L’apprentissage continu en intelligence artificielle, la capacité pour un modèle à apprendre sans cesse, voire indéfiniment, est un défi majeur qui reste encore partiellement insoluble aujourd’hui. Mais une nouvelle équipe prometteuse, Thinking Machines Labs — une sorte de « mafia ex-OpenAI » composée de talents reconnus — affirme avoir trouvé une solution. Et surtout, elle nous explique comment y parvenir. Si elle a raison, cela pourrait enfin permettre de déployer des systèmes d’IA d’entreprise, longtemps bloqués par leur rigidité. Pour comprendre le problème, il faut d’abord saisir ce qu’est l’apprentissage en deux temps : entraînement et inférence. Aujourd’hui, les modèles comme ChatGPT sont des versions figées, figées à un moment précis de leur développement. Une fois déployés, ils ne changent pas, même si vous leur apprenez quelque chose de nouveau. Vous pouvez lui demander de corriger une erreur, mais il ne mémorisera pas cette correction pour l’avenir. Pourquoi ? Parce qu’ils souffrent d’un phénomène redoutable : l’oubli catastrophique. L’oubli catastrophique survient quand un modèle apprend de nouvelles informations, mais en oublie d’importantes parties de ce qu’il savait déjà. C’est comme si, après avoir appris à reconnaître les chats, un système se mettait à confondre les chiens avec des chats. Plus il apprend, plus il perd ses connaissances antérieures. Ce mécanisme est dû à la manière dont les réseaux de neurones ajustent leurs poids : chaque nouvelle donnée modifie profondément la structure du modèle, ce qui peut effacer des connaissances précieuses. Jusqu’à présent, les chercheurs ont tenté de contourner ce problème avec des techniques comme la mémoire externe, la rétention de données anciennes ou des architectures spécialisées. Mais ces solutions sont souvent lentes, coûteuses ou peu généralisables. C’est là que Thinking Machines Labs entre en scène. Ils prétendent avoir découvert une méthode fondamentalement différente — basée sur une réinterprétation des principes de l’apprentissage en profondeur — qui permettrait à un modèle de s’adapter continuellement sans oublier ce qu’il a déjà appris. Leur approche repose sur une idée simple mais puissante : plutôt que de modifier le modèle lui-même à chaque nouvelle donnée, ils le rendent capable de « stocker » les nouvelles connaissances sans toucher aux anciennes. C’est comme si chaque nouvelle information était ajoutée comme une couche dans une bibliothèque, plutôt que de réécrire tout le livre. Cette méthode, selon eux, évite l’oubli catastrophique tout en maintenant une performance stable sur des tâches anciennes et nouvelles. Si cette solution s’avère fiable, elle pourrait révolutionner l’IA d’entreprise. Les systèmes pourraient apprendre en temps réel à partir des interactions avec les utilisateurs, s’adapter aux changements de marché, corriger leurs erreurs sans intervention humaine. Pas besoin de recharger un modèle tous les mois. L’IA deviendrait véritablement vivante, évolutive, et capable de grandir avec son environnement. Bien sûr, il faut rester prudent. Les promesses de l’IA sont nombreuses, et les solutions miracles rares. Mais si Thinking Machines Labs a raison, ce n’est pas seulement une avancée technique : c’est un pas vers une IA vraiment durable, intelligente, et humaine. Et pour la première fois, on pourrait enfin dire : l’apprentissage continu, peut-être, est enfin à portée de main.