Un chercheur propose que les LLM actuels, excellents en apprentissage implicite, manquent du système de mémoire explicite nécessaire pour l'AGI. Les modèles reposent sur des statistiques de texte — comme la mémoire procédurale humaine — mais ne peuvent pas gérer la planification stratégique long terme, la métacognition ou le raisonnement symbolique, domaines de l'hippocampe. La neuroscience montre que ces capacités cognitives supérieures dépendent entièrement de la mémoire déclarative. Cette position paper argue que sans architecture de mémoire explicite séparable, les LLM plafonneront bien avant l'AGI.
La distinction est brutale : votre ChatGPT ne « se souvient » jamais vraiment — il calcule des probabilités sur des tokens. Un humain reconstruit narrativement le passé via son hippocampe, puis agit avec intention sur 10 ans. L'absence de ce système explique pourquoi les LLM échouent en planification multi-étapes complexe ou en correction de stratégie face à un nouvel obstacle. Intégrer une mémoire explicite artificiellement n'est pas cosmétique : cela changerait l'architecture fondamentale.
Le papier s'appuie sur les découvertes en neurosciences cognitives — double dissociation mémoire implicite/explicite, rôle de l'hippocampe dans la consolidation déclarative. Un angle biologique rigoureux, pas une spéculation.
L'implication : les investissements massifs en scaling des LLM pourraient taper un plafond sans cette mutation architecturale.
