Un nouveau modèle d’intelligence artificielle, développé par OpenAI, a récemment franchi une étape considérable en atteignant des résultats comparables à ceux des humains lors d’un test visant à évaluer l’intelligence générale. Ce système, dénommé o3, a obtenu un score de 85% sur le test ARC-AGI, surpassant de manière significative les performances antérieures des systèmes d’IA. L’atteinte d’un tel niveau d’accomplissement suscite de vifs débats sur les répercussions possibles de cette avancée technologique, tant sur le plan scientifique qu’éthique. Il est essentiel de décortiquer les mécanismes de fonctionnement de ce modèle pour mieux appréhender les enjeux qui en découlent.
Un système d’IA atteint le niveau humain sur un test d’intelligence générale
Récemment, un modèle d’intelligence artificielle, le système o3 développé par OpenAI, a atteint des résultats comparables à ceux des humains dans le cadre d’un test mesurant l’intelligence générale. Avec un score de 85 % au benchmark ARC-AGI, ce modèle surpasse les performances passées des intelligences artificielles, ce qui soulève des questions sur l’avenir de l’intelligence artificielle générale, connue sous le nom d’AGI.
Les résultats du modèle o3 d’OpenAI
Le 20 décembre, OpenAI a annoncé que son modèle o3 avait obtenu des résultats prodigieux lors d’un test intitulé ARC-AGI, atteignant un score de 85 %. Ce résultat est considérablement plus élevé que le meilleur score précédemment atteint par d’autres systèmes d’IA, qui était de 55 %. De plus, le modèle s’est illustré en réussissant un test de mathématiques difficile, ajoutant ainsi aux attentes autour des capacités de l’IA.
Les résultats ont suscité une vague d’enthousiasme parmi les chercheurs et les développeurs d’IA. Pour beaucoup, le fait que l’IA ait remporté des scores aussi élevés fait naître l’espoir d’une AGI plus accessible, ouvrant ainsi de nouvelles perspectives sur les capacités d’adaptation de ces systèmes.
Comprendre le test ARC-AGI
Le test ARC-AGI a été conçu pour évaluer la capacité d’adaptation d’un système d’IA face à des situations nouvelles, en mesurant son aptitude à apprendre à partir d’un échantillon limité d’exemples. En termes techniques, il s’agit d’un examen de l’efficacité d’un échantillon lors de l’apprentissage de concepts innovants. Contrairement à des modèles comme ChatGPT, qui nécessitent d’énormes ensembles de données d’entraînement pour fonctionner, le modèle o3 semble exceller avec un nombre restreint d’exemples.
Cette capacité à généraliser fait partie intégrante de ce que nous avons traditionnellement défini comme l’intelligence. Dans les tests, l’IA doit déduire des règles à partir de quelques exemples pour les appliquer à de nouveaux cas, imitant ainsi des performances humaines typiques.
Les mécanismes d’adaptation de l’IA
Bien que la manière exacte dont OpenAI a mis au point ce modèle demeure floue, il semble que le système o3 soit particulièrement doué pour découvrir des règles faibles qui s’appliquent dans différents contextes. Cela signifie qu’il n’est pas nécessaire de faire des hypothèses trop rigides lors de la résolution de problèmes. Il s’agit plutôt de trouver des règles suffisamment simples qui permettent d’expliquer différents phénomènes.
Dans le contexte des tests, ces règles sont utilisées pour résoudre des problèmes présentés sous forme de grilles, où l’IA doit identifier la transformation nécessaire entre deux représentations. Ce format rappelle certains tests de quotient intellectuel (QI) que l’on pourrait retrouver dans un cadre scolaire.
Des chaînes de pensée à explorer
Les chercheurs investiguent également comment le modèle o3 parvient à exploiter des chaînes de pensée pour résoudre ces tâches. Il est suggéré que l’IA examine différentes séquences de raisonnement et choisisse celle qui semble la plus adéquate selon une heuristique, un ensemble de règles de décision lâches, pour parvenir à une solution. Cela féminise l’idée que l’intelligence artificielle pourrait se rapprocher d’un raisonnement humain en se basant sur des approches variées.
Francois Chollet, le créateur du test ARC-AGI, a exprimé son opinion selon laquelle l’o3 ait pu apprendre à explorer ces chaînes de pensée par un processus d’essai-erreur, un peu comme le fait le célèbre système AlphaGo de Google en jouant au Go. Cela pourrait suggérer une manière novatrice d’aborder les problèmes, mais il reste encore beaucoup à déterminer sur la façon dont l’intelligence générale pourrait être atteinte.
Ce que l’on ignore encore sur l’AGI
Bien que l’o3 ait ouvert des perspectives fascinantes sur l’intelligence artificielle, une question demeure : ce développement nous rapproche-t-il réellement de l’AGI? Les concepts que le modèle apprend à partir des données ne sont peut-être pas plus généralisables qu’auparavant. Le chemin vers une intelligence générale véritable pourrait encore nécessiter des avancées significatives.
Pour l’instant, de nombreux aspects concernant le fonctionnement de l’o3 restent à explorer, notamment ses limites en termes de réussite et d’échec. L’impact économique et sociétal possible de ce modèle pourrait être révolutionnaire, mais cela nécessitera des évaluations rigoureuses et un cadre de gouvernance adapté. La vraie mesure du progrès de l’intelligence artificielle résidera dans sa capacité à s’adapter à des situations variées, sans provoquer d’effets indésirables.
EN BREF
|
