Command Palette
Search for a command to run...
L’IA doit embrasser la spécialisation par l’intermédiaire d’une adaptabilité surhumaine
L’IA doit embrasser la spécialisation par l’intermédiaire d’une adaptabilité surhumaine
Judah Goldfeder Philippe Wyder Yann LeCun Ravid Shwartz-Ziv
Résumé
Toutes les parties prenantes – de dirigeants et chercheurs en intelligence artificielle aux presages de fin du monde, en passant par les hommes politiques et les militants – s’interrogent sur l’Intelligence Artificielle Générale (AGI). Pourtant, elles semblent rarement s’accorder sur sa définition exacte. Une définition courante de l’AGI en fait une intelligence capable de réaliser toute tâche qu’un être humain peut accomplir, mais les humains sont-ils véritablement « généraux » ? Dans cet article, nous examinons les limites de notre conception de l’AGI et démontrons pourquoi, même dans sa formulation la plus cohérente, ce concept est inadéquat pour décrire l’avenir de l’IA. Nous analysons si les définitions les plus largement acceptées sont plausibles, utiles et réellement générales. Nous soutenons que l’IA doit adopter la spécialisation plutôt que chercher à atteindre une généralité, et que, dans cette spécialisation, elle doit viser des performances supérieures à l’humain, d’où l’introduction de l’Intelligence Adaptable Supérieure à l’Humain (SAI). La SAI est définie comme une intelligence capable d’apprendre à surpasser les humains sur toute tâche importante que ceux-ci peuvent accomplir, et de combler les lacunes de compétences là où les humains sont incapables. Nous exposons ensuite comment la SAI peut permettre de clarifier le débat sur l’IA, noyé par une définition de l’AGI trop englobante, et en extrayons les implications pour l’avenir.
One-sentence Summary
Arguing that the concept of AGI is flawed, the authors advocate for AI to specialize toward superhuman performance, introducing Superhuman Adaptable Intelligence (SAI), defined as intelligence that learns to exceed humans at any important task and fills skill gaps where humans are incapable, to refocus AI discourse and guide future development.
Key Contributions
- This work introduces Superhuman Adaptable Intelligence (SAI), defined as intelligence that can learn to exceed humans at any important task they can perform and fill skill gaps where humans are incapable, recasting the goal of AI away from ill-defined human-level generality.
- The paper argues that progress toward SAI demands specialization and architectural diversity, proposing that systems composed of specialized modules, predictive world models, and self-supervised latent prediction (as in Dreamer 4, Genie 2, or JEPA) provide a more effective path than monolithic autoregressive models.
- It reorients evaluation away from static human-centric benchmarks and toward measurable adaptation dynamics—the speed and efficiency of skill acquisition under realistic resource constraints—as a more concrete North Star.
Introduction
The pursuit of Artificial General Intelligence (AGI) shapes much of today’s AI narrative, but the term remains overloaded with inconsistent definitions, fueling polarized debate and muddying research direction. Prior notions of AGI typically treat human intelligence as the benchmark of generality, overlooking evidence that humans are specialized adapters rather than universal problem solvers; definitions that aim for true generality clash with the No Free Lunch theorem, and human-centric yardsticks ignore valuable tasks outside human ability. The authors argue that this flawed framing obscures progress, and they propose Superhuman Adaptable Intelligence (SAI) as a clearer North Star: an intelligence measured by how rapidly it can adapt to exceed human performance on any important task, whether or not humans can do it. This shift foregrounds specialization, self-supervised learning, and modular world models over the quest for a single generalist system.