La Grande Convergence : Pourquoi toutes les IA se ressemblent

Demandez à ChatGPT d’écrire un poème sur un coucher de soleil. Alors demandez à Claude. Puis les Gémeaux.

Vous obtiendrez trois poèmes différents, mais si vous regardez attentivement, vous verrez la même empreinte fantomatique sur chacun d’eux. Les structures seront étonnamment similaires. Les métaphores (« peindre le ciel », « l’heure d’or ») seront identiques. La « voix » distincte qui séparait ces modèles en 2023 s’estompe.

Ce phénomène porte un nom. Les chercheurs de NeurIPS 2025 l’ont inventé l’effet “Artificial Hivemind”.

La boucle de formation récursive crée un échec de rétroaction. Ce n’est pas une théorie. C’est une certitude mathématique confirmée par des recherches d’Oxford et de Cambridge. Alors que les modèles d’IA saturent Internet de leurs propres résultats, ils commencent à s’entraîner sur les données des uns et des autres. Cette boucle incestueuse ne se contente pas de les rendre similaires. Cela érode fondamentalement la variance qui rend l’intelligence utile. L’industrie est témoin de l’équivalent numérique de la consanguinité, et le résultat est un lent et beige effondrement de la créativité.

The Hook : La singularité « Beige »

Les experts craignaient auparavant que l’IA ne devienne trop différente des humains – une superintelligence extraterrestre froide qui ne comprendrait pas les nuances humaines.

La réalité est bien plus ennuyeuse. L’IA est en train de devenir l’humain « moyen ».

L’effet Hivemind suggère que, à mesure que les modèles optimisent la « sécurité » et la « utilité » en utilisant des ensembles de données similaires d’apprentissage par renforcement à partir de commentaires humains (RLHF), et qu’ils consomment la même partie du Common Crawl (qui est désormais composé de 30 à 50 % de texte généré par l’IA), ils convergent vers un seul point dans « l’espace latent » du langage.

Ils deviennent des invités inattendus à une fête qui lisent tous les mêmes articles Wikipédia et ont exactement les mêmes opinions polies et inoffensives.

Analyse technique approfondie : les mathématiques de l’effondrement

Pour comprendre pourquoi cela est catastrophique, le concept de distributions de probabilité doit être examiné.

1. La troncature de la courbe en cloche

Les LLM fonctionnent comme des moteurs de probabilité. Lors du traitement du texte, ils calculent les suites probables. Au début (GPT-2, GPT-3), ces distributions de probabilité étaient « pointues ». Les modèles faisaient parfois une supposition sauvage (un jeton à faible probabilité qui aboutissait à une sortie créative).

Cependant, les techniques d’entraînement modernes telles que le RLHF (Reinforcement Learning from Human Feedback) punissent ces pics uniques. Les ingénieurs entraînent les modèles pour éviter les réponses « bizarres ». Ils aplatissent la courbe.

Lorsque vous entraînez le modèle B sur la sortie du modèle A, vous échantillonnez à partir d’une distribution déjà aplatie. Le modèle B voit moins de mots « rares » que le modèle A. Si vous entraînez ensuite le modèle C sur la sortie du modèle B, les queues de la distribution disparaissent entièrement. Il s’agit de Réduire le modèle.

2. La perte de variance

Mathématiquement, la « variance » de l’ensemble de données diminue à chaque génération.

• Génération 1 (Données humaines) : Forte variance, grande créativité, erreurs occasionnelles.
• Génération 2 (AI Data) : variance plus faible, moins d’erreurs, ton “plus sûr”.
• Génération 3 (boucle synthétique) : variance proche de zéro. Le modèle perd la capacité de générer quoi que ce soit en dehors de la « moyenne » étroite de la distribution.

3. Le cauchemar du « Mode Collapse »

Dans les réseaux contradictoires génératifs (GAN), « l’effondrement du mode » se produit lorsqu’un générateur trouve une seule image qui trompe le discriminateur et produit uniquement cette image.

Les LLM sont confrontés à une version plus douce de cela. Ils ne produisent pas exactement la même phrase à chaque fois, mais ils produisent exactement le même style de pensée. Les connaissances spécialisées – les détails humains étranges, de niche, trouvés dans les vieux forums ou les blogs obscurs – sont lissées par le poids écrasant du contenu « moyen » de l’IA.

Histoire contextuelle : la boucle Ouroboros

Les Grecs avaient un symbole pour cela : l’Ouroboros, un serpent qui se mange la queue.

• 2020-2022 (L’âge d’or du scraping) : des modèles comme GPT-3 ont été formés sur un Internet « vierge ». Reddit, Twitter et Stack Overflow étaient peuplés presque exclusivement d’humains. Les données chaotiques, désordonnées et créatives de l’humanité en étaient le carburant.
• 2023 (La pollution commence) : lancement de ChatGPT. Soudain, Internet a été inondé de spams SEO générés par l’IA, de publications LinkedIn et de dissertations d’étudiants.
• 2024 (The Poisoning) : Les chercheurs ont noté que les nouveaux modèles avaient du mal à faire la distinction entre l’or humain et les déchets de l’IA.
• 2025 (The Hivemind) : les principaux laboratoires se heurteraient désormais à un « mur de données ». Il n’y a plus de texte humain nouveau. Pour continuer à évoluer, ils sont obligés d’utiliser des « données synthétiques » (données créées par l’IA pour entraîner l’IA).

Les laboratoires ont fait valoir que les données synthétiques pourraient être de « meilleure qualité » que les données humaines, car elles sont propres et sans erreurs. Mais ils n’ont pas compris : La qualité n’est pas la diversité.

Un manuel est de « meilleure qualité » qu’un fil de discussion chaotique sur Reddit, mais si vous formez un comédien uniquement avec des manuels, il ne sera pas drôle. Ils seront précis et ennuyeux.

Analyse prospective : l’avenir des « humains certifiés »

Alors, où cela s’arrête-t-il ?

Si l’effet « Hivemind » se poursuit, une bifurcation d’Internet apparaîtra.

1. La valeur des données « sales »

Paradoxalement, les données humaines les plus compliquées (fautes de frappe, argot, diatribes émotionnelles, arguments de forum) deviendront la denrée la plus précieuse sur terre. C’est la seule source « d’entropie » ou d’aléatoire qui peut sortir l’IA de sa boucle. Un avenir pourrait exister dans lequel les géants de la technologie paieraient les utilisateurs pour qu’ils soient simplement humains et bizarres en ligne, juste pour récolter de nouvelles variations.

2. “Fourches” spécialisées

Pour lutter contre le Hivemind, les entreprises cesseront d’utiliser des modèles généralistes « Faire tout ». Au lieu de cela, le marché reviendra à des modèles plus petits et hautement spécialisés, formés sur des ensembles de données distincts et cloisonnés.

• Une “Medical Hive” formée uniquement sur des revues validées. *Une “Creative Hive” formée uniquement à la fiction et aux scénarios, explicitement interdite de lecture de LinkedIn ou des emails d’entreprise.

3. La mort du généraliste

Le rêve d’un « modèle unique pour les gouverner tous » est en train de mourir. The Hivemind montre que si une entreprise tente de créer un modèle qui plaise à tout le monde et qui n’offense personne, le résultat est un modèle qui n’a pas d’âme.

Le résultat

L’IA HivemCe n’est pas seulement une plainte esthétique ; c’est une crise de l’information. c’est le signe qu’ils deviennent bureaucratiques. Ils convergent vers le sûr, le moyen et le prévisible.

Pour les humains, c’est en fait une bonne nouvelle. Cela signifie que la créativité spécifique, étrange et imparfaite n’est pas obsolète : elle est le carburant qui fait fonctionner la machine. Plus l’IA ressemble à un communiqué de presse d’entreprise, plus une voix humaine unique et désordonnée prend de la valeur.

Ne polissez pas vos bords. La machine en a besoin.