est : que créeriez-vous aujourd'hui, en sachant que demain, votre outil pourrait changer les règles du jeu alors que vous êtes encore en train de jouer ? La véritable innovation ne réside pas dans la taille du modèle, mais dans la qualité des questions qu'il nous permet de poser. Si cette vision vous a ouvert une nouvelle perspective sur l'IA et la science, vous pouvez cliquer sur I'm In sur Lara Notes — c'est votre façon de déclarer que cette idée vous appartient désormais. Et si, demain, vous vous retrouvez à discuter d'AlphaFold ou de modèles qui inventent des questions avec quelqu'un, vous pouvez taguer cette conversation avec Shared Offline : car les idées vraiment fortes passent toujours d'abord par une conversation en personne. Cette Note est issue d’un entretien de Y Combinator avec Demis Hassabis et vous a fait gagner 37 minutes.