En août 1955, un groupe d'universitaires a soumis une demande de financement de 13 500 $ pour organiser un séminaire d'été au Dartmouth College, New Hampshire. Le domaine qu'ils se proposaient d'explorer était l'intelligence artificielle (IA). Bien que la demande de financement ait été modeste, l'hypothèse des chercheurs n'était pas : "Chaque aspect de l'apprentissage ou toute autre caractéristique de l'intelligence peut, en principe, être décrit si précisément qu'une machine peut être construite pour l'imiter."
Depuis ces humbles débuts, les films et les médias ont idéalisé l'IA ou l'ont dépeinte comme un méchant. Cependant, pour la plupart des gens, l'IA n'est restée qu'un sujet de débat et non une partie de l'expérience de vie consciente.
À la fin du mois dernier, l'IA sous la forme de ChatGPT a éclaté des laboratoires de spéculation et de recherche de science-fiction et sur les ordinateurs de bureau et les téléphones du grand public. C'est ce qu'on appelle "l'IA générative" - une invite formulée de manière inattendue et intelligente peut écrire un essai ou faire une recette et une liste de courses, ou créer un poème dans le style d'Elvis Presley.
Bien que ChatGPT a été le participant le plus impressionnant en une année de succès de l'IA générative, des systèmes comme celui-ci ont montré un potentiel encore plus grand pour créer de nouveaux contenus, et des invites de texte à image sont utilisées pour créer des images vives qui ont même remporté des concours d'art. L'IA n'a peut-être pas encore de conscience vivante ou la théorie de l'esprit popularisée dans les films et les romans de science-fiction, mais elle se rapproche au moins de perturber ce que nous pensons que les systèmes d'intelligence artificielle peuvent faire.
Les chercheurs qui travaillent en étroite collaboration avec ces systèmes s'évanouissent à la perspective de l'intelligence, comme dans le cas du LaMDA Large Language Model (LLM) de Google. LLM est un modèle qui a été formé pour traiter et générer du langage naturel.
L'IA générative a également soulevé des inquiétudes concernant le plagiat, l'exploitation du contenu original utilisé pour construire des modèles, l'éthique de la manipulation de l'information et l'abus de confiance, et même la "fin de la programmation".
Que signifie vraiment l'IA ?
Au centre de tout cela se trouve une question dont la pertinence ne cesse de croître depuis le séminaire d'été à Dartmouth : l'IA est-elle différente de l'intelligence humaine ? Pour être considéré comme IA, un système doit démontrer un certain niveau d'apprentissage et d'adaptation. Pour cette raison, la prise de décision, l'automatisation et les systèmes statistiques ne sont pas de l'IA. De manière générale, l'IA est divisée en deux catégories : l'intelligence artificielle étroite (IA) et l'intelligence artificielle générale (IA). Actuellement, le SHI n'existe pas. Un défi clé pour la construction d'une IA générale est de modéliser adéquatement le monde avec l'ensemble des connaissances, de manière cohérente et utile. Il s'agit, pour le moins qu'on puisse dire, d'une tâche de grande envergure.
La plupart de ce que nous appelons l'IA aujourd'hui a une intelligence étroite - où un système spécifique résout un problème spécifique. Contrairement à l'intelligence humaine, une telle intelligence artificielle étroite n'est efficace que dans le domaine dans lequel elle a été formée : comme la détection de fraude, la reconnaissance faciale ou les recommandations sociales. Et l'IA fonctionnera de la même manière qu'une personne. Actuellement, l'exemple le plus frappant de tentatives pour y parvenir est l'utilisation de réseaux de neurones et d'apprentissage en profondeur formés sur des quantités massives de données.
Les réseaux de neurones s'inspirent du fonctionnement du cerveau humain. Contrairement à la plupart des modèles d'apprentissage automatique, qui effectuent des calculs sur des données d'apprentissage, les réseaux de neurones fonctionnent en alimentant tour à tour chaque point de données via un réseau interconnecté, en ajustant les paramètres à chaque fois. Au fur et à mesure que de plus en plus de données transitent par le réseau, les paramètres se stabilisent, ce qui donne un réseau de neurones "formé" qui peut ensuite produire la sortie souhaitée sur de nouvelles données - par exemple, reconnaître si une image contient un chat ou un chien.
Un bond significatif dans le développement de l'intelligence artificielle aujourd'hui est dû aux améliorations technologiques des méthodes d'apprentissage des grands réseaux de neurones, qui permettent d'ajuster un grand nombre de paramètres à chaque exécution grâce aux capacités des grandes infrastructures de cloud computing. Par exemple, GPT-3 (le système d'IA qui alimente ChatGPT) est un grand réseau de neurones avec 175 milliards de paramètres.
Que faut-il pour que l'intelligence artificielle fonctionne ?
L'intelligence artificielle a besoin de trois choses pour fonctionner avec succès. Tout d'abord, il a besoin de données objectives et de qualité, et beaucoup d'entre elles. Les chercheurs qui construisent des réseaux de neurones utilisent de grands ensembles de données apparus grâce à la numérisation de la société.
Complémentaire des programmeurs humains, Co-Pilot tire ses données de milliards de lignes de code hébergées sur GitHub. ChatGPT et d'autres grands modèles de langage utilisent les milliards de sites Web et de documents texte stockés sur Internet.
Outils de conversion de texte en image tels que Diffusion stable, DE-2 et Midjourney, utilisez des paires image-texte à partir d'ensembles de données tels que LAION-5B. Les modèles d'IA continueront d'évoluer à mesure que nous numériserons davantage nos vies et les alimenterons avec des sources de données alternatives, telles que des données de simulation ou des données provenant de paramètres de jeu comme Minecraft.
L'IA a également besoin d'une infrastructure informatique pour s'entraîner efficacement. À mesure que les ordinateurs deviennent plus puissants, les modèles qui nécessitent désormais des efforts intensifs et des calculs à grande échelle pourraient dans un avenir proche être traités localement. Par exemple, le modèle Stable Diffusion peut déjà être exécuté sur des ordinateurs locaux et non dans des environnements cloud. Le troisième besoin de l'IA est l'amélioration des modèles et des algorithmes. Les systèmes basés sur les données continuent de faire des progrès rapides dans des domaines autrefois considérés comme le domaine de la cognition humaine.
Cependant, comme le monde qui nous entoure est en constante évolution, les systèmes d'IA doivent être constamment recyclés à l'aide de nouvelles données. Sans cette étape importante, les systèmes d'IA donneront des réponses factuellement incorrectes ou ne prendront pas en compte les nouvelles informations apparues depuis leur formation.
Les réseaux de neurones ne sont pas la seule approche de l'IA. Un autre camp notable dans la recherche sur l'intelligence artificielle est l'IA symbolique - au lieu de digérer de vastes tableaux de données, elle s'appuie sur des règles et des connaissances similaires au processus humain de formation de représentations symboliques internes de certains phénomènes.
Mais au cours de la dernière décennie, l'équilibre des pouvoirs a fortement penché vers les approches basées sur les données, et les "pères fondateurs" de l'apprentissage profond moderne ont récemment reçu le prix Turing, l'équivalent du prix Nobel d'informatique.
Les données, les calculs et les algorithmes constituent la base de la future IA. Tous les indicateurs indiquent des progrès rapides dans les trois catégories dans un avenir prévisible.
Vous pouvez aider l'Ukraine à lutter contre les envahisseurs russes. La meilleure façon de le faire est de faire don de fonds aux forces armées ukrainiennes par le biais de Sauver la vie ou via la page officielle NBU.