Publié le 26 octobre 2025 à 10:45:00. Une nouvelle avancée de Google DeepMind place l’intelligence artificielle à un niveau inédit : non plus seulement trouver des solutions, mais concevoir activement les processus optimaux pour y parvenir, y compris dans des domaines créatifs comme la mathématique abstraite.
- Une IA a redécouvert des principes mathématiques fondamentaux, comme la multiplication rapide de grands nombres, sans aucune instruction préalable.
- Cette capacité à innover et à créer de nouvelles méthodes algorithmiques dépasse désormais les performances humaines dans certains domaines.
- La programmation traditionnelle pourrait évoluer vers un rôle d’architecte et de superviseur, plutôt que de simple rédacteur de code.
Jusqu’à présent, les intelligences artificielles excellaient dans la résolution de problèmes existants, répondant à la question du « quoi ». La révolution introduite par cette nouvelle génération d’IA, issue des travaux de Google DeepMind et détaillée dans une publication de la revue Nature, réside dans leur capacité à déterminer le « comment », c’est-à-dire à concevoir le chemin le plus efficace pour atteindre une cible. Il ne s’agit plus d’optimisation basique, mais d’une véritable création de connaissances abstraites et performantes, un territoire jusqu’alors exclusivement humain.
La redécouverte par cette IA des principes de multiplication rapide des grands nombres, connus sous le nom de multiplicateur de Karatsuba, est un fait monumental. Ce principe avait été découvert par des scientifiques soviétiques en 1960 après des années de recherche. L’IA l’a retrouvé de manière autonome, démontrant une capacité d’invention qui dépasse le simple recyclage d’informations existantes. Contrairement aux algorithmes humains, souvent façonnés par des décennies d’intuitions et de modèles établis, l’IA, libérée de ces biais, a exploré l’espace des possibles de manière exhaustive. Elle a ainsi mis au jour des méthodes que les humains avaient négligées, suggérant que nos connaissances algorithmiques actuelles ne seraient peut-être que la partie émergée de l’iceberg.
Cette avancée permet d’imaginer des scénarios jusqu’alors réservés à la science-fiction : un moteur de voiture réinventant ses propres composants pour gagner en efficacité, ou une caméra optimisant la manière dont la lumière atteint son capteur pour améliorer la qualité des images. Ces exemples illustrent le saut qualitatif opéré par l’IA : la capacité à développer de nouveaux algorithmes plus performants que les meilleurs créés par l’esprit humain. C’est une véritable réécriture des règles fondamentales du fonctionnement des machines, par elles-mêmes.
Si les IA étaient jusqu’ici d’excellents outils d’optimisation, capables par exemple de trouver le trajet le plus court ou de suggérer une chanson, le nouveau système s’appuie sur l’apprentissage par renforcement, la même technique qui avait permis à AlphaGo de triompher au jeu de go. Cette approche a permis de franchir une étape qualitative bien plus significative. L’IA a non seulement maîtrisé des opérations informatiques fondamentales comme la classification des données, mais a développé des algorithmes surpassant les standards de l’industrie. C’est comparable à un joueur d’échecs apprenant les règles pour devenir le meilleur, puis inventant une nouvelle pièce qui enrichit la stratégie du jeu.
Cette évolution soulève la question de l’avenir des programmeurs. La réponse est un « non » retentissant, mais teinté d’une transformation profonde : ce ne sera pas la fin du métier, mais la fin de la programmation telle que nous la connaissons. L’ingénieur logiciel évoluera de créateur de code ligne par ligne à architecte de problèmes et superviseur de génies algorithmiques. Son rôle s’apparentant désormais davantage à celui d’un chef d’orchestre qu’à celui d’un musicien solitaire.
Les répercussions de cette méta-avancée sont immenses. En améliorant les algorithmes fondamentaux qui sous-tendent des systèmes d’exploitation aux bases de données, on peut s’attendre à une accélération généralisée de toutes les technologies. Les processus de compression de données pourraient devenir plus performants, économisant bande passante et espace de stockage. Les calculs scientifiques complexes pourraient être réalisés en une fraction du temps. Les appareils électroniques, sans modification matérielle, gagneraient en rapidité grâce à des logiciels mieux conçus, par d’autres machines.