Dans l’industrie de l’intelligence artificielle, la croyance dominante est que des modèles plus grands équivalent à des machines plus intelligentes. Cependant, Aether AI, une startup basée à San Diego, remet en question cette idée en levant 20 millions de dollars lors d’un financement de démarrage pour explorer une voie différente. Le fondateur croit que la prochaine avancée significative en IA ne viendra pas de l’augmentation de la taille des modèles, mais de l’apprentissage des machines à comprendre les relations de cause à effet.
Actuellement, les grands modèles d’IA excellent dans l’identification de motifs au sein de vastes ensembles de données, ce qui fonctionne bien dans des environnements contrôlés mais peut échouer dans des situations réelles où les raccourcis statistiques peuvent être insuffisants. Aether vise à développer des “modèles causaux du monde” qui permettent aux systèmes de prédire les résultats de leurs actions avant de les exécuter, rendant potentiellement l’IA plus fiable et moins dépendante de données volumineuses. Cette approche s’inscrit dans le débat plus large sur le ralentissement potentiel des progrès de l’IA.
Le premier axe de développement d’Aether concerne l’IA physique et la robotique, où chaque action robotique constitue une intervention dans le monde, et où les erreurs sont immédiatement visibles. Cela fait de la robotique un terrain d’essai idéal pour le raisonnement causal. L’objectif ambitieux de l’entreprise est de créer un “cerveau causal” unique capable de guider divers types de robots, une quête partagée par des acteurs majeurs comme Google DeepMind et le laboratoire d’IA physique de Jeff Bezos.
La crédibilité de la startup est renforcée par son fondateur, Biwei Huang, professeur assistant à l’UC San Diego, reconnu pour son expertise en découverte causale. Aether bénéficie également du soutien de figures de proue de la causalité moderne, dont Judea Pearl et Bernhard Schölkopf. Le tour de financement a été mené par MPCi, avec la participation de Inno Angel Fund, SWC Global et Unity Ventures.
Alors que la causalité reste l’un des défis de longue date de l’IA, l’approche d’Aether intervient à un moment crucial. Les préoccupations concernant les limites de l’augmentation de la taille des modèles grandissent, et les robots continuent de lutter avec des tâches qui paraissent simples pour les humains. Si les modèles causaux d’Aether parviennent réellement à réduire les besoins en données et à améliorer la fiabilité, leur impact pourrait dépasser largement le domaine de la robotique. Cependant, cela reste un “si” important, faisant de ce développement un sujet à suivre de près.
