L'Angle. AI's Cette progression obéit à des lois aussi régulières que n'importe quelles lois physiques : plus de puissance de calcul, de meilleurs algorithmes et plus de données engendrent des gains prévisibles, et la durée d'exécution d'une tâche qu'un modèle de pointe peut accomplir seul double environ tous les quatre mois depuis 2023.
L'intelligence artificielle générale (IAG) n'est pas un interrupteur qui s'active du jour au lendemain. C'est un escalier, et pour les tâches numériques et bien définies, nous le gravissons rapidement. Pour les tâches novatrices, ouvertes et physiques, l'escalier reste raide.
L'astuce
Demandez à un chatbot d'écrire un sonnet, de corriger votre code ou d'expliquer vos analyses de sang, et vous aurez l'impression d'être sous l'effet de la magie. L'illusion fonctionne car vous ne voyez que la scène. En coulisses, pas de magicien. Juste trois boutons et une facture d'électricité.
- Le premier paramètre est le calcul : combien de calculs sont nécessaires pour entraîner un modèle.
- Le second point concerne les algorithmes : l’ingéniosité avec laquelle chaque calcul est utilisé.
- Le troisième élément concerne les données : la quantité de texte, de code et de vidéo dont le modèle tire des enseignements.
Depuis 2024, un quatrième paramètre s'est ajouté : le temps de réflexion, c'est-à-dire le temps de calcul qu'un modèle consacre au raisonnement avant de répondre. Augmenter n'importe lequel de ces paramètres améliore les performances de manière remarquablement prévisible.
Cette prévisibilité est la véritable révélation. Isaac Newton nous a légué des lois qui décrivent le mouvement des choses. AI Des chercheurs ont découvert des lois qui décrivent comment l'intelligence, du moins celle des machines, s'améliore avec les ressources disponibles. Comme Newton's Ces lois fonctionnent à merveille dans leur domaine d'application, mais se heurtent à leurs limites. Cette œuvre traite des deux : des lois et des limites.
Mojo's Loi : la loi d'échelle neuronale
En janvier 2020, une équipe de l'OpenAI dirigé par Jared Kaplan a montré qu'un modèle de langage's L'erreur, ou sa « perte », suit une loi de puissance continue en fonction de la puissance de calcul utilisée pour l'entraînement. Écrite ainsi, elle est presque décevante de simplicité :
L(C) = \left(\frac{C_c}{C}\right)^{\alpha_C}, \qquad \alpha_C \approx 0.050L représente la perte, C la puissance de calcul d'entraînement et C_c une constante. L'exposant est déterminant. Avec α ≈ 0.05, multiplier la puissance de calcul par 10 ne réduit la perte que d'environ 11 %, car 10 puissance moins 0.05 est environ égal à 0.89. Chaque multiplication par dix apporte une amélioration modeste et similaire, indéfiniment, jusqu'à épuisement des ressources. (Kaplan)'s L'équipe a trouvé des lois de puissance concordantes entre la taille du modèle et les données.
Deux ans plus tard, l'article de DeepMind sur Chinchilla (Hoffmann et al., mars 2022) a corrigé le problème. À budget constant, le nombre de paramètres et de jetons d'entraînement doit croître de concert, soit environ 20 jetons de données d'entraînement par paramètre . Chinchilla, avec 70 milliards de paramètres entraînés sur 1 400 milliards de jetons, a surpassé un modèle quatre fois plus volumineux entraîné sur la même puissance de calcul.
Voici ce que la plupart des gens ignorent : de petites améliorations dans la gestion des pertes entraînent des progrès considérables, parfois soudains, dans les capacités réelles d'un modèle, car de nombreuses compétences ne sont pleinement efficaces que lorsque le modèle fonctionne de manière quasi parfaite. Une loi sous-jacente bien définie peut paraître magique en surface.
Et les indicateurs se multiplient. Si la puissance de calcul nécessaire à l'entraînement des modèles de pointe augmente d'environ 5 fois par an (Epoch AI) et que les algorithmes plus performants divisent par deux la puissance de calcul requise pour un même résultat tous les 8 mois environ (Ho et al., 2024), la puissance de calcul effective du meilleur modèle augmente d'environ 14 fois par an, car 2^12/8 vaut environ 2.8, et 5 x 2.8 = 14. Il s'agit d'un calcul de Mojo, et non d'une mesure exacte, mais il explique pourquoi les modèles de chaque année semblent appartenir à une espèce différente.
Que signifient réellement les cadrans ?
Les quatre cadrans tournent encore, mais celui des données approche de sa butée.
Calculer. Epoch AI On estime que la puissance de calcul utilisée pour l'entraînement des modèles numériques a été multipliée par cinq environ chaque année depuis 2020, tandis que les coûts d'entraînement ont été multipliés par 3.5 environ chaque année. L'entraînement de GPT-3 a nécessité environ 3 × 10^23 opérations en 2020 ; celui de GPT-4, environ 2 × 10^25 en 2023.
Epoch's Estimation la plus optimiste pour une exécution en 2026, OpenAI's GPT-6 Astra, est d'environ 9 × 10^26, et aucune exécution n'est encore confirmée à 10^27. Epoch a estimé que l'entraînement de Grok 4 en 2025 a utilisé environ 310 gigawattheures d'électricité et a coûté environ 490 millions de dollars.
Algorithmes. Une étude menée en 2024 par Anson Ho et ses collègues a révélé que la puissance de calcul nécessaire pour atteindre un niveau de performance donné des modèles de langage était divisée par deux environ tous les 8 mois, même si une puissance de calcul plus importante effectuait toujours une plus grande partie du travail.
Données. Voici le cadran avec une butée. Époque AI estime le stock de public texte écrit par un humain On estime à environ 300 000 milliards le nombre de jetons nécessaires, et l’on prévoit que leur utilisation complète pour l’entraînement se situera entre 2026 et 2032. Nous sommes désormais dans cette période. Les laboratoires se tournent vers les données synthétiques, les données sous licence, la vidéo et les traces de raisonnement propres aux modèles.
Temps de réflexion. Le dernier indicateur. En septembre 2024, le modèle o1 d'OpenAI a démontré qu'allonger le temps de raisonnement lors de la réponse améliore sensiblement la précision : lors d'un concours de mathématiques en 2024, il a obtenu un score de 74 % avec une seule tentative et de 93 % après avoir pu analyser et reclasser 1 000 tentatives, contre 12 % pour GPT-4o. Une étude de 2024 a révélé qu'une utilisation judicieuse des ressources de calcul d'inférence permet à un petit modèle de surpasser un modèle 14 fois plus volumineux.
Richard Suton's L’essai de 2019 intitulé « La leçon amère » l’avait prédit : aux échecs, au go, dans le langage et la vision, les méthodes générales, qui font davantage appel au calcul, ont toujours supplanté les connaissances ingénieuses et construites manuellement. Six ans plus tard, la leçon reste amère.
Que dit la physique à propos des limites ?
Les lois logicielles mentionnées ci-dessus s'appliquent au matériel, et le matériel répond aux lois de la physique. Trois chiffres résument tout le débat.
Les puces continuent de gagner en vitesse, mais plus au même rythme qu'avant. La loi de Moore, qui prévoyait un doublement du nombre de transistors environ tous les deux ans, a ralenti ; Jensen Huang de Nvidia l'a même qualifiée de caduque en 2022.
Pourtant, Nvidia's Les puces pour centres de données ont vu leurs performances en calcul haute densité 16 bits passer d'environ 125 billions d'opérations par seconde sur la génération V100 (2017) à environ 4 000 billions sur la génération Rubin (2026), soit une multiplication par 32 en neuf ans, selon leurs propres spécifications. Ce gain est principalement dû à une conception spécialisée et à des calculs mathématiques moins précis, et non à la miniaturisation des transistors.
Epoch AI les mesures matériel d'apprentissage automatique son rapport coût-efficacité double environ tous les 2.1 ans.
Votre cerveau est d'une efficacité redoutable. Selon l'Institut national américain des normes et de la technologie (NIST), un cerveau humain consomme environ 20 watts. Un système de refroidissement Nvidia H100 consomme environ 700 watts. Open Philanthropy estime la puissance de calcul brute du cerveau à environ 10^15 opérations par seconde, soit approximativement les performances d'un H100. La comparaison est certes discutable, mais l'écart d'efficacité est bien réel et souligne le potentiel d'amélioration du matériel informatique.
Il existe une limite. Le principe de Landauer, proposé en 1961 et confirmé expérimentalement en 2012, fixe l'énergie minimale nécessaire pour effacer un bit d'information à température ambiante : environ 3 × 10⁻²¹ joules. Les puces actuelles consomment une énergie bien supérieure. La physique n'est pas encore la limite absolue. Ce sont les centrales électriques qui le sont.
L'Agence internationale de l'énergie's Énergie et 2025 AI Selon un rapport, les centres de données auraient consommé environ 415 térawattheures d'électricité en 2024, soit environ 1.5 % de la consommation mondiale.'s au total, et devrait atteindre environ 945 térawattheures d'ici 2030.
Par question, les chiffres sont faibles et en baisse : Google a mesuré une consommation médiane de 0.24 wattheure pour les invites textuelles envoyées à Gemini en mai 2025, légèrement inférieure à celle d’Epoch AI.'s Une estimation d'environ 0.3 wattheure pour une requête ChatGPT typique avait été réalisée plus tôt cette année-là, et Google a signalé une baisse de 33 fois de la consommation d'énergie par requête sur 12 mois.
Le hic, c'est le paradoxe de Jevons : à mesure que chaque requête devient moins chère, nous en posons des milliards de plus.
L'horloge Mojo Horizon : combien de temps peut-elle durer ? AI fonctionne-t-il seul ?
En 2019, GPT-2 a géré des tâches d'une durée d'environ 3 secondes. En avril 2026, METR's première estimation pour l'anthropique's L'aperçu de Claude Mythos a duré plus de 16 heures.
Cela représente une augmentation d'environ 21 000 fois en sept ans. En traçant une courbe de tendance pour chaque nouveau record, on constate que l'horizon a doublé environ tous les 6 mois entre 2019 et 2026, et environ tous les 4.1 mois depuis 2023. La mise à jour de janvier 2026 du METR indique un temps de doublement d'environ 4.3 mois après 2023, ce qui confirme nos propres résultats.
Prolongeons la courbe post-2023, à titre purement illustratif, et elle croise une semaine de travail de 40 heures vers la fin de 2026 et un mois de travail de 167 heures au cours du second semestre 2027.
Passons maintenant aux réserves, car elles sont importantes.
- Premièrement, un taux de réussite de 50 % n'est pas synonyme de fiabilité ; à 80 % de réussite, les perspectives sont beaucoup plus courtes.
- Deuxièmement, il s'agit de logiciels autonomes et tâches de recherche, pas des tâches salissantes avec des collègues, des clients et des objets physiques.
- Troisièmement, l'instrument de mesure lui-même se détériore : METR affirme que ses estimations supérieures à 16 heures ne sont pas fiables et a cessé de mettre à jour activement son classement en septembre 2026.
Lorsque la règle arrive trop loin avant l'objet mesuré, c'est un signal en soi.
Pourquoi les indices de référence ne cessent-ils de baisser ?
Parce que les modèles s'améliorent et que les indicateurs de performance servent d'objectifs. Les deux sont vrais, et c'est pourquoi j'accorde une grande importance à chaque classement.
Le cas le plus frappant est ARC-AGI-3, lancé par la Fondation du Prix ARC le 25 mars 2026. Il s'agit d'un ensemble de puzzles interactifs sans instructions, que les humains résolvent facilement. Dès son lancement, le meilleur AI a obtenu un score de 0.51 %. Le 3 septembre 2026, le prix ARC a validé OpenAI.'s GPT-6 Astra atteint 62.7 % sur sa configuration de test standard. (Les affirmations virales de 98 % à 99 % proviennent d'une configuration différente que le prix ARC ne considère pas comme standard.) Un benchmark conçu pour durer des années a perdu la majeure partie de sa marge de progression en six mois environ.
Ailleurs, le même schéma se répète. Le codage sur SWE-bench Verified est passé de 4.4 % en 2023 à environ 96 % dans les résultats de 2026 communiqués par les fournisseurs, ce qui signifie qu'il ne permet plus de distinguer les meilleurs modèles. En juillet 2025, Google DeepMind's Gemini Deep Think a résolu cinq des six problèmes de l'Olympiade internationale de mathématiques, obtenant 35 points sur 42 selon le barème officiel, soit le niveau d'une médaille d'or.
L'objectif utilisé ici est un Goodhart.'s Principe : lorsqu'une mesure devient un objectif, elle cesse d'être une bonne mesure. Les laboratoires s'entraînent en fonction de benchmarks reconnus ; des questions de test se retrouvent dans les données d'entraînement. Cela ne rend pas les progrès illusoires. Cela signifie que les mesures fiables sont celles qui reflètent un travail réel, comme METR.'s les horizons temporels, et ceux qui restent difficiles à appréhender pour les machines mais faciles pour les humains, comme ARC-AGI-3 et l'Humanité's Dernier examen sans outils, où le meilleur score officiel était de 38.3 %.
Alors, à quel point l'AGI est-elle proche ?
Plus proches sur les écrans que dans le monde réel, et plus proches que la plupart des gens hors du domaine ne le pensent. Mais l’« intelligence artificielle générale » (IAG) a des significations différentes pour chacun, ce qui explique en partie pourquoi le débat tourne en rond.
Définitions. Le cadre d'analyse « Niveaux d'IA générale » de Google DeepMind (Morris et al., 2023) évalue les systèmes selon deux axes : leurs performances et leur capacité à généraliser. Les chatbots de l'époque étaient alors classés comme relevant de l'IA générale « émergente ». Les responsables de laboratoires évoquent des systèmes capables d'effectuer les tâches les plus rentables ; Dario Amodei, d'Anthropic, décrit « un pays de génies dans un centre de données ». Les sceptiques, quant à eux, la définissent comme un apprentissage par l'expérience similaire à celui de l'humain, ce que les modèles actuels ne permettent pas.
Prévisions.
Les responsables des laboratoires sont plus agressifs : en janvier 2026, Anthropic's Dario Amodei a écrit que ce puissant AI Cela pourrait prendre un à deux ans. Demis Hassabis affirmait en 2023 que cela pourrait se produire d'ici une décennie. Yann LeCun, qui a quitté Meta et levé 1.03 milliard de dollars pour un nouveau laboratoire, considère les grands modèles de langage comme une impasse, et Richard Sutton soutient qu'ils imitent plutôt qu'ils n'apprennent.
Les trois portes de Mojo. Au lieu d'une seule ligne d'arrivée, j'en suis trois, chacune avec un test mesurable.
| Portail | Test | État des lieux, novembre 2026 | Mojo's lire |
|---|---|---|---|
| 1. Autonomie numérique | AI effectue une semaine de travail réel sur des logiciels ou de recherche avec une fiabilité élevée | Horizon de 50 % après 16 heures ; horizons fiables beaucoup plus courts ; rupture de mesure | Réalisable d'ici 1 à 3 ans |
| 2. Nouveauté | Niveau humain pour les énigmes faciles pour les humains et les machines novices (ARC-AGI-3) | Meilleur taux de vérification : 62.7 % ; humains : 100 % | Clôture rapide ; possible d'ici 1 à 2 ans |
| 3. Le monde physique | Des robots effectuant des travaux physiques généraux à un coût compétitif | Compétitif en termes de coûts pour environ 0.3 % des tâches physiques (Anthropic, sept. 2026) | Une décennie ou plus |
Mon verdict : la moitié numérique de l’IAG est une possibilité bien réelle avant 2030. La moitié physique, celle qui plie le linge, répare les chaudières et soigne les malades, est encore bien plus lointaine. Moravec's Le paradoxe persiste : ce qui est difficile pour nous est facile pour les machines, et ce qui est facile pour nous est difficile pour elles. Quiconque prétend que l’intelligence artificielle générale (IAG) arrivera à une date précise cherche à vous vendre quelque chose.
Vérification des réclamations
| Réclamer | Qui le fait | MOIS | Mojo's lire |
|---|---|---|---|
| Les lois d'échelle restent valables | AI laboratoires, Epoch AI | 4 Strong | Les pertes diminuent constamment avec l'informatique ; le cadran de données est le risque principal. |
| AI c'est « se heurter à un mur » | Les sceptiques, périodiquement | 0 N'a pas tenu le coup | Les perspectives et les objectifs précis ont continué d'augmenter jusqu'en 2026. |
| L'horizon des tâches double tous les 4 à 7 mois | TEMI | 4 Strong | Confirmé par notre propre ajustement ; pauses de mesure supérieures à 16 heures |
| AI surpasser les humains au niveau des Olympiades de mathématiques | Google DeepMind | 4 Strong | Certification officielle de qualité or, juillet 2025 |
| L'intelligence artificielle générale (IAG) arrivera d'ici 2027. | Certains chefs de laboratoire | 1 Réclamation | Cela dépend de la définition ; la partie numérique est plausible prochainement. |
| Les LLM sont une impasse | Yann LeCun | 1 Réclamation | Une opinion minoritaire sérieuse ; aucun résultat n’indique encore de plafond de verre. |
| AI La consommation d'énergie par requête est minime. | Google, OpenAI | 3 prometteurs | Autodéclaré, mais cohérent avec Epoch AI's estimation indépendante |
| Nous allons manquer de données d'entraînement | IA d'époque | 3 prometteurs | La fenêtre d'opportunité 2026-2032 s'ouvre ; les données synthétiques restent la question ouverte. |
Le contre-angle
L'argument le plus convaincant contre mon interprétation est que je confonds un instrument de mesure avec la chose elle-même. Les horizons temporels et les points de repère sont des tests élaborés par les chercheurs, et les modèles sont de plus en plus entraînés à réussir ces tests.
Le bond de 0.5 % à 62.7 % sur ARC-AGI-3 en six mois en dit peut-être plus long sur la rapidité avec laquelle les laboratoires peuvent optimiser leurs performances pour une cible bien connue que sur les renseignements généraux. Le déploiement en conditions réelles, l'essai clinique mené au Kenya et les études des développeurs présentées ailleurs dans cette série montrent souvent des gains bien moindres que ceux annoncés par les benchmarks.
Je prends cela au sérieux, c'est pourquoi mes portails nécessitent un fonctionnement fiable pendant une semaine et pourquoi le portail physique reste éloigné. Mais cette tendance s'est maintenue malgré plusieurs changements d'outils de mesure sur une période de sept ans. Lorsque chaque nouveau test montre une baisse plus rapide que le précédent, l'explication la plus probable est que l'élément mesuré s'améliore réellement.
La part humaine
Mojo's Prévisions
- Une estimation publiée par METR ou un évaluateur indépendant comparable établit un modèle's 50 % d'horizon temporel supérieur à 40 heures d'ici le 31 décembre 2027. Probabilité : 60 %.
- Un score de 85 % ou plus à l'ARC-AGI-3's La configuration de test standard est vérifiée par ARC Prize avant le 31 décembre 2027. Probabilité : 55 %.
- Epoch AI estime une série d'entraînements supérieure à 10^27 opérations d'ici le 31 décembre 2027. Probabilité : 85 %.
Les trois seront inscrits dans le registre de prévisions Mojo et évalués publiquement.
Où ce sujet sera débattu ensuite
QFP
Quels sont AI lois d'échelle ?
Ce sont des règles empiriques montrant qu'un modèle's L'erreur diminue de façon prévisible, selon une loi de puissance, lorsqu'on ajoute de la puissance de calcul, des données ou des paramètres d'entraînement. Kaplan et ses collègues l'ont décrite en 2020 ; DeepMind's Chinchilla Paper les a perfectionnés en 2022.
Quelle est la vitesse AI s'améliorer ?
Par METR's mesurer, la longueur de la frontière des tâches logicielles AI Le taux de réussite de 50 % a doublé environ tous les quatre mois depuis 2023, passant de quelques minutes en 2023 à plus de 16 heures en 2026.
Quand atteindrons-nous l'intelligence artificielle générale ?
Les chercheurs interrogés estiment à égalité les chances que les machines surpassent les humains dans toutes les tâches d'ici 2047 ; certains responsables de laboratoires prévoient même que cela se produira d'ici quelques années. Mojo anticipe une transformation numérique avant 2030 et une transformation physique bien plus tard.
Quelle quantité d'énergie AI utiliser?
L'AIE estime que les centres de données ont consommé environ 415 TWh en 2024, soit environ 1.5 % de l'électricité mondiale, un chiffre qui devrait atteindre environ 945 TWh d'ici 2030. Une invite de chatbot typique consomme environ 0.2 à 0.3 wattheure.
Will AI Plus de données ?
Epoch AI On prévoit que le stock de textes publics écrits par des humains, soit environ 300 billions de jetons, sera entièrement utilisé entre 2026 et 2032, ce qui incitera les laboratoires à se tourner vers les données synthétiques et sous licence.
Qu'est-ce que l'horloge Mojo Horizon ?
AIMOJO's traqueur METR's AI Mesures sur l'horizon temporel, avec notre propre ajustement de tendance, mises à jour à chaque publication de nouvelles mesures.
- Kaplan et al., Lois d'échelle pour les modèles de langage neuronaux (Jan 2020)
- Hoffmann et al., Entraînement de grands modèles de langage à calcul optimal (Chinchilla) (Mar 2022)
- Epoch AI, Tendances en IA (mis à jour en février 2026) et Ressources de formation Grok 4 (Sep 2025)
- Ho et al., Progrès algorithmiques dans les modèles de langage (Mar 2024)
- Villalobos et al., allons-nous manquer de données ? (Juin 2024)
- OpenAI, Apprendre à raisonner avec les LLM (septembre 2024) et Snell et al., Mise à l'échelle du calcul en temps de test (Août 2024)
- Richard Sutton, La leçon amère (Mar 2019)
- Pages produits Nvidia : A100, H100, Annonce de la plateforme Rubin (Jan 2026)
- Epoch AI, Tendances en matière de matériel d'apprentissage automatique (Nov 2023)
- NIST, Informatique inspirée du cerveau (Mar 2023)
- Philanthropie ouverte : Quelle puissance de calcul est nécessaire pour égaler le cerveau humain ?
- Landauer's principe (Aperçu de la proposition de 1961 et de l'expérience de 2012)
- AIE, Énergie et AI (2025), comme résumé dans Impact environnemental de l'intelligence artificielle
- Elsworth et al., Mesurer l'impact environnemental de AI inférence (Google) (août 2025) et Epoch AI, quelle est la consommation énergétique de ChatGPT ? (Février 2025)
- Kwa et al., Mesure AI Capacité à accomplir des tâches de longue durée (METR) (2025 mars), Horizon temporel METR 1.1 (janvier 2026) et page METR sur les horizons temporels
- Prix ARC, lancement d'ARC-AGI-3 (Mars 2026) et Vérification GPT-6 Astra (Sep 2026)
- Stanford HAI, AI Indice de 2025 et AI Indice de 2026
- Google DeepMind, Gemini Deep Think, à mon avis, c'est de l'or. (Jul 2025)
- Morris et al., Niveaux d'AGI (Nov 2023)
- Dario Amodei, Machines de grâce aimante (Oct 2024) et L'adolescence de la technologie (Jan 2026)
BONUS: Obtenez notre 200 $ «AI « Boîte à outils de maîtrise » GRATUITE lors de votre inscription !
