Réflexion · Un texte pour explorer les futurs possibles.
Depuis que le monde est monde, l'être humain n'a cessé d'étendre son territoire.
Au commencement, la concurrence était locale.
Un homme contre un autre.
Une famille contre une autre.
Un village contre son voisin.
Puis l'échelle s'est agrandie.
Le quartier.
La ville.
La métropole.
La région.
Le pays.
Et finalement, le monde entier.
Pendant des siècles, l'humanité s'est organisée autour d'une compétition entre humains.
Nous pouvions être différents par notre naissance, notre langue, notre religion, notre richesse ou notre territoire. Mais nous partagions une même caractéristique fondamentale :
nous étions tous humains.
Nous étions en concurrence avec notre semblable.
Plus intelligent.
Plus rapide.
Plus riche.
Plus organisé.
Plus puissant.
Mais toujours humain.
Puis quelque chose a commencé à changer.
La machine n'était plus seulement un outil
Pendant longtemps, nos machines ont simplement amplifié nos capacités.
La roue nous a permis d'aller plus loin.
La machine à vapeur nous a permis de produire davantage.
L'électricité a transformé nos villes.
L'ordinateur a accéléré nos calculs.
Mais l'ordinateur n'était encore qu'un outil.
Il exécutait.
Il calculait.
Il obéissait.
Puis l'homme a eu une idée étrange.
Et si une machine pouvait apprendre ?
Et plus encore :
Et si nous pouvions construire une forme d'intelligence artificielle en nous inspirant du fonctionnement de notre propre cerveau ?
Les réseaux de neurones artificiels sont nés de cette ambition : reproduire, très imparfaitement, certaines propriétés de l'apprentissage biologique.
Au départ, les résultats étaient limités.
Puis les machines ont commencé à apprendre.
À reconnaître.
À prédire.
À jouer.
À battre l'homme.
1997
En mai 1997, une machine appelée Deep Blue affronta le champion du monde d'échecs Garry Kasparov.
Ce n'était pas une intelligence générale.
Ce n'était pas une conscience.
Ce n'était pas une pensée humaine.
Deep Blue reposait notamment sur une puissance de calcul massive, une fonction d'évaluation et une recherche extrêmement rapide parmi les possibilités du jeu. Elle pouvait examiner environ 200 millions de positions d'échecs par seconde.
Mais cela ne changeait rien au symbole.
Une machine venait de battre le meilleur humain du monde dans un domaine considéré comme l'un des sommets de l'intelligence humaine.
Le 11 mai 1997, Deep Blue remporta le match 3,5 à 2,5.
L'homme venait de découvrir quelque chose de nouveau :
il existait désormais des domaines dans lesquels une machine pouvait le dépasser.
Ce n'était encore qu'un jeu.
Mais l'idée était lancée.
Puis les machines ont commencé à apprendre
Les décennies suivantes ont été celles de l'apprentissage automatique.
Les réseaux de neurones se sont perfectionnés.
Les données se sont accumulées.
Les capacités de calcul ont explosé.
Puis sont arrivés les grands modèles de langage.
Les LLM.
Ils ont changé quelque chose de fondamental.
À une échelle nouvelle, une machine pouvait produire quelque chose qui ressemblait extraordinairement à une pensée humaine.
Un texte.
Une explication.
Un raisonnement.
Une histoire.
Un programme.
Une conversation.
Et, avec d’autres modèles génératifs ou des systèmes multimodaux :
Une image.
Une voix.
Mais il faut être précis.
Un LLM ne pense pas nécessairement comme un humain.
Son fonctionnement repose notamment sur des réseaux de neurones entraînés à estimer, à partir du contexte, les probabilités des prochains éléments de texte — les tokens. Ces éléments sont ensuite sélectionnés selon une méthode de génération. Une réponse plausible peut pourtant être erronée.
Il ne possède pas notre expérience du monde.
Il ne regarde pas nécessairement un objet comme nous le regardons.
Et c'est là que l'exemple du chat devient fascinant.
Un chat
Prenons une image pour illustrer la généralisation, sans en faire une expérience scientifique :
montrez quelques chats à un enfant.
Un chat noir.
Un chat blanc.
Un chat roux.
Puis montrez-lui un quatrième animal, d'une race qu'il n'a jamais vue.
L'enfant peut généralement comprendre rapidement :
« C'est encore un chat. »
Il n'a pas besoin de voir dix mille chats.
Il n'a même pas besoin de connaître la race.
Il peut mobiliser son expérience préalable du monde pour reconnaître une catégorie à partir de peu de nouveaux exemples. Le nombre exact dépend de l’âge, de l’expérience et de la tâche.
Pour une machine, le problème a longtemps été beaucoup plus difficile. Des méthodes d’apprentissage avec peu d’exemples existent aussi : comparer un enfant et une machine exige de tenir compte de ce qu’ils ont appris auparavant.
Il a fallu des quantités gigantesques de données, des réseaux de neurones toujours plus grands et des infrastructures informatiques capables de traiter ces volumes.
L'image elle-même peut être transformée en nombres.
Le langage peut être transformé en nombres.
Le monde peut être transformé en données.
Et avec suffisamment de données, suffisamment de calcul et suffisamment d'apprentissage, la machine a commencé à produire quelque chose d'étrange :
des résultats que nous pensions réservés à l'intelligence humaine.
Des milliards de calculs pour produire quelques lignes
Des processeurs spécialisés.
Des serveurs en réseau.
Des centres de données entiers.
Des besoins en énergie qui dépendent des modèles, de leur entraînement et de leur usage.
Et derrière tout cela :
une machine capable d'écrire un article.
Puis un livre.
Créer une image.
Composer une musique.
Programmer une application.
Analyser un document.
Résoudre un problème scientifique.
Expliquer une théorie.
Et parfois proposer une solution que l'être humain n'avait pas encore trouvée.
La machine n'a pas nécessairement appris à être humaine.
Elle a appris à produire des résultats.
Et c'est peut-être beaucoup plus important.
Le jour où la question a changé
Pendant longtemps, nous avons demandé :
« Que peut faire l'intelligence artificielle pour l'homme ? »
La question commence maintenant à devenir différente :
« Que peut-elle faire que l'homme ne peut plus faire seul ? »
Le 8 septembre 2026, OpenAI a annoncé qu’un système interne avait produit une démonstration concernant le problème d’existence et de régularité de Navier–Stokes, l’un des problèmes du millénaire. Selon cette annonce, le résultat établit la formation d’une singularité en temps fini dans un cadre avec une force extérieure lisse et répond aux formulations C et D du problème. OpenAI a publié un texte de démonstration et une formalisation en Lean.
Il faut distinguer l’annonce de son auteur, la vérification formelle et l’évaluation indépendante de sa portée mathématique. Nous présentons ici ce qu’OpenAI a annoncé, sans certifier nous-mêmes la résolution du problème.
Peu importe, finalement, que cet épisode constitue déjà une victoire définitive ou le début d'une longue vérification.
Le signal est déjà là.
Pendant des siècles, nous avons construit des outils pour augmenter notre force.
Puis des outils pour augmenter notre vitesse.
Puis des outils pour augmenter notre mémoire.
Aujourd'hui, nous construisons des outils capables d'augmenter notre capacité à comprendre, créer et résoudre.
Et pour la première fois, notre création commence à entrer dans le territoire qui était autrefois exclusivement le nôtre.
Le véritable changement
La révolution de l'IA n'est peut-être donc pas simplement une révolution technologique.
Elle pourrait être une révolution dans l'histoire de la concurrence.
Pendant des milliers d'années :
Homme contre homme.
Puis :
Homme + machine contre homme + machine.
Et demain ?
Peut-être :
Humain augmenté contre intelligence artificielle.
Ou :
Humain contre intelligence artificielle.
Ou peut-être quelque chose de beaucoup plus complexe.
Une coopération.
Une fusion.
Une nouvelle forme d'intelligence.
Nous ne savons pas encore.
Mais une chose est certaine.
L'humanité a passé des siècles à chercher comment devenir plus puissante que les autres humains.
Puis elle a construit une intelligence dont la trajectoire pourrait un jour dépasser les capacités individuelles de ceux qui l'ont créée.
Nous n'avons peut-être pas créé notre prochain outil.
Nous avons peut-être créé notre premier véritable concurrent.
Et ce n'est que le début.
Sources
- IBM — Deep Blue : victoire de 1997 et architecture de calcul
- IBM — Fonctionnement des grands modèles de langage
- Lake et al. — One shot learning of simple visual concepts (2011)
- Lake et Baroni — Généralisation systématique et réseaux de neurones (Nature, 2023)
- OpenAI — Annonce sur Navier–Stokes, 8 septembre 2026