Bien que l’intelligence générale artificielle de type humain ne soit pas imminente, des avancées substantielles pourraient être possibles dans les années à venir. Les cadres peuvent se préparer en reconnaissant les premiers signes de progrès.

Des titres qui sonnent l’alarme que l’intelligence artificielle (IA) conduira l’humanité vers un avenir dystopique semble être partout. D’éminents leaders d’opinion, des figures de la Silicon Valley aux scientifiques légendaires, ont averti que si l’IA devait évoluer vers l’intelligence générale artificielle (AGI) – IA qui est aussi capable d’apprendre des tâches intellectuelles que les humains – la civilisation serait gravement menacée.

Peu de gens voient ces avertissements, histoires et images pourraient être blâmés de croire que l’arrivée d’AGI est imminente. Il n’est donc pas surprenant que tant d’histoires médiatiques et de présentations commerciales sur l’apprentissage automatique soient accompagnées d’illustrations troublantes mettant en vedette des robots humanoïdes.

Cependant, bon nombre des chercheurs et universitaires les plus respectés voient les choses différemment. Ils soutiennent que nous sommes à des décennies de réaliser AGI, et certains prédisent même que nous ne verrons pas AGI dans ce siècle. Avec autant d’incertitude, pourquoi les dirigeants devraient-ils se soucier d’AGI aujourd’hui? La réponse est que, même si le calendrier de l’AGI est incertain, les effets perturbateurs qu’elle pourrait avoir sur la société ne peuvent pas être sous-estimés.

Beaucoup a déjà été écrit sur l’impact probable de l’IA et sur l’importance de gérer soigneusement la transition vers un monde plus automatisé. Le but de cet article est de fournir une introduction AGI pour aider les dirigeants à comprendre le chemin vers les machines atteignant l’intelligence au niveau humain, les indicateurs permettant de mesurer les progrès et les actions que le lecteur peut prendre pour commencer les préparatifs aujourd’hui.

Quelle est l’imminence d’AGI?

En prédisant qu’AGI n’arrivera pas avant l’an 2300, Rodney Brooks, roboticien du MIT et co-fondateur d’iRobot, ne mâche pas ses mots: «C’est une période difficile de comprendre la vraie promesse et les dangers de l’IA. La plupart de ce que nous lisons dans les gros titres… est, je crois, complètement faux. »

Brooks est loin d’être la seule voix de la dissidence. D’éminents chercheurs en IA tels que Geoffrey Hinton et Demis Hassabis ont déclaré que l’AGI était loin d’être proche de la réalité. En répondant à l’un des articles de Brooks, Yann LeCun, professeur au Courant Institute of Mathematical Sciences de l’Université de New York (NYU), est beaucoup plus direct: «Il est difficile d’expliquer aux non-spécialistes que l’AGI n’est pas une chose », et que la plupart des salles qui ont AGI en leur nom traitent de questions hautement spéculatives et théoriques …»

Pourtant, de nombreux universitaires et chercheurs soutiennent qu’il existe au moins une chance que l’intelligence artificielle au niveau humain puisse être atteinte au cours de la prochaine décennie. Richard Sutton, professeur d’informatique à l’Université de l’Alberta, a déclaré dans un discours en 2017: «Comprendre l’IA au niveau humain sera une réalisation scientifique profonde (et une aubaine économique) et pourrait bien se produire d’ici 2030 (25% de chance), ou par 2040 (50% de chances) – ou jamais (10% de chances). »

Que devraient retirer les dirigeants de ce débat? Même une faible probabilité d’atteindre l’AGI au cours de la prochaine décennie justifie de prêter attention aux développements dans le domaine, étant donné le point d’inflexion potentiellement dramatique que l’AGI pourrait entraîner dans la société. Comme l’explique LeCun: «Il existe un mince domaine de recherche qui, tout en ayant des objectifs ambitieux de progresser vers l’intelligence au niveau humain, est également suffisamment ancré dans les méthodologies scientifiques et d’ingénierie pour apporter de réels progrès technologiques. C’est l’endroit idéal. “

Pour les chefs d’entreprise, il est essentiel d’identifier les chercheurs qui opèrent dans ce sweet spot. Dans ce guide de l’exécutif sur AGI, nous visons à aider les lecteurs à faire cette évaluation en examinant l’histoire du domaine (voir l’encadré, «Une brève histoire de l’IA»), les problèmes qui doivent être résolus avant que les chercheurs puissent affirmer qu’ils sont sur le point de se développer l’intelligence artificielle au niveau humain et ce que les dirigeants devraient faire compte tenu de ces informations.

Quelles capacités transformeraient l’IA en AGI?

En prédisant qu’AGI n’arrivera pas avant l’an 2300, Rodney Brooks, roboticien du MIT et co-fondateur d’iRobot, ne mâche pas ses mots: «C’est une période difficile de comprendre la vraie promesse et les dangers de l’IA. La plupart de ce que nous lisons dans les gros titres… est, je crois, complètement faux. »

Brooks est loin d’être la seule voix de la dissidence. D’éminents chercheurs en IA tels que Geoffrey Hinton et Demis Hassabis ont déclaré que l’AGI était loin d’être proche de la réalité. En répondant à l’un des articles de Brooks, Yann LeCun, professeur au Courant Institute of Mathematical Sciences de l’Université de New York (NYU), est beaucoup plus direct: «Il est difficile d’expliquer aux non-spécialistes que l’AGI n’est pas une chose », et que la plupart des salles qui ont AGI en leur nom traitent de questions hautement spéculatives et théoriques …»

Pourtant, de nombreux universitaires et chercheurs soutiennent qu’il existe au moins une chance que l’intelligence artificielle au niveau humain puisse être atteinte au cours de la prochaine décennie. Richard Sutton, professeur d’informatique à l’Université de l’Alberta, a déclaré dans un discours en 2017: «Comprendre l’IA au niveau humain sera une réalisation scientifique profonde (et une aubaine économique) et pourrait bien se produire d’ici 2030 (25% de chance), ou par 2040 (50% de chances) – ou jamais (10% de chances). »

Que devraient retirer les dirigeants de ce débat? Même une faible probabilité d’atteindre l’AGI au cours de la prochaine décennie justifie de prêter attention aux développements dans le domaine, étant donné le point d’inflexion potentiellement dramatique que l’AGI pourrait entraîner dans la société. Comme l’explique LeCun: «Il existe un mince domaine de recherche qui, tout en ayant des objectifs ambitieux de progresser vers l’intelligence au niveau humain, est également suffisamment ancré dans les méthodologies scientifiques et d’ingénierie pour apporter de réels progrès technologiques. C’est l’endroit idéal. “

Pour les chefs d’entreprise, il est essentiel d’identifier les chercheurs qui opèrent dans ce sweet spot. Dans ce guide de l’exécutif sur AGI, nous visons à aider les lecteurs à faire cette évaluation en examinant l’histoire du domaine (voir l’encadré, «Une brève histoire de l’IA»), les problèmes qui doivent être résolus avant que les chercheurs puissent affirmer qu’ils sont sur le point de se développer l’intelligence artificielle au niveau humain et ce que les dirigeants devraient faire compte tenu de ces informations.

Quelles capacités transformeraient l’IA en AGI?

Pour comprendre la complexité de la réalisation d’une véritable intelligence au niveau humain, il vaut la peine d’examiner certaines des capacités que la véritable AGI devra maîtriser.

Perception sensorielle. Alors que l’apprentissage en profondeur a permis des avancées majeures en vision par ordinateur, les systèmes d’IA sont loin de développer des capacités de perception sensorielle de type humain. Par exemple, les systèmes formés par l’apprentissage en profondeur ont toujours une mauvaise cohérence des couleurs: les systèmes de voiture autonomes ont été trompés par de petits morceaux de ruban adhésif noir ou des autocollants sur un panneau d’arrêt rouge. Pour tout être humain, la rougeur du panneau d’arrêt est encore complètement évidente, mais le système basé sur l’apprentissage en profondeur se laisse berner en pensant que le panneau d’arrêt est autre chose. Les systèmes de vision par ordinateur actuels sont également largement incapables d’extraire des informations en profondeur et en trois dimensions à partir d’images statiques.

Les humains peuvent également déterminer les caractéristiques spatiales d’un environnement à partir du son, même lorsqu’ils écoutent un canal téléphonique monophonique. Nous pouvons comprendre le bruit de fond et former une image mentale de l’endroit où se trouve quelqu’un en lui parlant au téléphone (sur un trottoir, avec des voitures qui s’approchent en arrière-plan). Les systèmes d’IA ne sont pas encore en mesure de reproduire cette perception distinctement humaine.

Dextérité. Tout être humain peut facilement récupérer un jeu de clés dans une poche. Très peu d’entre nous laisseraient les robots manipulateurs ou les mains humanoïdes que nous voyons faire cette tâche pour nous. Les chercheurs dans le domaine travaillent sur ce problème. Une démonstration récente a montré comment l’apprentissage par renforcement pouvait apprendre à un robot à résoudre un cube de Rubik. Bien que Claude Shannon ait construit un robot pour résoudre le cube il y a des décennies, cette démonstration illustre la dextérité impliquée dans la programmation des doigts du robot d’une seule main pour manipuler un objet complexe.

Compréhension du langage naturel. Les humains enregistrent et transmettent leurs compétences et leurs connaissances à travers des livres, des articles, des articles de blog et, plus récemment, des vidéos pratiques. L’IA devra être capable de consommer ces sources d’informations en toute compréhension. Les humains écrivent avec une supposition implicite des connaissances générales du lecteur, et une grande quantité d’informations est supposée et non dite. Si l’IA n’a pas cette base de connaissances de bon sens, elle ne pourra pas fonctionner dans le monde réel.

Les professeurs de l’Université de New York, Gary Marcus et Ernest Davis, décrivent cette exigence plus en détail dans leur livre «Redémarrer l’IA», soulignant que cette connaissance du bon sens est importante même pour les tâches les plus banales que quiconque voudrait que les systèmes d’IA effectuent. Comme le note Douglas Hofstadter, le fait que les services de traduction automatique gratuits soient devenus assez précis grâce à l’apprentissage en profondeur ne signifie pas que l’IA est proche d’une véritable compréhension de la lecture, car elle ne comprend pas le contexte sur plusieurs phrases, ce que même les tout-petits gèrent sans effort. Les différents rapports sur l’IA réussissant les examens d’entrée ou réussissant aux tests scientifiques de huitième année sont quelques exemples de la façon dont une solution d’IA étroite peut être facilement confondue avec l’intelligence au niveau humain.

Résolution de problème. Dans toute application à usage général, un robot (ou un moteur d’IA vivant dans le cloud) devra être en mesure de diagnostiquer les problèmes, puis de les résoudre. Un robot domestique devrait reconnaître qu’une ampoule est grillée et remplacer l’ampoule ou en informer un réparateur. Pour effectuer ces tâches, le robot a besoin soit d’un aspect du bon sens décrit ci-dessus, soit de la capacité d’exécuter des simulations pour déterminer les possibilités, la plausibilité et les probabilités. Aujourd’hui, aucun système connu ne possède un tel bon sens ou une telle capacité de simulation à usage général.

La navigation. Le GPS, combiné à des capacités telles que la localisation et la cartographie simultanées (SLAM), a bien progressé dans ce domaine. Cependant, la projection d’actions à travers des espaces physiques imaginés n’est pas très avancée par rapport aux capacités actuelles des jeux vidéo. Des années de travail sont encore nécessaires pour fabriquer des systèmes robustes qui peuvent être utilisés sans amorçage humain. Les démonstrations académiques actuelles ne sont pas parvenues à atteindre cet objectif.

La créativité. Les commentateurs craignant la superintelligence théorisent qu’une fois que l’IA atteint l’intelligence au niveau humain, elle s’améliorera rapidement grâce à un processus d’amorçage pour atteindre des niveaux d’intelligence dépassant de loin ceux de tout être humain. Mais pour accomplir cette auto-amélioration, les systèmes d’IA devront réécrire leur propre code. Ce niveau d’introspection nécessitera un système d’IA pour comprendre les grandes quantités de code que les humains ont bricolé et identifier de nouvelles méthodes pour l’améliorer. Les machines ont démontré leur capacité à dessiner des images et à composer de la musique, mais de nouveaux progrès sont nécessaires pour la créativité au niveau humain.

Engagement social et émotionnel. Pour que les robots et l’IA réussissent dans notre monde, les humains doivent vouloir interagir avec eux et ne pas les craindre. Le robot devra comprendre les humains, interpréter les expressions faciales ou les changements de ton qui révèlent les émotions sous-jacentes. Certaines applications limitées sont déjà utilisées, telles que les systèmes déployés dans les centres de contact qui peuvent détecter les clients en colère ou inquiets et les diriger vers la bonne file d’attente pour obtenir de l’aide. Mais étant donné les difficultés des humains à interpréter correctement les émotions et les défis de perception discutés ci-dessus, une IA capable d’empathie semble être une perspective lointaine.

Quatre façons de mesurer les progrès

Au lieu d’essayer encore d’utiliser le test de Turing, Brooks suggère quatre façons simples de mesurer nos progrès vers l’intelligence au niveau humain qui sont résumées ci-dessous. De même, de nombreuses entreprises et organismes de recherche explorent des cadres alternatifs pour mesurer les progrès en fonction de capacités humaines équivalentes granulaires, des exigences pour effectuer certaines tâches humaines ou de la combinaison de capacités pour effectuer chaque travail humain.

Les capacités de reconnaissance d’objets d’un enfant de deux ans

Dans le premier cas, les enfants de deux ans qui ne sont habitués qu’à s’asseoir sur des chaises blanches se rendront compte qu’ils peuvent également s’asseoir sur des chaises noires, des tabourets bruns à trois pattes, ou même sur des rochers ou des piles de livres.

Les capacités de compréhension linguistique d’un enfant de quatre ans

Les enfants de quatre ans sont généralement capables de converser et de suivre le contexte et le sens au cours de multiples échanges avec une compréhension décente des subtilités du langage. Nous n’avons pas besoin de commencer chaque phrase en indiquant d’abord leur nom (contrairement aux locuteurs «intelligents» d’aujourd’hui), et ils peuvent comprendre quand une conversation est terminée ou que les participants ont changé. Les enfants peuvent comprendre le chant, les cris et les chuchotements et effectuer chacune de ces activités. Ils comprennent même le mensonge et l’humour.

La dextérité manuelle d’un enfant de six ans

La plupart des enfants de six ans sont capables de s’habiller et peuvent même attacher leurs propres chaussures. Ils peuvent effectuer des tâches complexes nécessitant une dextérité manuelle en utilisant une variété de matériaux différents, et peuvent manipuler des animaux et même des frères et sœurs plus jeunes.

La compréhension sociale d’un enfant de huit ans

Les enfants de huit ans peuvent exprimer leurs propres croyances, désirs et intentions, les expliquer aux autres et comprendre quand les autres expliquent les leurs. Ils peuvent déduire les désirs et les intentions des autres de leurs actions et comprendre pourquoi ils ont ces désirs et intentions. Nous n’expliquons pas nos désirs et nos intentions aux enfants parce que nous attendons d’eux qu’ils comprennent ce qu’ils observent.

Bien que la communauté de l’IA soit active dans la recherche pour aborder tous ces aspects, nous sommes probablement à des décennies de la réalisation de certains d’entre eux. Dans des applications plus étroites, il semble plausible que la reconnaissance d’objets, la compréhension du langage et la dextérité manuelle puissent être maîtrisées suffisamment à moyen terme pour répondre à des cas d’utilisation spécifiques.

Très souvent dans la littérature, le concept d’un robot robotique de soins aux personnes âgées est utilisé comme cas de test conceptuel. Avec les progrès que nous constatons, il est certainement plausible qu’un robot domestique simplifié et utile qui puisse offrir une assistance à une personne âgée puisse être disponible au cours de la prochaine décennie, même s’il est contrôlé par un pilote humain à distance au début.

Quelles avancées pourraient accélérer les points d’inflexion?

La réduction des coûts de stockage au cours des deux dernières décennies a fait naître le concept de «big data». Les progrès de l’informatique dans les GPU permettent uniquement d’appliquer un algorithme à des réseaux de neurones beaucoup plus vastes. Avec ces réseaux de neurones formés sur de très grands ensembles de données, les chercheurs ont accompli toutes les avancées récentes apportées par l’apprentissage en profondeur. La combinaison des données, des algorithmes et des avancées informatiques a provoqué un point d’inflexion. Pour rechercher le prochain point d’inflexion de l’IA, il est utile de considérer à nouveau le paysage en utilisant ces trois composants.

Avancées algorithmiques majeures et nouvelles approches robotiques. Cela peut très bien nécessiter des approches complètement nouvelles pour nous déplacer vers le niveau d’intelligence affiché par un chien ou un enfant humain de deux ans. Un exemple que les chercheurs explorent est le concept de cognition incarnée. Leur hypothèse est que les robots devront apprendre de leur environnement à travers une multitude de sens, tout comme le font les humains dans les premiers stades de la vie – et qu’ils devront expérimenter le monde physique à travers un corps similaire à celui des humains afin de développer cognitivement de la même manière que les humains. Le monde physique étant déjà conçu autour des humains, cette approche a du mérite. Cela nous empêche d’avoir à repenser un si grand nombre de nos interfaces physiques – tout, des poignées de porte aux escaliers et aux boutons d’ascenseur. Certes, comme décrit dans une section précédente, si nous allons créer des liens avec des robots intelligents, nous devrons les aimer. Et il est probable qu’une telle liaison ne se produira que si elles nous ressemblent.

L’avancée complète de l’apprentissage en profondeur est rendue possible par l’algorithme de rétropropagation, qui permet aux réseaux neuronaux vastes et complexes d’apprendre des données d’entraînement. Hinton, en collaboration avec ses collègues David Rumelhart et Ronald Williams, a publié «Apprendre les représentations par des erreurs de propagation en arrière» en 1986. Il a fallu encore 26 ans avant qu’une augmentation de la puissance de calcul et la croissance des «mégadonnées» aient permis d’utiliser cette découverte à l’échelle vue aujourd’hui. Alors qu’une multitude de chercheurs ont amélioré la façon dont la rétropropagation est utilisée dans l’apprentissage en profondeur, aucune de ces améliorations n’a été transformatrice de la même manière. (Les travaux plus récents de Hinton sur les «réseaux de capsules» pourraient très bien être une telle avancée algorithmique qui pourrait, entre autres applications, surmonter les limites des réseaux neuronaux actuels en vision industrielle.)

L’apprentissage en profondeur suppose un état «vierge» et que toute «intelligence» peut être apprise à partir des données d’entraînement. Quiconque a déjà vu naître un mammifère reconnaîtrait que quelque chose comme un faon commence sa vie avec un niveau de connaissances intégré. Il se tient debout dans les 10 minutes, sait se nourrir presque immédiatement et marche en quelques heures. Comme Marcus et Davis le soulignent dans Rebooting AI, «La véritable avancée de l’IA, nous pensons, commencera par une compréhension des types de connaissances et de représentations qui devraient être intégrés avant l’apprentissage, afin d’amorcer le reste.» Le récent succès de l’apprentissage en profondeur a peut-être détourné l’attention de la recherche du travail cognitif plus fondamental requis pour progresser dans l’IGA.

Avancées informatiques majeures. L’application de GPU à la formation de réseaux de neurones profonds a été une étape cruciale qui a rendu possible les avancées majeures de ces dernières années. Les GPU ont permis aux calculs complexes requis par l’algorithme de rétropropagation de Hinton d’être appliqués en parallèle, permettant ainsi de former des réseaux neuronaux extrêmement complexes en un temps fini. Avant de s’attendre à une nouvelle croissance exponentielle vers AGI, un point d’inflexion similaire dans l’infrastructure informatique devrait être associé à des avancées algorithmiques uniques.

L’informatique quantique est souvent présentée comme l’une des avancées informatiques potentielles qui pourraient changer notre société. Mais, comme nos collègues l’ont récemment noté dans un rapport de recherche, l’informatique quantique n’est pas proposée pour remplacer les appareils d’aujourd’hui, mais pour des problèmes statistiques très complexes que la puissance de calcul actuelle ne peut pas résoudre. De plus, la première preuve réelle que les ordinateurs quantiques peuvent gérer ces types de problèmes n’est survenue qu’à la fin de 2019, et uniquement pour un exercice purement mathématique sans aucune utilisation réelle. Le matériel et les logiciels pour gérer les problèmes tels que ceux requis pour les progrès de l’IA peuvent ne pas arriver avant 2035 ou plus tard. Néanmoins, l’informatique quantique reste l’un des points d’inflexion les plus probables et celui à surveiller de près.

Croissance substantielle du volume de données et de nouvelles sources. Le déploiement de l’infrastructure mobile 5G est l’une des avancées technologiques censées entraîner une augmentation significative des données en raison de la façon dont la technologie peut permettre la croissance de l’Internet des objets (IoT). Les recherches menées par nos confrères ont néanmoins relevé des obstacles à la mise en œuvre de la 5G, notamment en économie pour les opérateurs. De plus, dans une enquête de 2019, les opérateurs ont déclaré qu’ils ne considéraient pas l’IoT comme un objectif principal pour la 5G, car la capacité IoT existante était probablement suffisante pour la plupart des cas d’utilisation. En conséquence, la 5G semble peu susceptible à elle seule de servir de point d’inflexion majeur pour l’augmentation du volume de données et de catalyseur ultérieur des données d’entraînement. La plupart des avantages peuvent déjà être apparus.

De nouvelles approches robotiques peuvent générer de nouvelles sources de données d’entraînement. En plaçant des robots de type humain avec des fonctions de base, même parmi les humains – et en le faisant à grande échelle – de grands ensembles de données qui imitent nos propres sens peuvent aider à fermer une boucle de rétroaction d’entraînement qui améliore l’état de l’art. Les voitures de pointe à conduite autonome en sont un exemple: les données collectées par les voitures déjà sur le marché agissent comme un ensemble de formation pour les futures capacités de conduite autonome. De plus, de nombreuses recherches sont en cours sur l’interaction homme-robot. En trouvant des cas d’utilisation initiaux pour des robots de type humain, cette recherche pourrait considérablement ajouter aux données de formation nécessaires pour étendre leurs capacités.

Ce que les dirigeants pourraient faire

  • Restez étroitement informé de l’évolution de l’AGI, en particulier en ce qui concerne la manière dont AGI pourrait progresser plus rapidement que prévu. Pour ce faire, connectez-vous avec les startups et développez un cadre pour évaluer et suivre les progrès des développements AGI qui sont pertinents pour votre entreprise. De plus, commencez à considérer la bonne gouvernance, les conditions et les limites du succès au sein de votre entreprise et de vos communautés.
  • Adaptez les environnements pour permettre les avancées de l’intelligence artificielle étroite maintenant – n’attendez pas qu’AGI se développe avant d’agir. Un certain nombre de mesures peuvent être prises aujourd’hui pour ajuster le paysage et augmenter l’adoption. Il s’agit notamment de simplifier les processus, de structurer les espaces physiques et de convertir les systèmes analogiques et les données non structurées en systèmes numériques et données structurées. Les programmes numériques et d’automatisation d’aujourd’hui peuvent faciliter la transition vers AGI pour vos clients, employés et parties prenantes.
  • Investissez dans des interfaces homme-machine combinées ou des technologies «humaines dans la boucle» qui augmentent l’intelligence humaine plutôt que de la remplacer. Cette catégorie comprend tout, de l’analyse pour améliorer la prise de décision humaine aux agents cognitifs qui travaillent aux côtés des agents des centres d’appels. L’utilisation de la technologie pour aider les gens à être plus productifs a été le moteur du progrès économique et le restera probablement dans un avenir prévisible.
  • Démocratisez la technologie dans votre entreprise afin que les progrès ne soient pas gênés par la capacité de votre organisation informatique. Cela ne signifie pas que la technologie se déchaîne. Cela signifie renforcer les capacités techniques en dehors de l’informatique, déployer de manière sélective des plates-formes qui nécessitent peu ou pas de compétences en codage et concevoir des modèles de gouvernance qui encouragent plutôt qu’étouffent l’innovation.
  • Organisez vos travailleurs pour de nouvelles économies d’échelle et de compétences. Les structures organisationnelles rigides et les modèles de fonctionnement du passé sont mal adaptés à un monde où l’IA progresse rapidement. Embrassez le pouvoir des humains de travailler dans des environnements complexes et de s’auto-organiser. Par exemple, instaurer des modèles de flux vers le travail qui permettent aux gens de passer sans heurts entre les initiatives et les groupes.
  • Placez de small bets  pour préserver les options stratégiques dans les domaines de votre entreprise les plus exposés aux développements AGI. Par exemple, envisagez d’investir dans des entreprises technologiques qui poursuivent des projets de recherche et développement ambitieux en IA dans votre secteur. Il est impossible de savoir quand (ou si) vos paris porteront leurs fruits, mais des investissements ciblés aujourd’hui peuvent vous aider à couvrir les risques existentiels auxquels votre entreprise pourrait être confrontée à l’avenir.
  • Explorez les modèles d’innovation ouverte et les plateformes avec d’autres entreprises, gouvernements et institutions académiques. De tels arrangements sont essentiels pour tester l’art du possible et les nuances commerciales du développement AGI. Il est difficile de suivre le paysage AGI en évolution rapide sans une expérience de première main aux côtés d’organisations de premier plan.