Demandez à une intelligence artificielle de dessiner un astronaute médiéval chevauchant une méduse dans le métro parisien. L’image obtenue n’existait probablement nulle part auparavant. Faites-lui écrire une chanson, une histoire ou des centaines de lignes de code : là encore, le résultat sera, au moins techniquement, nouveau. Et pourtant, ces machines ne produiraient rien de vraiment nouveau.
C’est la thèse volontairement provocatrice défendue par Tom Zahavy, chercheur chez Google DeepMind, dans un article publié fin janvier 2026 et intitulé « LLMs can’t jump » — « les grands modèles de langage ne savent pas sauter ». Le saut en question n’est ni une figure de style ni une nouvelle épreuve destinée aux robots. Il désigne le moment mystérieux où un esprit cesse d’appliquer les règles existantes et imagine celles qui manquent encore.
Autrement dit, une IA peut produire une combinaison de mots ou de pixels qui n’avait jamais existé. Ce qu’elle ne saurait pas encore faire, selon lui, c’est inventer une nouvelle manière de comprendre le monde.
Une image inédite n’est pas forcément une idée nouvelle
La distinction paraît d’abord contre-intuitive. Après tout, si une image n’a jamais été vue ou si un programme résout un problème inédit, pourquoi refuser de parler de création ?
Parce que toute nouveauté ne se situe pas au même niveau. Un modèle génératif peut parcourir un espace immense de possibilités et y trouver une combinaison originale. Il peut rapprocher des concepts éloignés, adapter une solution connue à un nouveau contexte ou découvrir un résultat qu’aucun humain n’avait encore écrit noir sur blanc. Ces performances sont indéniables.
Mais elles restent généralement inscrites dans un cadre déjà défini : une langue, les règles d’un jeu, une fonction à optimiser, un ensemble d’axiomes mathématiques ou un problème formulé par un humain. L’IA cherche alors une réponse nouvelle à l’intérieur d’un espace dont les frontières lui ont été données.
L’invention radicale commence lorsque ce cadre lui-même devient le problème. Pour exposer cette limite, Tom Zahavy distingue trois manières de raisonner. La déduction consiste à partir d’une règle et d’un cas pour en tirer un résultat : tous les humains sont mortels, Socrate est humain, donc Socrate est mortel. L’induction fait le trajet inverse : elle observe une succession de cas et tente d’en dégager une règle générale. C’est, très schématiquement, le domaine dans lequel l’apprentissage automatique excelle.
La troisième opération est l’abduction. Face à un résultat surprenant, elle consiste à imaginer la cause ou l’explication qui pourrait lui donner sens. Cette hypothèse n’est pas déduite mécaniquement des données et n’est pas garantie d’être vraie. Il faut la proposer, puis la mettre à l’épreuve.
Pour Tom Zahavy, c’est là que les LLM butent : ils savent appliquer les règles, repérer des régularités et recombiner des concepts existants. Mais ils ne disposent pas du mécanisme qui permettrait de créer les bonnes prémisses lorsqu’elles n’existent pas encore.
Einstein n’avait pas de jeu de données pour inventer la relativité
Le chercheur prend comme cas d’école la naissance de la relativité générale. En 1905, Einstein avait déjà bouleversé la physique avec la relativité restreinte, qui abandonnait notamment l’idée d’un temps absolu, mais ne permettait pas encore de décrire la gravité. Il lui faudra dix années supplémentaires pour parvenir, en 1915, aux équations de la relativité générale. Aurait-on pu donner à une IA les connaissances disponibles à l’époque et lui demander de suivre le même chemin ? Pour Zahavy, la réponse est non.
Ce choix est important, car la relativité générale n’est pas née de l’effondrement évident de la physique newtonienne. Celle-ci fonctionnait remarquablement bien. Une anomalie était connue dans l’orbite de Mercure, mais elle pouvait être expliquée par l’existence supposée d’une planète encore invisible, baptisée Vulcain. Les observations décisives qui confirmeraient la théorie d’Einstein sont venues plus tard.
Une machine chargée de minimiser ses erreurs n’aurait donc reçu aucun signal puissant lui ordonnant de reconstruire entièrement la gravité, l’espace et le temps. Elle aurait même pu préférer un correctif moins coûteux — ajouter une planète au modèle existant — plutôt que d’explorer la géométrie non euclidienne.
Einstein, lui, est passé par des expériences de pensée. Il s’est notamment imaginé un observateur en chute libre — une situation souvent représentée par l’expérience de l’ascenseur. Dans cette cabine, l’observateur ne ressentirait plus son propre poids : localement, la gravité semblerait avoir disparu. À l’inverse, une accélération constante dans l’espace pourrait produire des effets impossibles à distinguer de ceux de la gravité.
Cette simulation mentale l’a conduit au principe d’équivalence entre accélération et gravitation, l’une des pierres angulaires de la relativité générale. Le principe n’était pas simplement caché dans un gros tableau de données qu’il aurait suffi de compresser.
Einstein a imaginé une situation, manipulé mentalement le monde physique, puis formulé l’explication susceptible de rendre compte de cette expérience. C’est ce passage de l’expérience — même imaginaire — vers de nouveaux axiomes que Tom Zahavy appelle le « saut ».
L’IA peut-elle apprendre à sortir du cadre ?
Cette thèse ne nie pas les progrès des IA en mathématiques ou en informatique. Elles savent explorer d’innombrables pistes, rédiger des démonstrations et découvrir des solutions inconnues. Mais ces réussites surviennent une fois que les concepts, les règles et l’objectif ont été fixés.
Une IA pourrait peut-être retrouver les équations d’Einstein si on lui donnait ses principaux postulats. Elle ne saurait probablement pas expliquer pourquoi il fallait choisir ces postulats — ni pourquoi il fallait abandonner une théorie qui semblait encore fonctionner.
C’est aussi la limite des systèmes présentés comme des « scientifiques IA ». Ils peuvent générer des hypothèses et organiser des expériences, mais toujours dans un langage scientifique existant et en fonction d’un objectif défini à l’avance. La machine explore efficacement une carte dessinée par d’autres — elle ne décide pas encore qu’il faut changer de carte.
Il faut néanmoins prendre l’article pour ce qu’il est : une position philosophique, pas la preuve expérimentale d’une incapacité. Zahavy ne soumet pas plusieurs modèles à un protocole permettant de mesurer leur aptitude à inventer. La frontière entre recombinaison et invention reste, de toute façon, difficile à tracer. Les humains créent eux aussi à partir d’idées héritées : Einstein s’est appuyé sur des décennies de physique et sur les mathématiques de Marcel Grossmann.
Tom Zahavy suggère d’ailleurs une piste : les « modèles du monde », capables de simuler un environnement cohérent dans lequel une IA pourrait intervenir, inventer ses propres expériences et en observer les conséquences.
Cette proposition rejoint celle défendue depuis plusieurs années par Yann LeCun. Pour atteindre une intelligence plus générale, les machines devraient, selon lui, apprendre un modèle prédictif du monde plutôt que se contenter de manipuler le langage. Dans un article de position publié en 2022, le chercheur décrit notamment des architectures qui permettraient aux machines de prévoir, de raisonner et de planifier à plusieurs niveaux d’abstraction.
Regarder tomber des millions de pommes ne suffit peut-être pas à comprendre la gravité. Encore faut-il pouvoir retenir la pomme, la lancer ou couper mentalement le câble de l’ascenseur. Une IA capable de « penser en faisant » ne se contenterait plus de prolonger les régularités apprises dans ses données.
Pour l’instant, les modèles génératifs peuvent produire des milliards d’objets qui n’ont jamais existé et peuvent même trouver des solutions que personne n’avait envisagées. Mais tant qu’un humain doit choisir le problème, définir les règles et décider ce qui mérite d’être expliqué, leur nouveauté reste enfermée dans un monde intellectuel conçu par d’autres.
+ rapide, + pratique, + exclusif
Zéro publicité, fonctions avancées de lecture, articles résumés par l'I.A, contenus exclusifs et plus encore.
Découvrez les nombreux avantages de Numerama+.
Vous avez lu 0 articles sur Numerama ce mois-ci
Tout le monde n'a pas les moyens de payer pour l'information.
C'est pourquoi nous maintenons notre journalisme ouvert à tous.
Mais si vous le pouvez,
voici trois bonnes raisons de soutenir notre travail :
- 1 Numerama+ contribue à offrir une expérience gratuite à tous les lecteurs de Numerama.
- 2 Vous profiterez d'une lecture sans publicité, de nombreuses fonctions avancées de lecture et des contenus exclusifs.
- 3 Aider Numerama dans sa mission : comprendre le présent pour anticiper l'avenir.
Si vous croyez en un web gratuit et à une information de qualité accessible au plus grand nombre, rejoignez Numerama+.
Toute l'actu tech en un clin d'œil
Ajoutez Numerama à votre écran d'accueil et restez connectés au futur !
Tous nos articles sont aussi sur notre profil Google : suivez-nous pour ne rien manquer !