Lors d'un récent événement AGI House dans la Silicon Valley, le cofondateur de Google, Sergey Brin, a fait son apparition publique après deux ans. Il a reconnu que l'entreprise avait tardé à miser massivement sur la programmation de code pour ses modèles d'intelligence artificielle. Dans un marché dominé par des concurrents comme OpenAI, Brin souligne que la maîtrise du code reste un levier stratégique essentiel. Un code performant permet aux modèles de générer leurs propres scripts d'entraînement, créant ainsi une boucle d'auto-amélioration accélérée. Google rattrape désormais son retard sur cette capacité à faire évoluer ses propres systèmes. Au-delà de la compétition technique, Brin a abordé la question centrale de la définition de l'IA générale, ou AGI. S'il considérait auparavant qu'une IA atteignait ce statut dès qu'elle pouvait se perfectionner seule, il penche aujourd'hui vers une définition plus exigeante : une IA capable d'accomplir toutes les tâches qu'un humain peut réaliser. Cette vision oriente directement la stratégie de Google, qui souhaite dépasser le simple traitement du langage pour intégrer une compréhension concrète du monde physique. Pour y parvenir, Google s'appuie sur des modèles multimodaux comme Gemini et Omni, entraînés simultanément sur des textes, des images et des vidéos. L'hypothèse sous-jacente est que la prédiction des séquences vidéo puisse faire émerger naturellement une intuition physique, similaire à l'apparition spontanée des capacités mathématiques dans les premiers grands modèles linguistiques. Cette approche s'incarne dans les projets Genie 3, capable de générer des environnements 3D interactifs, et Gemini Robotics, qui permet aux robots d'exécuter des tâches complexes sans instructions précises. L'objectif ultime est de préparer le terrain pour l'ASI, ou IA superintelligente, capable de dépasser les capacités cognitives humaines. Cependant, cette voie comporte des incertitudes majeures. Le domaine reste divisé sur la question de savoir si la prédiction statistique équivaut à une véritable compréhension. Selon certains experts, la simple analyse de données ne peut remplacer la causalité physique et l'interaction concrète avec l'environnement. De plus, la dépendance croissante aux données générées par les IA pour s'entraîner elle-même risque de provoquer un affaiblissement progressif des performances, un phénomène technique connu sous le nom de collapse du modèle. Les propos de Brin, souvent assortis de réserves, illustrent les limites actuelles de la recherche. La discussion ne porte plus seulement sur la course aux performances brutes, mais sur des interrogations fondamentales sans réponse définitive. Ces incertitudes définiront probablement les orientations technologiques et les défis des prochaines années, tant pour Google que pour l'ensemble de l'industrie de la technologie.