kheyduhelm a écrit :
Pour réellement créer une AGI, il faut aller bien au-delà des réseaux de neurones profonds actuels et des architectures de Machine Learning comme celles utilisées pour les LLM. Bien que ces technologies soient des percées importantes dans l'intelligence artificielle, elles ne suffisent pas à elles seules pour atteindre une véritable intelligence générale. Voici plusieurs axes sur lesquels il faudrait probablement travailler pour construire une AGI :

1. Modélisation de la cognition humaine
Les réseaux neuronaux profonds sont vaguement inspirés par la structure du cerveau, mais ils ne capturent pas les mécanismes complexes de la cognition humaine. Une AGI devra peut-être mieux modéliser comment le cerveau humain traite l'information, apprend, et raisonne. Cela inclut :

La mémoire de travail : les LLM actuels n'ont pas de mémoire à long terme cohérente, ils ne se souviennent pas des interactions passées. Une AGI devra être capable de maintenir une mémoire riche et dynamique.
La compréhension symbolique et sémantique : une AGI devra comprendre des concepts abstraits, faire des analogies, et manipuler des symboles dans un cadre flexible, à l'image du cerveau humain.
2. Apprentissage non supervisé et auto-supervisé
Les LLM sont principalement formés à partir de données supervisées ou semi-supervisées (même si certaines approches sont de type auto-supervisées). Une AGI devra être capable de :

Apprendre à partir de très peu de données (similaire à la manière dont un enfant apprend de nouvelles choses avec peu d'exemples),
S'auto-organiser et apprendre en autonomie à partir d'une exploration active du monde.
Cela implique une forme d'apprentissage auto-supervisé et de généralisation rapide, ce qui est loin des méthodes actuelles de Machine Learning qui nécessitent d'énormes quantités de données annotées.

3. Capacité d'adaptation à des situations inédites
Les systèmes actuels sont excellents pour des tâches spécifiques, mais ils échouent souvent face à des environnements totalement nouveaux ou imprévus. Une AGI devrait être capable de résoudre des problèmes dans des situations inédites sans avoir besoin de réapprendre constamment, ce qui demande :

Un transfert d'apprentissage entre différents domaines,
Un raisonnement flexible dans des environnements dynamiques, en prenant en compte le contexte et en s'ajustant en temps réel.

4. Conscience et méta-cognition
La véritable intelligence générale implique une certaine forme de conscience ou au moins de méta-cognition (c'est-à-dire la capacité de réfléchir à sa propre pensée). Une AGI devra être capable de :

Prendre conscience de ses propres limites et de ses connaissances,
S'autocorriger et s'améliorer au fil du temps,
Planifier des actions à long terme et ajuster ses stratégies de manière proactive.

5. Intégration sensorimotrice et interaction avec le monde réel
Une AGI devra interagir avec le monde physique de manière efficace, ce qui implique une capacité d'apprentissage sensorimoteur avancée. Elle devrait être capable de percevoir son environnement, de comprendre ses actions sur le monde, et d'ajuster son comportement en fonction des retours. Cela nécessite :

L'intégration de multiples modalités sensorielles (vision, son, toucher, etc.),
La motricité et la capacité à prendre des actions dans des environnements réels (ou simulés de manière réaliste).

6. Motivation et objectifs internes
Les LLM actuels fonctionnent sur des tâches prédéfinies par des objectifs externes (optimiser une fonction de perte donnée). Une AGI aurait besoin d'avoir des objectifs internes autonomes, de formuler des hypothèses et d'explorer le monde de manière active, similaire à la curiosité humaine.

Cela implique le développement de mécanismes de motivation intrinsèque et de capacités d'exploration ouvertes. Ce qui manque aux réseaux neuronaux actuels, c'est l'équivalent de la curiosité humaine et l'auto-motivation.

7. Représentation des connaissances de haut niveau
Aujourd'hui, les LLM sont performants dans la manipulation des données textuelles, mais une AGI devra aussi comprendre et représenter des connaissances causales, logiques, et conceptuelles de manière flexible. Cela pourrait passer par des avancées dans les systèmes à base de règles (symboliques) ou des hybridations entre le Deep Learning et des approches symboliques.

8. Simulations physiques et réalistes du monde
Un environnement de simulation très riche pourrait être nécessaire pour former une AGI, permettant à celle-ci de tester et de valider ses actions dans un cadre proche de la réalité. Cela inclut :

Des simulations très proches de la réalité physique, y compris les interactions sociales et les lois naturelles,
L'utilisation de mondes virtuels pour permettre une exploration et un apprentissage quasi illimités.
Conclusion
En résumé, pour réellement créer une AGI, il faudrait probablement dépasser le cadre actuel du Deep Learning, qui reste limité par ses architectures et sa nature spécialisée. Il sera essentiel de combiner plusieurs disciplines (neurosciences, psychologie cognitive, robotique, etc.) et d'améliorer plusieurs aspects fondamentaux, tels que la mémoire, l'adaptabilité, la capacité de raisonnement, et même la motivation autonome. Une véritable AGI ressemblera probablement davantage à une intelligence capable de compréhension profonde et d'adaptation flexible dans le monde réel, plutôt qu'à une simple machine d'analyse de données.