Yann LeCun prévoit une nouvelle révolution de l’IA en trois à cinq ans

Les assistants conversationnels ont fait entrer l’intelligence artificielle dans le quotidien de millions de personnes. Ils écrivent, résument, traduisent et répondent à des questions avec une aisance parfois déroutante. Mais pour Yann LeCun, l’une des figures historiques du domaine et scientifique chez Meta, ces prouesses linguistiques ne doivent pas masquer une limite centrale : les systèmes actuels ne savent pas encore réellement comprendre et maîtriser le monde physique.

Cette limite est décisive. Une IA capable de produire un texte convaincant n’est pas, pour autant, capable de débarrasser une table sans casser un verre, de circuler dans une rue encombrée ou d’anticiper le comportement imprévisible d’un enfant, d’un animal ou d’un autre véhicule. À l’occasion d’une récompense consacrée aux avancées du machine learning, Yann LeCun a donc annoncé s’attendre à une nouvelle révolution de l’IA dans les trois à cinq prochaines années. Depuis février 2025, cet horizon correspondrait à une période allant approximativement de 2028 à 2030.

Pourquoi les IA actuelles restent limitées face au monde réel

Les grands modèles d’IA ont gagné en visibilité avec des outils comme ChatGPT, développé par OpenAI. Leur force principale réside dans le traitement de très grandes quantités de textes et, selon les systèmes, d’images, de sons ou de code. Ils identifient des régularités dans ces données puis génèrent la suite la plus pertinente ou la plus probable au regard de leur entraînement.

Cette capacité est très utile, mais elle ne suffit pas à faire d’une machine un acteur autonome dans un environnement concret. Le monde physique impose des contraintes que le langage seul ne résout pas : les objets ont un poids, les surfaces peuvent glisser, les personnes changent soudainement de trajectoire et une même action peut avoir des effets très différents selon le contexte.

Pour un robot domestique, il ne s’agit pas seulement de reconnaître une tasse sur une image. Il faut repérer où elle se trouve, estimer si elle est fragile, calculer comment la saisir, éviter les obstacles et corriger son geste en temps réel. Pour un véhicule autonome, la difficulté comprend aussi l’interprétation de situations rares ou ambiguës, qui ne peuvent pas toutes être prévues à l’avance.

L’enjeu scientifique pointé par Yann LeCun est donc moins d’obtenir des réponses toujours plus fluides que de donner aux machines une capacité plus robuste à comprendre les situations. Dans la recherche, cela renvoie notamment à l’idée d’un modèle interne du monde : un système qui ne se contente pas d’associer des mots ou des images, mais qui peut anticiper les conséquences possibles d’une action.

Une intelligence comparable à celle d’un animal de compagnie

La perspective avancée par Yann LeCun peut sembler moins spectaculaire que les récits d’une IA dépassant rapidement l’intelligence humaine. Elle est pourtant très ambitieuse sur le plan technologique. Le scientifique évoque l’objectif d’atteindre une intelligence comparable à celle d’un animal de compagnie.

Cette comparaison ne signifie pas qu’un logiciel devrait imiter exactement un chat ou un chien. Elle permet plutôt de souligner l’écart qui sépare encore les machines des capacités ordinaires du vivant. Un animal de compagnie apprend de son environnement, garde une forme de mémoire des lieux et des habitudes, se déplace, évite des dangers, poursuit un objectif et s’adapte à des circonstances nouvelles. Ces aptitudes paraissent élémentaires, mais elles restent difficiles à réunir dans un système artificiel fiable.

Un robot chargé de tâches simples à la maison devrait précisément disposer d’une partie de ces facultés. Il lui faudrait apprendre la disposition d’un logement, reconnaître qu’une porte est ouverte ou fermée, distinguer une situation normale d’un incident et agir avec prudence en présence de personnes. De même, la promesse d’un véhicule totalement autonome dépend d’une compréhension suffisamment solide de son environnement, et non de la seule reconnaissance d’images de routes.

La prévision de Yann LeCun ne constitue donc pas l’annonce d’un produit précis, ni la garantie que ces applications seront disponibles partout à cette échéance. Elle désigne une orientation de recherche : franchir le cap entre des IA très performantes dans l’univers numérique et des systèmes capables de fonctionner dans le monde réel.

Un prix de 500 000 £ pour les pionniers du machine learning

Cette prise de parole intervient dans le contexte d’une distinction attribuée à Yann LeCun et à d’autres ingénieurs et chercheurs du secteur. Le prix, doté de 500 000 £, récompense leurs contributions au machine learning, l’apprentissage automatique qui constitue l’un des fondements de l’IA moderne.

Le machine learning repose sur un principe simple à énoncer, mais exigeant à mettre en œuvre : plutôt que de programmer une règle différente pour chaque situation, on entraîne un système à détecter des régularités à partir de données. Cette approche a permis des avancées majeures dans la reconnaissance d’images, la traduction, la parole, la recommandation de contenus et, plus récemment, les agents conversationnels.

Les travaux salués couvrent des briques essentielles de cette évolution. Fei-Fei Li, créatrice d’ImageNet, a contribué à rendre possible l’entraînement et l’évaluation de systèmes de vision par ordinateur à grande échelle. ImageNet a offert un point de repère commun aux chercheurs pour mesurer les progrès réalisés dans la reconnaissance d’objets sur des images.

Les avancées dans les semi-conducteurs sont tout aussi déterminantes. L’entraînement des modèles modernes demande une puissance de calcul considérable. Sans matériel adapté, les idées issues des laboratoires resteraient bien plus difficiles à transformer en outils utilisés à grande échelle. C’est la combinaison des données, des algorithmes et des capacités de calcul qui a accéléré le développement de l’IA.

Geoffrey Hinton, autre pionnier cité parmi les figures marquantes de ce mouvement, illustre cette histoire collective. Les percées actuelles ne résultent pas d’une invention isolée : elles s’appuient sur des décennies de recherche fondamentale, d’expérimentation, de jeux de données et de progrès matériels.

L’enthousiasme autour de ChatGPT ne fait pas disparaître les obstacles

Le succès de ChatGPT a considérablement relevé les attentes envers l’intelligence artificielle. Pour le grand public comme pour les entreprises, il a rendu visible ce que des modèles de langage pouvaient accomplir : dialoguer, reformuler, produire du code ou accompagner certaines tâches intellectuelles. Cette popularité a également nourri l’idée que l’IA pourrait bientôt égaler, voire dépasser, l’intelligence humaine.

Yann LeCun rappelle toutefois qu’il reste de nombreux défis scientifiques et techniques. Une réponse formulée avec assurance peut être erronée. Un modèle peut aussi rencontrer des difficultés face à un contexte inédit, une information incomplète ou une tâche nécessitant plusieurs étapes concrètes. Ces faiblesses deviennent particulièrement importantes dès lors que l’IA doit prendre part à des décisions ou à des actions ayant des conséquences matérielles.

La distinction entre démonstration impressionnante et système robuste est essentielle. Dans une application de rédaction, une erreur peut souvent être repérée puis corrigée. Dans la conduite ou la robotique domestique, une mauvaise appréciation peut causer un dommage. Le niveau de fiabilité demandé n’est pas le même.

La sécurité de l’IA au centre des préoccupations de Yoshua Bengio

La course aux capacités ne résume pas le débat. Yoshua Bengio, lui aussi associé de longue date à Yann LeCun et lauréat du prix, a insisté sur les enjeux de sécurité. Il appelle les dirigeants mondiaux à mieux comprendre la puissance créée par ces technologies, sa concentration potentielle et les risques liés à son utilisation.

Cette prudence concerne plusieurs niveaux. Il y a d’abord la sécurité technique : comment éviter qu’un système se comporte de manière inattendue, ou qu’il soit utilisé à des fins dangereuses ? Il y a aussi la question de la responsabilité : qui répond d’une erreur lorsqu’une IA intervient dans un processus important ? Enfin, l’accès aux ressources nécessaires pour concevoir les modèles les plus puissants, notamment les données et les capacités de calcul, pose la question de la concentration du pouvoir technologique.

Ces interrogations ne s’opposent pas mécaniquement à l’innovation. Elles conditionnent, au contraire, l’acceptation de l’IA dans les domaines sensibles. Un outil médical, éducatif ou destiné aux transports ne peut être évalué seulement sur ses performances moyennes. Sa fiabilité, la protection des données et les recours disponibles en cas de problème comptent tout autant.

Des effets attendus dans la santé, l’éducation et les transports

Le machine learning transforme déjà de nombreux secteurs. Dans la santé, il peut aider à analyser des données et à soutenir certaines tâches de recherche ou d’aide à la décision. Dans l’éducation, les outils conversationnels ouvrent des possibilités d’accompagnement personnalisé, tout en soulevant des questions sur l’évaluation et la fiabilité des contenus. Dans les entreprises, l’automatisation de tâches administratives, la communication et la gestion de l’information sont parmi les usages les plus visibles.

Les transports et la robotique incarnent une étape supplémentaire : celle où l’IA ne se limite plus à produire ou analyser de l’information, mais agit directement sur son environnement. C’est pourquoi les véhicules autonomes et les robots domestiques occupent une place centrale dans le diagnostic de Yann LeCun. Ils concentrent à la fois les promesses d’utilité et les difficultés techniques les plus profondes.

Les investissements croissants dans le secteur, y compris chez des acteurs comme OpenAI et DeepSeek, témoignent de la rapidité de la compétition. Mais la disponibilité de financements ne résout pas automatiquement les problèmes scientifiques encore ouverts. Les entreprises qui souhaitent intégrer l’IA doivent donc distinguer les outils immédiatement exploitables des promesses à plus long terme.

Ce qu’il faut surveiller d’ici 2030

La prédiction de Yann LeCun invite à observer moins les seules performances conversationnelles que les progrès vers une IA capable de percevoir, de mémoriser, de raisonner sur une situation et d’agir de manière sûre. Les avancées les plus importantes pourraient venir de systèmes associant plusieurs types de données et capables d’apprendre au contact d’environnements plus proches du réel.

Il faudra également suivre les méthodes d’évaluation. Pour juger un système destiné à la robotique ou à la conduite, il ne suffit pas de mesurer sa capacité à répondre correctement à des questions. Il faut éprouver son comportement dans des scénarios complexes, rares et changeants, puis définir les conditions dans lesquelles il peut être déployé.

Enfin, la compétition mondiale place l’Europe devant un double défi. Face à la domination technologique des États-Unis et de la Chine, elle doit renforcer ses capacités de recherche et industrielles tout en organisant un cadre de confiance. La coordination entre pouvoirs publics, laboratoires et entreprises sera déterminante pour participer à cette évolution sans laisser la sécurité, l’éthique et l’intérêt général au second plan.

La prochaine révolution annoncée ne se mesurera donc pas seulement à la sophistication des conversations avec une machine. Elle se jouera dans la capacité à faire sortir l’IA de l’écran, sans perdre le contrôle de ses usages ni sous-estimer les exigences du monde réel.