Là où naissent « les IA »

Comme pour « technologie », la définition de l’intelligence artificielle (IA) est devenue si floue qu’elle en perd tout son sens. L’engouement général pour ChatGPT et les modèles de langage naturel a parachevé une tendance qui serpentait depuis plusieurs années. Tout nouveau logiciel, aujourd’hui, est « une IA » ou du moins promet d’apporter la « révolution de l’IA » dans votre entreprise, votre ordinateur, votre téléphone.

Quand les traitements de texte intègrent des fonctionnalités pour composer de nouveaux textes à partir d’une invite et transformer le produit en présentation par diapositives, où s’arrête le logiciel et où commence l’IA générative ? Toute l’informatique et tout le numérique, distinction toujours fragile, font désormais partie intégrante de « l’ensemble de théories et de techniques mises en œuvre en vue de réaliser des machines capables de simuler l’intelligence humaine », selon la définition de l’IA par Larousse (reprise par Wikipédia).

Comme pour la « tech », il faut donc se résigner à l’idée que l’IA n’indique plus grand-chose de précis, avec un lien quelconque avec la machine universelle d’Alan Turing en 1936. Les usages aggravent le flou. En 2022, on pouvait encore séparer l’IA générative (GenAI) des modèles précédents, qui animaient des robots ou battaient à leurs propres jeux les champions d’échecs (DeepBlue) ou de go (AlphaGo). Et, au sein de la GenAI, distinguer les transformers, qui généraient des textes, des GAN, qui produisent des images. Mais cette année, les transformers multimodaux font tout converger au sein du même espace vectoriel et les robots s’animent grâce à la GenAI, ce qui promet un nouveau printemps à la robotique (lire Qant du 13 juillet).

Ne dites plus algorithme mais… modèle

La distinction entre les anciens systèmes experts – dont certains pourtant continuent de tourner – et les diverses méthodes d’apprentissage automatique (machine learning) ne semble pas plus fructueuse, au fur et à mesure que ces dernières se généralisent et se précisent. L’ensemble de l’IA générative se base sur des réseaux neuronaux, des modèles inspirés des cerveaux des mammifères et organisés en couches. Plus ou moins à l’instar d’un neurone, chacun des nœuds (nodes) interconnectés reçoit des données d’entrée, effectue un calcul et produit une sortie transmise à un autre neurone, et ainsi de suite. On ne parle plus ici d’algorithmes, qui sont des ensembles d’instructions reliées à une tâche, mais de modèles qui apprennent à représenter des données.

On retrouve ces réseaux neuronaux jusque dans des capteurs. Mais le sous-ensemble le plus important est celui de l’apprentissage profond (deep learning), qui se distingue des réseaux neuronaux moins profonds par le nombre de couches de calcul « cachées » entre l’entrée et la sortie. C’est ici que naissent les modèles les plus puissants, comme Alpha Fold 2, dont les calculs promettent de bouleverser la biologie moléculaire, et les transformers, comme GPT-4. Ces derniers promettent de remplacer l’intelligence artificielle, concept de plus en plus vaporeux, par l’IA générale (AGI) ou par la super-IA (ASI), des idées qui elles deviennent de plus en plus précises.

Et dont nous parlerons vendredi prochain.