---
Ceux qui suivent Dharma AI savent déjà que nous considérons la spécialisation comme l’un des principes déterminants des systèmes d’IA efficaces, déterminant tout, du coût et des performances à la fiabilité et à la souveraineté. Peu d’articles ont articulé ce cas avec autant de rigueur que les travaux de 2026 de Goldfeder, Wyder, LeCun et Shwartz-Ziv.
Dans cet article, nous explorons et interprétons les idées de la spécialisation AI Must Embrace via Superhuman Adaptable Intelligence (Goldfeder, Wyder, LeCun et Shwartz-Ziv, 2026). Le cas de convergence présenté dans cet article – couvrant la théorie de l’optimisation, la biologie, l’économie organisationnelle et l’apprentissage automatique – fournit à la fois la structure factuelle et la base intellectuelle de la discussion qui suit. Le cadrage, l'organisation et la synthèse éditoriale présentés ici sont ceux de Dharma.
---
L’attente conventionnelle est raisonnable : à mesure que les systèmes d’IA deviennent plus performants, ils devraient également se généraliser. Une plus grande capacité et une applicabilité plus large semblent être des compagnons naturels : plus de ressources, de meilleures méthodes et une formation élargie devraient produire des systèmes qui abordent davantage de tâches avec une confiance croissante.
Le modèle qui apparaît réellement est différent. Les systèmes qui obtiennent les résultats les plus significatifs dans un domaine donné ont tendance à être ceux qui se concentrent le plus étroitement sur ce domaine. La percée dans la prédiction de la structure des protéines est venue d’un système conçu pour une seule tâche scientifique. Les jalons historiques de l’IA, examinés de près, reflètent un ciblage intense par domaine plutôt qu’une généralisation croissante.
Ce schéma est récurrent. Elle se reproduit à travers les domaines, à travers les décennies, à travers des choix architecturaux qui n’ont presque rien en commun. Un schéma aussi cohérent suggère une cause commune – une cause qui ne provient pas du tout de la recherche sur l’IA.
---
En 1997, Wolpert et Macready ont prouvé quelque chose qui apparaît rarement dans les discussions sur l’architecture de l’IA : aucun algorithme d’optimisation généraliste ne surpasse tous les autres dans tous les problèmes possibles (Wolpert et Macready, 1997). La preuve est mathématique et non philosophique. En faisant la moyenne de tous les problèmes imaginables auxquels un apprenant pourrait être confronté, chaque algorithme fonctionne aussi bien – que mal. Un algorithme qui gagne sur une distribution de problèmes en concède nécessairement sur d’autres. La performance est redi...
[Courte citation de 8% de l'article original]