Entretien exclusif de Sequoia avec Demis Hassabis : « L’information est la substance fondamentale de l’univers, et l’IA ouvrira une toute nouvelle branche scientifique. »
TechFlow SélectionTechFlow Sélection
Entretien exclusif de Sequoia avec Demis Hassabis : « L’information est la substance fondamentale de l’univers, et l’IA ouvrira une toute nouvelle branche scientifique. »
Entrevue approfondie exclusive avec Demis Hassabis, lauréat du prix Nobel et PDG de DeepMind : il prédit la réalisation de l’IA générale (AGI) d’ici 2030, révèle comment l’IA permettra de réduire la découverte de nouveaux médicaments à quelques jours seulement, et donnera naissance à un tout nouveau système scientifique capable de percer les secrets fondamentaux de l’univers.
Dédié à des analyses Web3 approfondiesText original rédigé par : Guā Gē IA Nouvelles
Le présent article reprend et synthétise l’entretien exclusif de Demis Hassabis diffusé sur la chaîne YouTube de Sequoia Capital, publié le 29 avril 2026.
Résumé du contenu : entretien de Demis Hassabis lors du sommet AI Ascent 2026 organisé par Sequoia Capital
- Les liens historiques entre l’IA et les jeux vidéo : les jeux constituent un terrain d’expérimentation idéal pour l’intelligence artificielle. En intégrant l’IA comme mécanique centrale de jeu, on peut non seulement valider efficacement des concepts algorithmiques, mais aussi obtenir précocement un soutien en puissance de calcul pour le développement technologique.
- La « théorie du bon moment » pour entreprendre : il faut créer une entreprise « cinq ans en avance sur son temps, pas cinquante ». Il s’agit de saisir avec acuité le point d’équilibre entre percée technologique et besoins concrets d’application ; devancer trop le marché conduit souvent à l’échec.
- La trajectoire vers l’AGI : la mission de DeepMind est claire et ferme — première étape, construire une intelligence artificielle générale (AGI) ; deuxième étape, utiliser cette AGI pour résoudre tous les problèmes complexes, notamment dans les domaines scientifiques et médicaux.
- La valeur fondamentale de « l’IA au service de la science » : l’IA constitue le langage parfait pour décrire la biologie et les systèmes naturels complexes. Grâce à la simulation IA, le cycle de développement de nouveaux médicaments pourrait passer de plusieurs années à quelques semaines, voire permettre une médecine véritablement personnalisée.
- L’émergence de nouvelles disciplines scientifiques : la complexité intrinsèque des systèmes IA donnera naissance à de nouvelles sciences d’ingénierie, telles que la « mécanisme-interprétabilité » (mechanistic interpretability). Par ailleurs, les techniques de simulation pilotées par l’IA permettront aux humains de réaliser des expériences contrôlées sur des systèmes sociaux complexes tels que l’économie, ouvrant ainsi la voie à de nouvelles branches scientifiques.
- L’information comme essence fondamentale de l’univers : matière, énergie et information sont mutuellement convertibles. L’univers pourrait bien être, en dernière analyse, un vaste système de traitement de l’information — ce qui confère à l’IA une signification profonde dans la compréhension des lois fondamentales régissant l’univers.
- Les limites computationnelles de la machine de Turing : les systèmes IA modernes, tels que les réseaux de neurones, ont démontré que la machine de Turing classique suffit à simuler des problèmes autrefois jugés réservés au calcul quantique (par exemple, le repliement des protéines). Le cerveau humain serait très probablement une machine de Turing hautement approximative.
- Une réflexion philosophique sur la conscience : la conscience pourrait résulter de composants tels que l’autoreprésentation et la continuité temporelle. Dans la course vers l’AGI, nous devrions d’abord considérer celle-ci comme un outil puissant, puis utiliser cet outil pour explorer la question philosophique majeure de la « conscience ».
Présentation de l’entretien
Demis Hassabis, cofondateur et PDG de Google DeepMind, lauréat du prix Nobel de chimie 2024 pour sa contribution à AlphaFold, a eu une conversation exceptionnellement riche et approfondie avec Konstantine Buhler, associé chez Sequoia Capital, lors du sommet AI Ascent 2026. Ils y ont exploré ensemble la voie menant à l’AGI ainsi que les perspectives d’un monde post-AGI.
Au cours de cet échange, Demis Hassabis explique pourquoi il est convaincu qu’une AGI sera réalisée d’ici 2030, pourquoi le long cycle de développement pharmaceutique — actuellement de dix ans — pourrait se réduire à quelques jours, et pourquoi l’« information », plutôt que la matière ou l’énergie, devrait être considérée comme la substance la plus fondamentale et essentielle de l’univers. Il aborde également la question de savoir comment Einstein, s’il était encore vivant aujourd’hui, évaluerait les limites actuelles des modèles d’IA, et pourquoi les prochaines un ou deux années seront décisives pour l’avenir de l’humanité.
Transcription complète de l’entretien
Animatrice : Demis, merci infiniment d’être parmi nous.
Demis Hassabis : Je suis ravi d’être ici. Merci à tous d’être venus — c’est un vrai plaisir de pouvoir échanger avec vous.
Animatrice : C’est un honneur immense de vous accueillir dans notre « usine à chocolat ».
Demis Hassabis : J’en ai entendu parler tout juste maintenant. J’ai hâte d’y goûter !
Animatrice : Excellent ! Demis, allons droit au but. Aujourd’hui, nous avons l’honneur d’accueillir un véritable pionnier (OG) : penseur original, fondateur visionnaire, précurseur dans tous les domaines de l’IA. Demis est un croyant sincère, et un scientifique authentique.
La motivation initiale et le fil conducteur intérieur de Demis
Notre entretien débutera par l’histoire fondatrice de DeepMind, poursuivra avec une plongée dans les sciences et les technologies, puis se conclura par une séance de questions-réponses avec le public. Commençons sans attendre.
Demis, vous avez été prodige aux échecs, fondateur de sociétés de jeux vidéo, neuroscientifique, fondateur de DeepMind, et dirigez aujourd’hui une entreprise de grande envergure et d’une importance capitale. Ces identités semblent dissemblables, mais vous avez mentionné qu’un fil conducteur les relie toutes. Pourriez-vous nous le partager ?
Demis Hassabis : Oui, il existe effectivement un fil conducteur — bien que cela comporte peut-être une part de raisonnement rétrospectif (post hoc reasoning). Mon désir de m’investir pleinement dans le domaine de l’IA remonte à très loin. Dès l’âge de 15 ou 16 ans, j’ai su que c’était là la voie la plus importante, et aussi la plus passionnante, que je pouvais emprunter dans ma vie. Chaque choix académique, chaque décision professionnelle que j’ai faite depuis cet âge visait un seul objectif : fonder un jour une entreprise telle que DeepMind.
Les jeux vidéo : le terrain d’entraînement de l’IA
J’ai d’abord fait un « détour » par l’industrie du jeu vidéo, car dans les années 1990, c’était là que les technologies les plus avancées étaient en gestation — non seulement l’IA, mais aussi le rendu graphique et les technologies matérielles. Les GPU que nous utilisons aujourd’hui ont été initialement conçus pour les moteurs graphiques, et moi-même, dès la fin des années 1990, j’utilisais déjà les premiers GPU disponibles. Tous les jeux que j’ai contribué à développer, que ce soit pour Bullfrog Productions ou pour ma propre société Elixir Studios, mettaient l’IA au cœur même de leur gameplay.
Mon œuvre la plus célèbre est sans doute Theme Park, un jeu de simulation de parc d’attractions que j’ai développé à l’âge de 17 ans. Des milliers de personnages virtuels y affluent, utilisent les attractions et décident quoi acheter dans les boutiques. Sous cette façade ludique fonctionne un modèle économique complet basé sur l’IA. À l’instar de SimCity, ce jeu fut un véritable précurseur dans son genre. Lorsque j’ai vu qu’il s’était vendu à plus de 10 millions d’exemplaires, et que j’ai observé combien les joueurs prenaient plaisir à interagir avec ces intelligences artificielles, ma détermination à consacrer toute ma vie à l’IA ne fit que se renforcer.
Par la suite, je me suis tourné vers les neurosciences afin de tirer inspiration du fonctionnement du cerveau et d’en déduire des approches algorithmiques originales. Quand le moment idéal pour fonder DeepMind est enfin arrivé, intégrer toutes ces expériences accumulées s’est imposé naturellement. Il était donc tout aussi naturel, par la suite, d’utiliser les jeux vidéo comme terrain d’essai précoce pour nos idées en IA.
L’expérience entrepreneuriale d’Elixir Studios
Animatrice : Aujourd’hui, la salle est remplie d’entrepreneurs, et vous devez certainement vous y reconnaître, puisque vous n’avez pas fondé une seule entreprise, mais deux. Revenons sur votre première aventure entrepreneuriale : Elixir Studios. Comment s’est-elle déroulée ? Bien qu’elle ne soit pas la plus connue de vos entreprises, elle vous a toutefois permis d’obtenir un succès remarquable. Comment avez-vous dirigé cette société ? Quelles leçons cette expérience vous a-t-elle enseignées sur la manière de construire une entreprise ?
Demis Hassabis : En effet, j’ai fondé Elixir Studios immédiatement après avoir obtenu mon diplôme universitaire. J’ai eu la chance de travailler auparavant chez Bullfrog Productions. Les amateurs de jeux connaissent bien ce studio légendaire des débuts de l’industrie, probablement le meilleur du Royaume-Uni, voire d’Europe, à cette époque.
Je souhaitais alors repousser les frontières de l’IA. En réalité, à cette époque, j’ai utilisé le développement de jeux vidéo comme un « détour stratégique » pour financer la recherche en IA, défier constamment les limites technologiques et associer celles-ci à une créativité extrême. Je crois que cette philosophie reste tout à fait pertinente aujourd’hui pour nos recherches fondamentales (« Blue-sky Research »).
La leçon la plus marquante que j’en ai tirée est sans doute celle-ci : il faut devancer son temps de cinq ans, pas de cinquante. Chez Elixir Studios, nous avions tenté de développer un jeu intitulé Republic, destiné à simuler un pays dans son intégralité. Le joueur pouvait y renverser le dictateur au pouvoir selon divers scénarios, tandis que nous simulions, de façon réaliste, des villes vivantes et respirantes.
Il faut garder à l’esprit que nous étions à la fin des années 1990, et que les ordinateurs personnels étaient équipés de processeurs Pentium. Nous devions faire tourner, sur ces machines domestiques, les calculs graphiques et logiques de l’IA pour un million de personnages. Une ambition bien trop grande — presque utopique — qui a engendré une série de difficultés.
J’ai retenu cette leçon à jamais : il faut devancer son temps, mais si l’on le devance de cinquante ans, on risque fort de subir un échec cuisant. Certes, lorsque l’idée devient évidente pour tous, il est déjà trop tard pour agir. La clé réside donc dans la recherche de ce point d’équilibre délicat.
La fondation de DeepMind en 2009
Animatrice : Très bien. Parlons justement de ne pas devancer excessivement son temps. Nous sommes désormais en 2009, et vous êtes convaincu que l’intelligence artificielle générale (AGI) deviendra inévitable. Cette fois, vous ne devancez peut-être « que » de dix ans votre époque — ce qui est déjà nettement mieux que de cinquante ans. Parlez-nous donc de 2009, devant cette assemblée d’entrepreneurs. Comment avez-vous réussi à convaincre les premiers talents exceptionnels de rejoindre votre équipe ? Car vous avez effectivement recruté des chercheurs de tout premier plan, ainsi que des membres fondateurs de très haut niveau. À l’époque, l’AGI relevait carrément de la science-fiction — comment les avez-vous persuadés ?
Demis Hassabis : À ce moment-là, nous avions perçu des indices prometteurs. Nous pensions ne devancer notre époque que de cinq ans, mais en réalité, ce fut plutôt de dix ans. L’apprentissage profond (deep learning) venait tout juste d’être inventé par Jeff Hinton et ses collègues universitaires, mais presque personne ne mesurait encore son potentiel réel. De notre côté, nous avions accumulé une expertise solide en apprentissage par renforcement (reinforcement learning), et nous pensions que la combinaison de ces deux approches produirait des résultats révolutionnaires. Jusqu’alors, elles avaient rarement été combinées — et quand c’était le cas, ce n’était que pour des « problèmes-jouets » (toy problems) académiques. Dans le domaine de l’IA, elles formaient deux îlots totalement isolés.
En outre, nous anticipions le formidable essor de la puissance de calcul (compute) : les GPU allaient jouer un rôle déterminant. Aujourd’hui, nous utilisons des TPU, mais à l’époque, l’accélération du calcul constituait un levier majeur. Enfin, à la fin de ma thèse et de mon postdoctorat, grâce à un réseau de collègues neuroscientifiques computationnels, nous avions extrait du fonctionnement cérébral suffisamment d’idées et de principes utiles, dont une conviction centrale : l’apprentissage par renforcement, à grande échelle (scale), pouvait conduire à l’AGI.
Nous avions donc réuni tous les éléments clés. Nous nous sentions presque comme les gardiens d’un secret extraordinaire, car ni le milieu académique ni le monde industriel ne croyaient alors à la moindre percée significative en IA. En fait, dès que nous annoncions vouloir nous consacrer à la recherche de l’AGI — ou, à l’époque, de l’« IA forte » (strong AI) — beaucoup de chercheurs universitaires nous regardaient avec scepticisme, voire ironie. Pour eux, c’était une impasse : les tentatives des années 1990 avaient déjà échoué lamentablement.
J’effectuais mon postdoctorat au MIT, bastion des systèmes experts (expert systems) et des systèmes basés sur la logique du premier ordre (first-order logic language systems). En y repensant aujourd’hui, cela semble incroyable, mais j’avais déjà trouvé ces méthodes rigides et obsolètes à l’époque. Or, aussi bien à Cambridge qu’au MIT — les grands centres traditionnels de la recherche en IA — on continuait d’appliquer ces anciennes approches. Cela ne faisait que renforcer ma conviction d’avoir choisi la bonne voie. Même si nous devions échouer, ce serait au moins d’une manière originale, et non en reproduisant l’échec des tentatives des années 1990. Cela valait donc largement la peine d’essayer — même si cette recherche demeurait incertaine, et même si elle échouait, ce serait un échec créatif et novateur.
La mission de DeepMind et le pari sur l’AGI
Animatrice : Vos convictions initiales ont-elles rencontré des résistances généralisées ? Pour attirer vos premiers collaborateurs, avez-vous dû prouver quelque chose — à vous-même ou à eux ?
Demis Hassabis : Quelle que soit l’évolution des choses, je consacrerais toute ma vie à l’intelligence artificielle. En réalité, son développement a largement dépassé nos prévisions les plus optimistes. Toutefois, cela reste bien dans la fourchette de nos attentes formulées dès 2010 — où nous estimions qu’il s’agirait d’un projet sur vingt ans.
Je pense que notre progression, en tant qu’acteurs de ce domaine, correspond exactement à ce que nous espérions, et que nous avons manifestement joué le rôle qui nous revenait.
Même si les choses n’avaient pas évolué ainsi, et si l’IA restait encore aujourd’hui une discipline marginale, j’y serais néanmoins resté fidèle, car c’est, à mes yeux, la technologie la plus importante de toute l’histoire. Mon objectif est clair : la déclaration de mission initiale de DeepMind était la suivante — première étape, percer le mystère de l’intelligence, c’est-à-dire construire une intelligence artificielle générale (AGI) ; deuxième étape, l’utiliser pour résoudre tous les autres problèmes. Je considère toujours que c’est la technologie la plus importante, et aussi la plus fascinante, que l’humanité puisse inventer.
Elle est à la fois un outil pour explorer la science, une création fascinante en soi, et l’un des meilleurs moyens de comprendre notre propre esprit — notamment la conscience, les rêves, ou la nature de la créativité. En tant que neuroscientifique, j’avais souvent l’impression, face à ces questions, de manquer d’un outil analytique tel que l’IA. Elle offre un cadre comparatif, permettant d’étudier et de comparer deux systèmes différents comme dans une expérience contrôlée.
La culture de « l’IA au service de la science »
Animatrice : Comparer des systèmes différents. Parlons maintenant de « l’IA au service de la science » (AI for Science). Vous y êtes impliqué depuis très longtemps, vous y croyez fermement, et vous en êtes un idéaliste pur et dur. C’est la mission fondamentale qui vous anime. Comment la structure et la culture que vous avez instaurées à la création de DeepMind lui ont-elles permis de rester constamment à la pointe de ce domaine ?
Demis Hassabis : C’est bel et bien notre objectif ultime. Pour moi personnellement, la motivation fondamentale est de construire une IA capable de faire progresser la science, la médecine et notre compréhension du monde. C’est ainsi que j’accomplis ma mission : par une méthode « méta », en créant d’abord l’outil ultime, puis en l’utilisant, une fois mature, pour accomplir des percées scientifiques. Nous avons déjà réalisé des exploits tels qu’AlphaFold, et je suis convaincu que d’autres suivront.
DeepMind a toujours placé cet objectif au cœur de ses priorités. En effet, nous disposons d’un département « IA au service de la science », dirigé par Pushmeet Kohli, qui existe depuis près de dix ans. Nous l’avons lancé pratiquement dès notre retour de Séoul, après la victoire d’AlphaGo, soit il y a exactement dix ans.
J’avais jusque-là attendu patiemment que les algorithmes deviennent suffisamment puissants et que les concepts deviennent suffisamment universels. Pour moi, la victoire contre le jeu de Go constituait un tournant historique : à ce moment précis, nous avons pris conscience que le moment était venu d’appliquer ces concepts à des problèmes réels et cruciaux, en commençant par les grands défis scientifiques.
Nous sommes profondément convaincus que c’est là la destination la plus bénéfique pour l’IA. Quoi de plus beau que de l’utiliser pour guérir des maladies, prolonger la santé humaine, ou soutenir la médecine ? Viennent ensuite des domaines clés tels que la science des matériaux, l’environnement et l’énergie. Je crois fermement que l’IA brillera dans ces domaines au cours des prochaines années.
Les percées en biologie et Isomorphic Labs
Animatrice : Comment l’IA a-t-elle accompli des percées en biologie ? Vous êtes fortement impliqué dans le travail d’Isomorphic Labs, un domaine qui vous passionne particulièrement. Dès le départ, vous avez cru fermement au potentiel de l’IA pour guérir les maladies. En biologie, quand verrons-nous un « moment phare » comparable à ceux intervenus dans les domaines du langage ou de la programmation ?
Demis Hassabis : Je pense qu’AlphaFold marque déjà ce « moment phare » en biologie. Le repliement des protéines et leur structure tridimensionnelle constituaient un problème scientifique ouvert depuis cinquante ans. Si l’on veut concevoir des médicaments ou percer les codes fondamentaux de la biologie, résoudre ce problème est essentiel. Bien sûr, ce n’est qu’une étape du processus de découverte de médicaments — certes cruciale, mais une étape parmi d’autres.
Notre dernière spin-off, Isomorphic Labs — dont je prends personnellement un grand plaisir à assumer la direction — se consacre à la construction de technologies fondamentales dans les domaines de la biochimie et de la chimie. Ces technologies permettent de concevoir automatiquement des composés capables de s’imbriquer parfaitement avec des parties spécifiques des protéines. Puisque nous connaissons désormais la forme des protéines et leur structure superficielle, nous avons identifié la cible. Il nous reste alors à fabriquer des composés capables de se lier fortement à cette cible, tout en évitant, autant que possible, toute réaction hors cible susceptible de provoquer des effets secondaires toxiques.
Notre rêve ultime est de transférer dans la simulation informatique (in silico) l’intégralité du processus exploratoire, qui représente actuellement 99 % du temps et des efforts consacrés à la recherche de médicaments, ne réservant les expériences réelles en laboratoire (wet lab) qu’à la phase finale de validation. Si nous y parvenons — et j’en suis convaincu qu’il sera possible de le faire dans les prochaines années — nous pourrons réduire le cycle moyen de découverte de médicaments, actuellement de dix ans, à quelques mois, voire quelques semaines, et à terme, à quelques jours.
Je crois que, une fois franchi ce seuil critique, la guérison de toutes les maladies deviendra accessible. Des concepts tels que la médecine personnalisée — par exemple, des variantes de médicaments adaptées à chaque patient — deviendront réalité. Je pense que la carte entière de la médecine et de la recherche pharmaceutique sera radicalement redessinée au cours des prochaines années.
De nouvelles sciences nées des simulateurs
Animatrice : Magnifique. Vous avez mentionné à plusieurs reprises « l’IA au service de la science ». Pensez-vous qu’à un moment donné, l’IA engendrera de nouvelles disciplines scientifiques, à l’instar de la thermodynamique née de la révolution industrielle ? Notre système éducatif intégrera-t-il des disciplines fondamentalement nouvelles ? Si oui, à quoi ressembleront-elles ?
Demis Hassabis : À ce sujet, je pense que plusieurs choses vont se produire.
Premièrement, la compréhension et l’analyse des systèmes IA eux-mêmes évolueront en une discipline complète — une science de l’ingénierie (engineering science). Ce que nous construisons est à la fois fascinant et extrêmement complexe. À terme, leur complexité atteindra celle de l’esprit et du cerveau humains. Nous devrons donc les étudier en profondeur afin de comprendre pleinement leur fonctionnement — une tâche bien au-delà de nos capacités cognitives actuelles. Je suis convaincu qu’un nouveau domaine émergera nécessairement ; la « mécanisme-interprétabilité » (mechanistic interpretability) n’en est que la partie émergée, et l’exploration de ces systèmes nous réserve encore de vastes territoires inconnus.
Deuxièmement, je crois également que l’IA elle-même ouvrira de nouvelles portes scientifiques. Ce qui me passionne le plus est « l’IA au service des simulations » (AI for Simulations). Je suis fasciné par la simulation ; tous les jeux que j’ai écrits contenaient non seulement de l’IA, mais étaient, par essence, des simulateurs. Je pense que les simulateurs constituent la voie ultime pour résoudre les énigmes des sciences sociales — comme l’économie — et d’autres disciplines humaines.
Ces disciplines posent un problème majeur : comme la biologie, elles relèvent de systèmes émergents (emergent systems), extrêmement difficiles à étudier via des expériences contrôlées reproductibles. Supposons que vous vouliez augmenter les taux d’intérêt de 0,5 % : vous ne pouvez que le faire dans le monde réel, puis observer les conséquences ; vous pouvez certes formuler des théories, mais vous ne pouvez pas répéter cette expérience des milliers de fois. Or, si nous pouvons simuler précisément ces systèmes complexes, alors des inférences rigoureuses basées sur des échantillonnages répétés à partir de simulateurs extrêmement précis pourraient fonder une nouvelle science. Je crois que cela nous dotera d’une capacité accrue à prendre de meilleures décisions dans des domaines actuellement marqués par une forte incertitude.
Animatrice : Pour réaliser ces simulations extrêmement précises, quelles conditions doivent être réunies ? Par exemple, quels progrès scientifiques et techniques — comme les « modèles du monde » (world models) — seront nécessaires pour y parvenir ?
Demis Hassabis : Je réfléchis profondément à cette question. Dans notre travail, nous utilisons massivement des « simulateurs apprenants » (learning simulators), appliqués à des domaines où soit nos connaissances mathématiques sont insuffisantes, soit les systèmes sont trop complexes. Nous ne pouvons pas simplement écrire un programme de simulation directe adapté à un cas spécifique, car cette approche manque de précision et ne couvre pas l’ensemble des variables.
Nous l’avons déjà mis en pratique pour la prévision météorologique. Nous possédons le simulateur météorologique le plus précis au monde, « WeatherNext », qui fonctionne bien plus rapidement que les outils actuellement utilisés par les météorologues. Je ne suis pas certain que nous puissions tout comprendre, ni que ce soit souhaitable, mais la première étape consiste à mieux comprendre ces systèmes complexes.
Même en biologie, nous étudions ce qu’on appelle la « cellule virtuelle » — un système émergent extrêmement dynamique. Tout comme les mathématiques constituent le langage parfait pour décrire la physique, l’apprentissage automatique deviendra le langage parfait pour décrire la biologie. En biologie et dans de nombreux systèmes naturels, abondent des signaux faibles, des corrélations subtiles et des volumes de données colossaux, dépassant largement les capacités d’analyse du cerveau humain. Pourtant, au sein de ces masses de données, existent bel et bien des liens internes, des corrélations et des relations causales profondes.
L’apprentissage automatique est l’outil parfait pour décrire de tels systèmes. Jusqu’à aujourd’hui, les mathématiques n’y sont pas parvenues — soit parce que les systèmes sont trop complexes, même pour les meilleurs mathématiciens, soit parce que leur expressivité est insuffisante pour appréhender ces systèmes dynamiques hautement émergents — en partie en raison de leur caractère désordonné et stochastique.
Finalement, une fois que nous maîtriserons ces simulateurs, il se pourrait qu’une nouvelle branche scientifique en émerge. Vous pourriez tenter d’extraire, à partir de ces simulateurs implicites ou intuitifs, des équations explicites. Puisque vous pouvez échantillonner librement et indéfiniment ces simulateurs, vous pourriez un jour découvrir des lois scientifiques fondamentales, à l’image des équations de Maxwell.
Peut-être. Je ne sais pas s’il existe de telles lois pour les systèmes émergents, mais si elles existent, je ne vois aucune raison pour que nous ne puissions pas les découvrir par cette méthode.
Animatrice : Ce serait remarquable. Vous avez évoqué une théorie selon laquelle l’unité fondamentale constitutive de l’univers (building block) pourrait être l’information, une réflexion plus théorique. Que pensez-vous de cela ? Et qu’est-ce que cela implique pour les ordinateurs classiques de Turing ?
Demis Hassabis : Bien sûr, vous pouvez invoquer la célèbre équation E=mc² et l’ensemble des travaux d’Einstein, qui montrent que l’énergie et la matière sont fondamentalement équivalentes. Mais je pense en réalité que l’information possède aussi une forme d’équivalence. Vous pouvez considérer l’organisation de la matière et des structures — notamment dans des systèmes capables de résister à l’entropie, comme les êtres vivants — comme un système de traitement de l’information. Ainsi, je considère que ces trois entités sont mutuellement convertibles.
Néanmoins, j’ai le sentiment que l’information est la plus fondamentale. Cela va à l’encontre de la vision des physiciens classiques des années 1920, pour qui l’énergie et la matière étaient primordiales. Je pense, quant à moi, que considérer l’univers comme constitué d’abord et avant tout d’information est une meilleure manière de comprendre le monde.
Si cela est vrai — et je crois qu’il existe aujourd’hui de nombreuses preuves à l’appui — alors la portée de l’intelligence artificielle est encore plus profonde que ce que nous imaginons. Elle est déjà d’une importance capitale, car son cœur même est l’organisation de l’information, sa compréhension, et la construction d’objets informationnels.
À mes yeux, le cœur de l’intelligence artificielle est le traitement de l’information. Si vous adoptez le traitement de l’information comme mode premier de compréhension du monde, vous découvrirez des liens profonds entre des domaines apparemment très différents.
Animatrice : Pensez-vous donc que la machine de Turing classique peut tout calculer ?
Demis Hassabis : Parfois, je me considère moi-même comme un « défenseur de Turing », car Alan Turing est l’un de mes héros scientifiques les plus admirés. Je crois que son travail a non seulement jeté les bases de l’informatique et de la science informatique, mais aussi celles de l’intelligence artificielle. La théorie de la machine de Turing est l’un des résultats les plus profonds de l’histoire : tout ce qui est calculable peut l’être par une machine relativement simple à décrire. Je pense donc que notre cerveau est très probablement une machine de Turing approximative.
Il est fascinant de réfléchir aux liens entre la machine de Turing et les systèmes quantiques. Or, grâce à AlphaGo, et surtout à AlphaFold, nous avons démontré que la machine de Turing classique, revêtue de la forme moderne des réseaux de neurones, peut modéliser des problèmes que l’on pensait auparavant réservés à la mécanique quantique. Par exemple, le repliement des protéines est, d’un certain point de vue, un système quantique impliquant des particules extrêmement petites ; on aurait pu penser qu’il fallait tenir compte de tous les effets quantiques des liaisons hydrogène et d’autres interactions complexes.
Or, il s’est avéré qu’un système classique permet d’obtenir une solution approximativement optimale. Nous pourrions donc découvrir que de nombreux phénomènes que nous pensions devoir simuler ou exécuter uniquement sur des systèmes quantiques peuvent, en réalité, être modélisés sur des systèmes classiques, à condition d’adopter la bonne méthode.
Philosophie de la conscience
Animatrice : Vous avez toujours considéré l’intelligence artificielle comme un outil, à l’instar des télescopes, des microscopes ou des astrolabes des siècles passés. Mais lorsqu’on se trouve face à une machine capable de simuler presque tout — comme vous l’avez dit, elle peut même simuler des systèmes quantiques — à quel moment dépasse-t-elle le statut d’outil ? Ce jour viendra-t-il vraiment ?
Demis Hassabis : J’ai une conviction très forte : dans la quête de l’intelligence artificielle générale (AGI), nous, ses concepteurs — dont beaucoup d’entre vous ici présents — pensons que la meilleure approche consiste d’abord à construire un outil : un outil extrêmement intelligent, utile et précis, avant de franchir la prochaine étape. Cette étape en soi est déjà d’une importance profonde. Certes, cet outil pourrait devenir de plus en plus autonome, de plus en plus « agent », ce que nous observons précisément aujourd’hui. Nous sommes en plein dans la vague de l’« ère des agents » (Agent Era).
Pourtant, une interrogation plus profonde subsiste : cet outil possède-t-il une « agence » (agency) ? Est-il conscient ? Ce sont des questions auxquelles nous devrons inévitablement faire face. Mais je propose de les traiter en deuxième lieu, en utilisant éventuellement l’outil construit en première étape pour nous aider à explorer ces questions profondes.
Idéalement, ce processus nous permettra aussi de mieux comprendre notre propre cerveau et notre esprit, et de définir des concepts tels que la « conscience » avec une précision supérieure à celle dont nous disposons aujourd’hui.
Animatrice : Quelle est votre anticipation globale quant à la future définition de la conscience ?
Demis Hassabis : Je n’ai pas de réponse particulière, hormis ce que la philosophie a déjà exploré pendant des millénaires. Mais pour moi, certains composants sont clairement indispensables — ils sont nécessaires, mais pas forcément suffisants. Des notions telles que l’autoreprésentation, la distinction entre soi et autrui, ou encore une certaine continuité temporelle, semblent manifestement requises pour tout système qui apparaît conscient.
Toutefois, la définition complète demeure une question ouverte (open question). J’en ai discuté avec de nombreux grands philosophes. Il y a quelques années, j’ai eu une conversation approfondie sur ce sujet avec Daniel Dennett, décédé récemment. L’une des questions centrales porte sur le comportement du système : se comporte-t-il comme un système conscient ? On peut penser que, à mesure que certains systèmes d’IA se rapprocheront de l’AGI, ils finiront par y parvenir.
Mais cela soulève aussitôt une autre question : pourquoi considérons-nous les uns les autres comme conscients ? L’une des raisons est notre comportement — nous agissons comme des êtres conscients. Mais un autre facteur est que nous fonctionnons tous sur le même substrat fondamental (substrate).
Ainsi, je pense que, si ces deux conditions sont réunies, supposer que votre expérience et la mienne sont identiques est, du point de vue logique, la solution la plus parcimonieuse (parsimonious), ce qui explique pourquoi nous ne discutons habituellement pas de la conscience de l’autre. Or, il est évident que nous ne pourrons jamais réaliser une équivalence de substrat (substrate equivalence) avec un système artificiel. Je pense donc qu’il sera extrêmement difficile de combler complètement ce fossé. Vous pouvez l’aborder sur le plan comportemental (behaviorally), mais qu’en est-il du plan expérientiel (experientially) ? Après la réalisation de l’AGI, des méthodes pourraient émerger afin de traiter cette question, mais cela dépasse probablement le cadre de notre discussion actuelle, même dans le cadre de « l’IA au service de la science ».
Animatrice : Magnifique. Nous allons bientôt ouvrir la séance de questions du public, veuillez préparer vos interrogations. Vous avez mentionné des philosophes, notamment Kant et Spinoza, en disant qu’ils étaient vos deux philosophes préférés. Kant est un philosophe déontologique typique, qui insiste fortement sur la notion de devoir ; Spinoza, quant à lui, défend une vision quasi déterministe de l’univers. Comment reliez-vous ces deux visions radicalement différentes ? Et quelle est votre conception fondamentale du fonctionnement du monde ?
Demis Hassabis : J’apprécie profondément ces deux philosophes, et ce qu’ils m’ont inspiré, car Kant a formulé une idée — que j’ai particulièrement ressentie lors de mon doctorat en neurosciences — selon laquelle « l’esprit crée la réalité » (the mind creates reality), une affirmation que je considère fondamentalement juste. Cela fournit une raison supplémentaire excellente d’étudier le fonctionnement de l’esprit et du cerveau. Puisque ce que je cherche, au final, est la nature de la réalité, je dois d’abord comprendre comment l’esprit interprète cette réalité. C’est là la leçon que j’ai tirée de Kant.
Quant à Spinoza, cela touche davantage à la dimension spirituelle. Si vous essayez d’utiliser la science comme un outil pour comprendre l’univers, vous commencez déjà à toucher aux mystères profonds régissant son fonctionnement.
C’est précisément ce que je ressens face à notre entreprise actuelle. Lorsque je me consacre à la recherche scientifique, à l’IA, et à la construction de ces outils, j’ai l’impression que nous lisons, d’une certaine manière, le langage de l’univers.
Animatrice : C’est magnifique. Voilà la plus belle interprétation possible de votre travail quotidien : Demis, vous incarnez à la fois le scientifique, l’orateur et le philosophe. Avant de conclure, passons à quelques questions-réponses rapides. Il n’a jamais vu ces questions auparavant. Pouvez-vous prédire l’année de réalisation de l’intelligence artificielle générale (AGI) : sera-t-elle antérieure ou postérieure à vos attentes ? Ou pouvez-vous refuser de répondre.
Demis Hassabis : Je choisis 2030. Je suis resté constamment ferme sur cette prédiction.
Animatrice : Très bien, 2030. Alors, lorsque l’intelligence artificielle générale (AGI) sera réalisée, quel livre, poème ou article recommanderiez-vous comme lecture indispensable ?
Demis Hassabis : Pour le monde post-AGI, mon livre préféré est The Fabric of Reality (« La trame de la réalité ») de David Deutsch. Je pense que ses idées restent pleinement pertinentes. J’espère pouvoir utiliser l’AGI pour répondre aux questions profondes soulevées dans ce livre, ce qui constituera l’un de mes axes de travail prioritaires dans l’ère de l’AGI.
Animatrice : Magnifique. Quel est, jusqu’à présent, le moment dont vous êtes le plus fier chez DeepMind ?
Demis Hassabis : Nous avons eu la chance de vivre de nombreux moments exceptionnels. Je pense que celui dont je suis le plus fier est la naissance d’AlphaFold.
Animatrice : Très bien. Pour terminer, quelques questions sur les jeux vidéo. Si vous participiez à un jeu stratégique à tour par tour à haut risque, comme Civilization (Civ) ou Polytopia, et que vous pouviez choisir un scientifique historique comme coéquipier — par exemple Einstein, Turing ou Newton — qui choisiriez-vous pour rejoindre votre équipe ?
Demis Hassabis : Je choisirais von Neumann. Dans une telle situation, on a besoin d’un expert en théorie des jeux (game theory), et je le considère comme le meilleur.
Animatrice : Ce serait effectivement un coéquipier hors pair. Demis, vous êtes véritablement un homme aux multiples talents. Merci infiniment d’avoir accepté de venir aujourd’hui dans notre émission. Je vous invite tous à applaudir chaleureusement Demis pour ce partage exceptionnel. Merci infiniment.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
