Qu’est-ce que l’intelligence ?

L’expression « intelligence artificielle » suppose que l’on sait ce qu’est l’intelligence. Les chapitres précédents ont montré qu’on ne s’accorde ni sur ce que signifie penser, ni sur ce qu’est la conscience. L’intelligence ne fait pas exception. Ce chapitre, le dernier de la famille des problèmes philosophiques, présente les principales façons de la définir, et montre que la question, longtemps théorique, a désormais des enjeux très concrets : des contrats de plusieurs milliards de dollars dépendent de la réponse.

Plus de soixante-dix définitions

En 2007, les chercheurs Shane Legg et Marcus Hutter rassemblent plus de soixante-dix définitions de l’intelligence, proposées par des psychologues, des philosophes et des chercheurs en IA. Ils en tirent une synthèse : l’intelligence mesure la capacité d’un agent à atteindre ses buts dans une grande variété d’environnements. Legg fondera quelques années plus tard DeepMind, avec Demis Hassabis et Mustafa Suleyman.

Les psychologues mesurent l’intelligence depuis plus d’un siècle. En 1904, Charles Spearman remarque que les personnes qui réussissent bien un test cognitif tendent à réussir aussi les autres, et il attribue cette corrélation à un facteur général, noté g, que les tests de quotient intellectuel cherchent à mesurer. En 1983, Howard Gardner propose au contraire une théorie des intelligences multiples, linguistique, logique, spatiale, musicale, corporelle ou sociale, indépendantes les unes des autres. L’idée est très populaire dans l’enseignement, mais les psychologues lui reprochent de manquer d’appuis expérimentaux.

L’intelligence animale complique encore le tableau. En 2002, à Oxford, une corneille de Nouvelle-Calédonie nommée Betty, devant un petit seau de nourriture coincé au fond d’un tube, tord un fil de fer droit pour en faire un crochet, sans qu’on le lui ait jamais appris. Un chien, un poulpe ou une corneille ont des capacités que nous n’avons pas, et il n’est pas évident de les ranger sur une seule échelle avec la nôtre.

Le paradoxe de Moravec

Le Module 1 a présenté, avec Deep Blue, un constat qui traverse toute l’histoire de l’IA. En 1988, le roboticien Hans Moravec le formule ainsi : il est relativement facile de faire réussir à un ordinateur un test d’intelligence ou une partie de dames au niveau d’un adulte, et difficile, voire impossible, de lui donner les capacités de perception et de mouvement d’un enfant d’un an. Le psychologue Steven Pinker le résume en 1994 : les problèmes difficiles sont faciles, et les problèmes faciles sont difficiles.

Le paradoxe tient encore en 2026. Des modèles obtiennent la médaille d’or aux Olympiades de mathématiques, et, en avril 2026, à Pékin, un robot humanoïde court un semi-marathon en un peu plus de cinquante minutes, plus vite que le record du monde humain, alors que plusieurs de ses concurrents tombent ou heurtent des obstacles. Mais aucun robot ne sait encore ranger une cuisine qu’il n’a jamais vue. Une explication souvent avancée tient aux données : les textes et les parties d’échecs abondent, alors que personne n’a enregistré des millions d’heures de gestes ordinaires, plier une chemise ou ranger une assiette. Une autre tient à la nature des problèmes : les échecs n’ont qu’un seul jeu, et peu de règles, alors que chaque cuisine est différente. C’est le mur du sens commun du Module 1.

L’effet IA

Le Module 1 a aussi présenté l’« effet IA » : dès qu’une machine réussit une tâche, on cesse de considérer cette tâche comme une preuve d’intelligence. La formule la plus connue, popularisée par Douglas Hofstadter en 1979, est attribuée à Larry Tesler : « l’IA, c’est tout ce qui n’a pas encore été fait ». Une autre, attribuée à John McCarthy, dit que dès que cela marche, plus personne n’appelle cela de l’IA. L’historienne Pamela McCorduck notait déjà, dans Machines Who Think (1979), qu’à chaque réussite d’un ordinateur, un chœur de critiques s’élevait pour dire que ce n’était pas penser.

L’effet IA peut se lire de deux façons. Pour les uns, c’est une injustice : on déplace les poteaux du but chaque fois que la machine s’apprête à marquer, et l’on refusera toujours le mot « intelligence » à une machine. Pour les autres, c’est un apprentissage : chaque réussite nous apprend qu’une tâche que l’on croyait exiger de l’intelligence peut être accomplie sans elle, et précise ainsi ce que l’on entend par ce mot.

Étroite ou générale

Deep Blue jouait aux échecs mieux que Kasparov, mais ne savait rien faire d’autre. On parle d’IA étroite (narrow AI) pour désigner un système spécialisé dans une tâche, et d’IA générale (artificial general intelligence, AGI) pour un système capable d’apprendre et d’accomplir à peu près tout ce que fait un humain. L’expression apparaît en 1997 chez le physicien Mark Gubrud, et elle est reprise au début des années 2000 par Shane Legg et le chercheur Ben Goertzel. Elle désigne aujourd’hui l’objectif affiché de la plupart des grands laboratoires.

Personne ne s’accorde pourtant sur sa définition, et les définitions retenues ont des conséquences.

• Une définition économique. La charte d’OpenAI, en 2018, définit l’IA générale comme des systèmes très autonomes qui surpassent les humains dans la plupart des travaux qui ont une valeur économique. Selon des documents révélés à la fin de 2024, le contrat entre OpenAI et Microsoft considérait l’IA générale comme atteinte quand OpenAI pourrait en tirer environ 100 milliards de dollars de profits. Depuis l’accord révisé d’octobre 2025, une déclaration d’IA générale par OpenAI doit être vérifiée par un comité d’experts indépendants.
• Des niveaux. En novembre 2023, des chercheurs de Google DeepMind proposent de classer les systèmes selon leur performance et leur généralité. Les niveaux vont d’« émergent », à peu près égal à un humain sans formation, à « surhumain », meilleur que tous les humains, en passant par « compétent », « expert » et « virtuose ». Selon eux, les modèles de langage de 2023 étaient des IA générales « émergentes ».
• Un profil cognitif. En octobre 2025, une trentaine de chercheurs, dont Yoshua Bengio, proposent de mesurer l’IA générale dans dix domaines tirés des théories psychologiques de l’intelligence, comme le raisonnement, les connaissances, la lecture ou la mémoire. Sur cette échelle, GPT-4 obtient 27 %, et GPT-5 environ 57 %, avec un profil très inégal : presque rien pour la capacité à retenir durablement ce qu’il apprend.

L’IA générale suppose aussi que l’intelligence humaine soit elle-même générale, ce qui ne va pas de soi. Nous calculons mal, nous apprenons les mathématiques formelles au prix de longues années d’efforts, et notre intelligence est taillée pour la vie que menaient nos ancêtres. Elle est peut-être, elle aussi, une forme particulière d’intelligence.

Une intelligence en dents de scie

Les grands modèles de langage compliquent la distinction entre étroit et général. Ils réussissent des tâches très variées, mais de façon inégale. En 2023, une expérience menée auprès de 758 consultants du cabinet BCG compare des tâches réalisées avec et sans GPT-4. Pour les tâches à la portée du modèle, les consultants aidés réalisent 12 % de tâches en plus, 25 % plus vite, et avec une qualité supérieure de plus de 40 %. Pour une tâche qui dépasse le modèle, en apparence semblable, ils ont au contraire 19 points de pourcentage de chances en moins d’arriver à la bonne réponse. Les auteurs parlent d’une frontière en dents de scie (jagged frontier) : on ne sait pas d’avance de quel côté tombe une tâche.

L’informaticien Andrej Karpathy parle d’une intelligence en dents de scie (jagged intelligence) : un modèle capable de résoudre des problèmes de mathématiques difficiles peut se tromper en comparant 9,11 et 9,9, ou en comptant les lettres d’un mot, comme le montrait l’exemple de strawberry au Module 4. L’intelligence humaine n’a pas ce profil, ce qui rend nos intuitions sur l’intelligence des machines peu fiables.

Les objections de Yann Le Cun

Yann Le Cun, le pionnier des réseaux convolutifs présenté au Module 3, lauréat du prix Turing 2018 avec Geoffrey Hinton et Yoshua Bengio, est l’un des critiques les plus constants des grands modèles de langage, et l’un des plus écoutés, puisqu’il a dirigé la recherche en IA de Meta de 2013 à 2025. Ses critiques tiennent en quelques thèses.

Yann Le Cun en 2025. Photo : École polytechnique, CC BY-SA 2.0, via Wikimedia Commons.

• Des erreurs qui s’accumulent. En mars 2023, lors d’un débat à l’Université de New York, il affirme que les modèles autorégressifs, qui génèrent un jeton après l’autre, sont « condamnés ». Si chaque jeton a une petite probabilité e de faire sortir la réponse de l’ensemble des réponses correctes, la probabilité qu’une réponse de n jetons reste correcte vaut (1 − e)ⁿ, et diminue donc de façon exponentielle avec la longueur. L’argument est contesté : il suppose des erreurs indépendantes, de probabilité constante, et dont on ne se relève jamais, alors que les modèles qui raisonnent savent revenir sur leurs pas.
• Trop peu de données. Un enfant de quatre ans a passé environ 16 000 heures éveillé. Selon les calculs de Le Cun, son nerf optique lui a transmis pendant ce temps au moins autant de données que tout le texte sur lequel on entraîne les plus grands modèles. L’essentiel de ce que nous savons du monde ne s’apprend pas dans les livres.
• Moins qu’un chat. Un enfant de dix ans apprend en quelques minutes à desservir la table et à remplir le lave-vaisselle, et un jeune de dix-sept ans apprend à conduire en une vingtaine d’heures. Aucun robot n’en est capable. C’est le paradoxe de Moravec, et Le Cun prédit que l’on obtiendra une IA du niveau d’un chat, puis d’un chien, avant une IA de niveau humain.
• Pas d’intelligence générale. Pour lui, l’expression même d’« intelligence générale » n’a pas de sens, puisque l’intelligence humaine est très spécialisée et ne sait faire qu’une infime partie des tâches possibles. Il préfère parler d’« intelligence machine avancée », AMI selon le sigle anglais, un clin d’œil au mot français. En décembre 2025, Demis Hassabis lui répond publiquement qu’il confond intelligence générale et intelligence universelle, et Le Cun juge le désaccord en grande partie affaire de mots.

Il manque selon lui aux modèles de langage quatre capacités : comprendre le monde physique, une mémoire durable, raisonner et planifier. En janvier 2025, à Davos, il prédit que le paradigme actuel a une durée de vie de trois à cinq ans. En mars 2025, il déclare ne plus s’intéresser aux modèles de langage, de simples « générateurs de jetons ». Ses positions sur les risques de l’IA sont présentées au chapitre « Peut-on perdre le contrôle ? ».

Les modèles du monde

Ce que Le Cun propose à la place est un modèle du monde (world model). La notion n’est pas neuve. Au Module 1, SHRDLU maintenait une représentation explicite de son monde de blocs, écrite à la main, et le Module 4 a montré qu’un petit modèle entraîné sur des parties d’Othello se construisait de lui-même une représentation du plateau. Au sens de Le Cun, un modèle du monde est un réseau qui apprend, en observant, à prédire comment le monde évolue, en particulier sous l’effet de ses propres actions. Il peut alors planifier, c’est-à-dire imaginer les conséquences de plusieurs actions avant d’agir.

En 2022, dans « A Path Towards Autonomous Machine Intelligence », Le Cun décrit une architecture complète, organisée autour d’un tel modèle : un module de perception, un modèle du monde, un coût qui mesure si une situation est bonne ou mauvaise, un acteur qui cherche les actions qui minimisent ce coût, et une mémoire. Un système qui agit pour atteindre des objectifs explicites, encadrés par des garde-fous, serait selon lui contrôlable par construction, et non par un réglage après coup.

La pièce centrale de cette architecture est le JEPA (Joint Embedding Predictive Architecture, une architecture prédictive dans l’espace des représentations). Un modèle génératif prédit l’image suivante d’une vidéo pixel par pixel, ou le mot suivant d’un texte, y compris tout ce qui est imprévisible, comme le mouvement de chaque feuille d’un arbre. Un JEPA transforme d’abord les images en représentations abstraites, puis prédit seulement la représentation de l’image suivante. Il peut ainsi ignorer les détails imprévisibles et se concentrer sur l’essentiel.

Meta en publie plusieurs versions : I-JEPA pour les images en 2023, V-JEPA pour la vidéo en 2024, puis V-JEPA 2 en juin 2025, entraîné sur plus d’un million d’heures de vidéo. Après moins de 62 heures de vidéos de robots, V-JEPA 2 permet à des bras robotisés de saisir et de déplacer des objets dans des laboratoires où ils n’ont jamais été entraînés. Le Cun pousse la logique jusqu’au bout dans une diapositive restée célèbre, qui recommande d’abandonner les modèles génératifs, les modèles probabilistes et l’apprentissage par renforcement, ce dernier n’étant à utiliser qu’en dernier recours.

En novembre 2025, Le Cun annonce son départ de Meta, qui vient de réorganiser sa recherche autour de la course à la superintelligence. Il fonde à Paris AMI Labs, dirigé par Alexandre LeBrun, avec des bureaux à New York, à Montréal et à Singapour. En mars 2026, l’entreprise lève 1,03 milliard de dollars, la plus grosse levée de démarrage de l’histoire européenne, sans produit ni revenus prévus avant plusieurs années. Ses premiers résultats, publiés en 2026, comprennent des modèles du monde assez petits pour s’entraîner sur un seul processeur graphique.

Le Cun n’est pas seul à miser sur les modèles du monde.

• Apprendre en rêvant. En 2018, David Ha et Jürgen Schmidhuber entraînent un agent « dans son propre rêve » : un modèle du monde appris d’un jeu vidéo lui sert de simulateur, et la stratégie apprise dans ce rêve fonctionne ensuite dans le vrai jeu. En avril 2025, l’agent DreamerV3, qui suit le même principe, devient le premier à trouver des diamants dans Minecraft sans aucune donnée humaine.
• Des mondes interactifs. En août 2025, Google DeepMind présente Genie 3, qui génère en temps réel des mondes que l’on peut explorer pendant quelques minutes, et dont l’entreprise Waymo se sert en 2026 pour simuler des situations de conduite.
• Pour les robots. Nvidia diffuse depuis 2025 ses modèles Cosmos, destinés à la robotique et aux voitures autonomes.
• L’intelligence spatiale. World Labs, l’entreprise de l’informaticienne Fei-Fei Li, lance en novembre 2025 Marble, qui crée des mondes en trois dimensions à partir d’un texte ou d’une image. En septembre 2026, AMD annonce son rachat pour environ 8,2 milliards de dollars.
• Des simulateurs du monde. OpenAI présentait dès 2024 ses modèles vidéo comme des « simulateurs du monde », et l’équipe de Sora, après la fermeture du service en mars 2026, se consacre à la simulation du monde pour la robotique, comme le rappelle la section sur la vidéo du Module 4.

Ces systèmes ne suivent pas tous la voie de Le Cun : Genie, Cosmos et Sora sont génératifs, et prédisent bel et bien des pixels. Mais tous parient que l’intelligence passe par une compréhension du monde physique, qui manque aux modèles de langage. La question reste ouverte, puisque les modèles de langage, de plus en plus capables de voir et d’agir, pourraient aussi acquérir cette compréhension par d’autres voies.

Gary Marcus et le retour du symbolique

L’autre grand critique des modèles de langage, Gary Marcus, professeur émérite de psychologie à l’Université de New York, part d’une tout autre tradition. Spécialiste de l’acquisition du langage chez l’enfant, élève de Steven Pinker, il défend depuis les années 1990 l’idée que l’esprit humain manipule des symboles et des règles, et que les réseaux de neurones, si doués soient-ils pour reconnaître des formes, généralisent mal dès qu’on sort de ce qu’ils ont vu.

Gary Marcus en 2022. Photo : Web Summit, CC BY 2.0, via Wikimedia Commons.

En 2018, dans « Deep Learning: A Critical Appraisal », il dresse la liste des faiblesses de l’apprentissage profond : un besoin énorme de données, une incapacité à raisonner de façon fiable, une fragilité devant les cas inhabituels, une boîte noire. En 2022, il publie un article au titre provocateur, « Deep Learning Is Hitting a Wall » (l’apprentissage profond se heurte à un mur), quelques mois avant la sortie de ChatGPT. Depuis, il recense sur son blogue chaque hallucination et chaque erreur de raisonnement des modèles, et chaque promesse non tenue de leurs concepteurs, au point d’être devenu, pour beaucoup, le critique attitré de l’industrie. En mai 2023, il témoigne devant le Sénat américain aux côtés de Sam Altman, et réclame une agence chargée de contrôler les modèles avant leur mise en service.

Sa proposition est l’IA neurosymbolique (neurosymbolic AI) : associer les réseaux de neurones, qui apprennent à reconnaître, à des systèmes symboliques, qui représentent des connaissances et raisonnent selon des règles. C’est une façon de réconcilier les deux paris du Module 1, l’IA symbolique et l’apprentissage, que Marcus juge complémentaires plutôt que rivaux. En 2026, il voit sa thèse confirmée dans l’évolution des assistants eux-mêmes : les meilleurs résultats viennent désormais de modèles qui écrivent et exécutent du code et qui appellent des outils, c’est-à-dire de modèles associés à des systèmes symboliques. Ses détracteurs lui reprochent de déplacer sans cesse la cible, à mesure que les modèles réussissent ce qu’il les disait incapables de faire.

Marcus et Le Cun s’opposent sur presque tout le reste : Le Cun rejette le symbolique et mise sur l’apprentissage de modèles du monde, Marcus juge les risques de l’IA bien réels et réclame une réglementation stricte. Ils partagent pourtant le même diagnostic, celui d’une impasse des modèles de langage seuls, ce qui rappelle que la critique de ces modèles ne forme pas un camp, mais plusieurs.

L’intelligence comme apprentissage

En 2019, François Chollet propose une autre définition, présentée au chapitre « Le défi ARC » du Module 4 : l’intelligence n’est pas une compétence, mais l’efficacité avec laquelle un système acquiert des compétences nouvelles, compte tenu de ce qu’il savait au départ et de l’expérience dont il a disposé. Un système qui a besoin de millions d’exemples pour apprendre ce qu’un enfant saisit en trois est compétent, mais peu intelligent.

François Chollet en 2020. Photo : Ramosset, CC BY-SA 4.0, via Wikimedia Commons.

Les tests ARC, construits sur cette définition, suivent eux-mêmes le cycle de l’effet IA. ARC-AGI-3, publié en mars 2026, propose de petits jeux sans consignes, dont chacun a été réussi par des humains, et où les meilleurs modèles obtiennent moins de 1 % à leur sortie. En septembre 2026, GPT-6 Astra atteint 62,7 % dans les conditions standard du test, et près de 100 % quand on l’équipe d’un harnais adapté, avec moins d’actions qu’un humain médian sur la plupart des niveaux. Les organisateurs précisent qu’ils ne prétendent pas pour autant qu’il s’agit d’une IA générale. Chollet lui-même, qui jugeait l’IA générale lointaine, estimait en 2025 qu’elle pourrait arriver dans environ cinq ans.

Une IA générale en 2026 ?

La question n’est plus seulement théorique. En mars 2026, Jensen Huang, le dirigeant de Nvidia, déclare dans un entretien que l’IA générale est déjà là, selon la définition que lui propose son interlocuteur : une IA capable de bâtir une entreprise d’un milliard de dollars. En septembre 2026, après la sortie de GPT-6 Astra, il écrit que l’IA générale « est arrivée », et le président d’OpenAI, Greg Brockman, juge raisonnable de penser que nous sommes entrés dans l’ère de l’IA générale. OpenAI n’a pourtant fait aucune déclaration officielle, et le comité d’experts prévu par l’accord avec Microsoft ne s’est pas prononcé.

Ces déclarations montrent surtout que la réponse dépend de la définition. Selon que l’on retient la valeur économique, un score à un test, la variété des compétences ou l’efficacité de l’apprentissage, l’IA générale est déjà là, presque là, ou encore lointaine. On retrouve le constat de Turing en 1950 : la question « les machines peuvent-elles penser ? » ne se tranche pas tant que l’on ne s’accorde pas sur le sens des mots. La différence est qu’aujourd’hui, des entreprises, des investisseurs et des gouvernements ont intérêt à ce que la réponse soit l’une plutôt que l’autre.

Dans la conversation

La conversation de l’été 2025 s’ouvre sur ces questions.

• 0:00 Le paradoxe de Moravec. On a battu Kasparov, mais on ne sait pas faire un robot qui range la vaisselle. Une explication tient aux données, que Tesla accumule par exemple pour la conduite automobile ; une autre tient au fait que les échecs n’ont qu’un jeu et peu de règles, alors que chaque cuisine est différente.
• 6:00 La vision de l’IA classique. Les premiers programmes d’échecs ne reposaient pas sur des données, mais sur l’idée ancienne que l’intelligence pourrait se formaliser en un petit ensemble de règles.
• 9:00 Les objectifs changeants. Après Deep Blue, on a conclu que ce n’était « pas exactement » de l’intelligence, mais un savoir-faire très étroit.
• 11:54 Google Maps, est-ce de l’IA ? En 1970, tout le monde aurait dit oui ; aujourd’hui, personne. Pourtant, connaître toutes les rues de Londres était une compétence que les chauffeurs de taxi devaient prouver par des examens.
• 17:16 L’IA générale. Un modèle de langage est-il général, ou une sorte de Deep Blue du langage ? La discussion se demande si l’être humain lui-même a une intelligence générale, lui qui multiplie mal les grands nombres, et rappelle qu’un chien est intelligent sans parler.