Pourquoi cette page existe
La majeure partie de ce manuel penche vers une prise au sérieux du risque de l’AGI, puisqu’elle traite surtout de ce qui se passe si les optimistes ont raison. Cette posture rend facile de réduire les sceptiques à un épouvantail — « ils ne comprennent tout simplement pas la mise à l’échelle » — et de passer à autre chose. C’est un mauvais service rendu à une position substantielle, défendue par des chercheurs qui ont construit certains des outils fondateurs du domaine. Cette page présente leurs arguments réels, non une version conçue pour perdre, sans arbitrer qui a raison ; voir comment évaluer les affirmations sur l’AGI et prévisions sur le calendrier de l’AGI pour la façon dont l’éventail des opinions est habituellement rapporté.
Yann LeCun : pas de modèle du monde, pas de planification
Yann LeCun a quitté Meta en novembre 2025 après douze ans, y compris la fondation de son laboratoire FAIR, et dès mars 2026 était président exécutif et cofondateur d’AMI Labs, une start-up basée à Paris ayant levé un tour de table d’amorçage de 1,03 milliard de dollars — rapporté comme le plus important tour d’amorçage jamais réalisé par une start-up européenne — pour construire ce qu’il appelle des « modèles du monde » (TechCrunch). Cela compte : le scepticisme de LeCun ne s’est pas adouci en simple couverture de risque — il s’est durci jusqu’à devenir une entreprise sur laquelle il mise sa carrière.
L’objection de LeCun est un argument architectural, non un théorème démontrant que les transformeurs ne peuvent pas planifier. Les modèles autorégressifs standards prédisent des tokens sans modèle du monde explicite et persistant ni planificateur distinct. Chaque passage du modèle utilise un graphe de calcul fixe, mais un système plus large peut consacrer davantage de calcul à l’inférence en générant, évaluant ou révisant des tokens supplémentaires. Cela peut améliorer les résultats sans établir une planification ancrée et à long terme.
LeCun propose plutôt un modèle du monde configurable qui prédit des états futurs plausibles, associé à un acteur qui recherche des actions à plusieurs niveaux d’abstraction (document de position de LeCun ; présentation de la recherche par Meta). Il s’agit de son orientation de recherche, non d’une description établie de ce que les modèles de langage actuels ne pourront jamais faire. Le pari est qu’une intelligence autonome robuste exigera des architectures apprenant à partir de vidéos et d’expériences spatiales et sensorimotrices, pas seulement de texte.
Andrew Ng : relever la barre des preuves
Andrew Ng — fondateur de DeepLearning.AI, associé gérant général chez AI Fund, et professeur associé à Stanford — soutient que « l’AGI est devenue un terme de battage médiatique plutôt qu’un terme au sens précis », et que l’industrie est à des décennies d’un système capable d’accomplir n’importe quelle tâche intellectuelle qu’un humain peut faire, de conduire un camion à rédiger une thèse de doctorat (PYMNTS). Sa contribution concrète est méthodologique : un « test de Turing-AGI » proposé, où un juge conçoit une épreuve de travail réel étalée sur plusieurs jours — de vraies tâches, pas une démonstration sélectionnée — et où le système ne réussit que s’il performe aussi bien qu’un humain compétent. L’idée : déplacer les repères des scores de classements vers la performance soutenue, désamorçant ce qu’il perçoit comme un battage médiatique typique d’une bulle spéculative.
Gary Marcus : hallucination, effondrement du raisonnement, et l’arithmétique des hypothèses cumulées
Gary Marcus, professeur émérite de psychologie et de science neuronale à NYU et fondateur de Geometric Intelligence et de Robust.AI, a construit un dossier à plusieurs volets. Sur la fiabilité : les LLM « ne connaissent littéralement pas la différence entre le vrai et le faux », et il cite une preuve formelle selon laquelle ils hallucineront même avec des données parfaites et un calcul illimité — confirmé, dit-il, lorsque GPT-5 (août 2025) n’est pas parvenu à résoudre l’hallucination et que o3 d’OpenAI a halluciné davantage que ses prédécesseurs (Marcus on AI). Sur le raisonnement : « nous n’allons pas résoudre la physique avec des systèmes incapables de jouer aux tours de Hanoï avec une tour de 8 disques » — citant la découverte d’Apple selon laquelle les modèles de « raisonnement » des LLM s’effondrent après un certain seuil de complexité plutôt que de se dégrader progressivement.
Son intervention la plus discutée est méthodologique : une démolition du scénario de prévision « AI 2027 », qualifié de « fiction déguisée en science » — empruntant des techniques narratives tout en présentant citations et notes de bas de page comme si le résultat était une véritable prévision. Marcus décompose le scénario en environ huit jalons séquentiels de « saut de foi », multiplie leurs probabilités individuelles implicites, et montre que la probabilité composée de voir toute la chaîne se réaliser dans les délais prévus avoisine zéro (Substack) — un constat étayé par l’historique même des prévisions du domaine : les hallucinations déclarées « résolues » en 2024, les voitures sans conducteur censées être « partout » d’ici 2017. Notamment, Marcus ne soutient pas que « l’AGI est impossible » — « quiconque pense que l’AGI est impossible » a autant tort, dit-il, que quiconque pense qu’elle est imminente — et il situe désormais une arrivée plausible vers 2100, non en 2027. Cette position est elle-même la preuve que le camp sceptique constitue une dispersion, non une position unique — un constat que la page prévisions sur le calendrier établit à propos du domaine dans son ensemble.
Tim Dettmers : le calcul est physique
Tim Dettmers, chercheur à l’Allen Institute for AI, avance un argument qui ne dépend pas de l’architecture du modèle — il porte sur la physique. La performance par dollar des GPU a plafonné vers 2018, soutient-il, et la plupart des gains visibles depuis proviennent d’une numérique à précision réduite — effectuer la même arithmétique à moindre coût — plutôt que d’une véritable croissance du calcul. Il estime qu’il reste « peut-être un, peut-être deux ans » de mise à l’échelle avant que les gains ne se heurtent aux murs de la mémoire, des entrées-sorties et de l’énergie, où le coût et l’énergie croissent de façon exponentielle pour des gains de capacité seulement linéaires (timdettmers.com). Il définit l’« AGI » comme exigeant une compétence économiquement significative sur des tâches physiques, non des scores de tests de référence, et pousse la logique jusqu’à son terme : une superintelligence se heurterait aux mêmes contraintes physiques en améliorant sa propre pile d’inférence. Contrairement aux arguments précédents, celui-ci ne dépend pas d’avoir raison à propos des LLM en particulier — c’est une affirmation sur le substrat sur lequel tourne toute intelligence numérique.
La liste plus courte : voir aussi
Une liste plus courte complète le dossier. Rodney Brooks, directeur technique de Robust.AI et professeur émérite de robotique au MIT, tient un tableau annuel, daté et falsifiable de ses prédictions — une discipline rare parmi les commentateurs de l’IA — et soutient, fort de décennies d’expérience en robotique, que les progrès sur des tests de référence étroits continuent d’être confondus avec une compétence générale. François Chollet, créateur du test de référence ARC-AGI, souligne des modèles obtenant des scores proches de zéro sur des tâches conçues pour résister à la mémorisation — le plus récent ARC-AGI-3 a vu les meilleurs modèles de 2026 obtenir un score inférieur à 1 %, contre 100 % pour les humains — comme preuve que l’intelligence est une efficacité d’acquisition de compétences, non une question d’échelle. Subbarao Kambhampati de l’Arizona State University soutient que les LLM ne peuvent ni planifier ni s’autovérifier, quelle que soit l’invite, et se demande désormais si les tokens de chaîne de pensée représentent même un raisonnement réel. Melanie Mitchell du Santa Fe Institute soutient que le succès des LLM reflète un appariement de motifs sur des distributions d’entraînement plutôt qu’un raisonnement causal. Emily Bender, linguiste à l’université de Washington et coautrice de « Stochastic Parrots », soutient que la production fluide n’est que forme sans compréhension ancrée — les modèles entraînés à prédire des séquences de mots n’ont pas accès à une intention communicative.
La méthodologie de prévision elle-même est une cible
Au-delà de tout chercheur individuel, les sceptiques visent directement la façon dont sont produites les échéances de l’AGI. La méthodologie des enquêtes d’experts révèle un effet d’« horizon mobile » bien documenté — les répondants situent l’AGI à environ quinze à vingt-cinq ans, quel que soit le moment où on les interroge — aggravé par des effets de sélection et une sensibilité à la formulation. Un rapport de RAND de mars 2026 recense systématiquement ces problèmes à travers les méthodes d’enquête, de marchés de prédiction, et d’extrapolation du calcul (RAND).
La propre métrique d’« horizon temporel » de METR — la courbe de capacité la plus souvent citée comme preuve d’accélération, et abordée sur la page prévisions sur le calendrier — a suscité un examen critique, y compris de la part de METR lui-même. Un avis de janvier 2026 a révélé une correction de 35 % appliquée à un ajustement logistique à pente fixe, le fait qu’environ un tiers des estimations de difficulté des tâches sont déduites plutôt que mesurées, et que METR « n’a aucune idée » de savoir si l’horizon temporel réel d’un modèle se situe effectivement dans l’intervalle de confiance qu’il rapporte (METR). Une critique indépendante publiée quelques jours plus tôt allait plus loin : les tâches sont d’une propreté irréaliste, des solutions publiques pourraient avoir contaminé les données, et les temps de référence humains proviennent d’un petit échantillon incité financièrement qui a probablement gonflé la durée que les tâches « devraient » prendre — faisant de l’accélération apparente de l’IA, en partie, un artefact de la comparaison elle-même (Transformer News). Quoi qu’il en soit, une grande part des inférences de calendrier du domaine se recalcule à partir de l’ajustement d’une seule courbe bruitée que ses propres auteurs ne peuvent pas pleinement garantir.
Cela s’ajoute à un problème plus ancien : la loi de Goodhart appliquée aux tests de référence. Une fois qu’un test de référence devient un objectif d’optimisation, les laboratoires ajustent leurs modèles vers le classement plutôt que vers la construction qu’il est censé mesurer — MMLU est passé d’un score de 43 points pour GPT-3 contre une référence humaine de 90 points en 2020, à des modèles de pointe regroupés si étroitement mi-2024 que les différences se noient dans le bruit de mise en forme des invites. La contamination par fuite de tests de référence rend les scores croissants plus difficiles à lire comme un gain authentique. Voir comment évaluer les affirmations sur l’AGI et l’échelle des capacités pour comprendre pourquoi « dépasser un test de référence » et « atteindre l’AGI » sont des affirmations différentes.
Ce que cette page n’affirme pas
Rien de tout cela n’équivaut à soutenir que l’AGI est impossible, et aucun des chercheurs cités ci-dessus ne fait cette affirmation — Marcus est explicite : les deux extrêmes ont tort. Ce que cette page établit, c’est une substance réelle : des limites architecturales qui ne se résolvent pas de façon évidente par la mise à l’échelle, un plafond physique de calcul indifférent à toute feuille de route, et un appareil de prévision qui, de l’aveu même de METR, ne peut pas pleinement garantir la courbe que tout le monde cite. Que cela s’additionne en « à des décennies de distance » ou en « plus proche que ne le suggère cette page » est précisément ce que ce manuel se refuse à trancher à la place du lecteur. Ce qu’il refusera de faire, en revanche, c’est de laisser le dossier sceptique devenir une caricature.