Les limites de l'auto-amélivement récursif de l'IA mises en lumière

Une étude récente suggère que l’auto-amélioration récursive des modèles d’intelligence artificielle pourrait être moins rapide que prévu par l’industrie. Selon MIT Technology Review AI, les capacités actuelles des grands modèles de langage (LLM) à générer du code, créer des données synthétiques ou optimiser des puces informatiques ne suffisent pas à garantir une progression exponentielle autonome.

Les prédictions d’une amélioration rapide et quasi autonome reposent sur l’hypothèse que les modèles pourront itérer sur leurs propres améliorations sans intervention humaine significative. Cependant, les chercheurs soulignent que ces processus restent confrontés à des défis techniques majeurs, notamment en matière de stabilité et de contrôle des sorties générées. Les erreurs cumulatives lors des itérations pourraient limiter l’efficacité de ces mécanismes.

Les travaux en cours visent à mieux comprendre les conditions nécessaires pour que l’auto-amélioration récursive devienne viable. Pour l’instant, les résultats concrets restent limités, et les experts appellent à une évaluation plus rigoureuse des promesses avancées par certains acteurs du secteur.