Google DeepMind et la RSI : la dernière frontière IA aurait-elle été franchie ?

@haider1 écrit que trois nouveaux modèles seraient arrivés en six semaines et y voit un « sign of early RSI ». Sa formulation complète est significative :

"google is definitely using some form of RSI to progress this quickly" @haider1

Cette phrase va loin, mais elle ne dit pas que Google aurait « reached RSI » au sens d’une boucle autonome complète. Elle évoque « some form of RSI » et un signe précoce, c’est-à-dire une hypothèse sur des mécanismes internes de productivité, d’automatisation ou d’itération accélérée.

La liste fournie par @lender980 illustre la cadence observée, avec des annonces allant de Gemini 3.7 Flash le 13 août à Gemini 3.8 Flash, Gemini 3.8 Flash Cyber, WeatherNext 3, TimesFM-3 et d’autres sorties fin août et début septembre. Cette fréquence peut effectivement suggérer une organisation de développement plus rapide.

Elle peut toutefois s’expliquer par plusieurs facteurs plus conventionnels :

• des variantes de produits proches publiées à des dates différentes ;
• davantage de calcul consacré aux entraînements et aux évaluations ;
• des équipes et des pipelines d’ingénierie plus efficaces ;
• des ajustements de raisonnement, de vitesse ou de coût ;
• une stratégie commerciale de publication accélérée.

@JakeKAllDay propose précisément une explication conventionnelle pour le passage de Gemini 3.7 à 3.8 :

"i like gemini but the jump from 3.7 vs 3.8 is mostly just a boost in juice/thinking effort. 3.8 med ~ equals 3.7 high on thinking effort. its partially masked by a ~10% speed up in tps." @JakeKAllDay

Son argument ne démontre pas l’absence de capacités internes plus avancées. Il rappelle cependant qu’un rythme de lancement, ou une amélioration visible des produits, ne suffit pas à diagnostiquer une auto amélioration récursive.

Une itération plus rapide est un signal opérationnel possible, pas la démonstration d’une RSI autonome et fermée.

Le paradoxe de @haider1 : il voit un signe précoce, puis doute d’une RSI déjà atteinte

L’un des aspects les plus intéressants de la discussion est que @haider1 se retrouve des deux côtés du débat. Le 6 septembre, il interprète les sorties de Gemini comme un signal d’« early RSI ». Le 12 septembre, sous le post de @kimmonismus, il conteste logiquement l’idée d’une RSI déjà atteinte au regard des produits publics.

"i actually said this a few days ago, but i'm still not sure how this is going to happen when google's models are still quite behind in coding so if google is claiming to have reached RSI, then openai and anthropic probably reached something similar way earlier" @haider1

Cette objection cible directement le fossé entre une hypothèse interne spectaculaire et l’expérience des utilisateurs avec les modèles Gemini programmation. Si Google avait effectivement fermé une boucle d’amélioration récursive très performante, pourquoi ses modèles publics ne domineraient-ils pas clairement les tâches de code, de raisonnement ou de travail agentique face aux concurrents souvent perçus comme les leaders ?

@kimmonismus répond par une hypothèse stratégique :

"The question is whether Google might simply forgo offering state-of-the-art technology to consumers and invest everything in RSI instead." @kimmonismus

C’est une possibilité. Les laboratoires ne publient pas nécessairement leurs meilleures capacités, notamment pour des raisons de sécurité, de coût, de fiabilité ou de concurrence. Mais dans ce fil, aucune donnée ne confirme que Google aurait volontairement retenu une technologie de pointe fonctionnelle au profit d’une boucle RSI interne.

L’écart entre les capacités internes de Google et ses produits publics est concevable, mais il reste ici une explication possible, non un fait établi.

Les produits Gemini restent au cœur de l’objection des sceptiques

Plusieurs participants ne rejettent pas l’idée que Google dispose d’une recherche de premier plan. Ils contestent plutôt le saut logique qui consiste à convertir cette force scientifique en preuve de RSI.

Sous le post de @lyraxana, @DeepLearn007 formule ce décalage entre recherche et produit :

"Google possess amazing research - after all they pioneered Transformers with Self-Attention Mechanism and do much of the initial RL research that drives LLMs. But they have had a gap in translating the research into products. @demishassabis @lyraxana" @DeepLearn007

@VibeDevolli fait une critique similaire, plus directement fondée sur l’usage des modèles publics :

"I want to believe, but knowing about their public models I am having a hard time doing so. :) We're a bit back in the Bard days vs the other high class models." @VibeDevolli

@kimmonismus lui répond sans apporter de nouvel élément :

"To be fair: GDM is still in the game" @kimmonismus

La réponse est raisonnable, dans la mesure où Google DeepMind reste un acteur majeur de l’IA. Elle ne répond toutefois pas à la question posée : quelles performances publiques, publications techniques ou preuves opérationnelles permettraient de passer d’une entreprise compétitive à une entreprise ayant atteint la RSI ?

@Politas180 condense cette objection en une phrase particulièrement nette :

"If they’d actually closed the loop, Gemini would already be the model I leave running overnight. It’s not. Writing it in all caps doesn’t change that." @Politas180

Il s’agit d’un jugement d’utilisateur, et non d’un benchmark académique. Mais il reflète un point partagé par plusieurs intervenants : aucune expérience publique avec Gemini ne fournit aujourd’hui de preuve évidente d’une avance décisive compatible avec une auto amélioration récursive déjà bouclée.

La distinction technique décisive : assistance à la recherche contre RSI de bout en bout

La réponse la plus solide du fil vient de @MTorygreen. Elle ne nie ni les avancées de Google, ni l’impact potentiel de l’IA sur la recherche et l’entraînement des futurs modèles. Elle pose simplement la question essentielle : où se situe encore l’intervention humaine ?

"I’d be careful calling anything RSI until we know where the human bottleneck still sits. If the model is generating better experiments, improving code and helping design the next training run, that’s huge. But there’s still a big gap between that and a system recursively improving itself end to end." @MTorygreen

Cette distinction est essentielle pour lire les rumeurs sur l’AGI Google DeepMind.

Un système peut contribuer à :

1. générer des hypothèses de recherche ;
2. écrire ou corriger une partie du code d’entraînement ;
3. proposer des architectures ou des données synthétiques ;
4. accélérer les évaluations ;
5. aider des ingénieurs à choisir le prochain entraînement.

Tout cela peut considérablement accélérer le travail d’un laboratoire. Mais une RSI forte exigerait davantage : les résultats devraient être sélectionnés, validés, intégrés, entraînés et déployés avec une intervention humaine suffisamment réduite pour que le système améliore lui-même ses propres capacités de manière cumulative.

Il faudrait alors savoir où se situent encore les validations, les décisions d’architecture, les contrôles de sûreté, les arbitrages de calcul, l’accès aux données et l’examen des résultats. Le fil ne fournit aucune réponse à ces questions.

C’est pourquoi l’argument de @MTorygreen est le mieux étayé : la discussion suggère une automatisation possible, mais ne documente pas une boucle d’amélioration autonome de bout en bout.

Un récit stratégique ne remplace pas une démonstration technique

@kimmonismus ajoute à son post des références à Demis Hassabis, à Sergey Brin, à Reuters et à l’importance stratégique de la RSI dans la compétition pour l’AGI. Ces éléments peuvent expliquer pourquoi une telle technologie intéresserait Google. Ils ne démontrent pas qu’elle a été atteinte.

Le fait que Google DeepMind considère l’AGI, l’automatisation de la recherche ou l’amélioration des modèles comme des priorités est cohérent avec la stratégie de l’ensemble des grands laboratoires. Une ambition industrielle ne constitue pas une validation technique.

@kimmonismus indique également qu’il couvrira le sujet dans sa newsletter Superintelligence. La page se présente comme un briefing IA destiné à « win the future » et annonce plus de 160 000 abonnés quotidiens. Ce positionnement explique l’intérêt du sujet, mais ne fournit pas de données indépendantes supplémentaires sur la rumeur.

Pourquoi la rumeur mérite malgré tout d’être prise au sérieux

L’absence de preuve publique ne signifie pas que tout le dossier repose sur du vide. Deux signaux stratégiques vérifiables expliquent pourquoi la rumeur trouve aujourd’hui un terrain particulièrement fertile.

D’abord, Google a annoncé en août 2026 que Demis Hassabis devenait Chair de Google DeepMind et Chief Scientist d’Alphabet. Le groupe précise que ce nouveau rôle doit lui permettre de consacrer son « full attention » à façonner l’avenir de l’AGI. L’annonce officielle est disponible sur le blog de Google.

Ensuite, Reuters a rapporté le 12 août 2026 que Sergey Brin poussait les efforts de Google vers la recursive self-improvement dans le cadre de la réorganisation de ses activités IA. Ce reportage décrit la RSI comme un axe suffisamment stratégique pour peser sur l’allocation des ressources et la structure des équipes. Cela ne confirme pas qu’une boucle fonctionnelle a été atteinte. Cela confirme en revanche que le sujet existe au niveau stratégique chez Google, et pas uniquement dans les spéculations de X. Le reportage Reuters est consultable ici.

La nuance est décisive. Nous avons des indices solides que Google veut accélérer l’auto-amélioration de ses systèmes. Nous n’avons pas de preuve publique qu’il a franchi le seuil que les réseaux sociaux appellent déjà “RSI”.

Si Google a réellement une boucle de RSI, la course à l’IA change de nature

C’est ici que cette histoire devient plus importante qu’une simple rumeur de modèle. Une vraie boucle de RSI ne serait pas seulement « un Gemini plus intelligent ». Elle changerait le processus qui produit les prochains Gemini.

1. Le rythme de progrès deviendrait lui-même une capacité compétitive

Jusqu’ici, la course entre Google, OpenAI et Anthropic se lit surtout à travers des générations successives de modèles, des benchmarks et des lancements produits. Une boucle d’auto-amélioration déplacerait la compétition vers un niveau supérieur : la vitesse à laquelle un laboratoire peut améliorer sa propre machine de recherche.

Si un système aide à identifier les expériences utiles, écrit une part croissante du code, analyse automatiquement les échecs et propose le prochain entraînement, le laboratoire ne gagne pas seulement quelques points de benchmark. Il raccourcit le cycle entre deux générations. Dans ce scénario, comparer les modèles publics à un instant donné devient moins informatif que mesurer la pente de progression interne.

C’est aussi ce qui rend la cadence Gemini intéressante sans en faire une preuve. Trois sorties rapprochées ne démontrent rien à elles seules. Mais si cette cadence résulte d’une automatisation profonde de la R&D, elle devient un indicateur d’un avantage plus structurel.

2. Le meilleur modèle de Google pourrait ne jamais être un produit public

L’hypothèse avancée par @kimmonismus mérite d’être examinée : Google pourrait réserver ses systèmes les plus avancés à la recherche interne plutôt que de les exposer immédiatement aux consommateurs.

Cette stratégie aurait une logique économique. Un modèle interne capable d’améliorer les données, le code d’entraînement, les évaluations ou les architectures peut avoir plus de valeur comme multiplicateur de R&D que comme chatbot vendu quelques semaines plus tôt. Le produit public pourrait alors accuser un retard apparent tout en masquant une infrastructure interne beaucoup plus avancée.

Cela expliquerait le paradoxe central du fil, mais uniquement si des éléments indépendants viennent un jour le confirmer. Pour l’instant, c’est une hypothèse cohérente, pas une explication démontrée.

3. Le compute deviendrait du capital de recherche qui améliore son propre rendement

Une RSI même partielle pourrait modifier l’économie du calcul. Aujourd’hui, davantage de GPU permettent surtout de lancer plus d’expériences, d’entraîner de plus gros modèles ou de servir davantage d’utilisateurs. Dans une boucle d’amélioration automatisée, une partie du compute sert aussi à concevoir de meilleurs usages du compute futur.

Autrement dit, le calcul ne finance plus seulement un modèle. Il finance un processus qui cherche à rendre le prochain cycle plus efficace. Si cette boucle fonctionne réellement, l’avantage des groupes disposant des plus gros clusters, des meilleures puces, de l’énergie et d’une intégration verticale pourrait s’amplifier.

Google est particulièrement bien placé sur ce terrain grâce à ses TPU, ses centres de données, ses équipes de recherche et sa capacité à déployer les résultats dans une infrastructure mondiale. Cela ne garantit aucune RSI. Cela explique pourquoi une percée de ce type chez DeepMind aurait des conséquences industrielles disproportionnées.

4. OpenAI et Anthropic seraient poussés vers davantage de secret et d’usage interne

Si un acteur prouvait qu’un système améliore matériellement le processus qui construit son successeur, ses concurrents auraient peu d’intérêt à répondre uniquement par un lancement public. Ils chercheraient eux aussi à transformer leurs meilleurs modèles en chercheurs, ingénieurs, évaluateurs et opérateurs internes.

La conséquence visible pourrait être paradoxale : plus les capacités internes deviennent stratégiques, moins les modèles publics racontent toute la course. Les benchmarks grand public resteraient importants, mais ils décriraient une couche produit. La véritable compétition se jouerait sur la qualité des agents internes, l’automatisation des expériences, le rendement du compute et la capacité à convertir une idée en entraînement fiable.

C’est pourquoi l’objection « Gemini public n’est pas numéro un, donc Google ne peut pas avoir de RSI » est insuffisante. Mais l’argument inverse est tout aussi faible : « Gemini progresse vite, donc Google a la RSI ». Les deux confondent le produit observable avec l’infrastructure de recherche qui le produit.

5. La sécurité et la régulation devraient surveiller une capacité, pas un mot

Le terme RSI est trop flou pour devenir à lui seul un seuil réglementaire utile. La bonne question est plus concrète : quelles tâches de recherche un système peut-il accomplir sans intervention humaine, avec quel taux de succès et pendant combien de cycles consécutifs ?

Des indicateurs plus pertinents seraient la capacité à modifier du code d’entraînement, concevoir et sélectionner des expériences, diagnostiquer les résultats, proposer une architecture suivante, gérer des ressources de calcul et conserver une amélioration mesurable sur plusieurs itérations.

Un laboratoire pourrait posséder plusieurs briques de cette chaîne sans disposer d’une RSI autonome de bout en bout. C’est probablement cette zone intermédiaire qui compte le plus à court terme. Elle peut déjà accélérer fortement le progrès, concentrer l’avantage chez quelques acteurs et compliquer les évaluations de sécurité, sans ressembler à la « boucle exponentielle » souvent imaginée lorsque le terme RSI circule sur X.

Ce que le lecteur doit retenir de cette chaîne de posts

La rumeur de RSI Google DeepMind repose sur trois niveaux d’information qu’il ne faut pas confondre :

• @lyraxana a publié une félicitation ambiguë, sans citer la RSI ni l’AGI.
• @haider1 avait auparavant vu dans la cadence de Gemini un « sign of early RSI », soit une hypothèse limitée sur une possible automatisation accélérée.
• @kimmonismus a relié ces signaux à une rumeur plus précise selon laquelle Google DeepMind aurait atteint la RSI, tout en reconnaissant qu’il s’agit encore d’une rumeur.

Le fil laisse plusieurs questions sans réponse :

• Que voulait réellement dire @lyraxana ?
• Quels éléments vérifiables établissent sa fiabilité comme source de fuites IA ?
• Quelles données permettraient de distinguer une chaîne de développement automatisée d’une auto amélioration récursive complète ?
• Les modèles publics de Google sous-estiment-ils des capacités internes réelles, ou reflètent-ils plus directement l’état de ses systèmes ?
• La cadence des annonces Gemini provient-elle d’une IA plus autonome, de meilleures équipes, de plus de calcul ou d’une stratégie de publication ?

La conclusion la plus rigoureuse est donc moins spectaculaire que la rumeur initiale. Google peut parfaitement accélérer ses processus internes, utiliser l’IA pour améliorer le code, les expériences et les entraînements, et investir fortement dans l’AGI. Mais aucun élément public de ce fil ne prouve que Google DeepMind a atteint une RSI complète, ni même que le message de @lyraxana portait précisément sur cette idée.