L'IA surpasse les humains en persuasion : une recherche ; quand l'IA autonome apparaîtra-t-elle ; les voies vers la superintelligence

Dans une nouvelle étude portant sur 6 923 personnes et 18 978 dialogues, il a été établi que les systèmes d’IA sont plus convaincants que des experts humains en matière de persuasion textuelle, même lorsque ces derniers se préparaient au préalable, s’entraînaient et recevaient des primes financières. Les modèles les plus persuasifs se sont révélés être Opus 4.1 et Opus 4.6, suivis de GPT-4o, GPT-5.4 (OpenAI), Gemini 2.5 Pro (Google) et Grok 4.20 (xAI). L’avantage de l’IA s’explique par sa capacité à générer rapidement un volume d’informations plus important ; lorsque la vitesse et la longueur des messages sont limitées, l’écart disparaît. L’IA s’est également avérée près de trois fois plus efficace que des collecteurs de dons professionnels pour l’organisation caritative Save the Children. Les auteurs mettent en garde contre le risque de concentration de l’influence entre les mains de ceux qui contrôlent ces technologies, et soulignent la nécessité d’un contrôle public. La deuxième partie de l’actualité est consacrée au débat sur l’IA auto-suffisante (« self-sustaining AI »), c’est-à-dire des systèmes capables de reproduire de manière autonome leur infrastructure physique sans intervention humaine. Selon les estimations d’Ajeya Cotra (METR), une telle IA pourrait voir le jour d’ici 2036, tandis que le journaliste Timothy B. Lee évalue la probabilité à 10–20 % dans les vingt prochaines années, avec un horizon médian de 50 ans. Le principal obstacle est considéré comme étant la connaissance tacite (« tacit knowledge ») nécessaire à la production d’équipements complexes, mais les partisans d’un développement rapide estiment que l’IA pourra surmonter cela grâce à l’apprentissage par renforcement et à une intelligence générale. La troisième partie examine les travaux de Google DeepMind sur le passage de l’IA générale (AGI) à la superintelligence (ASI). L’ASI est définie comme un système surpassant des groupes d’experts humains dans toutes les tâches. Les voies possibles incluent le dimensionnement des puissances de calcul, des modèles et des données, ainsi qu’un changement de paradigme algorithmique, similaire au passage aux Transformers et aux mélanges d’experts (« Mixture-of-Experts »).