Documentaire DeepMind : l’IA générale sera plus grande que l’électricité, la civilisation humaine sera réécrite

Le documentaire de DeepMind « The Thinking Game » est désormais disponible gratuitement, retraçant le parcours de toute une vie de Demis Hassabis dans sa quête de l’Intelligence Artificielle Générale (AGI). Hassabis estime que l’AGI est une innovation plus importante que l’électricité ou le feu. Il avertit que l’AGI est sur le point de naître et deviendra un tournant pour l’histoire de l’humanité : « La prochaine génération vivra dans un monde totalement nouveau, chaque instant compte. »

La mission de toute une vie de Demis Hassabis pour l’AGI

(Source : Youtube)

Prodige des échecs couronné à l’âge de six ans et brillant diplômé de Cambridge, Demis Hassabis a très tôt fait de la recherche sur l’AGI la mission de sa vie, car il souhaitait résoudre un problème qui hantait la biologie depuis 50 ans : le repliement des protéines. Il est aujourd’hui difficile d’imaginer, mais à l’époque, de nombreux acteurs du capital-risque et du monde académique doutaient fortement de la technologie AGI. Les premiers pensaient que les idées de Demis relevaient du rêve, tandis que les seconds considéraient que combiner neurosciences et apprentissage automatique n’était pas de la « vraie science ».

Fondée en 2010, DeepMind a rencontré de grandes difficultés pour lever des fonds, jusqu’à croiser la route du célèbre investisseur Peter Thiel. Même s’il est devenu le principal bailleur de DeepMind, Thiel a insisté pour que l’équipe déménage dans la Silicon Valley. Demis a refusé, préférant rester à Londres, convaincu que la ville disposait d’un vivier de talents unique et que la culture du « fail fast, pivot fast » de la Silicon Valley ne convenait pas à la recherche fondamentale de long terme qu’exige l’AGI.

Cette décision illustre la profonde compréhension de Hassabis pour la recherche sur l’AGI. L’intelligence artificielle générale n’est pas un produit de consommation à itérer rapidement, mais nécessite des avancées scientifiques fondamentales et une recherche sur le long terme. La culture start-up de la Silicon Valley valorise la validation rapide du marché et du modèle économique, alors que la valeur de la recherche sur l’AGI pourrait n’apparaître que dans dix, voire plusieurs dizaines d’années. En restant à Londres, Hassabis a préservé la pureté scientifique de DeepMind.

Hassabis compare l’AGI à la découverte du feu, une analogie lourde de sens. Le feu a permis à l’humanité de cuisiner, se chauffer, s’éclairer et travailler les métaux, transformant radicalement le cours du développement de la civilisation. Hassabis pense que l’AGI aura un impact égal, voire supérieur, car il ne s’agit pas seulement d’un outil, mais d’une intelligence capable d’apprendre et de créer par elle-même.

Des jeux à Go : les percées de DQN et AlphaGo

(Source : DeepMind)

Après la fondation de DeepMind à Londres, une équipe de rêveurs s’est rassemblée. Pour entraîner l’IA, ils ont choisi d’utiliser les jeux comme terrain d’expérimentation, car ils constituent un environnement parfaitement contrôlé. Ils ont alors combiné l’apprentissage profond (Deep Learning) et l’apprentissage par renforcement (Reinforcement Learning) pour créer le modèle DQN, et ont laissé l’IA jouer au jeu de ping-pong d’Atari, sans lui enseigner les règles, simplement en lui demandant de regarder les pixels et de viser le meilleur score.

Au début, l’IA ne parvenait même pas à rattraper une balle, ce qui a semé le doute dans l’équipe sur la viabilité de l’AGI. Mais soudainement, l’IA a commencé à marquer des points. Ensuite, ils l’ont fait jouer à Breakout. Après quelques centaines de parties, l’IA a appris d’elle-même à creuser des tunnels sur les côtés du mur, laissant la balle rebondir au-dessus des briques — une stratégie de tunnel. Surtout, il s’agissait d’une solution optimale découverte par la machine, sans intervention humaine.

Cela a prouvé que DeepMind avait réussi à créer un système d’apprentissage généraliste capable de s’adapter à différents environnements — une percée majeure pour l’AGI. Ce n’était pas seulement apprendre à jouer, mais démontrer que la machine pouvait, sans guidance humaine, découvrir des stratégies et solutions par elle-même. Cette capacité d’apprentissage autonome est au cœur de l’AGI.

Malgré les avancées en apprentissage automatique, la puissance de calcul est devenue le principal goulot d’étranglement. Pour accélérer la réalisation de l’AGI, DeepMind a finalement accepté d’être rachetée par Google pour environ 400 millions de livres, tout en tenant à préserver son indépendance scientifique. Soutenue par la puissance de calcul de Google, DeepMind s’est alors attaquée au jeu de Go, d’origine chinoise, considéré comme le « Graal » inaccessible de l’IA.

Ainsi est né AlphaGo, qui s’est confronté au meilleur joueur humain de Go du monde, Lee Sedol. AlphaGo a joué le fameux 37ème coup, un mouvement jugé impossible pour un humain, révélant que la machine n’était pas seulement calculatrice mais aussi créative. La défaite de Lee Sedol a choqué la planète, provoquant en Chine un « moment Spoutnik » qui a réveillé le monde à l’importance de l’IA et déclenché une « course à l’espace » version IA.

Les quatre grandes étapes de l’évolution technologique de DeepMind

Modèle DQN : combine apprentissage profond et par renforcement, l’IA découvre seule des stratégies de jeu

AlphaGo : bat le champion humain de Go, démontre créativité et intuition

AlphaZero : élimine tout savoir humain, apprend uniquement par auto-jeu

AlphaFold : résout le problème du repliement des protéines, obtient le prix Nobel de chimie

Bien qu’impressionnant, AlphaGo reposait principalement sur des données de parties humaines pour apprendre. DeepMind a ensuite développé AlphaZero, un algorithme encore plus élégant qui s’affranchit totalement du savoir humain et apprend uniquement par auto-jeu. Parti de zéro, AlphaZero a maîtrisé les échecs, le shōgi et le Go en une journée, développant même un style de jeu inédit pour l’humain, prouvant que la machine peut, par la simple expérience, dépasser des millénaires de sagesse accumulée.

AlphaFold résout le problème du repliement des protéines et reçoit le prix Nobel

Le jeu n’était qu’un terrain d’expérimentation : la véritable ambition de Demis a toujours été d’utiliser l’IA pour résoudre des problèmes scientifiques, notamment le « repliement des protéines » évoqué au début. Ce défi est l’une des plus grandes énigmes de la biologie : si l’on parvient à prédire la structure des protéines, on peut accélérer la découverte de médicaments et le traitement des maladies. Pour tester les capacités de l’IA en biologie, DeepMind a créé l’équipe AlphaFold et participé au CASP (compétition de prédiction de structure des protéines).

Lors du CASP13 en 2018, AlphaFold a certes remporté la compétition, mais la précision n’était pas suffisante pour une utilisation en recherche réelle, générant frustration et humilité au sein de l’équipe, qui a alors pris conscience de la complexité supérieure de la science par rapport au jeu. Refusant l’échec, Demis a redoublé d’efforts pendant la pandémie de Covid, formant une équipe de choc alliant physique et machine learning. En dépit des difficultés du confinement, ils ont travaillé sans relâche.

Finalement, lors du CASP14 en 2020, AlphaFold a obtenu des résultats spectaculaires. La communauté scientifique a alors reconnu que le problème du repliement des protéines était résolu de façon substantielle. DeepMind a alors pris une décision audacieuse : ne pas commercialiser cet exploit, mais rendre gratuitement publics les prédictions de structure de plus de 200 millions de protéines — quasiment toutes celles connues sur Terre — offrant ainsi ce progrès scientifique à la communauté biologique mondiale. Demis et un autre chercheur, John Jumper, ont reçu pour cette réalisation le prix Nobel de chimie 2024.

L’avènement de l’AGI approche : une gestion responsable est urgente

Depuis l’apparition de ChatGPT, basé sur les grands modèles de langage (LLM), l’IA générative a bouleversé en trois ans la répartition du travail dans la programmation et les métiers créatifs. Désormais, des produits comme ChatGPT, Gemini, Grok, permettent à chacun de ressentir pleinement l’impact de l’IA. Bientôt, l’ère de l’AGI va commencer et marquera un tournant dans l’histoire de l’humanité.

Demis affirme que la technologie est neutre, mais que l’usage humain en détermine la moralité. Il a demandé à Google de s’engager à ne jamais utiliser la technologie de DeepMind à des fins militaires ou de surveillance, insistant sur la nécessité de ne pas adopter une culture du « bouger vite et casser les codes ». Pour lui, l’AGI est trop puissante, et mal contrôlée, ses conséquences seraient catastrophiques.

Hassabis prévient : « L’AGI est sur le point de naître, nos enfants vivront dans un monde totalement nouveau. Avec l’IA, tout sera différent. Si vous souhaitez gérer l’IA de manière responsable, chaque instant compte. J’ai consacré ma vie à ce moment précis. » Ce sentiment d’urgence reflète la profonde conscience des risques de l’AGI au sein de DeepMind. Comme le feu, qui peut servir à cuisiner ou à détruire, l’AGI peut résoudre les plus grands défis de l’humanité, mais aussi engendrer des risques sans précédent.

Alors qu’une explosion des applications d’IA générative et l’arrivée des agents IA se profilent, il s’agit sans doute du meilleur moment pour nous pencher sur l’histoire du développement de l’AGI et réfléchir à l’avenir.