L'intelligence artificielle générale, communément abrégée IAG, désigne une forme hypothétique d'intelligence artificielle capable de comprendre, d'apprendre et d'effectuer toute tâche intellectuelle qu'un humain peut réaliser, plutôt que d'exceller étroitement dans un seul domaine. Elle est généralement contrastée avec « l'IA étroite », les systèmes spécialisés, des moteurs d'échecs aux classificateurs d'images, qui dominent l'IA déployée aujourd'hui. Aucun système n'est largement reconnu comme ayant atteint l'IAG en 2025, et la définition précise du terme reste disputée parmi les chercheurs, les dirigeants et les philosophes.
Définitions
Il n'existe pas de définition unique acceptée de l'IAG. Les critères proposés vont de la correspondance avec la performance humaine sur une large batterie de tâches cognitives, à la possession de la capacité d'apprendre et de transférer des compétences entre domaines sans réentraînement spécifique à la tâche, en passant par des seuils économiquement significatifs tels qu'un système capable d'effectuer la plupart des tâches de travail à distance qu'un humain peut réaliser. Certaines organisations, y compris OpenAI, ont utilisé des définitions contractuelles ou économiques, liant l'IAG à un niveau de création de valeur économique automatisée, plutôt qu'à des critères purement techniques, un choix que les critiques jugent comme faisant du terme davantage un jalon commercial qu'une référence scientifique.
Histoire du terme
L'expression précède le boom actuel de l'IA. Le physicien Mark Gubrud a utilisé « intelligence artificielle générale » dans un article de 1997 traitant de la nanotechnologie et du risque militaire, et le terme a ensuite été adopté et popularisé dans les cercles de recherche en IA au milieu des années 2000, notamment à travers un volume édité en 2007 intitulé « Artificial General Intelligence » associé au chercheur Ben Goertzel. Son usage a augmenté alors que des organisations dédiées se formaient autour de cet objectif : OpenAI a adopté l'IAG comme mission explicite lors de sa fondation en 2015, et Google DeepMind, cofondé par Demis Hassabis sous le nom de DeepMind en 2010 avant son acquisition par Google en 2014, a également encadré sa mission autour de l'IAG depuis sa création.
Chemins et prédictions
Les approches proposées vers l'IAG incluent la mise à l'échelle des architectures existantes de modèles de langage de grande taille et de modèles de fondation avec plus de données et de calcul, le pari industriel dominant depuis environ 2020, la combinaison de modèles de langage avec une planification explicite et l'utilisation d'outils comme dans les systèmes agent IA, des architectures neuro-symboliques hybrides qui associent des réseaux neuronaux à un raisonnement logique, et des approches fondées sur une interaction incarnée avec le monde physique. Les enquêtes auprès des chercheurs en IA ont montré un large désaccord sur les échéances, avec des prédictions médianes pour une « intelligence machine de haut niveau » se déplaçant plus tôt dans le temps à travers des enquêtes successives menées entre 2016 et 2023, bien que les estimations individuelles s'étendent de quelques années à plusieurs décennies.
Débat sur la proximité
Les leaders de l'industrie ont offert des évaluations nettement différentes. Sam Altman et d'autres dirigeants ont décrit l'IAG comme réalisable dans la décennie actuelle, tandis que Hassabis a proposé des échéances plus mesurées, soulignant les lacunes scientifiques restantes. L'émergence de systèmes modèle de raisonnement tels que OpenAI o1 à partir de 2024, qui allouent un calcul supplémentaire au moment de l'inférence pour des problèmes en plusieurs étapes, a été citée par certains comme une preuve de progrès accélérés vers une capacité générale, et par d'autres comme une amélioration incrémentale de la performance sur des références étroites plutôt qu'une véritable généralité.
Critique et scepticisme
Des chercheurs, y compris Gary Marcus et François Chollet, ont soutenu que les gains sur les références obtenus par les grands modèles de langage reflètent souvent la mémorisation ou l'interpolation sur les données d'entraînement plutôt qu'une généralisation robuste, pointant des échecs persistants sur des problèmes de raisonnement nouveaux. Le benchmark ARC-AGI de Chollet a été explicitement conçu pour résister à cette critique en testant l'abstraction sur des tâches susceptibles de ne pas apparaître dans les données d'entraînement. Les préoccupations concernant l'IAG sont étroitement liées au débat plus large sur Superintelligence et risque existentiel lié à l'IA, car de nombreux arguments de sécurité supposent que l'IAG, une fois atteinte, pourrait rapidement s'améliorer elle-même au-delà de la supervision humaine, une affirmation contestée par des sceptiques qui voient les architectures actuelles comme fondamentalement limitées sans nouvelles percées conceptuelles.