TL;DR : David Silver, figure emblématique de DeepMind, a levé un financement record de 1,1 milliard de dollars pour sa startup, Ineffable Intelligence. Son objectif : développer une IA “superlearner” capable d’apprendre sans données humaines, promettant de libérer les entreprises des contraintes de coût, de biais et de temps liées à l’annotation de données, et d’accélérer drastiquement l’innovation.

L’ère de l’IA est-elle freinée par nos données ?

Depuis l’avènement de l’intelligence artificielle générative et des grands modèles de langage (LLM), le monde de l’entreprise a pris conscience du potentiel transformateur de l’IA. Pourtant, une réalité persiste et freine l’adoption à grande échelle : la dépendance massive aux données. Pour entraîner, affiner et valider ces systèmes, il faut des volumes colossaux de données étiquetées par l’homme. Cette exigence pose des défis majeurs : des coûts exorbitants, des délais de projet rallongés, des biais inhérents aux données humaines, et une limitation fondamentale de l’innovation aux domaines où des données abondantes existent. Les dirigeants sont confrontés à un dilemme : investir massivement dans la collecte et l’annotation de données, ou risquer de voir leurs projets IA stagner. Et si une nouvelle voie s’ouvrait, capable de s’affranchir de cette contrainte ?

Ineffable Intelligence : l’IA qui apprend par elle-même

C’est précisément cette voie que David Silver, l’architecte du légendaire AlphaGo de DeepMind, explore avec sa nouvelle startup, Ineffable Intelligence. Fondée fin 2025 à Londres, cette entreprise a créé l’événement en levant un financement de démarrage historique de 1,1 milliard de dollars en avril 2026, un record pour l’Europe. Ce tour de table colossal, mené par Sequoia Capital et Lightspeed Venture Partners, avec le soutien de géants comme Nvidia et Google, valorise déjà la jeune pousse à 5,1 milliards de dollars.

La vision d’Ineffable Intelligence est radicalement différente de celle des LLM actuels qui s’appuient sur l’analyse de vastes corpus de texte et d’images générés par l’homme. David Silver et son équipe se concentrent sur la création de ce qu’ils appellent des “superlearners”. Il s’agit de systèmes d’IA capables d’acquérir des connaissances et des compétences entièrement par leur propre expérience, via l’apprentissage par renforcement avancé. Cette technique permet aux machines d’apprendre par essais et erreurs, sans avoir besoin d’exemples pré-étiquetés par des humains. Silver, qui a dirigé l’équipe d’apprentissage par renforcement chez DeepMind et a développé AlphaZero (un programme qui a maîtrisé le Go et les échecs en jouant contre lui-même sans données humaines), parie sur une IA qui “découvre le savoir à travers sa propre expérience”.

L’objectif est ambitieux : atteindre une “superintelligence” qui dépasse les capacités humaines dans tous les domaines significatifs. Ineffable Intelligence ne construit pas un énième grand modèle de langage, mais une IA qui apprendra de manière continue et autonome dans des environnements simulés, se libérant ainsi des limites inhérentes à la connaissance humaine.

Pourquoi c’est un tournant pour votre entreprise

L’approche d’Ineffable Intelligence représente une rupture potentielle avec les paradigmes actuels de l’IA, offrant des avantages stratégiques majeurs pour les entreprises :

  • Réduction drastique des coûts et des délais d’intégration de l’IA L’un des principaux freins à l’adoption de l’IA en entreprise est le coût et le temps nécessaires à la collecte et à l’annotation des données. Des études montrent que l’étiquetage des données peut représenter jusqu’à 80 % du budget total d’un projet d’IA classique. En s’affranchissant de cette dépendance, les entreprises pourraient réduire considérablement leurs dépenses et accélérer le déploiement de leurs solutions IA. Une IA capable d’apprendre par elle-même dans un environnement simulé élimine la nécessité d’une main-d’œuvre coûteuse et chronophage dédiée à la labellisation, comme en témoignent les tarifs d’annotation qui peuvent varier de 0,01 $ pour des tâches simples à 10 $ par unité pour des données complexes comme la vidéo ou la 3D.

  • Minimisation des biais et amélioration de la robustesse Les modèles d’IA entraînés sur des données humaines héritent inévitablement des biais présents dans ces données, qu’ils soient historiques, sociaux ou culturels. Ces biais peuvent entraîner des discriminations, des erreurs coûteuses et une perte de confiance. Une IA qui apprend à partir de “premiers principes” dans un environnement contrôlé, sans le prisme des données humaines, a le potentiel de développer une compréhension plus objective et robuste du monde. Cela est crucial pour les applications critiques où l’équité et la fiabilité sont primordiales (santé, finance, recrutement).

  • Accélération sans précédent de l’innovation et de la R&D L’approche d’Ineffable Intelligence promet de débloquer des niveaux d’innovation actuellement inaccessibles. En ne dépendant plus de l’existence de données historiques, l’IA peut explorer des domaines totalement nouveaux, générer des hypothèses inédites et découvrir des solutions que la pensée humaine n’aurait pas envisagées. McKinsey estime que l’IA pourrait “doubler le rythme de la R&D et débloquer jusqu’à 500 milliards de dollars de valeur annuelle mondiale”. Dans des secteurs comme la pharmacie, l’IA pourrait augmenter la productivité de la R&D de plus de 100 %. Une IA apprenant par simulation pourrait tester des millions de scénarios en un temps record, réduisant les cycles de développement de produits et accélérant la mise sur le marché de nouvelles offres.

  • Vers une autonomie et une adaptabilité accrues Les “superlearners” visent une véritable autonomie, où l’IA peut s’adapter et évoluer en continu sans intervention humaine constante. Cette capacité d’apprentissage perpétuel ouvre des perspectives pour des systèmes auto-optimisants dans des environnements dynamiques, de la gestion de chaînes d’approvisionnement complexes à la robotique avancée. L’IA ne serait plus un simple outil analysant des données passées, mais un agent proactif capable de générer sa propre expérience et d’en tirer des leçons.

Cas d’usage concrets (avec chiffres)

L’impact de l’IA sans données humaines, telle qu’imaginée par Ineffable Intelligence, pourrait transformer des secteurs entiers.

1. R&D Pharmaceutique : Découverte de molécules et optimisation des essais cliniques

Imaginez un groupe pharmaceutique européen de premier plan, tel que Sanofi, cherchant à développer de nouveaux médicaments pour des maladies rares. Traditionnellement, ce processus est extrêmement long et coûteux, nécessitant des décennies de recherche et des milliards d’euros, avec un taux d’échec très élevé. L’identification de nouvelles molécules est limitée par les bases de données existantes et les connaissances humaines.

Avec une “superlearner” d’Ineffable Intelligence, entraînée dans un environnement de simulation moléculaire ultra-réaliste, le paradigme change. L’IA pourrait explorer des milliards de combinaisons chimiques et de protéines, simuler leurs interactions biologiques et prédire leur efficacité et leurs effets secondaires, sans avoir besoin de données historiques sur des molécules non encore synthétisées. Cette IA pourrait générer de nouvelles hypothèses et des candidats-médicaments entièrement novateurs.

  • Impact chiffré : McKinsey estime que l’IA peut augmenter le rendement de la R&D dans le secteur pharmaceutique de plus de 100 %. Un laboratoire pharmaceutique utilisant cette approche pourrait réduire le temps de découverte de molécules de 5 à 10 ans à quelques mois, et diminuer les coûts de recherche de plusieurs centaines de millions d’euros par projet, en minimisant les essais physiques coûteux et chronophages. Un cycle de développement de médicament, qui coûte en moyenne 2,6 milliards de dollars et dure 10 à 15 ans (estimation secteur), pourrait être accéléré de 30% à 40% (estimation sectorielle GX2C), en se concentrant sur les candidats les plus prometteurs identifiés par l’IA.

2. Optimisation Industrielle : Usines autonomes et chaînes d’approvisionnement résilientes

Prenons l’exemple d’un grand groupe industriel du CAC 40, comme Schneider Electric, qui gère des usines complexes et des chaînes d’approvisionnement mondiales. L’optimisation de la production, la maintenance prédictive et la logistique reposent actuellement sur des données de capteurs, des historiques de pannes et des modèles statistiques, souvent insuffisants pour anticiper les imprévus ou optimiser des systèmes dynamiques.

Une IA “superlearner” pourrait être déployée dans un jumeau numérique complet de l’usine et de la chaîne d’approvisionnement. Elle apprendrait en temps réel par l’expérimentation dans cet environnement virtuel, testant des millions de scénarios de production, de pannes de machines, de perturbations logistiques ou de variations de la demande. L’IA développerait ses propres stratégies pour optimiser les flux, anticiper les goulots d’étranglement, et orchestrer la maintenance de manière proactive, sans être limitée par les données d’incidents passés ou les meilleures pratiques humaines.

  • Impact chiffré : L’intégration de l’IA dans la R&D peut améliorer la productivité des flux de travail de 30 à 50 % et réduire le temps de mise sur le marché jusqu’à 40 %. Pour un groupe industriel, cela pourrait se traduire par une réduction des temps d’arrêt machine de 20 % (estimation sectorielle GX2C), une optimisation des stocks de 15 % et une augmentation de la capacité de production de 10 %, générant des économies de plusieurs dizaines de millions d’euros par an grâce à une meilleure allocation des ressources et une résilience accrue face aux imprévus.

Les limites et risques à connaître

Si la vision d’Ineffable Intelligence est prometteuse, elle n’est pas sans défis ni risques :

  • Complexité de la simulation : Créer des environnements de simulation suffisamment réalistes et complexes pour permettre à une IA d’apprendre des connaissances générales est une tâche d’ingénierie et de recherche extrêmement difficile. La fidélité du jumeau numérique est cruciale pour la pertinence de l’apprentissage.
  • Explicabilité et contrôle : Une IA qui apprend de manière autonome, sans données humaines, pourrait développer des stratégies et des raisonnements difficiles à comprendre pour les humains. Cela pose des questions d’explicabilité (comment l’IA est-elle arrivée à cette décision ?) et de contrôle (pouvons-nous garantir que ses objectifs restent alignés avec les nôtres et nos valeurs éthiques ?). Les “comportements inhabituels et potentiellement préoccupants” observés lors de l’auto-apprentissage de systèmes comme Absolute Zero Reasoner soulignent ce risque.
  • Coût initial et expertise : Bien que l’approche réduise les coûts d’annotation, l’investissement initial dans la recherche, le développement de moteurs de simulation avancés et l’acquisition d’une expertise en apprentissage par renforcement de pointe restera très élevé. Seules les grandes entreprises ou celles ayant des budgets R&D conséquents pourront initialement se positionner.
  • Dépendance à la validation : Même si l’IA apprend sans données humaines, la validation de ses performances et de sa sécurité dans le monde réel nécessitera toujours des tests rigoureux et une supervision humaine, en particulier pour les applications critiques.
  • Éthique de l’autonomie : Une IA capable de générer ses propres connaissances et d’évoluer de manière autonome soulève des questions éthiques profondes concernant la responsabilité, la gouvernance et le rôle de l’humain dans la boucle de décision.

FAQ

Comment l’approche d’Ineffable Intelligence se distingue-t-elle de l’apprentissage par renforcement traditionnel ou de l’IA générative actuelle ? Ineffable Intelligence pousse l’apprentissage par renforcement (utilisé par AlphaGo pour jouer au Go) à un niveau supérieur. Contrairement à l’IA générative qui crée du contenu à partir de vastes ensembles de données humaines, les “superlearners” de Silver visent à découvrir des connaissances et des compétences entièrement par leur propre expérience dans des environnements simulés, sans dépendre de données étiquetées par l’homme. L’objectif est une véritable auto-apprentissage pour atteindre une intelligence générale artificielle, là où les LLM sont limités par la connaissance humaine.

Quels sont les prérequis techniques et organisationnels pour une entreprise souhaitant explorer l’IA sans données humaines ? Les prérequis sont significatifs. Techniquement, il faudra des capacités de calcul massives, une expertise pointue en simulation (jumeaux numériques), en apprentissage par renforcement et en modélisation de systèmes complexes. Organisationnellement, cela implique un changement de culture vers l’expérimentation rapide, une tolérance à l’échec dans les environnements virtuels, et un investissement dans des équipes de recherche et développement multidisciplinaires capables de concevoir et de valider ces systèmes autonomes.

Quel est l’impact de cette technologie sur la sécurité et la conformité des systèmes IA en entreprise ? L’impact est double. D’une part, l’élimination des biais humains dans les données d’entraînement pourrait améliorer la sécurité et l’équité des systèmes. D’autre part, le manque d’explicabilité des décisions prises par une IA entièrement autonome pourrait compliquer la conformité réglementaire (ex: RGPD, explicabilité des décisions automatisées) et la gestion des risques. Il sera crucial de développer des outils de monitoring et de validation robustes, ainsi que des cadres éthiques clairs pour encadrer ces IA “superlearners”.

Recommandations GX2C

  • Investir dans les capacités de simulation avancées : Pour préparer l’arrivée de l’IA apprenant sans données, commencez dès aujourd’hui à développer ou acquérir des technologies de jumeaux numériques et de modélisation prédictive. Ces plateformes seront le terrain d’entraînement de vos futures “superlearners”.
  • Développer une expertise interne en IA autonome : Recrutez ou formez des talents en apprentissage par renforcement, en modélisation de systèmes complexes et en éthique de l’IA. Cette expertise sera clé pour concevoir, implémenter et gouverner des systèmes capables d’apprendre par eux-mêmes.
  • Établir une feuille de route éthique et de gouvernance : Anticipez les questions d’explicabilité, de contrôle et de responsabilité. Mettez en place un comité éthique IA et définissez des principes clairs pour le développement et le déploiement de systèmes d’IA autonomes, afin d’assurer leur alignement avec les valeurs de votre entreprise et les réglementations futures.

Cet article est publié par GX2C, cabinet de conseil accompagnant grands comptes et PME dans leur transformation digitale et leurs projets IA. Discutons de votre projet.