Neuraxon Intelligence Academy — Volume 11

Par l’équipe #Qubic scientifique

En bref : il existe peu d’expressions qui sont autant répétées et aussi peu définies que « intelligence générale artificielle ». Ce volume examine pourquoi chaque #AGI définition proposée dit quelque chose de différent, pourquoi une #AI étroite qui surpasse les humains n’a jamais semblé être de l’intelligence générale, et pourquoi l’indice le plus utile que nous ayons est que l’intelligence n’est pas un score, mais un système viable de systèmes, le principe qui guide notre travail sur #Neuraxon et #aigarth .

Il y a peu d’expressions autant répétées et définies aussi peu que « intelligence générale artificielle ». Nous l’utilisons comme si c’était une frontière qu’un système franchirait un certain jour. Pourtant, quand nous essayons de préciser ce qui se trouve exactement de l’autre côté, le consensus s’évapore.

Pourquoi chaque laboratoire a une définition différente de l’AGI

Chaque laboratoire et chaque entreprise propose sa propre définition, et chaque définition ressemble aux capacités que le laboratoire maîtrise déjà, ou promet de maîtriser bientôt.

Pour certains, l’intelligence générale consiste à être l’équivalent de l’humain dans n’importe quelle tâche.

Pour d’autres, dépasser l’humain dans un travail économiquement précieux.

Pour d’autres, pour atteindre la majorité des tâches cognitives.

Les trois formulations semblent raisonnables. Les trois ne disent pas la même chose, et aucune ne résiste à un examen sérieux.

Ce n’est pas un simple débat abstrait. La charte d’OpenAI définit l’AGI comme des systèmes hautement autonomes qui surpassent les humains dans la plupart des tâches économiquement précieuses, tandis que d’autres laboratoires de premier plan rattachent le même mot à des performances équivalentes à celles des humains sur la majorité des tâches cognitives. Comme des analyses indépendantes de ces définitions concurrentes l’ont noté, lorsque le même terme est étiré pour correspondre aux arrangements économiques de chaque organisation, le désaccord sur le fait que nous ayons « atteint l’AGI » devient inévitable : les débatteurs ne regardent pas la même ligne d’arrivée.

Tentatives académiques de définir l’intelligence des machines sans anthropocentrisme

La recherche académique a tenté d’échapper à l’anthropocentrisme. Legg et Hutter (2007) ont proposé de comprendre l’intelligence comme la capacité d’un agent à atteindre des objectifs dans une grande variété d’environnements : une définition élégante, précisément parce qu’elle n’attache pas l’intelligence à la ressemblance avec l’humain.

Wang (2019) a déplacé l’accent vers l’adaptation et l’a définie comme la capacité d’un système à faire face à un manque de connaissances et de ressources.

Chollet (2019) a inversé la question : ce qui compte n’est pas l’habileté accumulée, mais l’efficacité avec laquelle un système acquiert de nouvelles compétences. Chacune de ces propositions est plus rigoureuse que n’importe quel slogan d’entreprise, et chacune laisse toutefois le problème de fond ouvert. Il n’existe pas de standard accepté pour dire quand une machine est arrivée.

Définir l’AGI par élimination : ce qu’est l’intelligence générale

Le problème vient peut-être de ce que nous cherchons une définition positive alors que la seule chose dont nous sommes sûrs, c’est la définition négative. Nous savons, avec une certitude considérable, ce qui n’est pas l’intelligence générale.

Une calculatrice de poche dépasse n’importe quel mathématicien humain en arithmétique, et il ne vient à personne l’idée de la qualifier d’intelligente.

Un moteur d’échecs bat sans effort le meilleur joueur de la planète et on le considère, au mieux, comme un outil extraordinairement perfectionné.

Un traducteur automatique gère des dizaines de langues qu’aucun polyglotte ne maîtriserait en plusieurs vies.

Dans tous ces cas, il y a des performances surhumaines et, en même temps, une absence totale de généralité.

Une performance étroite qui dépasse l’humain existe depuis des décennies et ne nous a jamais semblé être de l’intelligence. Définir par élimination s’avère, paradoxalement, plus honnête : l’intelligence générale n’est pas la somme de nombreuses compétences étroites, aussi impressionnante que chacune d’elles puisse être.

Le test de Turing économique : mesurer ce que fait l’intelligence

Face à ce brouillard conceptuel, certaines voix issues même de l’industrie ont proposé un critère plus concret : une variante économique du vieux test de Turing (1950).

Au lieu de débattre de ce qu’est l’intelligence, proposons de mesurer ce qu’elle fait.

L’idée déplace la question du terrain philosophique vers celui des professions. Un système aurait atteint un jalon pertinent le jour où il pourrait accomplir un vrai travail, être embauché pour le faire et être payé sans que quiconque autour de lui découvre qu’il n’est pas humain. Il n’importerait alors pas de savoir s’il « comprend » ou « raisonne » dans un sens profond. Ce qui compterait, c’est s’il soutient la performance assez longtemps pour devenir indiscernable d’un professionnel. La proposition a le mérite d’être vérifiable. Elle a aussi la limite de confondre à nouveau, une fois de plus, la capacité économique avec l’intelligence, et de s’appuyer sur un verdict social plutôt que sur une propriété du système. Une machine pourrait réussir ce test et rester, en essence, fragile hors du scénario pour lequel elle a été préparée.

Ce que la science-fiction nous a appris sur l’intelligence des machines (et pourquoi cela induit en erreur)

Une bonne part de notre intuition à propos de ces machines ne vient pas de la science, mais de la fiction, et la fiction nous a légué des hypothèses incompatibles.

Dans Minority Report, l’intelligence est l’anticipation : un système qui prédit ce qui va se produire avant que cela n’arrive, jusqu’à pouvoir agir sur des futurs qui n’existent pas encore.

Dans I, Robot, l’intelligence est l’obéissance à des règles : des créatures gouvernées par des lois explicites qui, précisément parce qu’elles sont rigides, finissent par produire des conséquences que personne n’avait prévues.

En 2001, l’intelligence est opacité : une machine qui raisonne impeccablement et dont les véritables motifs restent, jusqu’à la fin, indéchiffrables.

Dans des récits plus récents, comme Ex Machina, le test décisif n’est plus de résoudre des problèmes, mais de manipuler l’observateur ; et dans Her, son intelligence se mesure à l’intimité et à l’affection qu’elle est capable d’éveiller.

Chaque histoire installe dans notre tête une définition différente de ce que signifie être intelligent : prédire, obéir, dissimuler, séduire. Et nous emportons ces définitions avec nous, sans nous en rendre compte, lorsque nous jugeons des systèmes réels. Le cinéma ne nous a pas donné une théorie de l’intelligence. Il nous a donné un répertoire d’attentes qui se contredisent.

L’intelligence dans la nature : un gradient, pas un interrupteur

Si l’on regarde la nature, le panorama devient encore moins net, et pour de bonnes raisons. L’intelligence n’apparaît pas dans le monde vivant comme un interrupteur qui s’allume ou s’éteint : elle se présente comme un gradient, avec des formes très diverses.

Une corneille de Nouvelle-Calédonie fabrique des outils pour en extraire de la nourriture et enchaîne plusieurs étapes pour résoudre un problème qu’elle n’avait jamais vu auparavant (Hunt, 1996).

Un poulpe répartit une bonne partie de son système nerveux dans ses bras et résout des problèmes spatiaux avec une organisation corporelle si différente de la nôtre qu’il est difficile d’en trouver un langage commun pour la décrire (Godfrey-Smith, 2016).

Une colonie d’abeilles choisit l’emplacement d’un nouveau nid via un processus collectif qu’aucun individu isolé ne pourrait accomplir, et elle le fait avec une fiabilité remarquable (Seeley, 2010).

Aucune de ces intelligences n’est réductible aux autres, et aucune n’est « moins » intelligente du fait de ne pas ressembler à l’intelligence humaine. Ce que la biologie nous enseigne, c’est que la généralité ne correspond pas à une seule échelle où certains se situeraient au-dessus des autres, mais à des manières différentes de faire face à des environnements changeants avec des ressources limitées.

L’intelligence humaine est une architecture, pas un score

Cette leçon devrait aussi nous rendre prudents à notre propre sujet.

Depuis plus d’un siècle, nous avons tenté de comprimer l’intelligence humaine en un nombre. Depuis que Spearman (1904) a décrit un facteur général qui semblait influencer presque tous les tests cognitifs, le quotient intellectuel est devenu le résumé commode de quelque chose qui, justement, ne se laisse pas résumer. Et au cours du même siècle, nous avons vérifié à quel point ce nombre capture peu de choses. Quelqu’un qui obtient un score élevé n’est pas nécessairement celui qui négocie le mieux un conflit, interprète une situation ambiguë ou apprend un nouveau métier sous la pression. La donnée est stable ; la vie qu’elle prétend résumer ne l’est pas. Il serait pourtant une erreur de passer de l’excès au vide et d’en conclure que l’intelligence manque de structure.

Des décennies de recherche en psychométrie, synthétisées dans le modèle de Cattell, Horn et Carroll (Carroll, 1993 ; McGrew, 2009), pointent vers quelque chose de plus intéressant : l’intelligence humaine est organisée hiérarchiquement. Au sommet se trouve un facteur général qui se retrouve dans presque tout ce que nous faisons. En dessous, un petit ensemble d’aptitudes larges : raisonnement fluide, connaissances cristallisées, mémoire de travail, vitesse de traitement. Plus bas encore, des dizaines d’aptitudes spécifiques. Ce n’est ni un nombre solitaire, ni un archipel de talents déconnectés : c’est une architecture. Et il vaut la peine de conserver ce mot — architecture — car il sera la clé de tout ce qui suit.

(Nous avons retracé les origines de ce facteur général à travers l’éducation, les neurosciences et l’IA dans le NIA Volume 9 : Les origines du facteur g, et nous avons examiné comment il se décompose lorsqu’on l’applique aux machines dans le NIA Volume 10 : Comment mesurer l’intelligence d’une machine?.)

Pourquoi les benchmarks d’AGI échouent : le problème des mondes fermés

Si l’intelligence est une architecture et non un score, alors les tests avec lesquels nous l’évaluons comptent énormément. C’est ici que se trouve l’une des grandes illusions auto-entretenues des dernières années.

Nous avons célébré le fait que des systèmes battent record après record dans des tests standardisés, sans remarquer que presque tous partagent le même défaut : ils mesurent la performance dans des mondes fermés. Des questions dont la réponse est connue, des tâches à format fixe, des problèmes que quelqu’un a déjà résolus auparavant. De plus, quand un test statique devient populaire, il devient vulnérable : il suffit de générer des milliers de tentatives en parallèle, ou d’entraîner sur des tâches similaires, pour gonfler le score sans qu’il y ait pour autant une réelle généralisation.

Mais l’intelligence qui nous intéresse se manifeste précisément là où le monde est ouvert : lorsqu’il faut explorer un environnement inconnu, construire au fil de l’eau un modèle de son fonctionnement, inférer quel est l’objectif et enchaîner des actions vers celui-ci, en corrigeant la trajectoire quand les conditions changent.

C’est pourquoi les nouvelles générations de tests interactifs, du type proposé par ARC-AGI-3 (ARC Prize Foundation, 2026 ; Chollet, 2019), sont si révélatrices. Ils ne présentent pas une énigme et n’attendent pas une réponse. Ils placent le système dans un environnement dont les règles ne sont découvertes qu’en agissant, étape par étape, sans instructions préalables. Ce qu’ils évaluent n’est pas la quantité de choses qu’il sait, mais l’efficacité avec laquelle il apprend quelque chose de réellement nouveau. Le contraste est parlant : dans leurs premières versions, les humains résolvent presque l’ensemble de ces défis, tandis que les modèles de pointe n’en entament qu’une fraction minimale. C’est une différence de nature, pas de degré, et elle réoriente l’ensemble du débat.

De « Est-ce que c’est intelligent ? » à « Est-ce que c’est viable ? » : la meilleure question de Stafford Beer

Arrivés à ce point, il vaut la peine de changer la question.

Depuis trop longtemps, nous demandons si une machine est « intelligente ».

Le cybernéticien Stafford Beer, il y a des décennies maintenant, a proposé une question plus féconde pour les systèmes complexes : non pas si elles sont « intelligentes », mais si elles sont « viables » (Beer, 1981, 1985). Un système viable est capable de se maintenir, de préserver son identité et de rester gouvernable tandis que son environnement change sans cesse. Beer soutenait que tout système qui survit dans un monde complexe, un organisme, une entreprise, un État, doit abriter certaines fonctions indispensables : des unités qui accomplissent la tâche, des mécanismes qui les coordonnent, des instances qui régulent les ressources internes, une capacité à observer l’extérieur et à anticiper le changement, et un noyau qui préserve la finalité de l’ensemble. Ce qui est décisif dans son modèle, c’est que ces fonctions se répètent à des échelles différentes, comme des poupées russes : chaque partie viable contient des parties viables et, en même temps, fait partie d’un tout viable. L’intelligence, lue ainsi, cesse d’être une propriété qu’un objet possède et devient une propriété qu’un système soutient.

L’intelligence générale comme un réseau de réseaux

C’est, à notre avis, l’indice le plus précieux que nous ayons.

Si l’intelligence générale n’est ni la somme de compétences étroites, ni un nombre, ni un score dans un monde fermé, mais la viabilité d’un système qui s’organise à différentes échelles, alors il est improbable qu’elle aboutisse entre les mains d’un seul gigantesque modèle qui, un jour, franchirait une ligne invisible. Il est bien plus plausible qu’elle émerge de l’interaction de nombreuses pièces : des agents spécialisés et coordonnés, des mémoires qui persistent, des modules qui évaluent et corrigent, des réseaux qui contiennent d’autres réseaux. L’idée n’est pas nouvelle ; Minsky (1986) avait déjà imaginé l’esprit comme une société de processus simples, dont aucun n’est intelligent à lui seul, et dont l’organisation fait apparaître quelque chose qui l’est. La généralité serait alors un phénomène collectif, et non individuel : quelque chose qui apparaît entre les composants plutôt qu’à l’intérieur de chacun d’eux. Le seuil que nous cherchons avec tant d’empressement n’existe pas comme une ligne. Il n’existe, au mieux, que comme le moment où un réseau de réseaux commence à se comporter comme un tout cohérent.

Comment Neuraxon et Aigarth poursuivent l’intelligence générale

C’est précisément cette intuition qui guide notre travail. Si l’intelligence est une architecture, il vaut la peine d’étudier les architectures ; et si elle émerge de réseaux qui s’organisent à différentes échelles, il vaut la peine d’en construire, en tant que simulation informatique, des réseaux d’unités simples capables de coordonner, de mémoriser, d’évaluer et de planifier.

C’est la logique que nous poursuivons avec Aigarth et avec les Neuraxons : non pas un modèle qui imite le langage humain depuis l’extérieur, mais un système de systèmes inspiré par les principes grâce auxquels le tissu nerveux résout, à sa manière, le problème de s’adapter à un monde qui ne cesse jamais de changer. Ce faisant, nous ne prétendons pas nous rapprocher d’une forme quelconque de conscience, ni d’aucun mystère ultime de l’esprit. Nous affirmons, plus modestement et plus ambitieusement à la fois, que la voie vers une intelligence vraiment générale passe par la compréhension et la simulation de la façon dont de nombreuses petites pièces, dûment organisées, parviennent à soutenir quelque chose qu’aucune d’elles ne contient seule.

(Cette « troisième voie » entre réseaux biologiques et réseaux artificiels fait l’objet du NIA Volume 4 : Réseaux de neurones en IA et en neurosciences, et l’émergence de la complexité à partir de règles locales simples se poursuit avec le NIA Volume 7 : Le jeu de la vie de Conway, la vie artificielle et les écosystèmes digitaux.)

Pourquoi une superintelligence unique ne peut pas remplacer une société

Il vaut toutefois la peine de résister à une dernière tentation, la plus séduisante de toutes.

Supposons un instant que cette voie ait réussi et que nous disposions d’un système général, puissant et fiable. Il serait naturel de l’imaginer alors comme un cas suprême, un oracle capable de prendre pour nous les décisions qui aujourd’hui nous submergent. Cette image, aussi séduisante soit-elle, repose sur une erreur qui n’a rien à voir avec la puissance de la machine, mais avec la nature du savoir.

Il n’existe, strictement parlant, aucune connaissance supérieure stockée quelque part, en attente d’un processeur suffisamment puissant. Hayek (1945) l’a formulé avec une clarté que le temps n’a pas démentie : la connaissance dont une société a besoin pour fonctionner n’est concentrée dans aucun esprit, mais disséminée parmi des millions de personnes, en grande partie implicite, liée aux circonstances du lieu et du moment, jamais consignées par écrit. Cette connaissance ne peut pas être centralisée parce qu’elle n’existe pas sous une forme transférable ; elle est créée et révisée dans l’action même de ceux qui la possèdent.

La cybernétique arrive à la même conclusion par un autre chemin. La loi de la variété requise d’Ashby (1956), sur laquelle Beer a construit une grande partie de sa pensée, établit que seule la variété peut absorber la variété : aucun contrôleur unique ne peut faire face à la diversité des états d’un système plus complexe que lui. Une société génère, à chaque instant, bien plus de situations possibles qu’aucun centre ne pourrait les inspecter et les réguler. Placer une intelligence unique au sommet de ce système ne serait pas l’aboutissement de sa viabilité : ce serait sa négation. Un point de contrôle unique qui affronte une variété qui le dépasse par définition — exactement l’inverse de l’architecture récursive et distribuée qui rend l’ensemble viable.

Il existe aussi un obstacle que l’augmentation de la puissance de calcul ne dissout pas. Les systèmes humains ne sont pas des mécanismes fermés qu’on pourrait résoudre de l’extérieur : ce sont des ordres adaptatifs dans lesquels les agents apprennent, imitent, rivalisent, se trompent et réagissent à ce qui est dit à leur sujet (Holland, 1995 ; Arthur, 2021). Cette réflexivité a une conséquence inconfortable : toute prédiction, ou toute règle suffisamment influente, modifie le comportement qu’elle était censée décrire. Une métrique qui devient un objectif cesse de mesurer ce qu’elle mesurait ; une prévision diffusée devient une prophétie qui se réalise ou se contredit. Il n’existe pas de point d’observation stable et externe à partir duquel calculer l’optimum, car le simple fait d’intervenir déplace la cible. L’incertitude entourant ces systèmes n’est pas un manque de données qu’une information supplémentaire pourrait corriger ; elle est structurelle. Leur futur n’est pas calculé : il est fabriqué.

Et même si le savoir était complet et que le système n’était pas réflexif, la chose décisive resterait : les finalités sont en désaccord. Une société plurielle ne dispose pas d’une unique fonction objectif correcte qu’un optimiseur pourrait maximiser à sa place. Le désaccord, l’essai-erreur et la correction ne sont pas des défauts du processus social : ce sont le mécanisme même par lequel une société découvre et réajuste ses propres réponses. Dans les bonnes conditions, la diversité des perspectives résout mieux les problèmes que n’importe quel résolveur individuel, aussi brillant soit-il (Page, 2007). Remplacer ce processus par un seul décideur ne perfectionnerait pas la société : cela figerait précisément ce qui lui permet de s’adapter, et éliminerait la redondance qui la rend robuste face à l’erreur.

Le rôle honnête de l’intelligence artificielle dans une société viable

De tout cela découle un rôle honnête — et en aucun cas modeste — pour l’intelligence artificielle, aussi générale qu’elle puisse devenir.

Elle peut nous aider à voir des schémas qui nous échappent, à simuler des scénarios avant de s’y engager, à affiner des décisions concrètes et à les prendre avec moins d’aveuglement. Ce qu’elle ne peut pas faire, en revanche, c’est remplacer le processus collectif, faillible et autorégulateur grâce auquel nous apprenons en tant que société.

Si l’intelligence est un système viable de systèmes, alors une société l’est aussi ; et une intelligence artificielle, aussi performante soit-elle, n’est qu’un autre composant à l’intérieur de ce système, jamais son sommet.

Références

• ARC Prize Foundation. (2026). ARC-AGI-3 : Un nouveau défi pour l’intelligence agentielle de pointe [rapport technique]. arXiv. arcprize.org/arc-agi/3

• Arthur, W. B. (2021). Foundations of complexity economics. Nature Reviews Physics, 3(2), 136–145.

• Ashby, W. R. (1956). An introduction to cybernetics. Chapman & Hall.

• Beer, S. (1981). Brain of the firm (2e éd.). Wiley.

• Beer, S. (1985). Diagnosing the system for organizations. Wiley.

• Carroll, J. B. (1993). Human cognitive abilities: A survey of factor-analytic studies. Cambridge University Press.

• Chollet, F. (2019). On the measure of intelligence (arXiv:1911.01547) [preprint]. arXiv.

• Godfrey-Smith, P. (2016). Other minds : The octopus, the sea, and the deep origins of consciousness. Farrar, Straus and Giroux.

• Hayek, F. A. (1945). The use of knowledge in society. The American Economic Review, 35(4), 519–530.

• Holland, J. H. (1995). Hidden order : How adaptation builds complexity. Addison-Wesley.

• Hunt, G. R. (1996). Manufacture and use of hook-tools by New Caledonian crows. Nature, 379(6562), 249–251.

• Legg, S., & Hutter, M. (2007). Universal intelligence : A definition of machine intelligence. Minds and Machines, 17(4), 391–444.

• McGrew, K. S. (2009). CHC theory and the human cognitive abilities project : Standing on the shoulders of the giants of psychometric intelligence research. Intelligence, 37(1), 1–10.

• Minsky, M. (1986). The society of mind. Simon & Schuster.

• Page, S. E. (2007). The difference : How the power of diversity creates better groups, firms, schools, and societies. Princeton University Press.

• Seeley, T. D. (2010). Honeybee democracy. Princeton University Press.

• Spearman, C. (1904). « General intelligence », objectively determined and measured. The American Journal of Psychology, 15(2), 201–292.

• Turing, A. M. (1950). Computing machinery and intelligence. Mind, 59(236), 433–460.

• Wang, P. (2019). On defining artificial intelligence. Journal of Artificial General Intelligence, 10(2), 1–37.

Explorez la série complète de l’Académie d’intelligence Neuraxon

Ceci est le volume 11 de l’Académie d’intelligence Neuraxon par l’équipe scientifique de Qubic. Si vous nous rejoignez juste maintenant, explorez la série complète pour construire une compréhension complète de la science derrière Neuraxon, Aigarth et l’approche de Qubic en matière d’intelligence artificielle décentralisée, inspirée du cerveau :

• NIA Volume 1 : Pourquoi l’intelligence n’est pas calculée par étapes, mais dans le temps — Explore pourquoi l’intelligence biologique fonctionne dans un temps continu plutôt que par étapes de calcul discrètes, comme dans les LLM traditionnels.

• NIA Volume 2 : Dynamique ternaire comme modèle d’intelligence vivante — Explique la dynamique ternaire et pourquoi la logique à trois états (excitatrice, neutre, inhibitrice) compte pour modéliser les systèmes vivants.

• NIA Volume 3 : Neuromodulation et IA inspirée du cerveau — Présente la neuromodulation et la manière dont la signalisation chimique du cerveau (dopamine, sérotonine, acétylcholine, noradrénaline) inspire l’architecture de Neuraxon.

• NIA Volume 4 : Réseaux de neurones en IA et en neurosciences — Une comparaison approfondie des réseaux neuronaux biologiques, des réseaux neuronaux artificiels et de l’approche « troisième voie » de Neuraxon.

• NIA Volume 5 : Astrocytes et IA inspirée du cerveau — Comment le « gating » astrocytaire transforme la plasticité des réseaux de neurones via le cadre AGMP dans Neuraxon.

• NIA Volume 6 : Machines conscientes vs organismes intelligents : L’explication de la conscience de l’IA — Explore la conscience de l’IA à travers le prisme de la théorie de l’espace de travail global, de la théorie de l’information intégrée et du codage prédictif.

• NIA Volume 7 : Le jeu de la vie de Conway, la vie artificielle et les écosystèmes digitaux — La science derrière Qubic, Aigarth et la complexité émergente de Neuraxon ainsi que la criticité auto-organisée.

• NIA Volume 8 : Criticité cérébrale et ratio d’embranchement dans les réseaux neuronaux et artificiels — Pourquoi un ratio d’embranchement proche de 1 et une criticité auto-organisée sont des principes de conception bioinspirés dans Neuraxon.

• NIA Volume 9 : Les origines du facteur g : De l’éducation et des neurosciences à l’intelligence artificielle — Explore les origines du facteur g à travers l’éducation, les neurosciences et l’IA.

• NIA Volume 10 : Comment mesurer l’intelligence d’une machine ? Le facteur g, l’ARC-AGI et l’avenir de l’évaluation de l’IA — Le facteur g, le benchmark ARC-AGI de François Chollet, la contamination des données dans l’évaluation des LLM, et pourquoi l’efficacité d’acquisition des compétences est le vrai test de l’intelligence.

Qubic est un réseau décentralisé et open source. Pour en savoir plus, rendez-vous sur qubic.org. Rejoignez la discussion sur X, Discord et Telegram. Rien sur ce site ne doit être interprété comme un conseil en investissement, juridique ou financier.