Hassabis et l'AGI à portée de main : pourquoi DeepMind resserre son horizon à deux ou trois ans
Dans un profil publié par le Wall Street Journal le 21 octobre 2026, Demis Hassabis, désormais chair de Google DeepMind et chief scientist d'Alphabet, a raccourci sa fenêtre pour l'intelligence artificielle générale à deux ou trois ans. C'est la troisième fois en dix mois qu'il revoit cette estimation à la baisse. Ce qu'il dit, et ce qu'il ne dit pas, mérite un décryptage.
Deux ou trois ans. C'est l'horizon que Demis Hassabis a donné au Wall Street Journal dans un long profil publié le 21 octobre 2026 par le journaliste Ben Cohen. Pour l'intelligence artificielle générale, l'AGI, ce serait donc une affaire de moins d'une législature. En janvier, lors du forum de Davos, le même Hassabis évoquait cinq à dix ans. Entre les deux, une révision à trois à cinq ans au printemps. Trois estimations en dix mois, toutes dans le même sens.
Un calendrier qui s'accélère
La compression de l'horizon d'Hassabis n'est pas anecdotique. C'est l'un des chercheurs les plus réputés dans le domaine, prix Nobel de chimie 2024 pour ses travaux sur AlphaFold, fondateur de DeepMind en 2010 avant son acquisition par Google. Depuis le 5 août 2026, il a quitté son poste de CEO de Google DeepMind pour devenir chair du laboratoire et chief scientist d'Alphabet, selon des informations confirmées par le New York Times et CNBC. Ce repositionnement lui confère une vision transversale sur tous les projets IA du groupe, de Gemini à Isomorphic Labs.
Sa déclaration au WSJ intervient dans un contexte de course aux benchmarks. Gemini 4 Argon, sorti en septembre 2026, a obtenu des scores inédits sur ARC-AGI, le test conçu par François Chollet pour mesurer la généralisation abstraite. OpenAI, de son côté, revendique des performances comparables avec GPT-5.6 Sol. Mais Hassabis, dans l'entretien, prend soin de distinguer les scores de benchmarks d'une véritable généralisation, le "G" de l'AGI qu'il considère comme le critère essentiel.
Le test Einstein, ou pourquoi les benchmarks ne suffisent pas
Pour matérialiser ce qu'il entend par intelligence générale, Hassabis utilise une image précise qu'il appelle le "test Einstein". La question : un modèle entraîné uniquement sur les connaissances humaines disponibles avant 1901 serait-il capable de produire les cinq articles publiés par Albert Einstein lors de son annus mirabilis de 1905, notamment la théorie de la relativité restreinte et les fondements de la physique quantique ? Aucun système n'a encore passé ce test, qui n'a pas de protocole formalisé publié. Mais il dit quelque chose d'important sur ce qu'Hassabis cherche : pas la performance sur une tâche connue, mais la capacité à produire une découverte originale à partir de prémisses.
C'est précisément ce que les grands modèles de langage actuels ne font pas, selon leurs critiques les plus sérieux. Un LLM prédit des tokens à partir de patterns statistiques tirés de données existantes. L'inférence créative, le saut de connaissance non contenu dans les données d'entraînement, reste un problème ouvert. Hassabis parie que les architectures de la prochaine génération, probablement hybrides entre apprentissage profond et raisonnement symbolique, permettront de franchir ce cap.
La science d'abord : le pari d'Isomorphic Labs
Le profil du WSJ place Isomorphic Labs, le spin-out de DeepMind dédié à la découverte de médicaments, au coeur du récit. C'est là que Hassabis voit l'AGI produire ses premiers effets tangibles : une machine capable de concevoir des molécules thérapeutiques sans partir d'une hypothèse humaine préalable. AlphaFold, qui a prédit la structure de presque toutes les protéines connues, est vu comme une étape intermédiaire vers ce but.
Cette focalisation sur la science n'est pas qu'une posture. Elle oriente concrètement les choix de déploiement de DeepMind, qui privilégie les domaines à longue durée de vérification, biologie, physique, mathématiques, plutôt que les applications grand public où la performance est difficile à mesurer objectivement. C'est une position différente de celle d'OpenAI ou d'Anthropic, plus tournés vers les usages professionnels immédiats. La question des retours sur les immenses investissements IA reste entière, mais Hassabis semble avoir choisi de jouer sur une autre échelle de temps.
Ce que deux ou trois ans signifient vraiment
Placer l'AGI à deux ou trois ans revient à dire : entre fin 2028 et fin 2029. À cette échéance, l'Union européenne sera en plein déploiement de son AI Act, dont les premières obligations pour les systèmes à haut risque entrent en vigueur en août 2026. La question de la régulation d'un système qui passerait le test Einstein, c'est-à-dire d'un système capable de produire une découverte scientifique originale, n'est pour l'instant traitée par aucun cadre légal existant.
Hassabis, lui, ne s'arrête pas sur ce point dans l'entretien au WSJ. Il parle de possibilité, pas de certitude. La fenêtre de deux à trois ans est une estimation, pas une promesse. Mais le fait qu'un chercheur de son profil, Nobel en exercice et désormais chief scientist d'Alphabet, la prononce publiquement change quelque chose dans le débat : l'AGI n'est plus une hypothèse de science-fiction, c'est un horizon de planification.
Questions fréquentes
Qu'est-ce que l'AGI selon Hassabis ?
Demis Hassabis définit l'AGI comme une cognition de niveau humain sur un large éventail de capacités, et non comme une performance maximale sur un benchmark précis. Son critère personnel, le test Einstein, consiste à vérifier si un modèle peut produire une découverte scientifique originale à partir de prémisses connues avant 1901.
Quel est le nouveau rôle de Demis Hassabis chez Google ?
Depuis le 5 août 2026, Demis Hassabis a quitté son poste de CEO de Google DeepMind pour devenir chair du laboratoire et chief scientist d'Alphabet. Ce rôle lui donne une vision transversale sur l'ensemble des projets IA du groupe, de Gemini à Isomorphic Labs.
