Le 8 novembre 2026, The Decoder a rapporté que Richard Sutton, lauréat du prix Turing et cofondateur de l'apprentissage par renforcement moderne, a récemment déclaré que la puissance de calcul brute ne mènerait pas à une véritable intelligence, et que la science de l'IA avait besoin de méthodes nouvelles et plus intelligentes — et qu'elle était « loin d'être achevée ». Ces propos ont suscité un large débat dans la communauté de l'IA, avec les dirigeants d'OpenAI et d'Anthropic dans le camp opposé.
Ce que Sutton a vraiment dit
Pour comprendre ces propos, il faut revenir au célèbre essai de Sutton de 2019, « The Bitter Lesson ». Il y soutenait que les méthodes qui finissent par l'emporter sont celles qui se renforcent avec la puissance de calcul, au premier rang desquelles la recherche et l'apprentissage. Les grands modèles de langage en ont longtemps été la meilleure illustration : plus on leur donnait de texte issu d'Internet, plus ils devenaient capables. Mais Sutton estime aujourd'hui que ces modèles montrent précisément la limite de cette voie : une fois entraînés, ils n'apprennent plus, leurs poids sont figés depuis le jour de leur sortie. En août, il est allé plus loin en qualifiant de « grave erreur » l'idée de lever le goulot d'étranglement avec des données synthétiques : le monde réel est infiniment complexe, et toute simulation n'en est qu'une minuscule parcelle. La direction qu'il propose, ce sont des agents qui accumulent eux-mêmes de l'expérience, dotés d'un modèle du monde : apprendre en continu au contact de leur environnement, sans perdre les connaissances anciennes. L'étalon de ce débat est la loi d'échelle : quand les paramètres, les données et la puissance de calcul augmentent, les gains diminuent — la question est de savoir qui touchera le plafond en premier.
Qui approuve dans le monde de la recherche
Sutton n'est pas seul à le penser. Jerry Tworek, ancien chercheur d'OpenAI, estime que la leçon amère reste valable — mais que plus on investit en puissance de calcul, plus l'algorithme compte : certains algorithmes passent à l'échelle, d'autres se heurtent à une impasse, et le succès temporaire de la voie des transformers, combiné à une lecture erronée du vieil essai, « a piraté par récompense le cerveau de toute une génération de scientifiques ». Le chercheur Jayden Teoh ajoute que cette lecture erronée a conduit à rejeter des idées prometteuses dans le monde universitaire avant même qu'elles aient pu être testées : « Une idée n'a pas nécessairement besoin de survivre indéfiniment à la mise à l'échelle pour être une contribution importante au progrès de l'IA. » Selon un décompte de The Decoder, le dernier numéro de Frontier Radar suit 45 nouveaux laboratoires d'IA qui misent précisément sur ces lacunes, dont Core Automation, le laboratoire de Tworek lui-même, et Oak Lab, que Sutton a cofondé avec un ancien étudiant.
Pourquoi l'autre camp n'est pas convaincu
Mais l'autre camp se fait entendre tout aussi fort. Sam Altman, PDG d'OpenAI, estime que la mise à l'échelle des grands modèles de langage est loin d'être épuisée et reproche aux sceptiques de la mise à l'échelle de ralentir toute une génération de chercheurs ; à l'appui, il cite un modèle d'OpenAI qui a récemment réfuté une conjecture quantique vieille de 18 ans, vérifiée avec Lean. Dario Amodei, PDG d'Anthropic, est tout aussi optimiste sur la mise à l'échelle, comparant les progrès à « un arc-en-ciel sans fin ». Le désaccord ne porte pas sur l'utilité de la puissance de calcul, mais sur l'emplacement du plafond : un camp parie que de nouvelles méthodes d'apprentissage ouvriront la prochaine porte, l'autre que la recette actuelle, poussée à l'extrême, a encore beaucoup de chemin à faire.
Pour le lecteur ordinaire, ce débat déterminera à quoi ressemblera le progrès de l'IA dans les prochaines années : des modèles plus grands et plus coûteux, ou des agents qui deviennent intelligents par eux-mêmes. Il n'y a pas encore de verdict : Oak Lab de Sutton et une vague de nouveaux laboratoires construisent la réponse au lieu d'en débattre. Fait notable, aucun camp ne rejette la prémisse de l'autre : Sutton n'a jamais dit que la puissance de calcul était inutile, et Altman n'a jamais nié la valeur des modèles du monde. Le désaccord porte seulement sur l'endroit où placer le prochain pari.
