Huang : AGI atteinte, mais pas pour NVIDIA

Jensen Huang : l'AGI est déjà là, mais elle n'a aucune chance contre NVIDIA

Jensen Huang l'a déclaré sans détour sur le podcast de Lex Fridman (#494) : l'AGI a été atteinte. « Je pense que c'est maintenant. Je pense que nous avons atteint l'AGI. » Cependant, il a précisé que les systèmes actuels ne pourraient pas gérer une entreprise de l'envergure de NVIDIA. Lex Fridman a défini l'AGI comme la capacité de l'IA à lancer et développer de manière autonome une entreprise valant plus d'1 milliard de dollars. Huang a acquiescé mais a souligné la différence entre le succès à court terme et la croissance durable.

Par exemple, des modèles comme Claude peuvent créer un service web viral, attirer un public et le monétiser rapidement jusqu'à un milliard de dollars. Mais un tel projet est condamné à décliner sans une gestion à long terme des chaînes d'approvisionnement, des équipes et des stratégies face à l'incertitude.

Les systèmes agentiques comme fondement du progrès

Huang a mis l'accent sur le développement de frameworks agentiques comme OpenClaw. Les agents modernes :

• Planifient des tâches en plusieurs étapes ;
• Intègrent des outils ;
• Lancent des sous-agents ;
• Exécutent des chaînes d'actions complexes.

Le changement clé réside dans la phase d'inférence. Elle génère la plus grande part de la charge computationnelle : les agents raisonnent, interagissent et produisent des données pour les entraînements ultérieurs. Cela boucle la boucle : inférence → nouvelles données → améliorations du modèle.

Huang a évalué à 0 % les chances d'un scénario avec 100 000 agents IA coordonnés gérant une entreprise comme NVIDIA. Les barrières techniques s'allient à des obstacles organisationnels : la planification stratégique et la gestion sous incertitude restent des domaines humains.

Redéfinition de l'AGI dans l'industrie

La déclaration de Huang signale un changement de paradigme. L'intelligence en tant qu'outil pour résoudre des tâches est déjà mainstream, mais en tant que capacité à assurer une croissance d'entreprise durable — ce n'est pas encore le cas. Cela contraste avec les estimations d'Andrew Ng (Google Brain) : des décennies avant une AGI classique. Il n'y a pas de consensus sur la définition de l'AGI, ce qui permet des regards neufs sur le progrès.

Huang insiste : NVIDIA profite de l'engouement pour l'IA grâce aux charges d'inférence. Les calculs massifs pour les agents sont le principal moteur de la demande en GPU.

Ce qui compte

• L'AGI selon la définition de Huang signifie que les systèmes actuels sont capables de projets commerciaux à court terme, mais pas de diriger des entreprises ;
• L'inférence domine l'entraînement en coûts de calcul en raison des chaînes agentiques ;
• OpenClaw et frameworks similaires montrent la planification et les agents hiérarchiques ;
• Coordonner des milliers d'agents pour des systèmes complexes est hors de portée aux niveaux actuels ;
• L'absence de consensus sur la définition de l'AGI stimule de nouvelles interprétations.

Implications techniques pour les développeurs

Pour les spécialistes de niveau intermédiaire et senior, cela signifie se concentrer sur l'optimisation de l'inférence. Les systèmes agentiques exigent :

• Une utilisation efficace des outils (intégration API, services externes) ;
• Une planification hiérarchique (sous-agents pour les sous-tâches) ;
• Un stockage scalable des données d'inférence pour RAG et fine-tuning ;
• Une surveillance des chaînes de raisonnement (traces de raisonnement).

Lors de la mise en œuvre, testez la robustesse : un agent unique gère les prototypes, mais scaler à 100+ nécessite une intervention humaine en boucle. Testez sur des scénarios business réels — des services web aux simulations de chaînes d'approvisionnement.

— Editorial Team