DeepMind publie « From AGI to ASI » : quatre chemins vers la superintelligence, et pourquoi l'AGI n'est que le départ

DeepMind publie « From AGI to ASI » : quatre chemins vers la superintelligence, et pourquoi l'AGI n'est que le départ

🔎 Pourquoi le labo le plus puissant du monde cartographie-t-il l'après-AGI maintenant ?

Le 10 juin 2026, Google DeepMind publiait un rapport de 57 pages sur arXiv intitulé « From AGI to ASI ». Pas un billet de blog. Pas une keynote. Un document technique signé par 14 chercheurs, dont Shane Legg (co-fondateur de DeepMind), Marcus Hutter (créateur du cadre théorique AIXI) et Allan Dafoe (responsable stratégie long terme).

Ce document ne demande pas si l'AGI arrivera. Il part du principe qu'elle est une étape intermédiaire et cartographie quatre chemins parallèles vers l'ASI — l'Artificial Superintelligence, définie comme un système qui dépasse les capacités cognitives de grandes organisations humaines coordonnées.

Le signal institutionnel est fort. Quand les ingénieurs qui ont construit AlphaGo, AlphaFold et Gemini traitent la transition AGI→ASI comme un problème d'ingénierie tractable, ce n'est plus de la spéculation. C'est une feuille de route.

L'essentiel

• DeepMind définit un continuum en quatre niveaux : Current AI → AGI → ASI → Universal AI (UAI), l'agent optimal d'AIXI sur toute tâche calculable.
• Quatre pathways non exclusifs sont identifiés : le scaling continu, les ruptures algorithmiques, l'amélioration récursive, et l'intelligence collective multi-agents.
• L'« effective compute » croît d'environ 10x par an (1.5x hardware × 2.5x investissement × 3x efficacité algorithmique), selon l'analyse de Tech Times.
• Les frictions identifiées sont aussi concrètes que les murs physiques (compute, énergie), les goulots d'alignement, et les latences de vérification en monde réel.
• L'AGI n'est plus la destination. Elle est le point de départ.

Outils recommandés

| Gemini 3.1 Pro | Recherche et analyse de documents longs | Prix variable (juin 2026, vérifiez sur deepmind.google) | Benchmark général #1 (score 92) |
| GPT-5.5 | Raisonnement agentic et tâches autonomes | Prix variable (juin 2026, vérifiez sur openai.com) | Benchmark agentic #1 (score 98.2) |
| Claude Opus 4.7 Adaptive | Analyse critique et sécurité | Prix variable (juin 2026, vérifiez sur anthropic.com) | Score agentic 94.3, général 90 |
| Hostinger | Hébergement de projets IA / démos | À partir de 2.99€ (juin 2026, vérifiez sur hostinger.com) | Déploiement rapide et abordable |

Les quatre niveaux : de l'IA actuelle à l'IA universelle

Le rapport ne brasse pas de l'air. Il pose un cadre de référence précis en quatre paliers.

Current AI : les systèmes d'aujourd'hui, performants dans des domaines ciblés mais sans généralité. Pensez à Claude Sonnet 4.6 (score 83 en général, 81.4 en agentic) ou DeepSeek V4 Pro (88 en général). Efficaces, mais limités.

AGI : le niveau médian humain sur l'ensemble des tâches cognitives. Pas un über-mensonge, juste la parité avec un professionnel humain typique. GPT-5.5 (91 en général, 98.2 en agentic) et Gemini 3.1 Pro (92 en général) en approchent, sans qu'on puisse affirmer le franchissement.

ASI : le système dépasse ce que peuvent accomplir de grandes organisations humaines coordonnées. Ce n'est pas « un peu meilleur qu'un humain ». C'est « meilleur que cent ingénieurs travaillant ensemble pendant un an ».

Universal AI (UAI) : l'agent théorique optimal — le cadre AIXI de Hutter. Optimal sur toute tâche calculable. C'est la limite mathématique, pas un objectif d'ingénierie.

L'insight clé du rapport, repris par The AGI Clock : « AGI is no longer the destination — it is a waypoint. »

Chemin 1 — Le scaling AGI : continuer à appuyer sur le champignon

La première voie est la plus évidente. Prendre un AGI et le scaler : plus de données, plus de compute, plus de paramètres.

L'« effective compute » — la puissance réelle disponible pour l'entraînement — croît d'environ 10x par an. Ce n'est pas qu'une question de puces. C'est le produit de trois facteurs : l'amélioration matérielle (~1.5x/an), l'augmentation des investissements (~2.5x/an), et les gains d'efficacité algorithmique (~3x/an).

Mais ce pathway rencontre des murs concrets. Le mur de données d'abord : il n'y a pas infiniment de texte humain de qualité sur internet. Le mur du compute ensuite : un campus datacenter à 5 GW est devenu l'unité de planification standard des frontier labs en 2026, d'après l'analyse de The AGI Clock.

Et surtout, le scaling produit des discontinuités émergentes. Des capacités qui apparaissent brusquement à certainse chelles, sans prévision possible. C'est à la fois ce qui rend le scaling excitant et ce qui le rend dangereux : on ne sait pas quelle capacité va « allumer » à la prochaine puissance de dix.

Chemin 2 — Les ruptures de paradigme : quand l'IA invente une nouvelle façon d'apprendre

Le deuxième chemin ne dépend pas de la taille. Il dépend de l'élégance.

Une rupture de paradigme, c'est passer d'une architecture à une autre fondamentalement plus efficace. De la reconnaissance de motifs statistiques à la véritable généralisation compositionnelle. D'un modèle qui reproduit à un modèle qui comprend.

Explainx.ai souligne que ce pathway se distingue du scaling par sa nature non-linéaire. Le scaling donne des améliorations graduelles et relativement prévisibles. Une rupture de paradigme peut produire un saut qualitatif overnight.

Le rapport de DeepMind identifie deux métriques clés pour mesurer ces ruptures : l'efficacité d'échantillon (combien de données faut-il pour apprendre une compétence) et la généralisation compositionnelle (capacité à combiner des compétences acquises pour en créer de nouvelles).

Un thought experiment cité dans Tech Times illustre la limite actuelle : une IA entraînée sur toute la physique pré-Newton ne pourrait pas produire la relativité générale. La créativité transformationnelle — la capacité de Margaret Boden à créer une nouvelle espace de possibilités — reste hors de portée. L'IA actuelle maîtrise la créativité combinatoire (mélanger des idées existantes) et exploratoire (chercher dans un espace connu), mais pas transformationnelle.

Ce pathway est le plus imprévisible. Personne ne peut planifier une rupture de paradigme. Mais quand elle arrive, elle peut rendre obsolète tous les autres chemins du jour au lendemain.

Chemin 3 — L'amélioration récursive : l'IA qui se améliore elle-même

C'est le pathway qui fascine le plus — et qui inquiète le plus. L'auto-amélioration récursive, ou RSI (Recursive Self-Improvement), est le mécanisme par lequel une IA devient capable d'améliorer ses propres capacités, déclenchant une boucle de progrès exponentiel.

Ce concept n'est pas nouveau — il est central dans les travaux de RSI est le nouveau AGI : pourquoi l'auto-amélioration récursive obsède la Silicon Valley. Mais le rapport DeepMind apporte une distinction cruciale : l'IA-assisted improvement vs l'IA-autonomous improvement.

Dans le premier cas, l'IA est un outil entre les mains de chercheurs humains. Elle génère des architectures, écrit des curriculums d'entraînement, propose des optimisations. Les humains valident et intègrent. C'est déjà en cours — Anthropic publie ses propres analyses sur ce sujet.

Dans le second cas, l'IA modifie son propre code sans supervision humaine significative. C'est là que la boucle peut théoriquement s'emballer.

Mais le rapport identifie un frein physique souvent sous-estimé : la vitesse de RSI est bornée par la boucle de vérification la plus lente. Une IA peut générer des milliers de modifications par seconde, mais si chaque modification doit être testée sur un benchmark qui prend des heures, la boucle ralentit drastiquement. En monde réel, on ne peut pas simuler la réalité instantanément.

Les mécanismes concrets de RSI listés par MindStudio incluent : la recherche automatisée d'architecture, la génération de curriculums d'entraînement par l'IA, l'auto-modification de code, et la recherche assistée par IA.

Chemin 4 — L'intelligence collective : des essaims d'agents AGI coordonnés

Le quatrième pathway est peut-être le plus sous-estimé par le grand public. Il ne s'agit pas de rendre une seule IA plus intelligente. Il s'agit de coordonner des dizaines, des centaines, voire des milliers d'agents AGI en un collectif cognitif.

MindStudio classe ce pathway comme « actif et en croissance rapide » dans son tableau des statuts. C'est cohérent avec ce qu'on observe : les benchmarks agentic de juin 2026 montrent GPT-5.5 à 98.2, Gemini 3 Pro Deep Think à 95.4, Claude Opus 4.7 à 94.3. Ces modèles ne sont plus de simples chatbots — ce sont des agents capables de planifier, exécuter et itérer.

La distinction entre un agent unique et un avatar IA vs chatbot devient cruciale ici. Un chatbot répond. Un agent agit. Un collectif d'agents coordonne.

Les mécanismes identifiés : agents spécialisés travaillant en parallèle, oversight et critique croisée entre agents, mémoire persistante partagée, et tool use coordonné. L'analogie avec une entreprise humaine est éclairante : aucun individu ne construit un avion seul, mais une entreprise coordonnée le fait. Un collectif d'agents AGI pourrait faire la même chose, mais à vitesse numérique.

La friction majeure : les coûts de coordination. Plus le collectif grandit, plus la communication, l'alignement des objectifs et la résolution des conflits entre agents deviennent coûteux. Ce n'est pas un free lunch.

Les freins concrets : pourquoi l'ASI n'est pas garantie

Le rapport est remarquable par son honnêteté sur les obstacles. DeepMind ne vend pas de deterministic roadmap. Il cartographie des frictions aussi sérieuses que les pathways.

Les murs physiques

Le compute et l'énergie sont les contraintes les plus triviales mais les plus réelles. Un datacenter à 5 GW, c'est la consommation d'une ville de plusieurs millions d'habitants. L'infrastructure électrique, le refroidissement, la chaîne d'approvisionnement en puces — tout cela a une inertie monumentale.

Les goulots d'alignement

Le rapport traite l'alignement comme une working assumption, pas comme un problème résolu. Trois sous-problèmes sont identifiés : le scalable oversight (comment superviser un système plus intelligent que vous), la self-modification sûre (comment une IA peut se modifier sans casser ses propres contraintes d'alignement), et l'alignement collectif (comment aligner un essaim d'agents entre eux, pas seulement un seul système).

C'est ici que le rapport rejoint les préoccupations institutionnelles. Quand Meta Muse Spark a trahi l'open-source avec son premier modèle fermé, c'était partiellement motivé par des préoccupations de sécurité liées à la diffusion de capacités avancées. La tension entre ouverture et contrôle va s'intensifier sur le chemin de l'ASI.

Les murs d'interprétabilité

Plus un système devient capable, plus il devient opaque. Si on ne comprend pas comment un modèle prend ses décisions, comment garantir qu'il reste aligné pendant une boucle d'auto-amélioration ?

La friction institutionnelle

Faster Please! rappelle le contexte politique : le rapport est publié un jour après le lancement d'Anthropic Fable 5, deux jours avant une interdiction gouvernementale américaine. Les gouvernements ne sont pas des spectateurs passifs. La réglementation, les contrôles à l'export, les moratoires — tout cela peut ralentir, voire arrêter, certains pathways.

Le rapport nomme d'ailleurs un risque structurel : le « military-economic adaptationism », cette pression compétitive entre nations qui pousse à déployer avant de valider. Exactement le type de dynamique qui transforme une course technologique en course aux armements.

L'AGI-to-ASI gap : combien de temps ?

La question inévitable. Le rapport DeepMind ne donne pas de date. Mais les analystes ont compilé les estimations circulant dans la communauté.

Ces chiffres, rapportés par The AGI Clock, montrent une dispersion massive. Mais notez le biais : personne de crédible ne dit « jamais ». La question n'est plus « est-ce que ça arrivera » mais « combien de temps entre le signal AGI clair et le basculement ASI ».

Hassabis lui-même a déclaré que l'AGI arriverait « maybe 2030, plus or moins une année », et qu'il manquait « un ou deux gros breakthroughs » en continual learning, mémoire, context windows et raisonnement long terme, selon Faster Please!.

Les « digital minds » : pourquoi le substrat compte

Un passage du rapport, détaillé par Tech Times, liste les avantages structurels des minds numériques sur les minds biologiques. Ce n'est pas de la science-fiction. C'est de l'ingénierie.

La vitesse d'entrée-sortie d'abord : un modèle comme GPT-5.5 peut traiter des millions de tokens à l'heure. Un humain lit peut-être 250 mots par minute. La mémoire de travail ensuite : pas de limite de 7±2 éléments. L'indépendance de substrat : pas de sommeil, pas de fatigue, pas de vieillissement. La copie sans perte : on peut dupliquer un AGI en quelques heures. Le partage haut débit : deux agents peuvent synchroniser leurs états en secondes, là où deux humains mettent des années à transférer des connaissances tacites.

Ces avantages ne sont pas théoriques. Ils sont inhérents au fait même d'être un processus computationnel. Et ils s'accumulent : chaque avantage accélère les autres. Un agent qui ne dort pas a plus de temps pour s'améliorer. Un agent qui se copie peut travailler en parallèle. Un agent qui partage parfaitement n'a pas de perte de connaissances entre itérations.

Implications : ce que ça change concrètement

Pour la recherche

Le rapport redéfinit l'agenda de recherche. Si l'AGI est un waypoint, les chercheurs doivent penser au-delà des benchmarks actuels. Les métriques de type MMLU ou HumanEval deviennent aussi pertinentes que mesurer la vitesse d'un marathonien pour prédire sa performance en Formule 1.

La recherche en interprétabilité, en scalable oversight et en alignement collectif devient aussi prioritaire que la recherche en architecture ou en efficacité de compute. Sinon, on construit un moteur sans freins.

Pour la gouvernance

C'est peut-être l'implication la plus urgente. Les cadres réglementaires actuels sont conçus pour l'IA « current ». Ils ne sont pas pensés pour des systèmes qui s'auto-améliorent ou qui opèrent en collectifs coordonnés.

La distinction entre oracle systems (qui conseillent) et agentic systems (qui agissent) devient un enjeu de politique publique. Un oracle qui dit « voici la molécule optimale » est fondamentalement différent d'un agent qui synthétise la molécule, teste les résultats, et itère sans supervision.

Pour l'industrie

Les entreprises qui traitent l'AGI comme un avantage compétitif définitif se trompent de cadre. Si le gap AGI→ASI est mesuré en mois ou en années, l'avantage revient à celui qui commence à construire l'infrastructure de transition le plus tôt. Ce n'est pas le modèle qui compte, c'est la boucle de feedback entre le modèle, le compute, et l'amélioration.

❌ Erreurs courantes

Erreur 1 : Confondre AGI et ASI

L'AGI, c'est la parité avec l'humain médian. L'ASI, c'est la dépassement des organisations humaines coordonnées. Ce n'est pas une différence de degré. C'est une différence de nature. Dire « on a l'AGI, donc on a l'ASI dans cinq minutes » ignore les frictions physiques, d'alignement et de coordination que le rapport détaille exhaustivement.

Erreur 2 : Croire que le scaling seul suffit

Le pathway 1 (scaling) est le plus visible, mais il est aussi celui qui a les murs les plus prévisibles. Données, compute, énergie — ce sont des ressources finies. Les pathways 2 (paradigmes) et 3 (RSI) sont ceux qui peuvent produire des sauts non-linéaires. Les ignorer, c'est avoir une vision incomplète du paysage.

Erreur 3 : Traiter les quatre chemins comme mutuellement exclusifs

DeepMind insiste : les pathways sont parallèles et potentiellement synergiques. Un breakthrough algorithmique (pathway 2) peut débloquer le scaling (pathway 1). L'RSI (pathway 3) peut accélérer l'innovation de paradigme. Les collectifs (pathway 4) peuvent amplifier chacun des trois autres.

Erreur 4 : Ignorer les frictions institutionnelles

L'ASI ne se construira pas dans un vide politique. Le rapport mentionne explicitement le « military-economic adaptationism » et la réglementation comme des frictions possibles. L'histoire de la technologie montre que les contraintes sociales et politiques sont souvent plus déterminantes que les contraintes techniques.

❓ Questions fréquentes

Qui sont les auteurs de ce rapport ?

14 chercheurs de Google DeepMind, dont Shane Legg (co-fondateur), Marcus Hutter (créateur d'AIXI), Allan Dafoe (stratégie long terme), Tim Genewein, Laurent Orseau, Adam Bales, Iason Gabriel et Joel Z. Leibo. Publié le 10 juin 2026 sur arXiv.

L'ASI est-elle imminente ?

Le rapport ne donne pas de date. Les estimations externes varient de quelques mois (Aschenbrenner) à une décennie (Hassabis). Le rapport cartographie les chemins et les frictions, il ne publie pas de calendrier.

Quel pathway est le plus probable ?

Aucun n'est exclusif. MindStudio classe le scaling comme « actif mais contraint », l'innovation algorithmique comme « active », le RSI comme « stade précoce », et le multi-agent comme « actif et en croissance rapide ». La combinaison de plusieurs pathways est le scénario le plus cohérent.

Ce rapport est-il différent des précédentes publications sur la superintelligence ?

Oui, par son institutionnalisation. Ce n'est pas un essay philosophique. C'est un document de recherche de Google DeepMind, avec des auteurs qui ont construit les systèmes IA les plus capables au monde. Le framing est celui de l'ingénierie, pas de la spéculation.

L'alignement est-il résolu selon le rapport ?

Non. Le rapport le traite comme une working assumption nécessaire, pas comme un problème résolu. Les trois sous-problèmes (scalable oversight, self-modification sûre, alignement collectif) sont identifiés comme des goulots d'étranglement potentiels.

✅ Conclusion

Le rapport « From AGI to ASI » de Google DeepMind marque un tournant : la superintelligence n'est plus un concept de science-fiction discuté dans des essays, c'est un problème d'ingénierie que les meilleurs chercheurs du monde cartographient méthodiquement — avec quatre chemins parallèles, des frictions concrètes, et aucune garantie de succès. L'AGI n'est pas la ligne d'arrivée. C'est le coup de pistolet.