Les 7 types d’intelligence artificielle : ANI, AGI, IA réactive et conscience expliquées

Il est donc parfaitement possible qu’un même système appartienne simultanément à plusieurs catégories de ce tableau. Un système peut, par exemple, rester une IA non générale tout en utilisant une mémoire contextuelle et en produisant des comportements donnant l’impression qu’il comprend les intentions de son interlocuteur.

C’est précisément ce qui rend la classification des IA modernes plus délicate qu’il y a quelques années.

La première méthode consiste à classer l’intelligence artificielle en fonction de l’étendue des problèmes qu’elle est capable de résoudre. Elle distingue traditionnellement trois niveaux : ANI, AGI et ASI.

1. Intelligence artificielle étroite ou ANI

L’Artificial Narrow Intelligence, souvent appelée IA étroite ou IA faible, désigne les systèmes conçus pour accomplir certaines catégories de tâches sans disposer d’une intelligence générale comparable à celle d’un humain.

Pendant longtemps, les exemples étaient simples : un programme jouant aux échecs, un système de reconnaissance faciale ou un moteur de recommandation.

Cette définition devient néanmoins plus difficile à appliquer aux modèles contemporains.

Un assistant moderne peut écrire un texte, analyser une photographie, programmer une application, traduire plusieurs langues, résoudre un problème mathématique ou utiliser différents outils. Le qualifier d’IA spécialisée dans « une seule tâche » serait donc réducteur.

Pour autant, cette polyvalence ne signifie pas automatiquement que le système possède une intelligence générale.

Les modèles d’IA actuels restent dépendants de leur entraînement, de leurs outils, du contexte qui leur est fourni et de l’environnement logiciel dans lequel ils fonctionnent. Ils peuvent également commettre des erreurs sur des problèmes qu’un humain considérerait comme simples.

La frontière entre IA étroite et IA généraliste est ainsi devenue beaucoup moins nette avec l’apparition des grands modèles multimodaux.

2. Intelligence artificielle générale ou AGI

L’Artificial General Intelligence, ou AGI, représente l’un des concepts les plus discutés du secteur.

Il n’existe pourtant pas de définition universellement acceptée de l’AGI.

Dans son sens le plus courant, une intelligence artificielle générale devrait être capable de comprendre, apprendre et résoudre une très grande variété de problèmes, puis de transférer les compétences acquises d’un domaine vers un autre sans devoir être spécifiquement entraînée pour chaque nouvelle tâche.

La comparaison avec l’intelligence humaine revient souvent, mais elle pose elle-même problème : les humains ne sont pas également performants dans tous les domaines et certaines IA dépassent déjà largement l’être humain sur des tâches très précises.

Les chercheurs proposent donc de plus en plus de considérer l’AGI comme un continuum de capacités plutôt que comme un seuil unique que l’industrie franchirait soudainement. Google DeepMind a notamment proposé une classification tenant compte à la fois de la largeur des compétences d’un système et de son niveau de performance.

Cette approche permet de distinguer un modèle capable d’accomplir de nombreuses tâches d’un système réellement compétent à un niveau humain ou supérieur sur l’ensemble de celles-ci. Cela explique également pourquoi annoncer qu’un modèle obtient d’excellents résultats sur plusieurs benchmarks ne suffit pas à démontrer l’existence d’une AGI.

La réponse dépend largement de la définition retenue. Les modèles les plus avancés peuvent désormais travailler sur du texte, des images, du son, de la vidéo ou du code, raisonner sur des problèmes complexes, utiliser des logiciels et accomplir des tâches comportant plusieurs étapes.

Les agents ajoutent une dimension supplémentaire : au lieu de simplement produire une réponse, ils peuvent élaborer un plan, appeler des outils, consulter des informations, effectuer plusieurs actions puis vérifier le résultat obtenu.

Les progrès récents sont considérables. Ils ne constituent cependant pas une preuve scientifique consensuelle que l’AGI a été atteinte. Le terme est d’autant plus délicat que les entreprises qui développent ces systèmes n’utilisent pas nécessairement la même définition.

Il est donc préférable de distinguer deux questions : les IA deviennent-elles de plus en plus générales ? Oui. Avons-nous démontré l’existence d’une AGI comparable à l’intelligence humaine dans sa généralité ? Pas de manière consensuelle.

3. Superintelligence artificielle ou ASI

La superintelligence artificielle, souvent abrégée ASI pour Artificial Superintelligence, désigne un stade encore hypothétique dans lequel une intelligence artificielle dépasserait très largement les capacités humaines dans la plupart des domaines intellectuels importants.

Une telle IA pourrait théoriquement être supérieure aux meilleurs spécialistes humains en sciences, ingénierie, stratégie, créativité ou résolution de problèmes. Mais une distinction essentielle doit être faite : superintelligence et conscience ne sont pas synonymes.

Une machine pourrait théoriquement surpasser les humains dans pratiquement toutes les tâches intellectuelles sans ressentir d’émotions, posséder de désirs ou être consciente de son existence. Inversement, imaginer une machine consciente ne signifie pas nécessairement qu’elle serait superintelligente. Associer automatiquement intelligence, conscience et émotions est donc une erreur fréquente lorsque l’on parle de l’avenir de l’IA.

L’ASI reste aujourd’hui un concept théorique. Elle constitue néanmoins un sujet important de recherche et de réflexion en raison des conséquences économiques, sociales, géopolitiques et de sécurité qu’aurait l’apparition de systèmes largement supérieurs aux humains.

La seconde classification traditionnellement associée aux « 7 types d’IA » ne mesure plus l’étendue de l’intelligence. Elle décrit plutôt la manière dont une machine utilise les informations, son expérience passée et éventuellement une représentation des autres ou d’elle-même.

Cette classification doit être prise comme une grille pédagogique. Les architectures modernes sont bien plus complexes et ne rentrent pas toujours parfaitement dans une seule catégorie.

4. Intelligence artificielle réactive

Une machine réactive traite les informations disponibles à un instant donné et choisit une action en conséquence, sans réellement construire une mémoire persistante de ses expériences. Deep Blue, l’ordinateur d’IBM qui a battu le champion du monde d’échecs Garry Kasparov en 1997, reste l’exemple classique. Le système pouvait analyser la configuration de l’échiquier et rechercher les meilleurs coups possibles. Il n’avait cependant pas besoin de se souvenir de ses anciennes parties de la même manière qu’un humain construit une expérience personnelle.

Une intelligence artificielle réactive peut ainsi être extrêmement performante dans son domaine sans pour autant apprendre continuellement de chacune de ses interactions. Cette catégorie montre déjà pourquoi performance et intelligence générale doivent être distinguées.

5. Intelligence artificielle à mémoire limitée

Une IA à mémoire limitée utilise certaines informations issues du passé ou de son contexte pour prendre une décision présente. La notion mérite toutefois d’être précisée. Il ne faut pas confondre la mémoire d’un système avec les données ayant servi à son entraînement. Un modèle entraîné sur plusieurs milliards de documents ne se « souvient » pas nécessairement de ces documents comme un être humain se souvient d’une expérience.

Les IA modernes peuvent utiliser différentes formes de mémoire. Un chatbot peut tenir compte des messages précédents d’une conversation grâce à sa fenêtre de contexte. Un agent peut conserver l’état d’une tâche pendant son exécution. Une application peut également stocker des informations dans une base de données externe puis les restituer au modèle lorsqu’elles deviennent utiles.

Les architectures basées sur la génération augmentée par récupération, ou RAG, permettent également à un système d’aller rechercher des informations dans des documents ou des bases de connaissances avant de produire sa réponse.

La « mémoire » d’une IA peut donc provenir du modèle lui-même, de son contexte temporaire ou d’un système externe. Cette distinction est devenue essentielle pour comprendre le fonctionnement des assistants et agents actuels.

6. Intelligence artificielle et théorie de l’esprit

La théorie de l’esprit désigne chez l’être humain la capacité à comprendre que les autres possèdent leurs propres croyances, intentions, connaissances, émotions ou perceptions. Une IA disposant réellement d’une théorie de l’esprit pourrait donc adapter son comportement en fonction de ce qu’elle estime être l’état mental d’une autre personne.

Certains modèles de langage obtiennent aujourd’hui de bons résultats sur des tests conçus pour évaluer ce type de raisonnement. Ils peuvent, par exemple, déterminer qu’un personnage ignore une information connue par un autre personnage ou prédire ce qu’une personne pourrait croire dans une situation donnée.

Mais réussir ce genre de test ne démontre pas nécessairement que le modèle possède une véritable théorie de l’esprit. Une IA peut reproduire correctement un raisonnement à partir des régularités apprises pendant son entraînement sans disposer d’une représentation consciente des pensées d’autrui.

Il faut donc distinguer comportement compatible avec une théorie de l’esprit et possession réelle d’états mentaux comparables à ceux d’un humain. La première capacité commence à apparaître dans certains systèmes. La seconde reste une question scientifique largement ouverte.

7. Intelligence artificielle consciente d’elle-même

L’IA consciente d’elle-même représente la catégorie la plus spéculative de cette classification. Une telle machine ne se contenterait pas de traiter des informations ou de modéliser l’état mental des autres. Elle aurait une représentation consciente de sa propre existence, de ses pensées et potentiellement de ses expériences.

Aucune preuve scientifique ne permet aujourd’hui d’affirmer qu’un système d’intelligence artificielle possède une conscience comparable à celle d’un humain.

Les modèles peuvent employer le mot « je », décrire leurs propres raisonnements ou produire des phrases donnant l’impression d’émotions ou d’introspection. Ces comportements ne constituent pas une preuve de conscience.

Ils peuvent simplement découler de leur capacité à générer du langage correspondant au contexte de la conversation. La question est d’autant plus complexe que la conscience humaine elle-même reste imparfaitement comprise. Il n’existe donc pas de test universel permettant de déterminer avec certitude si une machine est consciente.

ChatGPT, Claude et Gemini illustrent parfaitement les limites de l’ancienne classification des IA. Ils ne sont plus des systèmes spécialisés dans une seule petite tâche. Ils peuvent intervenir dans de nombreux domaines : rédaction, programmation, analyse, traduction, recherche d’informations, raisonnement, création ou traitement de contenus multimédias.

Les générations les plus récentes sont également multimodales et peuvent être associées à des outils leur permettant d’agir sur leur environnement.

Pour autant, les qualifier automatiquement d’AGI serait prématuré. Le terme le plus utile est souvent celui de modèles généralistes ou de modèles de fondation. Ils possèdent une grande variété de compétences mais conservent des limitations importantes en matière de fiabilité, de raisonnement, de connaissance du monde ou d’autonomie.

Leur fonctionnement peut également combiner plusieurs catégories historiques : traitement réactif, contexte temporaire, mémoire externe et utilisation d’outils.

C’est pourquoi les « 7 types d’IA » doivent avant tout être considérés comme une introduction aux grands concepts de l’intelligence artificielle, et non comme une norme permettant de ranger chaque nouveau modèle dans une case unique.

Les agents sont devenus l’une des évolutions les plus importantes de l’IA. Un chatbot traditionnel attend généralement une requête et génère une réponse. Un agent peut recevoir un objectif plus large, déterminer les différentes étapes nécessaires pour l’atteindre, utiliser des outils puis adapter son plan en fonction des résultats obtenus.

Il peut par exemple effectuer des recherches, travailler dans plusieurs applications, manipuler des fichiers, exécuter du code ou automatiser une partie d’un processus professionnel.

Cela ne signifie pas pour autant que l’« IA agentique » constitue un huitième niveau après les sept catégories précédentes. Le caractère agentique décrit surtout une architecture et un mode d’utilisation de l’IA. Un agent peut utiliser un modèle qui n’est pas une AGI. Son autonomie provient en partie des logiciels, outils, mémoires et règles qui l’entourent.

Il faut donc éviter de confondre autonomie et intelligence générale.

Un système peut être très autonome dans un environnement limité sans être capable de résoudre n’importe quel problème.

Même constat pour l’IA générative. Une intelligence artificielle capable de générer un texte, une image, une vidéo ou du code n’appartient pas automatiquement à une nouvelle catégorie d’intelligence.

• « IA générative » décrit ce que le système produit.
• « IA multimodale » indique qu’il peut traiter plusieurs formes d’informations.
• « Modèle de raisonnement » décrit certaines techniques et comportements destinés à améliorer la résolution de problèmes complexes.
• « Agent IA » décrit davantage sa capacité à agir et à enchaîner des actions.

ANI, AGI et ASI cherchent de leur côté à caractériser l’étendue de ses capacités. Ces termes répondent donc à des questions différentes et peuvent parfaitement se cumuler. Une IA peut être à la fois générative, multimodale, agentique et ne pas être considérée comme une AGI.

L’évolution récente de l’intelligence artificielle remet progressivement en cause l’image traditionnelle de l’IA étroite. Les premiers systèmes excellaient souvent dans un domaine extrêmement précis. Les modèles contemporains peuvent désormais résoudre des tâches qu’ils n’ont pas nécessairement rencontrées exactement sous cette forme pendant leur entraînement.

Les performances progressent également très rapidement sur les tests de mathématiques, programmation, raisonnement, sciences, multimodalité ou utilisation d’outils. Mais aucun benchmark unique ne permet de répondre à la question : « cette IA est-elle générale ? ».

Un système peut surpasser les humains sur certaines évaluations et échouer de manière surprenante sur d’autres. Les benchmarks peuvent également devenir obsolètes rapidement à mesure que les modèles progressent.

La question n’est donc plus simplement de savoir si une IA est « spécialisée » ou « générale ». Il faut aussi mesurer la variété de ses compétences, leur profondeur, sa capacité d’adaptation, sa fiabilité et son niveau d’autonomie.

Cette évolution explique pourquoi la recherche sur l’AGI s’intéresse de plus en plus à des niveaux de capacités plutôt qu’à une frontière unique.

Le développement de l’IA entraîne souvent une confusion entre trois notions pourtant indépendantes. Une IA peut être extrêmement performante sans être autonome. Elle peut également être autonome sans être particulièrement intelligente.

Et aucun de ces deux critères ne démontre qu’elle soit consciente. Un programme d’échecs peut surpasser pratiquement tous les humains aux échecs sans avoir conscience de jouer. Un agent logiciel peut exécuter seul une longue suite d’actions sans comprendre le monde comme un humain. De même, un modèle peut écrire « je pense » ou « je ressens » sans que ces expressions prouvent l’existence d’une expérience subjective.

Cette distinction deviendra probablement encore plus importante à mesure que les assistants adopteront des comportements de plus en plus naturels et autonomes.

Oui, à condition de comprendre les limites de cette classification. Les sept catégories constituent un excellent point de départ pour découvrir les grandes questions de l’intelligence artificielle : spécialisation, généralité, mémoire, compréhension des autres, conscience ou superintelligence.

Mais elles ne constituent ni une feuille de route technologique ni sept générations successives. L’IA réactive n’évolue pas nécessairement vers une IA à mémoire, puis vers une AGI avant de devenir consciente.

Il s’agit de dimensions différentes. Les systèmes modernes combinent par ailleurs plusieurs mécanismes et deviennent suffisamment polyvalents pour rendre certaines frontières historiques difficiles à appliquer.

La meilleure façon de comprendre l’évolution actuelle consiste donc à observer plusieurs axes simultanément : les capacités, la généralité, la mémoire, le raisonnement, la multimodalité et l’autonomie.

C’est à l’intersection de ces dimensions que se développent désormais les modèles d’intelligence artificielle les plus avancés.