La singularité n’est pas simplement « une IA plus intelligente que nous »

Le mot est souvent utilisé comme synonyme d’intelligence artificielle générale ou de superintelligence. Pourtant, les notions sont différentes.

Une IA pourrait dépasser les humains dans de nombreux domaines sans provoquer de singularité. La Stanford Encyclopedia of Philosophy décrit plutôt celle-ci comme un basculement où des systèmes ayant atteint ou dépassé le niveau humain deviennent capables de concevoir des systèmes encore plus performants, provoquant une accélération difficile à prévoir.

La singularité désigne donc moins un niveau d’intelligence qu’une dynamique : l’amélioration de l’IA commence à accélérer l’amélioration de l’IA elle-même.

À ce jour, rien ne permet d’affirmer que ce seuil a été franchi. L’International AI Safety Report 2026 constate des progrès rapides en mathématiques, programmation et autonomie, mais souligne aussi que les performances restent irrégulières et que les systèmes actuels conservent des limites importantes.

Premier indice : l’IA devient un acteur central de sa propre amélioration

Le signal le plus important serait probablement l’automatisation de la recherche en intelligence artificielle.

Aujourd’hui déjà, les modèles peuvent écrire du code, analyser des résultats expérimentaux ou proposer des corrections. Mais les humains définissent encore largement les objectifs, organisent les expériences, choisissent les architectures et mobilisent les ressources informatiques.

Le basculement commencerait si cette boucle pouvait fonctionner presque seule : une IA conçoit une amélioration de son propre système ; la nouvelle version devient plus performante ; elle trouve alors une amélioration encore meilleure, et ainsi de suite.

C’est ce que l’on appelle l’amélioration récursive.

Une revue de recherche prépubliée sur arXiv en juillet 2026 distingue justement les techniques actuelles d’auto-amélioration, déjà utilisées mais limitées, d’une amélioration récursive réellement ouverte et autonome. Les auteurs estiment que cette dernière reste aujourd’hui contrainte par la qualité des évaluations, le calcul disponible et la nécessité d’un cadrage humain.

Le véritable changement serait donc visible lorsque l’intervention humaine cesserait d’être le principal facteur limitant.

Deuxième indice : le progrès change brutalement de vitesse

La singularité est souvent imaginée comme un événement. Elle pourrait davantage ressembler à une accélération.

Si une génération de modèles nécessite aujourd’hui des mois de recherche, d’entraînement et de tests, une boucle d’amélioration automatisée pourrait théoriquement réduire progressivement ce délai.

Le signal ne serait donc pas qu’un modèle bat un humain sur un benchmark. Il serait qu’entre deux générations, le temps nécessaire pour réaliser une avancée majeure diminue continuellement parce que les modèles participent eux-mêmes à la découverte suivante.

Les travaux de METR permettent déjà de suivre une partie de cette évolution à travers la durée des tâches que des agents peuvent accomplir de façon autonome. L’organisation observe une progression rapide sur des tâches surtout liées au logiciel, à l’apprentissage automatique et à la cybersécurité, tout en rappelant que cela ne signifie pas qu’une IA puisse automatiser n’importe quel emploi.

Si ces horizons passaient de quelques heures ou jours à plusieurs mois de travail humain complexe, dans de nombreux domaines, le changement serait beaucoup plus significatif. Mais il faudrait encore démontrer que cette autonomie accélère directement la conception des systèmes suivants.

Troisième indice : les humains ne parviennent plus à suivre

Un autre seuil pourrait être moins spectaculaire : celui où les chercheurs restent officiellement aux commandes, tout en ne comprenant plus réellement le rythme des innovations produites.

Imaginons des systèmes capables de générer chaque jour des milliers d’expériences, d’identifier les plus prometteuses, de modifier des architectures et d’entraîner de nouvelles versions. Des humains pourraient toujours autoriser leur déploiement. Mais pourraient-ils encore vérifier sérieusement les milliers d’étapes ayant conduit au résultat ?

La question du contrôle ne serait alors plus seulement de savoir qui appuie sur le bouton. Elle serait de savoir qui comprend suffisamment le processus pour prendre une décision éclairée.

L’International AI Safety Report souligne déjà l’existence d’un « evaluation gap » : les tests réalisés avant le déploiement ne prédisent pas toujours précisément les capacités ou les risques observés ensuite. Ce problème deviendrait beaucoup plus critique si le cycle d’amélioration des modèles devenait plus rapide que notre capacité à les évaluer.

Et si nous ne pouvions la reconnaître qu’après coup ?

C’est probablement la principale difficulté.

Il n’existe pas de compteur universel de « niveau d’intelligence ». Les capacités d’une IA sont irrégulières : un système peut réussir un problème extrêmement difficile et échouer sur une tâche apparemment simple.

La singularité ajoute une autre difficulté : pour savoir qu’une accélération est réellement auto-entretenue, il faut observer plusieurs cycles.

Une première amélioration réalisée par une IA ne prouve rien. Plusieurs générations successives, chacune conçue plus rapidement grâce à la précédente, constitueraient un signal beaucoup plus fort.

Nous pourrions donc déterminer rétrospectivement qu’un seuil avait été franchi au moment où l’IA est devenue le principal moteur du progrès de l’IA.

C’est ce qui rend la notion particulièrement difficile à mesurer. La singularité pourrait ne pas avoir de « jour J » identifiable en temps réel. Comme certaines ruptures économiques ou industrielles, son point de départ pourrait apparaître clairement seulement après plusieurs mois ou années d’observation.

Le test décisif : pouvons-nous encore ralentir la boucle ?

Au fond, la singularité ne se mesure peut-être pas uniquement par les performances.

Un critère plus concret serait de demander si les humains conservent la possibilité de ralentir le processus.

Si les chercheurs peuvent suspendre l’entraînement, limiter le calcul, interrompre les agents et revenir à une supervision humaine, alors l’accélération reste contrôlable, même si les systèmes sont extrêmement performants.

Si, à l’inverse, la recherche et l’économie deviennent si dépendantes de systèmes s’améliorant entre eux que ralentir leur progression devient techniquement, économiquement ou politiquement irréaliste, une autre forme de basculement pourrait être en cours.

Cela ne signifierait pas nécessairement qu’une machine aurait décidé de « prendre le pouvoir ». La singularité pourrait aussi prendre la forme beaucoup moins spectaculaire d’un système technologique qui évolue simplement plus vite que les institutions, les scientifiques et les gouvernements capables de l’encadrer.

La frontière entre progrès extrêmement rapide et véritable singularité resterait alors difficile à établir.

Trois signaux plutôt qu’une date précise

La singularité ne sera donc probablement pas identifiable grâce à un seul test.

Nous commencerions à soupçonner son franchissement lorsque trois phénomènes convergeraient : des IA capables de mener presque seules la recherche en IA, une accélération mesurable de leurs propres progrès et une difficulté croissante des humains à comprendre, superviser ou interrompre cette boucle.

Nous n’en sommes pas là aujourd’hui.

Les systèmes progressent rapidement et leur autonomie augmente, mais les données disponibles ne montrent pas encore une boucle autonome et durable d’amélioration récursive capable de s’emballer sans intervention humaine.

Si ce moment arrive un jour, la question la plus difficile ne sera peut-être pas de savoir exactement quand la singularité a commencé.

Elle sera de savoir si, au moment où nous en aurons la certitude, nous disposerons encore du temps nécessaire pour décider de la suite.