Des chercheurs chinois posent une feuille de route en cinq étapes vers une IA capable de s’améliorer seule. Derrière le concept, un vrai enjeu industriel.
En bref
- La Chine formalise une IA auto-améliorante
- Cinq étapes, sans calendrier annoncé
- Le compute laisse encore l’avantage aux États-Unis
Le vrai sujet, ici, c’est la R&D de l’IA. Pas le chatbot qui répond mieux à une question, mais la machine capable d’améliorer elle-même la façon dont on entraîne, évalue et ajuste les modèles. Pour un écosystème mobile et logiciel, l’impact potentiel est massif, cycles plus courts, coûts réduits, et un avantage qui peut vite devenir structurel.
Automatiser la fabrique des modèles, pas juste leurs réponses
Un groupe de chercheurs issus de ByteDance, de Tsinghua University et du Shanghai Artificial Intelligence Laboratory a publié un cadre commun autour de la recursive self-improvement, ou RSI. Leur idée est simple sur le papier, et franchement ambitieuse dans les faits, automatiser une partie du travail humain qui entoure aujourd’hui la création des modèles.
La nuance compte. Une IA qui corrige une réponse ratée, ce n’est pas du RSI. Le RSI suppose que l’amélioration tienne dans le temps, qu’elle survive à la tâche en cours et qu’elle soit transmise aux systèmes qui suivront.
Une progression en cinq paliers, du copilote au système autonome
Le schéma proposé avance par cinq niveaux. D’abord, l’IA applique des procédures d’amélioration décidées par des ingénieurs. Ensuite, elle commence à choisir elle-même comment se mettre à niveau, au lieu d’exécuter un script figé.
Puis on monte d’un cran. Le système identifie les informations ou les expériences qu’il lui manque, et il s’adapte après son déploiement quand l’environnement change. Le dernier palier va beaucoup plus loin, l’IA affine en continu les méthodes mêmes qui servent à améliorer l’IA. Résultat, on n’automatise plus seulement une tâche, mais potentiellement la machine à innover elle-même.
Pourquoi Pékin pousse, et pourquoi Washington garde de l’avance
Pour les auteurs, cette capacité peut devenir un avantage compétitif clé pour les développeurs de modèles. Si ça fonctionne, la promesse est double, réduire la facture en travail et en puissance de calcul, tout en raccourcissant les cycles de développement des foundation models.
Mais la course ne part pas de zéro. Erich Grunewald, chercheur senior à l’Institute for AI Policy and Strategy, estime que les entreprises américaines gardent plusieurs mois d’avance et disposent de davantage de compute pour déployer leurs systèmes. Il ajoute que les chercheurs chinois savent tirer beaucoup de matériel limité, mais que cette contrainte matérielle pèse encore.
Zhipu, MiniMax, DeepSeek, les signaux faibles deviennent concrets
Ce cadre théorique arrive alors que plusieurs acteurs chinois poussent déjà des briques très concrètes. Z.ai, connu en Chine sous le nom Zhipu AI, a indiqué vouloir consacrer environ 60 % du produit net de sa récente levée de fonds de près de 4,6 milliards d’euros (5 milliards de dollars) à ses prochains modèles GLM et à un système d’auto-entraînement complet.
De son côté, l’équipe derrière MiniMax 2.7 expliquait plus tôt cette année que le modèle pouvait mettre à jour sa mémoire, construire des compétences complexes pendant des expériences d’apprentissage par renforcement, puis réinjecter cette expérience dans son apprentissage. Et DeepSeek a développé le mois dernier un harness agentique pour donner davantage d’autonomie aux modèles sur des tâches en plusieurs étapes, avec exécution de code et interaction avec des logiciels externes.
Reste deux freins, quand même. Les auteurs jugent la voie plus claire en ingénierie logicielle qu’en robotique ou en découverte scientifique. Et ils insistent sur des garde-fous stricts, avec des environnements de test vérifiés avant tout déploiement. Aucun calendrier n’est avancé. C’est peut-être le point le plus honnête du papier.
