Trump veut rebaptiser l’IA, mais « superintelligence » désigne déjà autre chose

Publié le Auteur/autrice Richard 0

Le 22 septembre 2026, Donald Trump a proposé de remplacer Artificial Intelligence par Super Intelligence, abrégée SI. Ce changement de vocabulaire ne modifie ni les outils disponibles ni leurs performances. Il reprend surtout un terme déjà utilisé pour désigner une hypothèse bien plus ambitieuse que l’IA actuelle.

Trump avait d’abord soumis plusieurs appellations, dont Superior Intelligence et Extreme Intelligence, avant de retenir Super Intelligence. Une administration peut imposer ce choix dans ses propres documents, mais elle ne redéfinit pas pour autant un domaine scientifique utilisé par les chercheurs, les entreprises et les autorités de nombreux pays.

Le nom change, pas les systèmes

Le terme Artificial Intelligence décrit des méthodes et des logiciels capables de produire des prédictions, des recommandations, des classifications ou du contenu à partir d’objectifs et de données définis par des humains. Cette catégorie comprend des outils très différents, d’un système de traduction à un modèle utilisé pour analyser des images médicales.

La proposition présidentielle relève donc du vocabulaire politique et administratif. Elle ne crée pas une nouvelle catégorie technique et ne transforme pas les systèmes déjà déployés. L’expression « Super Intelligence », avec un espace et des majuscules, fonctionne ici comme un nom proposé pour l’IA. Elle ne doit pas être confondue avec le terme scientifique superintelligence.

La superintelligence désigne un stade encore hypothétique

Les discussions sur l’avenir de l’IA distinguent généralement plusieurs niveaux. L’IA spécialisée accomplit une tâche ou un ensemble limité de tâches. L’intelligence artificielle générale, ou AGI, désigne un système capable de s’adapter à un grand nombre de tâches avec un niveau comparable à celui d’un humain. Son existence actuelle n’est pas établie.

La superintelligence, souvent abrégée ASI pour artificial superintelligence, désigne une hypothèse plus ambitieuse encore. Elle correspondrait à un système dépassant les meilleures performances humaines dans presque tous les domaines cognitifs. Aucun outil présenté dans l’article comme une IA actuelle ne constitue une telle démonstration.

Une revue publiée dans le Japanese Journal of Radiology présente l’alignement de la superintelligence en santé comme un problème théorique et examine ses liens avec des difficultés déjà rencontrées dans des systèmes d’IA moins avancés. Le sujet porte notamment sur les biais, la généralisation à d’autres contextes cliniques et l’optimisation d’un indicateur qui ne correspond pas exactement à l’intérêt du patient.

La différence entre les deux expressions est donc concrète. « Super Intelligence » est le nom politique proposé par Trump. « Superintelligence » désigne un système futur supposé dépasser l’être humain de manière générale. Employer le second terme pour parler de chaque chatbot donne l’impression que ce stade est déjà atteint.

Ce que le nouveau terme laisse dans l’ombre

Changer l’étiquette ne répond pas aux questions qui déterminent la sécurité d’un système. Qui vérifie ses résultats? Qui peut suspendre son fonctionnement? Quelle organisation assume une erreur? Quelles données peuvent être utilisées et dans quelles limites? Ces questions restent les mêmes, que le logiciel soit présenté comme une IA ou comme une Super Intelligence.

Le glissement lexical peut toutefois déplacer l’attention vers la puissance supposée du système et la compétition entre États. Il donne moins d’informations sur les contrôles, les usages autorisés et la responsabilité des personnes qui conçoivent, déploient ou valident les résultats. Pour un outil utilisé dans une administration, un hôpital ou un service sensible, le nom ne remplace aucune de ces garanties.

Les problèmes d’alignement existent avant la superintelligence

white and black plastic bottle lot
Photo de Testalize.me sur Unsplash.

L’alignement consiste à faire correspondre l’objectif d’un système avec l’intention humaine, les règles du domaine concerné et les conséquences acceptables. Un modèle peut optimiser un indicateur sans atteindre le but réel. En santé, un système chargé d’améliorer la précision d’un diagnostic pourrait, dans un scénario théorique, favoriser davantage d’examens sans tenir compte de leur coût, de leurs effets indésirables ou de l’autonomie du patient.

La revue du Japanese Journal of Radiology recense plusieurs pistes de contrôle, dont l’interprétabilité, les tests adverses, la vérification formelle et l’évaluation par des professionnels. Elle examine aussi les enjeux éthiques, la gouvernance et la responsabilité. Ces méthodes concernent déjà les systèmes actuels, même si la difficulté augmenterait avec un logiciel plus autonome ou capable d’utiliser plusieurs outils.

Le scénario prompt-to-drug reste une proposition

Une revue publiée dans ACS Central Science décrit le concept de prompt-to-drug. Dans ce scénario, une instruction en langage courant pourrait lancer une chaîne allant de l’identification d’une cible biologique à la conception d’une molécule, sa synthèse, sa validation et la préparation d’essais cliniques.

Cette vision repose sur la combinaison de modèles génératifs, de données biologiques et de laboratoires automatisés. Elle décrit une évolution possible des chaînes de découverte de médicaments, pas la preuve qu’un modèle actuel peut conduire seul un programme pharmaceutique fiable. Plus le système intervient dans d’étapes physiques et médicales, plus il faut des contrôles indépendants, des traces vérifiables et une possibilité d’arrêt.

Le mot superintelligence ne remplace donc ni la validation expérimentale ni l’évaluation clinique. Il ne permet pas non plus de savoir si une hypothèse produite par un modèle est biologiquement correcte, si une synthèse est sûre ou si un traitement convient à un patient.

Les contraintes matérielles rendent le scénario incertain

La superintelligence ne dépend pas uniquement des algorithmes. Elle nécessiterait aussi du calcul, de la mémoire, du refroidissement et de l’énergie. Un article publié dans Frontiers in Artificial Intelligence soutient que les architectures électroniques actuelles pourraient constituer un obstacle majeur à l’apparition d’une intelligence générale, et plus encore d’une superintelligence.

Les auteurs proposent une estimation théorique de la consommation énergétique d’un tel système et concluent qu’elle pourrait dépasser de plusieurs ordres de grandeur les ressources disponibles dans les pays très industrialisés. Cette analyse ne démontre pas que la superintelligence est impossible. Elle laisse ouverte l’hypothèse de nouvelles architectures, notamment inspirées du fonctionnement biologique.

Les projections restent donc discutées. Certaines décrivent des systèmes plus autonomes, tandis que d’autres insistent sur les limites énergétiques, techniques ou conceptuelles. Présenter la superintelligence comme un produit déjà disponible efface cette incertitude.

Quel vocabulaire utiliser pour évaluer une annonce?

  1. IA désigne l’ensemble des méthodes et systèmes qui réalisent des tâches comme la classification, la prédiction, la recommandation ou la génération de contenu.
  2. AGI désigne une intelligence artificielle générale capable de s’adapter à un grand nombre de tâches avec un niveau comparable à celui de l’être humain. Son existence actuelle n’est pas établie.
  3. Superintelligence désigne une hypothèse de système dépassant les humains dans presque tous les domaines cognitifs.
  4. Super Intelligencedans l’annonce de Donald Trumpcorrespond à un choix politique de vocabulaire. Il ne constitue pas une preuve de progrès technique.

Pour comprendre une annonce sur l’IA, il faut donc distinguer un logiciel déjà utilisé, une capacité expérimentale, une projection scientifique et une organisation publique en préparation. Dans le cas présent, le changement de nom concerne le discours. Il ne tranche ni le niveau réel des systèmes actuels ni les conditions nécessaires pour les rendre compréhensibles, contrôlables et responsables.

Sources et références scientifiques
  1. Lance Ulanoff. Trump wants to rename Artificial Intelligence ‘Super Intelligence’, but his real message is that he doesn't want to regulate it, and that's what worries me. 2026.
  2. Artificial superintelligence alignment in healthcare – PMC. Japanese journal of radiology. DOI: 10.1007/s11604-025-01907-1 · PMID: 41236701.
  3. 1.Topol EJ. High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25:44-56. [DOI] [PubMed] [Google Scholar].
  4. 2.Hinton G. Deep Learning, A technology with the potential to transform health care. JAMA. 2018;320:1101-2. [DOI] [PubMed] [Google Scholar].
  5. 3.Barat M, Pellat A, Hoeffel C, Dohan A, Coriat R, Fishman EK, et al. CT and MRI of abdominal cancers: current trends and perspectives in the era of radiomics and artificial intelligence. Jpn J Radiol. 2023;42:246-60. [DOI] [PubMed] [Google Scholar].
  6. 4.Lo Mastro A, Grassi E, Berritto D, Russo A, Reginelli A, Guerra E, et al. Artificial intelligence in fracture detection on radiographs: a literature review. Jpn J Radiol. 2025;43:551-85. [DOI] [PubMed] [Google Scholar].
  7. 5.Good IJ. Speculations concerning the first ultraintelligent machine. Advances in computers. Elsevier; 1966. pp. 31-88..
  8. 6.Bostrom N, Superintelligence. Paths, Dangers, strategies. London, England: Oxford University Press; 2016. [Google Scholar].
  9. 7.Hamet P, Tremblay J. Artificial intelligence in medicine. Metabolism. 2017;69S:S36-40. [DOI] [PubMed] [Google Scholar].
  10. 8.Obermeyer Z, Emanuel EJ. Predicting the future – big data, machine learning, and clinical medicine. N Engl J Med. 2016;375:1216-9. [DOI] [PMC free article] [PubMed] [Google Scholar].
  11. teva A, Robicquet A, Ramsundar B, Kuleshov V, DePristo M, Chou K, et al. A guide to deep learning in healthcare. Nat Med. 2019;25:24-9. [DOI] [PubMed] [Google Scholar].
  12. 10.Yu K-H, Beam AL, Kohane IS. Artificial intelligence in healthcare. Nat Biomed Eng. 2018;2:719-31. [DOI] [PubMed] [Google Scholar].
  13. 11.Fujita S, Fushimi Y, Ito R, Matsui Y, Tatsugami F, Fujioka T, et al. Advancing clinical MRI exams with artificial intelligence: japan’s contributions and future prospects. Jpn J Radiol. 2025;43:355-64. [DOI] [PMC free article] [PubMed] [Google Scholar].
  14. 12.Morley J, Machado CCV, Burr C, Cowls J, Joshi I, Taddeo M, et al. The ethics of AI in health care: A mapping review. Soc Sci Med. 2020;260:113172. [DOI] [PubMed] [Google Scholar].
  15. From Prompt to Drug: Toward Pharmaceutical Superintelligence – PMC. ACS central science. DOI: 10.1021/acscentsci.5c01473 · PMID: 42039741.
  16. KP Jayatunga M., Ayers M., Bruens L., Jayanth D., Meier C.. How Successful Are AI-Discovered Drugs in Clinical Trials? A First Analysis and Emerging Lessons. Drug Discovery Today. 2024;29(6):104009. doi: 10.1016/j.drudis.2024.104009. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.drudis.2024.104009.
  17. Xu Z., Ren F., Wang P., Cao J., Tan C., Ma D., Zhao L., Dai J., Ding Y., Fang H., Li H., Liu H., Luo F., Meng Y., Pan P., Xiang P., Xiao Z., Rao S., Satler C., Liu S., Lv Y., Zhao H., Chen S., Cui H., Korzinkin M., Gennert D., Zhavoronkov A.. A Generative AI-Discovered TNIK Inhibitor for Idiopathic Pulmonary Fibrosis: A Randomized Phase 2a Trial. Nature Medicine. 2025;31(8):2602. doi: 10.1038/s41591-025-03743-2. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1038/s41591-025-03743-2.
  18. Lo Y.-C., Rensi S. E., Torng W., Altman R. B.. Machine Learning in Chemoinformatics and Drug Discovery. Drug Discovery Today. 2018;23(8):1538-1546. doi: 10.1016/j.drudis.2018.05.010. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1016/j.drudis.2018.05.010.
  19. Jeon J., Nim S., Teyra J., Datti A., Wrana J. L., Sidhu S. S., Moffat J., Kim P. M.. A Systematic Approach to Identify Novel Cancer Drug Targets Using Machine Learning, Inhibitor Design and High-Throughput Screening. Genome Med. 2014;6(7):57. doi: 10.1186/s13073-014-0057-7. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.1186/s13073-014-0057-7.
  20. Iorio F., Knijnenburg T. A., Vis D. J., Bignell G. R., Menden M. P., Schubert M., Aben N., Goncalves E., Barthorpe S., Lightfoot H., Cokelaer T., Greninger P., van Dyk E., Chang H., de Silva H., Heyn H., Deng X., Egan R. K., Liu Q., Mironenko T., Mitropoulos X., Richardson L., Wang J., Zhang T., Moran S., Sayols S., Soleimani M., Tamborero D., Lopez-Bigas N., Ross-Macdonald P., Esteller M., Gray N. S., Haber D. A., Stratton M. R., Benes C. H., Wessels L. F.A., Saez-Rodriguez J., McDermott U., Ga. doi:10.1016/j.cell.2016.06.017.
  21. Shen M., Xiao Y., Golbraikh A., Gombar V. K., Tropsha A.. Development and Validation of K-Nearest-Neighbor QSPR Models of Metabolic Stability of Drug Candidates. J. Med. Chem. 2003;46(14):3013-3020. doi: 10.1021/jm020491t. [DOI] [PubMed] [Google Scholar]. doi:10.1021/jm020491t.
  22. Fang J., Yang R., Gao L., Zhou D., Yang S., Liu A., Du G.. Predictions of BuChE Inhibitors Using Support Vector Machine and Naive Bayesian Classification Techniques in Drug Discovery. J. Chem. Inf. Model. 2013;53(11):3009-3020. doi: 10.1021/ci400331p. [DOI] [PubMed] [Google Scholar]. doi:10.1021/ci400331p.
  23. Li G.-B., Yang L.-L., Wang W.-J., Li L.-L., Yang S.-Y.. ID-Score: A New Empirical Scoring Function Based on a Comprehensive Set of Descriptors Related to Protein-Ligand Interactions. J. Chem. Inf. Model. 2013;53(3):592-600. doi: 10.1021/ci300493w. [DOI] [PubMed] [Google Scholar]. doi:10.1021/ci300493w.
  24. Shi H., Liu S., Chen J., Li X., Ma Q., Yu B.. Predicting Drug-Target Interactions Using Lasso with Random Forest Based on Evolutionary Information and Chemical Structure. Genomics. 2019;111(6):1839-1852. doi: 10.1016/j.ygeno.2018.12.007. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.ygeno.2018.12.007.
  25. Volkamer A., Kuhn D., Grombacher T., Rippmann F., Rarey M.. Combining Global and Local Measures for Structure-Based Druggability Predictions. J. Chem. Inf. Model. 2012;52(2):360-372. doi: 10.1021/ci200454v. [DOI] [PubMed] [Google Scholar]. doi:10.1021/ci200454v.
  26. Harvey M. J., De Fabritiis G.. High-Throughput Molecular Dynamics: The Powerful New Tool for Drug Discovery. Drug Discovery Today. 2012;17(19):1059-1062. doi: 10.1016/j.drudis.2012.03.017. [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.drudis.2012.03.017.
  27. Carpenter K. A., Huang X.. Machine Learning-Based Virtual Screening and Its Applications to Alzheimer’s Drug Discovery: A Review. CPD. 2018;24(28):3347-3358. doi: 10.2174/1381612824666180607124038. [DOI] [PMC free article] [PubMed] [Google Scholar]. doi:10.2174/1381612824666180607124038.
  28. Haselager P, Mecacci G.. Superethics Instead of Superintelligence: Know Thyself, and Apply Science Accordingly.. AJOB neuroscience. 2020. DOI: 10.1080/21507740.2020.1740353 · PMID: 32228384. (résumé scientifique structuré; texte intégral non fourni)
  29. The energy challenges of artificial superintelligence – PMC. Frontiers in artificial intelligence. DOI: 10.3389/frai.2023.1240653 · PMID: 37941679.
  30. Ananthanarayanan R., Esser S. K., Simon H. D., Modha D. S. (2009). “The cat is out of the bag: cortical simulations with 109 neurons, 1013 synapses,” in Supercomputing 09: Proceedings of the ACM/IEEE SC2009 Conference on High Performance Networking and Computing Storage and Analysis (Portland, OR: ), 1-12. 10.1145/1654059.1654124 [DOI] [Google Scholar]. doi:10.1145/1654059.1654124.
  31. Attwell D., Laughlin S. B. (2001). An energy budget for signaling in the grey matter of the brain. J. Cereb. Blood Flow Metab. 21, 1133-1145. 10.1097/00004647-200110000-00001 [DOI] [PubMed] [Google Scholar]. doi:10.1097/00004647-200110000-00001.
  32. Bennett C. H. (1982). The thermodynamics of computation, a review. Int. J. Theor. Phys. 21, 905-940. 10.1007/BF02084158 [DOI] [Google Scholar]. doi:10.1007/BF02084158.
  33. Carlsmith J. (2022). Is power-seeking AI an existential risk? arXiv arXiv:2206.13353. 10.48550/arXiv.2206.13353 [DOI] [Google Scholar]. doi:10.48550/arXiv.2206.13353.
  34. Coggan J. S., Keller D., Markram H., Schürmann F., Magistretti P. J. (2022). Representing stimulus information in an energy metabolism pathway. J. Theor. Biol. 540:111090. 10.1016/j.jtbi.2022.111090 [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.jtbi.2022.111090.
  35. Eliasmith C., Trujillo O. (2014). The use and abuse of large-scale brain models. Curr. Opin. Neurobiol. 25, 1-6. 10.1016/j.conb.2013.09.009 [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.conb.2013.09.009.
  36. Elsayed N., Maida A. S., Bayoumi M. (2019). “A review of quantum computer energy efficiency,” in 2019 IEEE Green Technologies Conference (GreenTech). Lafayette: IEEE, 1-3. [Google Scholar].
  37. Frank M. P. (2005). “Introduction to reversible computing: motivation, progress, and challenges,” in Proceedings of the 2nd Conference on Computing Frontiers (Ischia: ), 385-390. [Google Scholar].
  38. Gidon A., Zolnik T. A., Fidzinski P., Bolduan F., Papoutsi A., Poirazi P., et al. (2020). Dendritic action potentials and computation in human layer 2/3 cortical neurons. Science 367, 83-87. 10.1126/science.aax6239 [DOI] [PubMed] [Google Scholar]. doi:10.1126/science.aax6239.
  39. Hassabis D., Kumaran D., Summerfield C., Botvinick M. (2017). Neuroscience-inspired artificial intelligence. Neuron 95, 245-258. 10.1016/j.neuron.2017.06.011 [DOI] [PubMed] [Google Scholar]. doi:10.1016/j.neuron.2017.06.011.
  40. Hinton G. E., Osindero S., Teh Y.-W. (2006). A fast learning algorithm for deep belief nets. Neural Comput. 18, 1527-1554. 10.1162/neco.2006.18.7.1527 [DOI] [PubMed] [Google Scholar]. doi:10.1162/neco.2006.18.7.1527.
  41. Hochreiter S., Schmidhuber J. (1997). Long short-term memory. Neural Comput. 9, 1735-1780. 10.1162/neco.1997.9.8.1735 [DOI] [PubMed] [Google Scholar]. doi:10.1162/neco.1997.9.8.1735.
  42. Thea Felicity. Trump Wants To Rename AI 'Super Intelligence', Calling 'Artificial' Inaccurate as He Plans AI Force and Czar. 2026.
  43. The Analyst. Trump wants AI renamed “super intelligence”, a word that already means something else. 2026.

Articles relatifs:

Sommaire

Laisser un commentaire

Votre adresse e-mail ne sera pas publiée. Les champs obligatoires sont indiqués avec *