Intelligence artificielle

De Mi caja de notas

Révision datée du 24 décembre 2017 à 08:38 par Xtof (discussion | contributions) (Page créée avec « {{wp}} »)
(diff) ← Version précédente | Voir la version actuelle (diff) | Version suivante → (diff)


Dans les années 2010, les assistants personnels intelligents sont l'une des premières applications grand public de l'intelligence artificielle.

L'intelligence artificielle (IA) est un ensemble de théories et de techniques visant à réaliser des machines capables de simuler l'intelligence humaine[1].

Souvent classée dans le groupe des mathématiques et des sciences cognitives, elle fait appel à la neurobiologie computationnelle (particulièrement aux réseaux neuronaux) et à la logique mathématique (partie des mathématiques et de la philosophie). Elle utilise des méthodes de résolution de problèmes à forte complexité logique ou algorithmique. Par extension, elle comprend, dans le langage courant, les dispositifs imitant ou remplaçant l'homme dans certaines mises en œuvre de ses fonctions cognitives[2].

Les applications de l'IA incluent notamment moteurs de recherche, systèmes de recommandation, compréhension du langage naturel, voitures autonomes, chatbots, outils de génération d'images, outils de prise de décision automatisée et programmes compétitifs dans des jeux de stratégie[3].

Ses finalités et enjeux, ainsi que son développement, suscitent depuis l'apparition du concept de nombreuses interprétations, fantasmes ou inquiétudes, retrouvées dans les récits ou films de science-fiction, comme dans les essais philosophiques[4]. Des outils d'intelligence artificielle (spécialisée ou générative) ont accompli des progrès spectaculaires dans les années 2010-2020, mais restent loin des performances du vivant dans toutes ses aptitudes naturelles, selon le magazine Slate en 2019[5].

Définition

Le terme « intelligence artificielle », créé par John McCarthy, est souvent abrégé par le sigle « IA » (ou « AI » en anglais, pour artificial intelligence). McCarthy définit l'IA ainsi : « C'est la science et l'ingénierie de la fabrication de machines intelligentes, en particulier de programmes informatiques intelligents. Elle est liée à la tâche similaire qui consiste à utiliser des ordinateurs pour comprendre l'intelligence humaine, mais l'IA ne doit pas se limiter aux méthodes qui sont biologiquement observables[6]. »

Elle est également définie par l'un de ses créateurs, Marvin Lee Minsky, comme « la construction de programmes informatiques qui s'adonnent à des tâches qui sont, pour l'instant, accomplies de façon plus satisfaisante par des êtres humains car elles demandent des processus mentaux de haut niveau tels que : l'apprentissage perceptuel, l'organisation de la mémoire et le raisonnement critique »[a],[7]. On y trouve donc le côté « artificiel » atteint par l'usage des ordinateurs ou de processus électroniques élaborés et le côté « intelligence » associé à son but d'imiter le comportement. Cette imitation peut se faire dans le raisonnement, par exemple dans les jeux ou la pratique des mathématiques, dans la compréhension des langues naturelles, dans la perception : visuelle (interprétation des images et des scènes), auditive (compréhension du langage parlé) ou par d'autres capteurs, dans la commande d'un robot dans un milieu inconnu ou hostile.

Même si elles respectent globalement la définition de Minsky, certaines définitions de l'IA varient sur deux points fondamentaux[8] :

  • les définitions qui lient l'IA à un aspect humain de l'intelligence, et celles qui la lient à un modèle idéal d'intelligence, non forcément humaine, nommée rationalité ;
  • les définitions qui insistent sur le fait que l'IA a pour but d'avoir toutes les apparences de l'intelligence (humaine ou rationnelle), et celles qui insistent sur le fait que le fonctionnement interne du système d'IA doit ressembler également à celui de l'être humain et être au moins aussi rationnel.

Bulles imbriquées pour positionner les notions d'IA, de machine learning et de deep learning.
Diagramme de Venn montrant comment s'imbriquent les notions d'intelligence artificielle, d'apprentissage automatique et d'apprentissage profond.

Il y a une confusion fréquente dans le débat public entre intelligence artificielle, apprentissage automatique (machine learning) et apprentissage profond (deep learning). Pourtant, ces notions ne sont pas équivalentes, mais imbriquées. L'intelligence artificielle englobe l'apprentissage automatique, qui lui-même englobe l'apprentissage profond[9].

Pour l'OCDE, un système d'IA est « un système basé sur une machine qui, pour des objectifs explicites ou implicites, déduit, à partir des informations qu’il reçoit, comment générer des résultats tels que des prédictions, du contenu, des recommandations ou des décisions, qui peuvent influencer les environnements physiques ou virtuels. Les différents systèmes d’IA varient dans leurs niveaux d’autonomie et d’adaptabilité après leur déploiement »[10]

Techniques

Apprentissage automatique

L'apprentissage automatique consiste à permettre au modèle d'IA d'apprendre à effectuer une tâche au lieu de spécifier exactement comment il doit l'accomplir[11]. Le modèle contient des paramètres dont les valeurs sont ajustées tout au long de l'apprentissage. La méthode de la rétropropagation du gradient est capable de détecter, pour chaque paramètre, dans quelle mesure il a contribué à une bonne réponse ou à une erreur du modèle, et peut l'ajuster en conséquence. L'apprentissage automatique nécessite un moyen d'évaluer la qualité des réponses fournies par le modèle[12]. Les principales méthodes d'apprentissage sont :

Apprentissage supervisé
Un jeu de données annoté est utilisé pour entraîner l'algorithme. Il contient des données d'entrée fournies au modèle et les réponses correspondantes attendues, que le modèle est entraîné à produire[11]. Il est parfois difficile de se procurer suffisamment de données annotées avec les réponses attendues[13].
Apprentissage non supervisé
Un jeu de données est fourni au modèle, mais n'est pas annoté avec les réponses attendues. Le but peut par exemple être de regrouper les données similaires entre elles[11] (clustering).
Apprentissage auto-supervisé
Un problème d'apprentissage supervisé est automatiquement généré à partir d'un jeu de données non annoté. Cela fonctionne souvent en cachant une partie des informations (des mots d'un texte, des morceaux d'images…) afin d'entraîner la modèle à les prédire[14].
Apprentissage par renforcement
L'agent est plongé dans un environnement où ce qu'il fait est évalué. Par exemple, un agent peut apprendre à jouer aux échecs en jouant contre lui-même, et le résultat (victoire ou défaite) permet à chaque itération d'évaluer s'il a bien joué. Il n'y a dans ce cas pas besoin de jeu de données[11].

Réseaux de neurones

Exemple de réseau de neurones comprenant deux neurones d'entrée (en vert), une couche « cachée » de neurones (en bleu) et un neurone de sortie (en jaune).

Les réseaux de neurones artificiels sont inspirés du fonctionnement du cerveau humain : les neurones sont en général connectés à d'autres neurones en entrée et en sortie. Les neurones d'entrée, lorsqu'ils sont activés, agissent comme s'ils participaient à un vote pondéré pour déterminer si un neurone intermédiaire doit être activé et ainsi transmettre un signal vers les neurones de sortie. En pratique, pour l'équivalent artificiel, les « neurones d'entrée » ne sont que des nombres et les poids de ce « vote pondéré » sont des paramètres ajustés lors de l'apprentissage[15],[16].

À part la fonction d'activation, les réseaux de neurones artificiels n'effectuent en pratique que des additions et des multiplications matricielles, ce qui fait qu'ils peuvent être accélérés par l'utilisation de processeurs graphiques[17]. En théorie, un réseau de neurones peut apprendre n'importe quelle fonction[18].

Pour de simples réseaux de neurones à propagation avant (feedforward en anglais), le signal ne passe que dans une direction. Avec les réseaux de neurones récurrents, le signal de sortie de chaque neurone est réinjecté en entrée de ce neurone, permettant un mécanisme de mémoire à court terme[19]. Les réseaux neuronaux convolutifs, qui sont particulièrement utilisés en traitement d'images, introduisent une notion de localité. Leurs premières couches identifient des motifs relativement basiques et locaux comme des contours, là où les dernières couches traitent de motifs plus complexes et globaux[16].

Apprentissage profond

L'apprentissage profond (deep learning en anglais) utilise de multiples couches de neurones entre les entrées et les sorties, d'où le terme « profond »[20]. L'utilisation de processeurs graphiques pour accélérer les calculs et l'augmentation des données disponibles a contribué à la montée en popularité de l'apprentissage profond. Il est utilisé notamment en vision par ordinateur, en reconnaissance automatique de la parole et en traitement du langage naturel[21] (ce qui inclut les grands modèles de langage).

Grands modèles de langages

Les grands modèles de langage sont des modèles de langage ayant un grand nombre de paramètres, typiquement des milliards. Ils reposent très souvent sur l'architecture transformeur[22].

Les transformeurs génératifs pré-entraînés (Generative Pretrained Transformers ou GPT en anglais) sont un type particulièrement populaire de grand modèle de langage. Leur « pré-entraînement » consiste à prédire, étant donnée une partie d'un texte, le token suivant (un token étant une séquence de caractères, typiquement un mot, une partie d'un mot, ou de la ponctuation). Cet entraînement à prédire ce qui va suivre, répété pour un grand nombre de textes, permet à ces modèles d'accumuler des connaissances sur le monde. Ils peuvent ensuite générer du texte semblable à celui ayant servi au pré-entraînement, en prédisant un à un les tokens suivants. En général, une autre phase d'entraînement est ensuite effectuée pour rendre le modèle plus véridique, utile et inoffensif. Cette phase d'entraînement (utilisant souvent une technique appelée RLHF) permet notamment de réduire un phénomène appelé « hallucination », où le modèle génère des informations d'apparence plausible mais fausses[23].

Avant d'être fourni au modèle, le texte est découpé en tokens. Ceux-ci sont convertis en vecteurs qui en encodent le sens ainsi que la position dans le texte. À l'intérieur de ces modèles se trouve une alternance de réseaux de neurones et de couches d'attention. Les couches d'attention combinent les concepts entre eux, permettant de tenir compte du contexte et de saisir des relations complexes[24].

Ces modèles sont souvent intégrés dans des agents conversationnels, où le texte généré est formaté pour répondre à l'utilisateur. Par exemple, l'agent conversationnel ChatGPT exploite les modèles GPT-3.5 et GPT-4[25]. En 2023 font leur apparition des modèles grand public pouvant traiter simultanément différents types de données comme le texte, le son, les images et les vidéos, tel Google Gemini[26].

Recherche et optimisation

Certains problèmes nécessitent de chercher intelligemment parmi de nombreuses solutions possibles.

Recherche locale

Illustration de la descente de gradient pour trois points de départ différents, faisant varier deux paramètres de sorte à minimiser la fonction de coût représentée par la hauteur.

La recherche locale, ou recherche par optimisation, repose sur l'optimisation mathématique pour trouver une solution numérique à un problème, en améliorant progressivement la solution choisie[27].

En particulier, en apprentissage automatique, la descente de gradient permet de trouver une solution localement optimale, étant donné une fonction de coût à minimiser en faisant varier les paramètres du modèle. Elle consiste, à chaque étape, à modifier les paramètres à optimiser dans la direction qui permet de réduire le mieux la fonction de coût. La solution obtenue est localement optimale, mais il se peut qu'il y ait globalement de meilleures solutions, qui auraient pu être obtenues avec différentes valeurs initiales de paramètres[27]. Les modèles d'IA modernes peuvent avoir des milliards de paramètres à optimiser, et utilisent souvent des variantes plus complexes et efficaces de la descente de gradient[22].

Les algorithmes évolutionnistes (inspirés de la théorie de l'évolution) utilisent une forme de recherche par optimisation. À chaque étape, des opérations telles que la « mutation » ou le « croisement » sont effectuées aléatoirement pour obtenir différentes variantes, et les variantes les mieux adaptées sont sélectionnées pour l'étape suivante[27].

Recherche dans l'espace des états

La recherche dans l'espace des états vise à trouver un état accomplissant l'objectif à travers un arbre des états possibles[28]. Par exemple, la recherche antagoniste est utilisée pour des programmes jouant à des jeux tels que les échecs ou le go. Elle consiste à parcourir l'arbre des coups possibles par le joueur et son adversaire, à la recherche d'un coup gagnant[29]. La simple recherche exhaustive est rarement suffisante en pratique vu le nombre d'états possibles. Des heuristiques sont utilisées pour prioriser les chemins les plus prometteurs[30].

Logique

La logique formelle est utilisée pour le raisonnement et la représentation des connaissances. Elle se décline en deux principales formes, la logique propositionnelle et la logique prédicative. La logique propositionnelle opère sur des affirmations qui sont vraies ou fausses, et utilise la logique connective avec des opérateurs tels que « et », « ou », « non » et « implique ». La logique prédicative étend la logique propositionnelle et peut aussi opérer sur des objets, prédicats ou relations. Elle peut utiliser des quantificateurs comme dans « Chaque X est un Y » ou « Certains X sont des Y »[31].

L'inférence logique (ou déduction) est le processus qui consiste à fournir une nouvelle affirmation (la conclusion) à partir d'autres affirmations connues comme étant vraies (les prémisses). Une règle d'inférence décrit les étapes valides d'une preuve ; la plus générale est la règle de résolution. L'inférence peut être réduite à la recherche d'un chemin amenant des prémisses aux conclusions, où chaque étape est une application d'une règle d'inférence[31]. Mais à part pour de courtes preuves dans des domaines restreints, la recherche exhaustive prend trop de temps.

La logique floue assigne des valeurs de vérité entre 0 et 1, permettant de gérer des affirmations vagues, comme « il fait chaud »[32]. La logique non monotone permet d'annuler certaines conclusions[31]. Divers autres formes de logique sont développées pour décrire de nombreux domaines complexes.

Méthodes probabilistes et gestion de l'incertitude

Un exemple de réseau bayésien, et les tables de probabilité conditionnelle associées.

De nombreux problèmes en IA (raisonnement, planification, apprentissage, perception, robotique…) nécessitent de pouvoir opérer à partir d'informations incomplètes ou incertaines[33].

Certaines techniques reposent sur l'inférence bayésienne, qui fournit une formule pour mettre à jour des probabilités subjectives étant données de nouvelles informations. C'est notamment le cas des réseaux bayésiens. L'inférence bayésienne nécessite souvent d'être approximée pour pouvoir être calculée[34].

Les méthodes de Monte-Carlo sont un ensemble de techniques pour résoudre des problèmes complexes en effectuant aléatoirement de nombreuses simulations afin d'approximer la solution[35].

Les réseaux de neurones peuvent aussi être optimisés pour fournir des estimations probabilistes[36].

Séparation des données en deux groupes (partitionnement) par un algorithme de maximisation de l'espérance.

Des outils mathématiques précis ont été développés pour analyser comment des agents peuvent faire des choix et des plans en utilisant la théorie de la décision, la maximisation de l'espérance et la théorie de la valeur de l'information. Ces techniques comprennent des modèles tels que les processus de décision markoviens, la théorie des jeux et les mécanismes d'incitation[34].

Classifieurs et méthodes statistiques

De nombreux modèles d'IA ont pour but d'assigner une catégorie (classification), une valeur (régression) ou une action à des données fournies. Les méthodes de classification comprennent arbres de décision, k plus proches voisins, machine à vecteurs de support ou classification bayésienne naïve[37],[34]. Les réseaux de neurones peuvent également faire de la classification[38].

Histoire

Le canard artificiel de Vaucanson (1738).

Comme précurseur à l'intelligence artificielle, divers automates ont été créés au cours de l'histoire, dont le canard de Vaucanson ou les automates d'Al-Jazari. Certains automates remontent à l'Antiquité et étaient utilisés pour des cérémonies religieuses[39]. Des mythes et rumeurs rapportent également la création d'êtres intelligents, par exemple les golems[40].

Des philosophes et mathématiciens comme Raymond Lulle, Leibniz ou George Boole ont cherché à formaliser le raisonnement et la génération d'idées[41].

Au XXe siècle, Alan Turing a notamment inventé un modèle de calcul par la suite appelé machine de Turing, exploré la notion de calculabilité et d'intelligence des machines, et proposé le « jeu de l'imitation » (test de Turing) pour évaluer l'intelligence de futures machines[41]. Le terme « intelligence artificielle » a été mis en avant par John McCarthy lors de la conférence de Dartmouth en 1956, où l'intelligence artificielle a été établie en tant que discipline à part entière[42],[43]. Dans les années qui ont suivi, des chercheurs ont proposé diverses preuves de concept, dans des situations spécifiques, de ce que les machines peuvent faire en théorie. Par exemple, le programme ELIZA pouvait se faire passer pour un psychothérapeute, et le Logic Theorist pouvait démontrer des théorèmes[44].

La fin du siècle a été marquée par des périodes d'enthousiasme, et deux périodes de désillusion et de gel des financements appelées « hivers de l'IA »[45], la première de 1974 à 1980 et la seconde de 1987 à 1993. Les systèmes experts ont été particulièrement populaires dans les années 1980, malgré leur fragilité et la difficulté à implémenter manuellement les bonnes règles d'inférences[44]. Des techniques d'apprentissage automatique se sont développées (réseaux de neurones, rétropropagation du gradient, algorithmes génétiques) ainsi que l'approche connexionniste[44]. Mais les faibles puissances de calcul et le manque de données d'entraînement limitait leur efficacité. Certains domaines n'ont progressivement plus été considérés comme faisant partie de l'intelligence artificielle, à mesure qu'une solution efficace était trouvée[46] ; un phénomène parfois appelé « effet IA ».

Dans les années 2000, le Web 2.0, le big data et de nouvelles infrastructures et capacités de calcul ont permis l'exploration de masses de données sans précédent. En 2005, le projet Blue Brain a débuté, ayant pour objectif de simuler le cerveau de mammifères[47]. En 2012, avec le réseau neuronal convolutif Alexnet, a débuté l'utilisation de processeurs graphiques pour entraîner des réseaux de neurones, décuplant ainsi les capacités de calcul dédiées à l'apprentissage[48]. Des organisations visant à créer une intelligence artificielle générale ont vu le jour, comme DeepMind en 2010[49] et OpenAI en 2015[50].

En 2017, des chercheurs de Google ont proposé l'architecture transformeur, qui a servi de base aux grands modèles de langage. En 2018, Yann Le Cun, Yoshua Bengio et Geoffrey Hinton ont remporté le prix Turing pour leurs travaux sur l'apprentissage profond[51],[52].

En 2022, des programmes générant des images à partir de descriptions textuelles, comme Midjourney ou DALL-E 2, se sont popularisés[53], et l'agent conversationnel ChatGPT a affiché une croissance inédite, gagnant un million d'utilisateurs en seulement cinq jours[54] et cent millions d'utilisateurs en deux mois[55], ce qui a accentué un phénomène de « course » à l'IA[56]. En 2023, les progrès rapides de l'IA ont suscité des inquiétudes quant à un potentiel risque d'extinction de l'humanité[57]. Des modèles traitant simultanément plusieurs modalités (texte, images, son), ont émergé (dont Google Gemini)[58].

Intelligence artificielle générale

L'intelligence artificielle générale (IAG) comprend tout système informatique capable d'effectuer ou d'apprendre pratiquement n'importe quelle tâche cognitive propre aux humains ou autres animaux[59]. Elle peut alternativement être définie comme un système informatique surpassant les humains dans la plupart des tâches ayant un intérêt économique[60].

L'intelligence artificielle générale a longtemps été considérée comme un sujet purement spéculatif[61]. Certains travaux de recherche ont déjà décrit GPT-4 comme ayant des « étincelles » d'intelligence artificielle générale[62],[63]. Les experts en intelligence artificielle affichent de larges désaccords et incertitudes quant à la date potentielle de conception des premières intelligences artificielles générales (parfois appelées « intelligences artificielles de niveau humain »), leur impact sur la société, et leur potentiel à déclencher une « explosion d'intelligence »[64].

Un sondage de 2022 suggère que 90 % des experts en IA pensent que l'IAG a plus d'une chance sur deux d'être réalisée dans les 100 ans, avec une date médiane de 2061[65].

Une superintelligence artificielle est un type hypothétique d'intelligence artificielle générale dont les capacités intellectuelles dépasseraient de loin celles des humains les plus brillants[66]. Le philosophe Nick Bostrom note que les machines disposent de certains avantages par rapport aux cerveaux humain, notamment en ce qui concerne la mémoire, la vitesse (la fréquence des processeurs étant de l'ordre de dix millions de fois plus élevée que celle des neurones biologiques) et la capacité à partager des connaissances[67].

Tests

Test de Turing

Dans le test de Turing, une machine et un humain répondent textuellement aux questions d'un interrogateur humain. L'interrogateur ne les voit pas mais doit déterminer à partir des réponses textuelles lequel des deux est la machine. Pour passer le test, la machine doit parvenir une bonne partie du temps à tromper l'interrogateur. Ce test a été conçu par Alan Turing en 1950 dans l'article « Computing Machinery and Intelligence ». Initialement appelé le « jeu de l'imitation », son but était de fournir une expérience concrète pour déterminer si les machines peuvent penser[68].

Test du café

Imaginé par Steve Wozniak, le test du café consiste à placer un système intelligent dans un habitat américain moyen et à lui demander de faire un café[69]. La réussite du test implique donc plusieurs tâches comme l'orientation dans un environnement inconnu, déduire le fonctionnement d'une machine, trouver les ustensiles nécessaires…

Test de l'étudiant

Proposé par Ben Goertzel, le test de l'étudiant évalue la capacité d'un robot à s'inscrire dans un établissement d'enseignement supérieur, suivre les cours, passer les examens et obtenir le diplôme final[70].

Test de l'embauche

Proposé par le chercheur Nils John Nilsson, le test de l'embauche consiste à faire postuler un système intelligent à un travail important[C'est-à-dire ?], où il doit travailler au moins aussi bien qu'un humain[71].

Personnalités

Prix Turing

Plusieurs prix Turing (ACM Turing Award) ont été attribués à des pionniers de l'intelligence artificielle, notamment :

Autres personnalités

En 2023, le magazine Time publie une liste de 100 personnalités influentes du domaine de l'IA et leurs biographies[74].

Différentes facettes

On peut considérer différents dispositifs intervenant, ensemble ou séparément, dans un système d'intelligence artificielle tels que :

Les réalisations actuelles de l'intelligence artificielle peuvent intervenir notamment dans les fonctions suivantes :

Domaines d'application

L'intelligence artificielle a été utilisée (ou intervient) dans une variété de domaines.

Finance et banques

Plusieurs grands noms de la finance se sont montrées intéressées par de telles technologies, avec des projets comme ceux de Bridgewater Associates où une intelligence artificielle va gérer entièrement un fonds[77] ou encore la plateforme d'analyse prédictive Sidetrade.

Sont également développés des systèmes de trading algorithmique, dont les gains de vitesses permis par l'automatisation peuvent leur donner un avantage par rapport à des traders humains, en particulier grâce au trading à haute fréquence[78].

Militaire

Le domaine militaire utilise de plus en plus l'intelligence artificielle, notamment pour le pilotage automatique, le guidage de missiles, l'identification, le commandement, l'aide à la décision[79], la cyberguerre et la cyberdéfense[80], ou pour la documentation et les processus administratifs[81].

Cette course aux armements est notamment illustrée par le projet Maven aux États-Unis[82]. Dès 2015, une IA nommée ALPHA a « systématiquement triomphé d'un pilote de chasse chevronné »[83]. En 2018, l'ONU a tenté d'interdire les systèmes d'armes létales autonomes « avant qu'il ne soit trop tard », mais peine encore en à établir le moindre cadre légal international face aux réticences, notamment de la Russie, des États-Unis et d'Israël, dont le veto peut bloquer une proposition[84]. Des drones tueurs pilotés par intelligence artificielle ont été utilisés lors du conflit ukraino-russe[85]. Le , OpenAI a modifié ses conditions d'utilisation ; il continue d'interdire l'usage de ses services tels que ChatGPT à des fins illégales ou de destruction des biens, mais n'interdit plus explicitement les usages militaires[86]. L'intelligence artificielle générative est parfois utilisée par les institutions militaires pour rédiger plus vite la documentation, mais son adoption est limitée par la confidentialité des données, les réglementations, ou le risque d'erreur et le besoin de vérification[81].

En France, la force opérationnelle IA du ministère des Armées rend en un rapport détaillant sa stratégie, qui inclut la création d'une Cellule de coordination de l'intelligence artificielle de défense (CCIAD) rattachée à l'Agence de l'innovation de défense[87]. La loi de programmation militaire prévoit un budget de 700 millions d'euros pour les missions en faveur de l'IA, soit une moyenne de 100 millions par an[88]. La France est opposée aux armes pouvant attaquer des cibles de façon complètement autonome, estimant qu'il est au moins nécessaire de conserver une supervision humaine[89],[90].

Médecine

La médecine a aussi vu de grands progrès grâce à l'utilisation de systèmes d'aide au diagnostic ou de diagnostic automatisé[91].

En 2018, Google DeepMind, filiale de Google spécialisée dans la recherche avancée en intelligence artificielle, a publié les résultats d'une expérimentation d'intelligence artificielle pouvant détecter les maladies oculaires. Les résultats indiquent que l'IA le fait avec une marge d'erreur plus faible que les ophtalmologues[92].

Google DeepMind a également conçu AlphaFold, un système d'intelligence artificielle utilisant l'apprentissage profond qui permet de prédire la façon dont des protéines se replient. Les protéines sont composées de chaînes d'acides aminés et la façon dont elles se replient détermine leur fonction. Cette nouvelle méthode, introduite en 2018 et améliorée en 2020, est nettement plus rapide que les approches traditionnelles et a été décrite comme une révolution dans le domaine de la recherche en biologie[93],[94].

La France crée en 2019 le Health Data Hub afin d'encadrer et de faciliter l'utilisation des données de santé dans la recherche[95].

En 2023, la version de ChatGPT reposant sur GPT-4 s'est montrée facilement capable d'obtenir le diplôme de médecin aux États-Unis[96].

Renseignement policier

Un usage de l'IA se développe dans le domaine de la prévention des crimes et délits. La police britannique, par exemple, développe une IA de ce genre, annoncée comme pouvant être opérationnelle dès [97]. Baptisée National Data Analytics Solution (Solution nationale d'analyse de données ou NDAS), elle repose sur l'IA et des statistiques et vise à estimer le risque qu'une personne commette un crime ou en soit elle-même victime, pour orienter les services sociaux et médicaux qui peuvent la conseiller.

L'usage d'outils de prédiction des crimes à partir des données préalablement existantes est toutefois l'objet de controverses, compte tenu des biais sociaux (notamment raciaux) qu'il comporte[98]. En effet, la logique d'identification de schémas propre à ces technologies joue un rôle de renforcement des préjugés déjà existants.

Cybercrime

L'intelligence artificielle (IA) est de plus en plus exploitée dans le domaine du cybercrime, comme le révèle une étude de la société spécialisée en cybersécurité SlashNext. Cette tendance croissante à l'utilisation de l'IA pour commettre des crimes en ligne montre une sophistication accrue des attaques. L'entreprise SlashNext a notamment identifié l'usage de deux IA malicieuses, FraudGPT et WormGPT, tout en suggérant que ces découvertes ne représentent que la partie visible d'une menace potentiellement colossale. Lors de leurs investigations, les chercheurs ont également mis en lumière l'existence de DarkBart et DarkBert[b], deux chatbots malveillants en développement, capables d'intégrer la technologie de reconnaissance d'images de Google Google Lens. Ces chatbots pourraient envoyer du texte et des images, et participer à des attaques d'ingénierie sociale avancées. Face à cette menace croissante, les solutions actuelles de lutte contre le cybercrime semblent insuffisantes, estime un rapport d'Immunefi, qui souligne les limites de certaines IA, telles que ChatGPT, dans la détection des exploits[99].

Droit

Le droit fait appel à l'IA dans la perspective de prédire les décisions de justice, d'aider à la décision et de trancher les cas simples[100]. L'Estonie a par exemple développé une intelligence artificielle capable de prendre des décisions de justice sur des délits mineurs[101]. Les États-Unis utilisent par ailleurs dans certaines juridictions le système COMPAS (en)(Correctional Offender Management profiling for Alternative Sanctions), un système d'aide de prise à la décision pour les juges[101]. Plusieurs startups se sont spécialisées dans ce créneau, créant le domaine de la legaltech[102].

Logistique et transports

Le domaine de la logistique a vu certains projets utilisant de l'intelligence artificielle se développer notamment pour la gestion de la chaîne logistique (supply chain) ou des problématiques de livraison telle celle du dernier kilomètre[103].

L'intelligence artificielle est également fortement utilisée dans le domaine des transports en commun, car elle permet de faciliter la régulation et la gestion du trafic au sein de réseaux de plus en plus complexes, comme le système UrbanLoop actuellement en cours d'étude dans la ville de Nancy[104].

Même si les problèmes d'optimisation de temps de trajet ou de transports font partie des plus anciennes applications de solutions à base d'intelligence artificielle (voir le problème du voyageur de commerce ou l'algorithme de Dijkstra), les avancées récentes, notamment en apprentissage profond, ont permis des progrès significatifs en matière de précision. Certains projets comme Google Maps utilisent par exemple des systèmes d'IA en milieu urbain pour compenser la réflexion du signal GPS sur les immeubles avoisinant[105], ou pour cartographier des zones où peu d'informations sont disponibles[106],[107].

Plusieurs entreprises ont par ailleurs annoncé avoir développé des programmes de recherche en voiture autonome, notamment Google à travers sa filiale Waymo, l'entreprise française Navya ou encore Tesla.

Industrie

Les systèmes intelligents deviennent monnaie courante dans de nombreuses industries. Plusieurs tâches peuvent leur être confiées, notamment celles considérées comme trop dangereuses pour un humain[108]. Certains applications se concentrent sur les systèmes de maintenance prédictive, permettant des gains de performance grâce à une détection des problèmes de production en amont.

Un robot NAO en 2014.

Robotique

La robotique a recours à l'intelligence artificielle à plusieurs égards. Notamment pour la perception de l'environnement (objets et visages), l'apprentissage et l'intelligence artificielle développementale[109],[110].

L'interaction homme-robot manque encore souvent de naturel et est un enjeu de la robotique. Il s'agit de permettre aux robots d'évoluer dans le monde dynamique et social des humains et d'échanger avec eux de façon satisfaisante[109]. L'échange nécessite également, à l'inverse, une évolution du regard que les humains portent sur les robots ; selon Véronique Aubergé, chercheuse à l'Université Grenoble-Alpes « la vraie révolution n'est pas technologique, elle est culturelle ». D'ores et déjà, à travers les robots dotés d'intelligence artificielle, tel Google Home, les utilisateurs combleraient un isolement social[109].

Jeux vidéo

L'intelligence artificielle est par exemple utilisée pour animer les personnages non-joueurs de jeux vidéo, qui sont conçus pour servir d'opposants, d'aides ou d'accompagnants lorsque des joueurs humains ne sont pas disponibles ou désirés. Différents niveaux de complexité sont développés, d'une simple assistance à un comportement complexe imitant (ou dépassant) les meilleurs joueurs humains.

Art

Dès la fin des années 1980, des artistes s'emparent de l'intelligence artificielle pour donner un comportement autonome à leurs œuvres. Les Français Michel Bret, Edmond Couchot et Marie-Hélène Tramus sont des pionniers, ainsi qu'en témoignent des œuvres comme La Plume et Le Pissenlit (1988)[111], puis La Funambule (2000), animée par un réseau de neurones. L'Américain Karl Sims, en partenariat avec la société Thinking Machines, crée en 1993 Genetic Images, machines incorporant[Comment ?] des algorithmes génétiques. Le couple franco-autrichien Christa Sommerer et Laurent Mignonneau crée depuis le début des années 1990 de nombreuses œuvres dans le champ de la vie artificielle, parmi lesquelles Interactive plant growing (1992) ou A-Volve (1994)[réf. nécessaire]. Le Français Florent Aziosmanoff propose quant à lui de considérer que l'emploi de l'intelligence artificielle dans l'art conduit à l'émergence d'une nouvelle discipline d'expression, qu'il nomme le Living art[112].

Le , la société de vente aux enchères Christie's met en vente le tableau Portrait d'Edmond de Belamy réalisé par une intelligence artificielle à l'aide de réseaux antagonistes génératifs. La peinture est signée par la formule mathématique à l'origine de sa création (« Min (G) max (D) Ex [log (D(x))] + Ez [log(1-D(G(z)))] »)[113]. Cette vente soulève de nombreux débats sur son statut de création artistique et sur l'auteur de l'œuvre : il peut être l'intelligence artificielle elle-même ou les trois créateurs qui l'ont programmée[114].

Une fausse photo du jeune Elon Musk jouant au jeu vidéo Mars Marauder en 1995, générée par l'IA

Des réseaux antagonistes génératifs ont parfois été utilisés pour créer de fausses images réalistes, comme avec le générateur de visages StyleGAN introduit en 2018[115], ou avec « Terre Seconde » de Grégory Chatonsky qui imagine en 2019 une version alternative de la planète Terre[116].

Dès 2022 apparaissent des modèles d'intelligence artificielle qui sont capables de créer des images réalistes à partir de descriptions textuelles, comme Midjourney, Stable Diffussion et DALL-E[117],[118]. En mars 2023, des fausses photos d'actualité sont ainsi générées et diffusées sur Internet, mettant en scène des personnalités dans des situations extravagantes (le président Macron ramassant des poubelles, Donald Trump arrêté par des policiers[119], le pape François habillé en doudoune blanche[120]). Elles deviennent rapidement virales, augmentant les craintes de manipulation de l'opinion[121]. Cela pose aussi des questions de droits d'auteur[122].

Image externe
Fausses photos d'actualité générées par Midjourney (mars 2023)[123].

De plus en plus de romans ont été coécrits avec une IA générative, tels que Internes en 2022[124] ou 東京都同情塔 (« La Tour de la compassion de Tokyo »), qui a reçu le prix Akutagawa en 2024[125].

En février 2024, le modèle Sora de OpenAI s'est montré capable de générer des vidéos relativement réalistes[126].

Autres domaines

La domesticité, avec des robots employé de maison[127], ou pour certaines tâches précises comme en domotique.

En programmation informatique, notamment pour la maintenance prédictive, l'autocomplétion ou l'aide au développement[128].

En journalisme : des IA (appelées improprement « robots journalistes ») pourraient à terme aider les journalistes en les débarrassant de certaines tâches, notamment la veille, le bâtonnage de dépêches ou la vérification des fake news[129].

La Corée du Sud propose la toute première animatrice télé virtuelle en lors d'un JT[130].

En design : la conception assistée par ordinateur fait depuis longtemps appel à des algorithmes d'optimisation. En 2019, le créateur Philippe Starck lance ainsi une chaise développée en collaboration avec la société Autodesk, la « A.I.chair »[131].

Questionnements

Les succès en IA encouragent les spéculations. Dans les milieux technophiles, on verse en général dans l'enthousiasme, le mouvement transhumaniste en est la meilleure expression. Mais certains s'inquiètent et s'interrogent, parfois alarmistes, y compris dans la sphère de la haute technologie. Ainsi, des figures réputées telles que Bill Gates — ancien PDG de Microsoft et « figure emblématique de la révolution informatique de la fin du XXe siècle »[132] — pensent qu'il faut rester très prudent quant aux développements futurs de ces technologies, qui pourraient devenir liberticides ou dangereuses.

Le développement de l'intelligence artificielle suscite un grand nombre de questions, notamment en ce qui concerne la possibilité pour les IA ou algorithmes d'accéder un jour à la conscience, d'éprouver des émotions ou de finalement se substituer aux humains. Certaines réactions sont ouvertement optimistes, d'autres sont au contraire pessimistes. En 2016, l'INRIA publie un premier Livre blanc consacré à l'IA[133].

Dans son essai Intelligence artificielle, intelligence humaine : la double énigme, le philosophe Daniel Andler considère que le rêve d'une intelligence artificielle qui rejoindrait celle de l'homme est une chimère, pour des causes conceptuelles et non techniques. L'intelligence humaine va selon lui plus loin que la simple résolution de problèmes : toutes ses autres tâches, reposant sur des affects, de la spontanéité et une forme de contingence, ne seront jamais accessibles à une intelligence non humaine[134].

Singularité

Une description d'un possible avenir de l'intelligence artificielle a été faite par le statisticien anglais Irving John Good :

Pour l'Américain Ray Kurzweil, l'intelligence artificielle dépassera bientôt l'intelligence naturelle.

« Supposons qu'existe une machine surpassant en intelligence tout ce dont est capable un homme, aussi brillant soit-il. La conception de telles machines faisant partie des activités intellectuelles, cette machine pourrait à son tour créer des machines meilleures qu'elle-même ; cela aurait sans nul doute pour effet une réaction en chaîne de développement de l'intelligence, pendant que l'intelligence humaine resterait presque sur place. Il en résulte que la machine ultra intelligente sera la dernière invention que l'homme aura besoin de faire, à condition que ladite machine soit assez docile pour constamment lui obéir. »

— Irving John Good[135]

Cette hypothétique courte période de progrès drastique dont il est difficile de prédire les conséquences a été nommée « singularité ». Elle a été étudiée par Vernor Vinge dans les années 90 et par Ray Kurzweill[136] dans les années 2000[137]. Ce concept est central pour de nombreux transhumanistes, qui s'interrogent sur les dangers ou les espoirs d'un tel scénario, certains allant jusqu'à envisager l'émergence d'un « dieu » numérique appelé à prendre le contrôle du destin de l'humanité, ou à fusionner avec elle[137]. En 2014, Nick Bostrom a popularisé le concept de superintelligence artificielle[138].

Risques existentiels

Un premier sommet en sûreté de l'IA s'est tenu en novembre 2023 pour aborder les risques liés aux modèles d'IA les plus avancés[139].

Le développement de l'intelligence artificielle génère de l'enthousiasme, mais aussi de vives inquiétudes. Certains auteurs de science-fiction, tels Isaac Asimov, William Gibson ou Arthur C. Clarke, sur le modèle du récit de L'Apprenti sorcier, décrivent le risque d'une perte de contrôle des humains sur le processus technique. Dans les années 2010, différents intellectuels ont également pris position. Notamment l'astrophysicien Stephen Hawking, selon qui l'intelligence artificielle risque réellement de surpasser un jour l'intelligence humaine et de finir par dominer l'humanité, voire de s'y substituer[140],[141]. Il pose en au salon technologique Web Summit de Lisbonne la question suivante « Serons-nous aidés par l'intelligence artificielle ou mis de côté, ou encore détruits par elle ? »[142].

Dans le milieu de la haute technologie, certains expriment publiquement des craintes similaires. C'est ainsi le cas, en 2015, de Bill Gates, Elon Musk et Bill Joy[143]. Selon le spécialiste américain de l'informatique Moshe Vardi en 2016, l'intelligence artificielle pourrait mettre 50 % de l'humanité au chômage. « Nous approchons d'une époque où les machines pourront surpasser les hommes dans presque toutes les tâches »[144].

Hilary Mason, directrice de la recherche à Cloudera, critique le sensationnalisme entourant l'intelligence artificielle et prône une vision utilitariste et technique de cette technologie[145].

Ajouter un mécanisme d'arrêt pourrait ne pas suffire face à une IA suffisamment avancée, qui pourrait s'avérer en mesure de cacher des intentions dangereuses, de manipuler ses détenteurs, de désactiver le mécanisme d'arrêt ou encore de se dupliquer. Selon Nick Bostrom, la seule solution viable à long terme consiste à trouver comment aligner les intelligences artificielles avec des valeurs humaines et morales[146] :

« nous ne devrions pas être confiants dans notre capacité à garder indéfiniment un génie superintelligent enfermé dans une bouteille. Je crois que la réponse ici est de trouver comment créer une IA superintelligente de sorte que si — ou plutôt quand — elle s'échappe, elle reste sans danger, parce qu'elle est fondamentalement de notre côté, elle partage nos valeurs. »

— Nick Bostrom

Roman V. Yampolskiy, professeur de science informatique à l'Université de Louisville, évoque pourquoi et comment une IA obtient un résultat, pour s'assurer qu'il corresponde bien à l'attendu, sans biais : « si nous nous habituons à accepter les réponses de l'IA comme des paroles d'oracles ne nécessitant pas d'explication, alors nous serons incapables de vérifier si ces résultats ne sont pas biaisés ou manipulés »[147].

En mai 2023, une déclaration du Center for AI Safety (« Centre pour la sûreté de l'IA ») affirme que réduire le risque d'extinction de l'humanité lié à l'IA devrait être une priorité mondiale, au même titre que pour d'autres risques civilisationnels tels les pandémies ou les guerres nucléaires. Elle est signée par des dirigeants de laboratoires d'IA comme OpenAI, Google DeepMind ou Anthropic, ainsi que par des chercheurs en intelligence artificielle[148],[149].

Critique de la technique et de la technologie

Comme l'explique l'historien François Jarrige, la critique de l'intelligence artificielle trouve son origine dans celle - plus ancienne et plus générale - des techniques et de la technologie, dont Lewis Mumford (aux États-Unis)[150], Jacques Ellul (en France)[151] et Günther Anders (en Allemagne)[152] sont au XXe siècle les principaux instigateurs, et qui inspire aujourd'hui différents cercles militants (en France, par exemple : Pièces et Main d'Œuvre[153] et Technologos[154])[155].

Dans un rapport en date de intitulé The Malicious Use of Artificial Intelligence 26 experts spécialistes en intelligence artificielle mettent en garde contre les dangers d'un usage criminel de l'IA : augmentation de la cybercriminalité, conduire à des utilisations de drones à des fins terroristes, manipulation de masse, etc.[156].

Enjeux environnementaux

Un autre problème est l'énorme quantité de ressources rares, de serveurs et d'énergie consommée par l'informatique sous-jacente à l'IA.

Vers des alternatives open source ?

En mars 2023, comme alternative aux géants du Web et du cloud computing, qui ont le plus de pouvoir et d'influence, Mozilla a annoncé vouloir investir 30 millions de dollars dans un projet baptisé Mozilla.ai, qui est à la fois une startup et une communauté, indépendante des géants de la tech et de la recherche académique[157]. Le projet vise à créer, dans le respect des valeurs de son manifeste (notamment transparence et responsabilité), un système d'IA « open source, digne de confiance et indépendant » qui puisse faire « contrepoids » aux IA privées en émergence[158].

Réglementation

En 2017, les Émirats arabes unis sont le premier pays au monde à se doter d'un ministre dédié à l'intelligence artificielle : Omar Sultan Al Olama[159].

En 2019, l'OCDE et le G20 adoptent une série de principes sur l'IA[160]. Le Partenariat mondial sur l'intelligence artificielle est lancé en pour promouvoir la conformité du développement de l'IA aux droits de l'homme et aux valeurs démocratiques. Il est hébergé par l'OCDE à Montréal et à Paris[161]. Une plateforme de communication, AI for Good (« l'IA pour le bien »), est créée pour faciliter les échanges et faire avancer les objectifs de développement durable de l'ONU grâce à l'IA[162].

En Europe, les services numériques sont réglementés par le RGPD[163], la législation sur les services numériques et la législation sur les marchés numériques. Pour l'intelligence artificielle en particulier, la législation sur l'intelligence artificielle (Artificial Intelligence Act, ou AI Act en anglais) définit quatre niveaux de risques pour les applications d'IA et met en avant des exigences de transparence, de protection des données, de sécurité et d'éthique[164].

En 2023, plus de 1 600 politiques publiques et stratégies sur l'IA sont recensées dans le monde[165]. Elles viennent en particulier de l'Union européenne, la Chine, les États-Unis et le Royaume-Uni. Après les avancées réglementaires de l'UE et de la Chine, la Maison Blanche publie en un décret sur l'IA « sûre, sécurisée et digne de confiance ». En a lieu un premier sommet en sécurité de l'IA au Royaume-Uni[165].

Droits des robots

En 2017, le Parlement européen a demandé à une commission d'étudier la possibilité qu'un robot doté d'une intelligence artificielle puisse être considéré comme une personne juridique[166],[167]. Advenant un dommage causé à un tiers par une intelligence artificielle, celle-ci pourrait être condamnée à réparer ce dommage. Il serait envisageable de conférer une personnalité électronique à tout robot prenant des décisions autonomes ou interagissant de manière indépendante avec des tiers, au même titre qu'une personne morale et physique.

Appels à des règles éthiques pour l'IA

Dans la seconde moitié des années 2010, des lanceurs d'alerte et des enquêtes laissent penser que l'IA, encore émergente, est déjà utilisée à des fins malveillantes pour faire basculer des processus électoraux. Le premier cas détecté a été la plate-forme RIPON, secrètement créée par le Groupe SCL, à la demande de Steve Bannon et du milliardaire américain Robert Mercer, mise au service de groupes politiques presque tous libertariens de droite ; Ripon a été un outil de désinformation, de production et de diffusion de fake news à grande échelle[168][réf. non conforme],[169]. Ripon ne sera découvert que parce qu'elle a été au cœur du scandale Facebook-Cambridge Analytica/Aggregate IQ). Cette IA a été, au moins durant quelques années, dans les années 2010, utilisée pour tromper et manipuler un grand nombre d'électeurs, par exemple, avec succès, pour faire élire Donald Trump lors de l'élection présidentielle américaine de 2016, ou pour faire advenir le Brexit[170], ainsi que pour orienter des dizaines d'élections dans le monde.

Le , les géants du secteur de l'intelligence artificielle mettent en place un « partenariat pour l'intelligence artificielle au bénéfice des citoyens et de la société »[171]. L'année suivante, Google DeepMind se dote d'une unité interne pour aborder les questions éthiques[172].

Le , 2 400 chercheurs, ingénieurs et personnalités du secteur de l'intelligence artificielle signent une lettre ouverte[173], s'engageant à « ne jamais participer ou soutenir le développement, la fabrication, le commerce ou l'usage d'armes létales autonomes ». La lettre précise notamment que « La décision de prendre une vie humaine ne devrait jamais être déléguée à une machine. ». Parmi les signataires, se trouvent Elon Musk, les dirigeants de Google DeepMind, Stuart Russell, Yoshua Bengio ou encore Toby Walsh[174].

Fin 2020, l'UNESCO a rejoint (en tant qu'observateur, comme l'OCDE) le Conseil et le Comité directeur du Partenariat mondial sur l'intelligence artificielle, avec la possibilité de participer activement aux travaux de ces organes[175].

À la suite de la publication en février 2020 d'un Livre blanc sur l'intelligence artificielle[176], la Commission européenne pose en 2021 les bases de la législation sur l'intelligence artificielle, visant à prévenir les risques et les problèmes éthiques inhérents à ces technologies[177]. Ce projet classe les risques en quatre catégories, dont la plus grave est qualifiée comme suit :

« Risque inacceptable : les systèmes d'IA considérés comme une menace évidente pour la sécurité, les moyens de subsistance et les droits des personnes seront interdits. Il s'agit notamment des systèmes ou applications d'IA qui manipulent le comportement humain pour priver les utilisateurs de leur libre arbitre (par exemple, des jouets utilisant une assistance vocale incitant des mineurs à avoir un comportement dangereux) et des systèmes qui permettent la notation sociale par les États[178]. »

En décembre 2022, le « premier forum mondial sur l'éthique de l'IA », réunion ministérielle internationale, est réuni à Prague, sous l'égide de l'Unesco[179]. L'Unesco, estimant que « l'autorégulation de l'industrie n'est manifestement pas suffisante pour éviter ces préjudices éthiques », a publié en 2023 un communiqué demandant à tous les États de mettre en œuvre sa recommandation sur l'éthique de l'intelligence artificielle[180]. Ce texte[181], adopté le 23 novembre 2021 et publié en 2022 vise à construire un cadre législatif et éthique pour l'intelligence artificielle (IA). Il ne s'agit pas de se priver de l'IA, mais de ne l'utiliser que quand les atouts qu'elle peut offrir sont bien identifiés, et que quand on peut éviter, limiter, réparer les risques qui lui sont associés (en particulier lors d'usages non-pacifiques, malveillants et/ou aggravant les inégalités et des clivages) ; l'ONU, via cette recommandation invite à ne pas utiliser l'IA quand elle met en péril la protection des données (tous les individus devraient pouvoir accéder aux enregistrements de leurs données personnelles, et même les effacer, et la capacité des organismes de réglementation du monde entier à faire respecter ces dispositions doit être renforcée). Il s'agit aussi d'interdire la notation sociale et la surveillance de masse, contraires aux droits de l'homme et aux libertés fondamentales, et elles sont utilisées de manière généralisée. « La Recommandation souligne que, lors de l'élaboration de cadres réglementaires, les États membres devraient tenir compte du fait que la responsabilité et l'obligation de rendre des comptes incombent toujours aux êtres humains en dernier ressort et que les technologies de l'IA ne devraient pas être dotées elles-mêmes d'une personnalité juridique ». Les IA doivent être évaluées du point de vue de leurs impacts éthiques sur les individus, la société et l'environnement en créant une infrastructure juridique et technique ad hoc, et en créant un responsable (indépendant) de l'éthique de l'IA ou d'autre mécanisme pour surveiller les IA. Ceux qui créent des IA devraient « privilégier les méthodes d'IA économes en données, en énergie et en ressources » pour en faire un outil dans la lutte contre le changement climatique et la dégradation de l'environnement. Les gouvernements sont invités, lors du cycle de vie du système d'IA à analyser son « empreinte carbone, sa consommation d'énergie et l'impact environnemental de l'extraction des matières premières pour soutenir la fabrication des technologies d'IA », tout en cherchant à diminuer l'impact environnemental du numérique, dont en investissant dans les technologies vertes. « si les systèmes d'IA ont un impact négatif disproportionné sur l'environnement, la Recommandation préconise de ne pas les utiliser »[181].

Cette recommandation, qui a été adoptée, à l'unanimité, par les 193 États-membres, faisait suite à trois ans de travail préparatoire. « C'est le défi de notre temps » et en 2023 il est devenu « urgent que tous transposent ce cadre sous la forme de stratégies et de réglementations nationales. Nous devons traduire les engagements en actes » a commenté Audrey Azoulay (directrice générale de l'Unesco)[182]. L'ONU appelle ainsi les États qui ne l'ont pas déjà fait à rejoindre les plus de 40 pays « de toutes les régions du monde » qui ont commencé à créer de tels garde-fous, pour notamment créer un outil législatif capable d'encadrer et de surveiller les IA, tout en veillant à la protection des données personnelles et sensibles, et en sensibilisant la population mondiale à un usage responsable de l'IA[182].

Demandes de moratoire

Début 2023, l'apparition de ChatGPT suscite une grande curiosité, de l'enthousiasme, mais aussi des craintes sérieuses : « Devons-nous laisser les machines inonder nos canaux d'information de propagande et de mensonges? (…) Devons-nous risquer de perdre le contrôle de notre civilisation? Ces décisions ne doivent pas être déléguées à des leaders technologiques non élus » affirment Elon Musk, Steve Wozniak (cofondateur d'Apple) et des centaines d'experts. Le , ceux-ci, invoquant des « risques majeurs pour l'humanité », signent une pétition qui appelle le monde à un moratoire d'au moins six mois sur ces recherches, jusqu'à la mise en place de systèmes de sécurité, incluant : la création d'autorités réglementaires dédiées, des moyens pour efficacement surveiller des IA et des systèmes les utilisant, la mise à disposition de techniques permettant de mieux différencier le réel de l'artificiel, et la création d'institutions pouvant limiter les « perturbations économiques et politiques dramatiques (en particulier pour la démocratie) que l'IA provoquera »[182].

IA et emploi

L'inquiétude du remplacement du travail humain par des machines n'est pas nouveau, et cette question est déjà présente chez certains économistes du XIXe siècle comme Thomas Mortimer (en), ou David Ricardo dans le premier chapitre Des principes de l'économie politique et de l'impôt. En 1995, Jeremy Rifkin publie End of Work: The Decline of the Global Labor Force and the Dawn of the Post-Market Era (en français : « La fin du travail : Le déclin de la force globale de travail dans le monde et l'aube de l'ère post-marché »). Les prédictions de la fin du travail sont donc courantes et accompagnent presque systématiquement les « grappes d'innovations ».

Le , deux chercheurs d'Oxford, Carl Benedikt Frey (en) et Michael A. Osborne, publient un rapport prospectif sur les impacts de l'intelligence artificielle et de la robotisation sur l'emploi : The Future of Employment: How Susceptible Are Jobs to Computerisation?[183]. Ils y prédisent que 47 % des emplois pourraient être automatisés d'ici 2030. Ce rapport connaît un grand retentissement dans le monde académique et nourrit les inquiétudes autour de l'impact de l'intelligence artificielle sur l'emploi. Des critiques de ce rapport se sont formées. Tout d'abord, Osborne et Frey raisonnent en emploi constant, or selon Joseph Schumpeter et son principe de destruction créatrice, si certaines innovations détruisent des emplois, elles en créent aussi par ailleurs. David Autor, dans son article « Why Are There Still So Many Jobs? The History and Future of Workplace Automation » publié en 2015, nuance les prédictions de Frey et Osborne et s'interroge ainsi plutôt sur les modifications de la structure du marché de l'emploi due à l'intelligence artificielle[184].

Intelligence artificielle et travail numérique

Malgré les progrès importants de l'intelligence artificielle ces dernières années, l'hypothèse de la fin du travail ne semble pas encore réalisée. Cependant, la structure du marché de l'emploi connaît de grands changements à cause de l'intelligence artificielle. Selon le sociologue Antonio Casilli, le « travail numérique » (traduction de « digital labour », un concept forgé dans les années 2000 pour désigner l'ensemble des activités en ligne créatrices de valeurs) est nécessaire pour créer les données servant à la production d'intelligence artificielle. Selon lui, ce travail numérique est le plus souvent capté par les grandes plateformes du numérique, et inclut notamment le micro-travail et certaines formes de travail à la demande[185],[186],[187].

Travail à la demande

Cette forme a la particularité d'être à la fois en ligne et hors ligne. C'est le travail lié aux plateformes d'appariement algorithmique comme Uber, Deliveroo, ou même Airbnb, etc. Dans le cas du travail à la demande, l'intelligence artificielle ne remplace pas le travail humain mais elle permet plutôt une optimisation de la rencontre de l'offre et de la demande sur un certain marché. Cette forme de digital labour est moins liée à la production d'intelligence artificielle que les deux suivantes, en revanche, l'intelligence artificielle et l'algorithmique bousculent la structure de l'emploi des secteurs d'activités concernés. L'optimisation algorithmique de la rencontre de l'offre et la demande encourage un système de rémunération à la tâche et prive les travailleurs du statut de salarié. Dans ce cas-là les conséquences de l'intelligence artificielle sur l'emploi concernent davantage une modification du statut des travailleurs, qu'un remplacement de l'homme par la machine. La tâche reste la même, mais les conditions d'emploi et de rémunération changent.

Micro-travail

Le micro-travail est très étroitement lié à l'annotation de données permettant l'entraînement et le calibrage de modèles d'IA. En effet, les algorithmes d'apprentissage supervisé ont souvent besoin de données annotées pour leur apprentissage. Même si une partie de ces données est synthétique, la main d'œuvre humaine est encore souvent utilisée pour annoter ces données[188].

Amazon, l'un des leaders mondiaux de l'intelligence artificielle, possède la plus grande plateforme de micro-travail, Amazon Mechanical Turk, créée en 2005. Les autres leaders de l'intelligence artificielle utilisent également les services de plateformes de micro-travail : Google se sert d'EWOK, Microsoft d'UHRS et IBM de Mighty IA[189]. Ces micro-tâches numériques sont en général : rédiger de courts commentaires, cliquer, regarder des vidéos ou des photos, traduire un texte, donner de la visibilité à un site Web, créer des playlists musicales, taguer des images ou reconnaître des visages ou des objets dans les photos. Aux micro-tâches s'appliquent des micro-paiements : certaines sont payées en centimes de dollars, un ou deux dollars pour les plus élaborées. L'institut américain Pew Research Center estime que les deux tiers des tâches proposées sur Amazon Mechanical Turk sont rémunérées moins de 10 centimes et la moyenne horaire de salaire était évaluée par des chercheurs à 1,38 dollar par heure en 2010[190]. Selon une étude de la Banque mondiale de 2013, il avait alors plus d'une centaine de plates-formes de micro-travail dans le monde, comptabilisant autour d'un million d'inscrits[191], mais des enquêtes plus récentes ont vu ce nombre largement rehaussé, les estimations les plus actuelles allant de quelques dizaines de millions, à plus de 100 millions de micro-travailleurs dans le monde[192]. La grande majorité vit en dehors de l'Union Européenne[193]. En France en 2019, il y aurait environ 250 000 micro-travailleurs[194] ; la moitié viennent des catégories sociales populaires et 22 % vivent sous le seuil de pauvreté[193]. Le micro-travail peut être considéré comme le droit héritier du taylorisme qui se serait adapté à l'économie numérique.

Le micro-travail s'est établi en marge du droit du travail. Les législateurs parlent de « travail de plate-forme »[195] (voir Ubérisation). On y opère à titre personnel, dans le cadre d'accords de participation[193].

Sondage

En 2016, des chercheurs du Future of Humanity Institute, de l'Université Yale et d'AI Impact ont sondé 352 experts en apprentissage automatique pour prédire la vitesse des progrès de l'IA dans différentes capacités et professions, ainsi que les implications sociales. Les résultats sont entachés d'une grande incertitude, mais la prédiction médiane était que les machines dépasseront l'humain en traduction en 2024, qu'elles seront capables de rédiger des essais en 2026, de conduire des camions en 2027, de travailler dans le commerce et la vente en 2031, d'écrire un best-seller en 2049, de travailler en tant que chirurgien en 2053, qu'elles dépasseront l'intelligence humaine dans toutes les tâches en 2061 et qu'elles automatiseront tout le travail humain en 120 ans[c],[197].

Philosophie

Courants de pensée

La cybernétique naissante des années 1940 revendiquait très clairement son caractère pluridisciplinaire et se nourrissait des contributions les plus diverses : neurophysiologie, psychologie, logique, sciences sociales… Et c'est tout naturellement qu'elle envisagea deux approches des systèmes, deux approches reprises par les sciences cognitives et de ce fait l'intelligence artificielle[réf. souhaitée] : une approche par la décomposition (du haut vers le bas, comme avec les systèmes experts) et une approche contraire par construction progressive du bas vers le haut, comme avec l'apprentissage automatique[198].

Ces deux approches se révèlent plutôt complémentaires que contradictoires : on est à l'aise pour décomposer rapidement ce que l'on connaît bien, et une approche pragmatique à partir des seuls éléments que l'on connaît afin de se familiariser avec les concepts émergents est plus utile pour les domaines inconnus. Elles sont respectivement à la base des hypothèses de travail que constituent le cognitivisme et le connexionnisme, qui tentent aujourd'hui (2005)[Passage à actualiser] d'opérer progressivement leur fusion.

Le guide pratique de Linux sur l'intelligence artificielle v3.0[199], révisé le , adopte pour la commodité du lecteur la taxinomie suivante :

  • systèmes symboliques ;
  • connexionnisme ;
  • calcul évolutif (algorithmes génétiques, par exemple) ;
  • alife (vie artificielle) et complexité ;
  • agents et robotique.

Cognitivisme

Le cognitivisme considère que le vivant, tel un ordinateur (bien que par des procédés très différents), manipule essentiellement des symboles élémentaires. Dans son livre La société de l'esprit, Marvin Minsky, s'appuyant sur des observations du psychologue Jean Piaget, envisage le processus cognitif comme une compétition d'agents fournissant des réponses partielles et dont les avis sont arbitrés par d'autres agents. Il cite les exemples suivants de Piaget :

  • l'enfant croit d'abord que plus le niveau d'eau est élevé dans un verre, plus il y a d'eau dans ce verre. Après avoir joué avec des transvasements successifs, il intègre le fait que la notion de hauteur du liquide dans le verre entre en compétition avec celle du diamètre du verre, et arbitre de son mieux entre les deux ;
  • il vit ensuite une expérience analogue en manipulant de la pâte à modeler : la réduction de plusieurs objets temporairement représentés à une même boule de pâte l'incite à dégager un concept de conservation de la quantité de matière.

Au bout du compte, ces jeux d'enfants se révèlent essentiels à la formation de l'esprit, qui dégagent quelques règles pour arbitrer les différents éléments d'appréciation qu'il rencontre, par essais et erreurs.

Connexionnisme

Le connexionnisme, se référant aux processus auto-organisationnels, envisage la cognition comme le résultat d'une interaction globale des parties élémentaires d'un système. On ne peut nier que le chien dispose d'une sorte de connaissance des équations différentielles du mouvement, puisqu'il arrive à attraper un bâton au vol. Et pas davantage qu'un chat ait aussi une sorte de connaissance de la loi de chute des corps, puisqu'il se comporte comme s'il savait à partir de quelle hauteur il ne doit plus essayer de sauter directement pour se diriger vers le sol. Cette faculté qui évoque un peu l'intuition des philosophes se caractériserait par la prise en compte et la consolidation d'éléments perceptifs dont aucun pris isolément n'atteint le seuil de la conscience, ou en tout cas n'y déclenche d'interprétation particulière.

Synthèse

Trois concepts reviennent de façon récurrente dans la plupart des travaux :

  • la redondance (le système est peu sensible à des pannes ponctuelles) ;
  • la réentrance (les composants s'informent en permanence entre eux ; cette notion diffère de la réentrance en programmation) ;
  • la sélection (au fil du temps, les comportements efficaces sont dégagés et renforcés).

Intelligence artificielle forte

Le concept d'intelligence artificielle forte fait référence à une machine capable non seulement de produire un comportement intelligent, notamment de modéliser des idées abstraites, mais aussi d'éprouver une impression d'une réelle conscience, de « vrais sentiments » (notion dont la définition n'est pas universelle), et « une compréhension de ses propres raisonnements »[200].

Contrairement à l'intelligence artificielle générale, l'intelligence artificielle forte fait donc le plus souvent intervenir des notions philosophiques de conscience qui font que les capacités de l'intelligence artificielle ne suffisent pas à dire si elle est « forte ». Cela dit, aucune définition de la conscience pour une IA ne fait consensus[201]. Les termes « intelligence artificielle forte » et « intelligence artificielle générale » sont parfois en pratique utilisés de manière interchangeable[59].

En partant du principe, étayé par les neurosciences[202], que la conscience a un support biologique et donc matériel, les scientifiques ne voient généralement pas d'obstacle théorique à la création d'une intelligence consciente sur un support matériel autre que biologique. Selon les tenants de l'IA forte, si à l'heure actuelle il n'y a pas d'ordinateurs ou d'algorithmes aussi intelligents que l'être humain, ce n'est pas un problème d'outil mais de conception. Il n'y aurait aucune limite fonctionnelle (un ordinateur est une machine de Turing universelle avec pour seules limites celles de la calculabilité), seulement des limites liées à l'aptitude humaine à concevoir les logiciels appropriés (programme, base de données…).

Diversité des opinions

Les principales opinions soutenues pour répondre à la question d'une intelligence artificielle forte (c'est-à-dire douée d'une sorte de conscience) sont les suivantes :

  • impossible : la conscience serait le propre des organismes vivants (supérieurs), et elle serait liée à la nature des systèmes biologiques. Cette position est défendue par certains philosophes et sociologues comme Harry Collins, pour qui l'intelligence requiert une immersion dans la société humaine, et donc un corps humain[61], et peut rappeler le courant du vitalisme ;
  • impossible avec des machines manipulant des symboles comme les ordinateurs actuels, mais possible avec des systèmes dont l'organisation matérielle serait fondée sur des processus quantiques. Des algorithmes quantiques sont théoriquement capables de mener à bien des calculs hors de l'atteinte pratique des calculateurs conventionnels (complexité en au lieu de , par exemple, sous réserve d'existence du calculateur approprié). Au-delà de la rapidité, le scientifique Roger Penrose défend dans la théorie de la réduction objective orchestrée l'idée controversée que la conscience nécessiterait un fonctionnement non compatible avec les lois de la physique classique, et accessible uniquement à des systèmes quantiques[203],[204] ;
  • impossible car la pensée n'est pas un phénomène calculable par des processus discrets et finis. Cette théorie est notamment avancée par le philosophe John Searle et son expérience de la chambre chinoise[205]. Une conscience est donc nécessaire pour accéder à l'intelligence, mais un système informatique ne serait capable que d'en simuler une, sans pour autant la posséder, renvoyant au concept philosophique du zombie ;
  • possible avec des ordinateurs manipulant des symboles. La notion de symbole est toutefois à prendre au sens large. Cette option inclut les travaux sur le raisonnement ou l'apprentissage symbolique basé sur la logique des prédicats, mais aussi les techniques connexionnistes telles que les réseaux de neurones, qui, à la base, sont définies par des symboles. Cette position est portée par des mouvements comme ceux du computationnalisme et est portée par des philosophes comme Hubert Dreyfus, pour qui le cerveau suit les lois de la physique et de la biologie, impliquant que l'esprit est donc un processus simulable[206]. Cette dernière opinion constitue la position la plus engagée en faveur de l'intelligence artificielle forte.

Des auteurs comme Douglas Hofstadter (mais déjà avant lui Arthur C. Clarke ou Alan Turing ; voir le test de Turing) expriment par ailleurs un doute sur la possibilité de faire la différence entre une intelligence artificielle qui éprouverait réellement une conscience, et une autre qui simulerait exactement ce comportement (voir Zombie (philosophie)). Après tout, nous ne pouvons même pas être certains que d'autres consciences que la nôtre, y compris chez des humains, éprouvent réellement quoi que ce soit, si ce n'est par une pétition de principe qui spécule que chaque humain se retrouve à l'identique chez tous les autres. On retrouve là le problème connu du solipsisme en philosophie.

Même si une intelligence artificielle forte n'était guère possible, une IA peut être de plus en plus perçue comme forte par une majorité d'individus parallèlement à l'arrivée des IA génératives, dont les LLM (de l'anglais large language model) comme ChatGPT ou Google Bard, et les outils de génération d'images comme Midjourney, DALL-E ou Stable Diffusion. En effet, le champ d'applications de ces outils est beaucoup large qu'auparavant : création, synthèse, traduction de textes, composition d'images, de vidéos à partir de prompts, textes descriptifs. Il devient ainsi de plus en plus difficile pour un être humain de distinguer des créations humaines de celles provenant d'une IA générative.

Emily Bender estime que les grands modèles de langage comme ChatGPT ne font que régurgiter plus ou moins aléatoirement des morceaux de texte venant des corpus ayant servi à leur entraînement, sans en comprendre le sens. Elle les appelle ainsi des « perroquets stochastiques »[207]. De même, Jean-Gabriel Ganascia considère que le contenu qu'ils produisent n'est pas original et que leur utilisation dans la rédaction d'articles de recherche constitue une forme de plagiat[208]. Ilya Sutskever considère au contraire que ces modèles, à force d'être entraînés à prédire le mot suivant, acquièrent une forme de « modèle du monde » et une représentation « compressée, abstraite et utilisable » des concepts[209].

Intelligence artificielle faible

La notion d'intelligence artificielle faible constitue une approche pragmatique d'ingénieur : chercher à construire des systèmes de plus en plus autonomes (pour réduire le coût de leur supervision), des algorithmes capables de résoudre des problèmes d'une certaine classe, etc. Mais, cette fois, la machine simule l'intelligence, elle semble agir comme si elle était intelligente.

Les tenants de l'IA forte admettent que s'il y a bien dans ce cas simple simulation de comportements intelligents, il est aisé de le découvrir et qu'on ne peut donc généraliser. En effet, si on ne peut différencier expérimentalement deux comportements intelligents, celui d'une machine et celui d'un humain, comment peut-on prétendre que les deux choses ont des propriétés différentes ? Le terme même de « simulation de l'intelligence » est contesté et devrait, toujours selon eux, être remplacé par « reproduction de l'intelligence ».

Si le terme intelligence artificielle peut désigner un système capable de résoudre plusieurs problèmes de façon relativement autonome tout en ne faisant que simuler le principe d'intelligence, il peut aussi désigner des systèmes capables de résoudre uniquement un type de problème pour un jeu de données prédéfini[210]. On peut donner pour exemple un système entrainé à reconnaitre des chiffres écrits à la main, comme ceux utilisés par La Poste[211], qui malgré sa grande performance sur sa tâche, serait incapable de fonctionner sur un problème sortant de ce pour quoi il a été conçu. Ces intelligences artificielles, aussi nommées « intelligences artificielles étroites » (terme issu de l'anglais narrow AI), sont conçus pour effectuer une tâche précise, contrairement à une intelligence artificielle générale[212].

Question de l'intelligence

La définition du terme « intelligence artificielle » pose une question fondamentale : Qu'est-ce que l'intelligence[213] ?

L'intelligence peut se définir de manière générale comme un ensemble de capacités cognitives permettant de résoudre des problèmes ou de s'adapter à un environnement[214].

Le chercheur en IA Yann Le Cun avance que le noyau de l'intelligence est la faculté de prédire. Les bases de la programmation des premiers systèmes experts supposent de « maîtriser parfaitement un problème et d'avoir une vue précise de toutes les solutions », afin d'en programmer précisément le comportement[213]. Mais les systèmes d'IA modernes à base d'apprentissage automatique sont entraînés à prédire la réponse attendue, ou à générer une solution correcte. Leurs capacités émergent ainsi progressivement, par essai-erreur, sans que le programmeur n'ait besoin de fournir une solution algorithmique, ou même de savoir comment résoudre le problème[198]. Dans tous les cas, l'efficacité de l'intelligence artificielle dépend de sa capacité à répondre aux objectifs donnés par les programmeurs et à tendre vers l'autonomie décisionnelle[215], ce qui présuppose, entre autres, une capacité de prédiction.

Le philosophe John Searle considère quant à lui que la faculté de comprendre est plus importante dans la définition de l'intelligence. Il essaie de démontrer la faiblesse des systèmes d'intelligence artificielle et les limites du test de Turing, par son expérience de la chambre chinoise, concluant : « on ne devrait pas dire d'une IA qu'elle comprend les informations qu'elle traite lorsqu'elle manipule des règles de syntaxe sans maîtriser la sémantique, c'est-à-dire sans reconnaître le sens des mots. La question de savoir si on peut parler d'une véritable intelligence reste donc ouverte »[213]. L'apprentissage automatique fonctionne cependant différemment de l'IA symbolique[198], qui était populaire à l'époque où Searle a conçu l'expérience de pensée de la chambre chinoise en 1980[216].

Dans la science-fiction

HAL 9000.

Une machine ayant une conscience et capable d'éprouver des sentiments — ou de faire comme si c'était le cas — est un grand thème classique de la science-fiction, notamment des romans d'Isaac Asimov sur les robots[217].

Ce sujet a toutefois été exploité très tôt, comme dans le récit des aventures de Pinocchio, publié en 1881, où une marionnette capable d'éprouver de l'amour pour son créateur cherche à devenir un vrai petit garçon, ou dans L'Homme le plus doué du monde, une nouvelle de l'Américain Edward Page Mitchell où le cerveau d'un simple d'esprit est remplacé par un ordinateur inspiré des recherches de Charles Babbage[218]. Le roman Le Miroir flexible de Régis Messac propose quant à lui le principe d'une intelligence artificielle faible, mais évolutive, avec des automates inspirés de formes de vie simples, réagissant à certains stimuli tels que la lumière. Cette trame a fortement inspiré le film A.I. Intelligence artificielle réalisé par Steven Spielberg, sur la base d'idées de Stanley Kubrick, lui-même inspiré de Brian Aldiss[219]. L'œuvre de Dan Simmons, notamment le cycle d'Hypérion, évoque l'intelligence artificielle. Destination vide, de Frank Herbert, met en scène de manière fascinante l'émergence d'une intelligence artificielle forte. Plus récemment, l'écrivain français Christian Léourier a placé une intelligence artificielle au cœur de son roman court Helstrid (2018), dans lequel cette IA laisse un être humain mourir, contrevenant ainsi aux trois lois de la robotique instaurées par Isaac Asimov près de quatre-vingts ans plus tôt.

Les androïdes faisant preuve d'intelligence artificielle dans la fiction sont nombreux : le personnage de Data de la série télévisée Star Trek : The Next Generation est un être cybernétique doué d'intelligence, avec des capacités importantes d'apprentissage. Il est officier supérieur sur le vaisseau Enterprise et évolue aux côtés de ses coéquipiers humains qui l'inspirent dans sa quête d'humanité. Son pendant cinématographique est Bishop dans les films Aliens (1986) et Alien 3 (1992). Dans le manga Ghost in the Shell, une androïde s'éveille à la conscience. Dans la saga Terminator avec Arnold Schwarzenegger, le T-800 reprogrammé, conçu initialement pour tuer, semble dans la capacité d'éprouver des sentiments humains. Par ailleurs, les Terminators successifs sont envoyés dans le passé par Skynet, une intelligence artificielle qui a pris conscience d'elle-même, et du danger que représentent les humains envers elle-même[220].

Quelques IA célèbres dans la science-fiction

Utilisation dans les jeux

Les jeux, notamment les jeux de stratégie, ont marqué l'histoire de l'intelligence artificielle, même s'ils ne mesurent que des compétences particulières, telles que la capacité de la machine en matière de calcul de probabilités, de prise de décision mais aussi d'apprentissage.

Hans Berliner (1929-2017), docteur en science informatique à l'université Carnegie-Mellon et joueur d'échecs, fut l'un des pionniers de la programmation pour les ordinateurs de jeu. Ses travaux commencèrent par un programme capable de battre un humain professionnel au backgammon, puis, à partir des années 1960 et avec l'aide d'IBM, il fit des recherches pour créer un programme capable de rivaliser avec des grands maîtres du jeu d'échecs. Ses travaux contribuèrent quelques décennies plus tard à la réalisation du supercalculateur Deep Blue[222].

Outre la capacité des jeux à permettre de mesurer les performances de l'intelligence artificielle, que ce soit au travers d'un score ou d'un affrontement face à un humain, les jeux offrent un environnement propice à l'expérimentation pour les chercheurs, notamment dans le domaine de l'apprentissage par renforcement[223].

Othello

Dans le jeu Othello, sur un plateau de 8 cases sur 8, chaque joueur place tour à tour des pions de sa couleur (noir ou blanc). Le vainqueur est celui qui possède les pions de la couleur dominante.

L'une des premières intelligences artificielles pour l'Othello est IAGO, développée en 1976 par l'université Caltech de Pasadena (Californie), qui bat sans difficultés le champion japonais Fumio Fujita.

Le premier tournoi d'Othello hommes contre machines est organisé en 1980. Un an plus tard, un nouveau tournoi de programmes regroupent 20 systèmes[224]. C'est entre 1996 et 1997 que le nombre de programmes explose : Darwersi (1996-1999) par Olivier Arsac, Hannibal (1996) par Martin Piotte et Louis Geoffroy, Keyano (1997) par Mark Brockington, Logistello (1997) par Michael Buro, etc.

Échecs

Un supercalculateur IBM similaire à Deep Blue, qui a battu le champion du monde d'échecs en titre dans un match en 1997.

En 1968, le maître international anglais David Levy lança un défi à des spécialistes en intelligence artificielle, leur pariant qu'aucun programme informatique ne serait capable de le battre aux échecs dans les dix années à venir. Il remporta son pari, n'étant finalement battu par Deep Thought qu'en 1989[225].

En 1988, l'ordinateur HiTech de Hans Berliner est le premier programme à battre un grand maître du jeu d'échecs, Arnold Denker (74 ans) en match (3,5-1,5)[226],[d].

En 1997, le supercalculateur conçu par IBM, Deep Blue (surnommé Deeper Blue lors de ce match revanche), bat Garry Kasparov (3,5–2,5) et marque un tournant : pour la première fois, le meilleur joueur humain du jeu d'échecs est battu en match (et non lors d'une partie unique) par une machine.

En , une version généraliste d'AlphaGo Zero (le successeur du programme AlphaGo de DeepMind[e]) nommée AlphaZero, est développée pour jouer à n'importe quel jeu en connaissant seulement les règles, et en apprenant à jouer seul contre lui-même. Ce programme est ensuite entraîné pour le go, le shogi et les échecs. Après 9 heures d'entraînement, AlphaZero bat le programme d'échecs Stockfish (leader dans son domaine), avec un score de 28 victoires, 72 nulles et aucune défaite. Il faut cependant noter que la puissance de calcul disponible pour AlphaZero (4 TPU v2 pour jouer, soit une puissance de calcul de 720 Teraflops) était très supérieure à la puissance disponible de Stockfish pour ce match, ce dernier tournant sur un ordinateur équipé de seulement 64 cœurs Intel[227]. AlphaZero a également battu (après apprentissage) le programme de shōgi Elmo (en)[228],[229].

Go

En 2015, l'IA réalise des progrès significatifs dans la pratique du go, plus complexe à appréhender que les échecs (entre autres à cause du plus grand nombre de positions : 10170 au go, contre 1050 pour les échecs, et de parties plausibles : 10600 au go, contre 10120 pour les échecs)[230].

En , AlphaGo, un logiciel d'IA conçu par DeepMind, filiale de Google, bat pour la première fois Fan Hui, le triple champion européen de go[231] et ainsi relève ce qu'on considérait comme l'un des plus grands défis pour l'intelligence artificielle. Cette tendance se confirme en quand AlphaGo bat par trois fois consécutives le champion du monde de la discipline, Lee Sedol, dans un duel en cinq parties[232]. Lee Sedol a déclaré au terme de la seconde partie qu'il n'avait trouvé « aucune faiblesse » chez l'ordinateur et que sa défaite était « sans équivoque ».

Jeopardy!

Réplique de Watson, lors d'un concours de Jeopardy!

En 2011, l'IA Watson conçue par IBM bat ses adversaires humains au jeu télévisé américain Jeopardy!. Dans ce jeu de questions/réponses, la compréhension du langage est essentielle pour la machine ; pour ce faire, Watson a pu s'appuyer sur une importante base de données interne lui fournissant des éléments de culture générale, et avait la capacité d'apprendre par lui-même, notamment de ses erreurs. Il disposait néanmoins d'un avantage, la capacité d'appuyer instantanément (et donc avant ses adversaires humains) sur le buzzer pour donner une réponse[230].

Poker

En 2007, Polaris est le premier programme informatique à gagner un tournoi de poker significatif face à des joueurs professionnels humains[233],[234].

En 2017, lors du tournoi de poker « Brains Vs. Artificial Intelligence : Upping the Ante » (« Cerveau contre Intelligence Artificielle : on monte la mise ») organisé dans un casino de Pennsylvanie, l'intelligence artificielle Libratus, développée par des chercheurs de l'université Carnegie-Mellon de Pittsburgh, est confrontée à des adversaires humains dans le cadre d'une partie marathon étalée sur 20 jours[234]. Les joueurs humains opposés à Libratus, tous professionnels de poker, affrontent successivement la machine dans une partie en face à face (heads up (en)) selon les règles du « No Limit Texas hold'em » (no limit signifiant que les mises ne sont pas plafonnées), la version alors la plus courante du poker. Les parties sont retransmises en direct et durant huit heures par jour sur la plateforme Twitch[235].

Au terme de plus de 120 000 mains jouées, Libratus remporte tous ses duels face aux joueurs humains et accumule 1 766 250 dollars (virtuels). Le joueur humain ayant perdu le moins d'argent dans son duel face à la machine, Dong Kim, est tout de même en déficit de plus de 85 000 dollars. Dans leurs commentaires du jeu de leur adversaire, les joueurs humains admettent que celui-ci était à la fois déconcertant et terriblement efficace. En effet, Libratus « étudiait » chaque nuit, grâce aux ressources d'un supercalculateur situé à Pittsburgh, ses mains jouées durant la journée écoulée, utilisant les 15 millions d'heures-processeur de calculs du supercalculateur[235].

La victoire, nette et sans bavure, illustre les progrès accomplis dans le traitement par l'IA des « informations imparfaites », où la réflexion doit prendre en compte des données incomplètes ou dissimulées. Les estimations du nombre de possibilités d'une partie de poker sont en effet d'environ 10160 dans la variante no limit en face à face[235].

Auparavant, en 2015, le joueur professionnel Doug Polk (en) avait remporté la première édition de cet évènement contre une autre IA, baptisée Claudico (en)[235].

Bridge

En mars 2022, un logiciel de bridge de la start-up française Nukkai parvient à gagner un tournoi et à expliquer aux perdants leurs erreurs[236].

Notes et références

Notes

  1. (en) « the building of computer programs which perform tasks which are, for the moment, performed in a more satisfactory way by humans because they require high level mental processes such as: perception learning, memory organization and critical reasoning ».
  2. DarkBert a été initialement conçu comme un outil de lutte contre le cybercrime.
  3. Un nouveau sondage a été effectué en 2023 sur 2778 chercheurs[196].
  4. Arnold Denker était alors âgé de 74 ans et crédité d'un classement Elo de 2300, ce qui relativise un peu la performance du programme, un fort grand maître étant à cette époque plus vers les 2 650–2 700 points Elo, voire davantage.
  5. Voir plus bas dans la section « Go ».

Références

  1. « intelligence artificielle », encyclopédie Larousse.
  2. Ministère de l'Enseignement supérieur et de la Recherche, « France intelligence artificielle » [archive du ] [PDF], .
  3. « Les applications les plus populaires de l'Intelligence Artificielle (IA) », sur PandIA, (consulté le ).
  4. (en) « Rulers of the world, unite! The challenges and opportunities of artificial intelligence », Business Horizons, .
  5. Nicolas P. Rougier, « Votre chat est plus intelligent qu'une IA », sur slate.fr, (consulté le ).
  6. « Qu'est-ce que l'intelligence artificielle (IA) ? », sur IBM (consulté le ).
  7. « Intelligence artificielle », sur Larousse (consulté le ).
  8. (en) Russell, S. et Norvig, P., Artificial Intelligence: A Modern Approach (2nd ed.), Prentice Hall, , 932 p. (ISBN 0-13-790395-2), section 1.1.
  9. « Intelligence artificielle, machine learning, deep learning : kézako ? », sur ledigitalab.com, .
  10. Avis no 2024-01 du 17 janvier 2024 pour mieux encadrer l’usage de l’intelligence artificielle, CSNP, 21 p. (lire en ligne [PDF]).
  11. a b c et d Mark Esposito, Kariappa Bheemaiah et Terence Tse, « Vous avez dit « machine learning » ? Quand l'ordinateur apprend à apprendre », sur theconversation.com, (consulté le ).
  12. Daniel Nelson, « Qu'est-ce que la rétropropagation ? - Unite.AI », sur Unite.ai, (consulté le ).
  13. (en) Nick Heath, « What is machine learning? Everything you need to know », sur ZDNet (consulté le ).
  14. Émilie Dedieu, « Comment l'apprentissage auto-supervisé accélère l'intelligence artificielle », L'Usine nouvelle,‎ (lire en ligne, consulté le ).
  15. Antoine Crochet-Damais, « Réseau de neurones artificiels : réseaux neuronaux pour l'IA », sur Le Journal du Net, (consulté le ).
  16. a et b « Qu'est-ce qu'un réseau de neurones convolutifs ? », sur IBM (consulté le ).
  17. (en) Ram Sagar, « Can We Speed Up Matrix Multiplication? », sur Analytics India Magazine, (consulté le ).
  18. (en) Kurt Hornik, Maxwell Stinchcombe et Halbert White, « Multilayer Feedforward Networks are Universal Approximators », Neural Networks,‎ (lire en ligne [PDF]).
  19. Bastien L, « Réseau de neurones artificiels : qu'est-ce que c'est et à quoi ça sert ? », sur lebigdata.fr, (consulté le ).
  20. Stephane Nachez, « Qu'est-ce que le Deep Learning ? », sur ActuIA, (consulté le ).
  21. (en) Sharon Goldman, « 10 years later, deep learning ‘revolution’ rages on, say AI pioneers Hinton, LeCun and Li », sur VentureBeat, (consulté le ).
  22. a et b (en) Sean Michael Kerner, « What are Large Language Models? », sur TechTarget (consulté le ).
  23. (en) Craig S. Smith, « ChatGPT-4 Creator Ilya Sutskever on AI Hallucinations and AI Democracy », sur Forbes, (consulté le ).
  24. (en) Aayush Mittal, « NLP Rise with Transformer Models: A Comprehensive Analysis of T5, BERT, and GPT », sur Unite.ai, (consulté le ).
  25. « Microsoft annonce l'intégration de la technologie GPT-4 dans ses outils Word, Excel, Outlook et Teams », Le Monde,‎ (lire en ligne, consulté le ).
  26. (en) Beatrice Nolan, « Here's what we know so far about Google's Gemini », sur Business Insider, (consulté le ).
  27. a b et c Russell et Norvig 2021, chapitre 4.
  28. Russell et Norvig 2021, chapitre 3.
  29. Russell et Norvig 2021, chapitre 5.
  30. Russell et Norvig 2021, chapitre 3.5.
  31. a b et c Russell et Norvig 2021, chapitres 6 à 10.
  32. (en) « What is 'fuzzy logic'? Are there computers that are inherently fuzzy and do not apply the usual binary logic? », sur Scientific American (consulté le ).
  33. Russell et Norvig 2021, chapitre 13.
  34. a b et c Russell et Norvig 2021.
  35. « Qu'est-ce que la simulation de Monte-Carlo ? », sur IBM (consulté le ).
  36. (en) Vijaysinh Lendave, « A Beginners' Guide to Cross-Entropy in Machine Learning », sur Analytics India Magazine, (consulté le ).
  37. Kassidy Kelley et Gaétan Raoul, « Machine Learning : les 9 types d'algorithmes les plus pertinents en entreprise », sur LeMagIT, (consulté le ).
  38. Russell et Norvig 2021, chapitre 21.
  39. (en) HP Newquist, The Brain Makers : Genius, Ego, And Greed in the Quest For Machines That Think, New York: Macmillan/SAMS (ISBN 978-0-9885937-1-8), p. 30.
  40. (en) Matthew Kressel, « 36 Days of Judaic Myth: Day 24, The Golem of Prague », (consulté le ).
  41. a et b (en) Pamela McCorduck, Machines Who Think, , 604 p. (ISBN 1-56881-205-1).
  42. Jacques Henno, « 1956 : et l'intelligence artificielle devint une science », sur Les Échos, (consulté le ).
  43. (en) Daniel Crevier, AI: The Tumultuous Search for Artificial Intelligence, New York, BasicBooks, 1993 (ISBN 978-0-465-02997-6), p. 17.
  44. a b et c (en) Nick Bostrom, Superintelligence : paths, dangers, strategies, Oxford University Press, , 353 p. (ISBN 978-0-19-967811-2, lire en ligne), p. 6 et 7.
  45. Antoine Crochet-Damais, « AI winter : qu'est-ce que l'hiver de l'IA ? », sur Le Journal du Net, (consulté le ).
  46. (en) Pamela McCorduck, Machines Who Think, , 604 p. (ISBN 1-56881-205-1), p. 423.
  47. « Un cerveau artificiel annoncé dans dix ans », Le Figaro, .
  48. (en) « Rogue superintelligence and merging with machines: Inside the mind of OpenAI's chief scientist », sur MIT Technology Review (consulté le ).
  49. (en) Cade Metz, Karen Weise, Nico Grant et Mike Isaac, « Ego, Fear and Money: How the A.I. Fuse Was Lit », The New York Times,‎ (ISSN 0362-4331, lire en ligne, consulté le ).
  50. « OpenAI : l'association de recherche ouverte d'Elon Musk devient une entreprise fermée », sur Les Échos, (consulté le ).
  51. Stephane Nachez, « Yann LeCun, Geoffrey Hinton et Yoshua Bengio reçoivent le prix Turing », sur ActuIA (consulté le ).
  52. (en) « Fathers of the Deep Learning revolution receive 2018 ACM A.M. Turing Award », sur acm.org (consulté le ).
  53. (en) Laurie Clarke, « When AI can make art – what does it mean for creativity? », The Observer,‎ (ISSN 0029-7712, lire en ligne, consulté le ).
  54. (en) Grace Kay, « The history of ChatGPT creator OpenAI, which Elon Musk helped found before parting ways and criticizing », sur Business Insider (consulté le ).
  55. Liam Tung, « ChatGPT devient l'application à la croissance la plus rapide de tous les temps », sur ZDNet France, (consulté le ).
  56. Benoît Mathieu, « Voici les enjeux de la course à l'intelligence artificielle », L'Écho,‎ (lire en ligne).
  57. Alexandre Piquard, « L'intelligence artificielle serait aussi dangereuse que « les pandémies ou la guerre nucléaire », selon des leaders du secteur », Le Monde,‎ (lire en ligne, consulté le ).
  58. (en) Beatrice Nolan, « Here's what we know so far about Google's Gemini », sur Business Insider (consulté le ).
  59. a et b Pitpitt, « Intelligence artificielle générale », sur DataFranca (consulté le ).
  60. (en-US) « OpenAI Charter », sur OpenAI (consulté le ).
  61. a et b (en) Philip Boucher pour le Scientific Foresight Unit (STOA) au parlement Européen, « How artificial intelligence works », sur Parlement européen, (consulté le ), p. 9.
  62. Sébastien Bubeck, Varun Chandrasekaran, Ronen Eldan et Johannes Gehrke, « Sparks of Artificial General Intelligence: Early experiments with GPT-4 », arXiv,‎ (arXiv abs/2303.12712).
  63. Jaesa, « GPT-4 présente des étincelles d'intelligence artificielle générale », sur Intelligence artificielle et transhumanisme, (consulté le ).
  64. (en-US) « 2022 Expert Survey on Progress in AI », sur AI Impacts, (consulté le ).
  65. Max Roser, « AI timelines: What do experts in artificial intelligence expect for the future? », Our World in Data,‎ (lire en ligne, consulté le ).
  66. « Superintelligence », sur datafranca (consulté le ).
  67. (en) Nick Bostrom, Superintelligence: paths, dangers, strategies, Oxford University Press, (ISBN 978-0-19-967811-2), « Sources of advantage for digital intelligence ».
  68. Antoine Crochet-Damais, « Test de Turing : définition, principe, cas réussis, date… », sur Le Journal du Net, (consulté le ).
  69. (en) Olga Blinova, « Artificial intelligence: No humor, no coffee », sur Invesforesight, (consulté le ).
  70. (en) Disha Misal, « 5 Ways To Test Whether AGI Has Truly Arrived », sur Analytics India Magazine, (consulté le ).
  71. (en) Nils John Nilsson, « Human-Level Artificial Intelligence? Be Serious! », AI Magazine, Université Stanford,‎ (lire en ligne [PDF]).
  72. « Le prix Turing récompense trois pionniers de l'intelligence artificielle (IA) », Le Monde,‎ (lire en ligne, consulté le ).
  73. (en) Rodney Brooks, « How Claude Shannon Helped Kick-start Machine Learning - IEEE Spectrum », sur spectrum.ieee.org, (consulté le )
  74. (en) « The 100 Most Influential People in AI 2023 », sur Time (consulté le ).
  75. Corentin Durand, « Saurez-vous entendre la différence entre Bach et l'IA musicale DeepBach ? », sur Numerama.com, .
  76. (en-US) « Polyphonic music generation in the style of Bach », sur flow-machines.com (consulté le ).
  77. « Bientôt un hedge fund contrôlé par intelligence artificielle ? », BFM TV, .
  78. La Finance Pour Tous, « Trading haute fréquence », sur La finance pour tous (consulté le ).
  79. Eric Autellet et Alexandre Papaemmanuel, « L’intelligence artificielle transforme les paradigmes traditionnels de la guerre », Le Monde,‎ (lire en ligne, consulté le ).
  80. Cyril Bras, « L'Impact transformateur de l'intelligence artificielle sur la cybersécurité », sur Le Journal du Net, (consulté le ).
  81. a et b (en) Robert Solano, « ChatGPT in DOD acquisitions », USAASC,‎ (lire en ligne).
  82. (en) « Project Maven to Deploy Computer Algorithms to War Zone by Year’s End », sur Département de la Défense des États-Unis, (consulté le ).
  83. Nathalie Guibert, « Les défis militaires de l’intelligence artificielle », Le Monde,‎ (lire en ligne, consulté le ).
  84. Marie-Claude Benoit, « Robots tueurs : Human Rights Watch appelle les états ayant signé la résolution de l'ONU à l'action », sur ActuIA, (consulté le ).
  85. Clément Poursain, « Les drones ukrainiens pilotés par l'IA pourraient tuer sans qu'on leur en donne l'ordre », sur Korii, (consulté le ).
  86. (en) Sam Biddle, « OpenAI Quietly Deletes Ban on Using ChatGPT for “Military and Warfare” », sur The Intercept, (consulté le ).
  87. Task Force IA, L'intelligence artificielle au service de la défense, (lire en ligne [PDF]).
  88. « L'intelligence artificielle et le monde de la défense », sur entreprises.gouv.fr (consulté le ).
  89. Alice Vitard, « Le Comité d'éthique de la défense approuve sous conditions les armes létales autonomes », L'Usine digitale,‎ (lire en ligne, consulté le ).
  90. ministère de l'Europe et des Affaires étrangères, « Systèmes d'armes létales autonomes, quelle est l'action de la France ? », sur France Diplomatie, ministère de l'Europe et des Affaires étrangères (consulté le ).
  91. « L'intelligence artificielle, as du diagnostic médical », Le Monde,‎ (lire en ligne, consulté le ).
  92. « Maladies de l'œil : l'intelligence artificielle meilleure que les médecins ? », Les Échos,‎ (lire en ligne).
  93. Nathan Mann, « Une intelligence artificielle de Google dénoue le problème cinquantenaire du repliement des molécules », L'Usine nouvelle,‎ (lire en ligne, consulté le ).
  94. François Manens, « Google vient-il de résoudre un problème vieux de 50 ans en biologie ? », sur Numerama, (consulté le ).
  95. Sandrine Cabut, Alexandre Piquard et Martin Untersinger, « Controversé et retardé, le Health Data Hub veut pourtant faire ses preuves dans la santé », Le Monde,‎ (lire en ligne, consulté le )
  96. (en) Hilary Brueck, « The newest version of ChatGPT passed the US medical licensing exam with flying colors — and diagnosed a 1 in 100,000 condition in seconds », sur Business Insider, (consulté le ).
  97. Alexandre Boero, « La police britannique travaille sur une IA qui sera capable de devancer votre crime », sur Clubic, .
  98. (en) Stephen Buranyi, « The rise of the racist robots », The Guardian, .
  99. Romaric Saint-Aubert, « Quand l'IA devient l'arme du crime » Accès libre, sur Business2Community.com, .
  100. « Justice Prédictive : de l'idée à la réalité », sur justice-predictive.com (consulté le ).
  101. a et b Harold Grand, « En Estonie, une intelligence artificielle va rendre des décisions de justice », sur Le Figaro, (consulté le ).
  102. « Les avocats face à la révolution numérique. S'adapter pour rebondir », sur Atlantico.fr (consulté le ).
  103. Vincent Bouquet, « Supply chain : l'intelligence artificielle, une promesse de levier d'amélioration », sur Les Echos Executives, (consulté le ).
  104. « Urbanloop – smart urban mobility » (consulté le ).
  105. « Google Maps roule à l'IA pour optimiser la navigation », sur journaldunet.com (consulté le ).
  106. Stéphanie Condon, « Vidéo : comment l'intelligence artificielle a contribué à améliorer Google Maps », sur ZDNet France (consulté le ).
  107. Larry Dignan, « Facebook associe son service Map With AI au projet OpenStreetMap », sur ZDNet France (consulté le ).
  108. Acatech 2011.
  109. a b et c « Les enjeux de l'intelligence artificielle dans la robotique », Journal Innovations et Technologies, no 210,‎ , p. I-VI (lire en ligne [PDF], consulté le ).
  110. Amélie Cordier, Introduction à l'intelligence artificielle développementale (cours), Laboratoire d'informatique en image et systèmes d'information, 41 p. (lire en ligne [PDF]).
  111. Michel Bret, Edmond Couchot et Patrice Besnard (restauration), « Les Pissenlits », vidéo de l'installation interactive, durée min 8 s, sur Université Paris-VIII, (consulté le ).
  112. Living art : L'art numérique, CNRS Éditions (présentation en ligne).
  113. « Obvious, les Français derrière la première peinture d'une IA vendue aux enchères », sur France 24, .
  114. « Une peinture, réalisée par une Intelligence artificielle, mise aux enchères », sur objetconnecte.net (consulté le ).
  115. Floriane Leclerc, « Que sont les GANs, ces systèmes de machine learning à l'origine des deepfakes ? », L'Usine Digitale,‎ (lire en ligne, consulté le )
  116. « Arts : l'autre Terre de Grégory Chatonsky au Palais de Tokyo », Le Monde,‎ (lire en ligne, consulté le ).
  117. « OpenAI's DALL-E creates plausible images of literally anything you ask it to », sur TechCrunch, (consulté le ).
  118. « ChatGPT et Midjourney font évoluer vos pratiques professionnelles ? Racontez-nous », Le Monde,‎ (lire en ligne, consulté le ).
  119. Victor Vasseur, « Les fausses images de Macron en éboueur et de Trump en prison montrent l'incroyable potentiel de l'IA », sur France Inter, (consulté le ).
  120. « Cette fausse photo du pape François en doudoune blanche est devenue virale, voici son histoire - Edition du soir Ouest-France - 27/03/2023 », sur Ouest-France.fr, (consulté le ).
  121. (en) Jordan Hart, The AI program used to generate fake viral images of Pope Francis and Donald Trump just suspended free trials — but professional photographers say they're still concerned, Business Insider, 30 mars 2023, Business Insider.
  122. Clémentine Mercier, « Intelligence artificielle : «Le droit d'auteur protège une création précise, mais pas une manière de créer» », sur Libération, (consulté le ).
  123. Photos créées par des IA : une bascule vertigineuse et dangereuse, Jonathan Bouchet-Petersen, 31 mars 2023, Libération : « Emmanuel Macron ramassant les poubelles, le Pape en doudoune blanche type Bibendum, Donald Trump se débattant au milieu de policiers venus l'arrêter… Ces images ont en commun d'avoir été générées par des intelligences artificielles. »
  124. Stéphanie Lemoine, « Grégory Chatonsky : « L’intelligence artificielle est une nouvelle façon de naviguer dans la culture humaine » », sur Le Journal Des Arts, (consulté le ).
  125. « Au Japon, une autrice lauréate d’un prix littéraire dit avoir écrit en partie son roman avec ChatGPT », sur Libération, (consulté le ).
  126. « Avec Sora, OpenAI impressionne dans la génération de vidéo », sur Le Monde informatique, (consulté le ).
  127. « Comment l'intelligence artificielle va-t-elle changer notre vie quotidienne ? », sur Robots & Cie, (consulté le ).
  128. « Quand l'IA aide les développeurs à programmer », sur Microsoft (consulté le ).
  129. Ivan Capecchi, « Médias, faites GAFA à l'IA ! », L'ADN.eu,‎ (lire en ligne).
  130. « La première animatrice télé virtuelle fait ses débuts en Corée du Sud », sur 20minutes.fr (consulté le ).
  131. (en-US) « The A.I. Chair », sur Gessato, (consulté le ).
  132. « Bill Gates », sur Universalis.fr (consulté le ).
  133. « Intelligence artificielle, les défis actuels et l'action d'Inria », sur Inria, (consulté le ).
  134. « « Intelligence artificielle, intelligence humaine : la double énigme », de Daniel Andler : chimériques machines qui pensent », Le Monde,‎ (lire en ligne Accès limité, consulté le ).
  135. (en) Irving John Good, « Speculations Concerning the First Ultraintelligent Machine », Advances in Computers, vol. 6, 1966, p. 31-88.
  136. (en) Vernor Vinge, « The coming technological singularity: How to survive in the post-human era », NASA,‎ (lire en ligne, consulté le )
  137. a et b Ray Kurzweil (trad. Adeline Mesmin), Humanité 2.0: la bible du changement, M21, (ISBN 978-2-916260-04-4)
  138. (en) Raffi Khatchadourian, « The Doomsday Invention », sur The New Yorker, (consulté le )
  139. « Sommet sur les risques de l’intelligence artificielle : ce que l’on sait du programme », sur Ouest-France.fr, (consulté le )
  140. Rémi Sussan, « Stephen Hawking craint l'intelligence artificielle. Et s'il avait tort ? », sur L'Obs, (consulté le ).
  141. « Selon Stephen Hawking, l'intelligence artificielle est un danger pour l'humanité », sur Web Développement Durable (consulté le ).
  142. Alexandre Piquard, « Intelligence Artificielle Web Summit », Le Monde, .
  143. L'intelligence artificielle inquiète les grands cerveaux contemporains, France 24, .
  144. « L'intelligence artificielle pourrait mettre 50% de l'humanité au chômage », sur L'Express, (version du sur Internet Archive).
  145. (en) Joe McKendrick, « Let's Make Artificial Intelligence 'Boring' Again », sur Forbes (consulté le ).
  146. (en) Nick Bostrom, « What happens when our computers get smarter than we are? », (consulté le ) : « We should not be confident in our ability to keep a superintelligent genie locked up in its bottle forever. Sooner or later, it will out. I believe that the answer here is to figure out how to create superintelligent A.I. such that even if—when—it escapes, it is still safe because it is fundamentally on our side because it shares our values. »
  147. DR, « L'intelligence artificielle devient de plus en plus incompréhensible », sur Paris Match, .
  148. « L'IA pourrait poser un « risque d'extinction » pour l'humanité, affirment 350 experts », sur Les Échos, (consulté le ).
  149. Kevin Roose, « Vie numérique: L'IA constitue un « risque d'extinction » pour l'humanité », La Presse (traduit depuis The New York Times),‎ (lire en ligne, consulté le ).
  150. Lewis Mumford, Le Mythe de la machine, deux volumes, 1967-1970; tard., Fayard, 1974.
  151. Jacques Ellul, La Technique ou l'Enjeu du siècle, 1954; 3e édition : Economica 2008.
  152. Günther Anders, L'obsolescence de l'homme, tome 1, 1956; tome 2, 1980; tard. fr.2002 et 2011.
  153. Pièces et Main d'Œuvre Site officiel.
  154. Technologos Site officiel.
  155. François Jarrige, Techno-critiques. Du refus des machines à la contestation des technosciences, La Découverte, 2014.
  156. « Intelligence artificielle : les risques d'une utilisation malveillante », Futura, (consulté le ).
  157. Intelligence artificielle digne de confiance ; La majorité des efforts de Mozilla pour donner de l'élan au mouvement sont orientés vers le développement d'une intelligence artificielle (IA) digne de confiance. La santé d'Internet ; Qu'entendons-nous par « santé d'Internet » ?, Mozilla Fondation (2023) (lire en ligne, consulté le 22 avril 2023).
  158. Pierre Fontaine, « Comment la fondation Mozilla veut créer une IA de confiance pour nous sauver des géants de la tech », sur 01net, (consulté le ).
  159. (en) Dom Galeon, « The United Arab Emirates is the first country in the world to hire a minister for artificial intelligence », sur businessinsider.com, .
  160. (en) « Appliquer les Principes de l'OCDE sur l'IA : progrès et perspectives - OECD.AI », sur oecd.ai (consulté le ).
  161. « Création du partenariat mondial pour l'intelligence artificielle : secrétariat au sein de l'OCDE à Paris », sur ActuIA (consulté le ).
  162. (en) « AI for Good Global Summit 2018 », sur ITU (consulté le ).
  163. Francis Donnat, « L'intelligence artificielle, une menace pour la vie privée ? », Pouvoirs, Seuil, no 170,‎ , p. 95-103 (ISBN 978-2-02-140678-8, DOI 10.3917/pouv.170.0095 Accès libre, lire en ligne).
  164. Lucie Lequier, « Tout comprendre à l'IA Act, le texte européen de réglementation de l'intelligence artificielle », sur Numerama, (consulté le ).
  165. a et b Ausma Bernot et Fan Yang, « Qui gouvernera l'IA ? La course des nations pour réguler l'intelligence artificielle », sur The Conversation, (consulté le ).
  166. Sylvain Naillat, « Faut-il un droit des robots ? », sur La Tribune, (consulté le )
  167. « Règles de droit civil sur la robotique. Résolution du Parlement européen du 16 février 2017 contenant des recommandations à la Commission concernant des règles de droit civil sur la robotique (2015/2103(INL)) ».
  168. (en) House of Commons Digital, Culture, Media and Sport Committee (2019) Disinformation and ‘fake news': Final Report ; Eighth Report of Session 2017–19 ; Report, together with formal minutes relating to the report ; rapport commandé par the House of Commons, Ref HC 1791, publié le 18 février 2019, imprimé le 14 février 2019 pour le Gouvernement britannique. Voir notamment paragraphe 149.
  169. (en) « Investigation into data analytics for political purposes », sur ico.org.uk, (consulté le ).
  170. « "Sans Cambridge Analytica, il n'y aurait pas eu de Brexit", affirme le lanceur d'alerte Christopher Wylie », sur francetvinfo.fr, (consulté le ).
  171. Morgane Tual, « Intelligence artificielle : les géants du Web lancent un partenariat sur l'éthique », Le Monde,‎ (ISSN 1950-6244, lire en ligne).
  172. « Intelligence artificielle : Google DeepMind se dote d'une unité de recherche sur l'éthique », Le Monde,‎ (ISSN 1950-6244, lire en ligne).
  173. (en-US) « Lethal Autonomous Weapons Pledge », sur futureoflife.org (consulté le ).
  174. « Des milliers d'experts en intelligence artificielle s'engagent à ne pas participer à la création d'armes », Le Monde,‎ (lire en ligne).
  175. L'UNESCO rejoint le Partenariat mondial sur l'Intelligence Artificielle comme observateur, UNESCO, 2022.
  176. Publications Office of the European Union, « Intelligence artificielle Une approche européenne axée sur l'excellence et la confiance, COM/2020/65 final », sur Office des publications de l'Union européenne, (consulté le ).
  177. « Réglementation de l'Intelligence artificielle en Europe », sur Devoteam France (consulté le ).
  178. (en) « Une Europe adaptée à l'ère du numérique : La Commission propose de nouvelles règles et actions en faveur de l'excellence et de la confiance dans l'intelligence artificielle », sur Commission européenne, (consulté le ).
  179. « Premier Forum mondial sur l'éthique de l'IA à Prague, un an après l'adoption de la Recommandation de l'UNESCO », sur UNESCO, .
  180. « Intelligence artificielle : l'UNESCO appelle à mettre en œuvre sans délai le cadre éthique mondial », sur ONU Info, (consulté le ).
  181. a et b « Recommandation sur l'éthique de l'intelligence artificielle », sur UNESCO, (consulté le ).
  182. a b et c « Ethique: l'Unesco appelle les États à appliquer sa recommandation sur l'intelligence artificielle » [archive du ], sur Techniques de l'Ingénieur (consulté le ).
  183. (en) Carl Benedikt Frey et Michael A. Osborne, The Future of Employment: How Susceptible Are Jobs to Computerisation?, [lire en ligne] [PDF].
  184. (en) David H. Autor, « Why Are There Still So Many Jobs? The History and Future of Workplace Automation », Journal of Economic Perspectives, vol. 29, no 3, été 2015, p. 3-30 [lire en ligne] [PDF].
  185. Antonio A. Casilli, En attendant les robots : Enquête sur le travail du clic, Éditions du Seuil, 2019 (ISBN 978-2-0214-0188-2).
  186. « Les travailleurs du clic et l'intelligence artificielle », sur Laboratoire de cyberjustice (consulté le ).
  187. « Les robots ne volent pas nos «jobs à la con», ils en créent d'autres », sur 20minutes.fr (consulté le ).
  188. (en) Kinza Yasar et Nicole Laskowski, « What is Synthetic Data? », sur Tech Target (consulté le )
  189. (en) Site officiel de Mighty IA.
  190. (en) John Joseph Horton et Lydia B. Chilton, « The labor economics of paid crowdsourcing », Proceedings of the 11th ACM conference on Electronic commerce - EC '10, ACM Press,‎ , p. 209 (ISBN 9781605588223, DOI 10.1145/1807342.1807376, présentation en ligne).
  191. « Microtravail et microsalaire pour experts ou tâcheron », Le Monde, (consulté le ).
  192. « Avec le sociologue Antonio Casilli, une enquête sur « les galériens du clic » », France Info, (consulté le ).
  193. a b et c Jean-Marc Deltorn, « Ces petites mains invisibles, clé de voûte de l'apprentissage machine », La Recherche, (consulté le ).
  194. « Jobs du clic : la France compte plus de 250 000 micro-travailleurs », Le Monde, (consulté le ).
  195. « Amélioration des conditions de travail », sur Sénat (consulté le ).
  196. (en) « 2023 Expert Survey on Progress in AI », sur Ai Impacts, (consulté le )
  197. (en) Katja Grace, John Salvatier, Allan Dafoe, Baobao Zhang, Owain Evans, « When Will AI Exceed Human Performance? Evidence from AI Experts », arXiv, .
  198. a b et c « Quelles différences entre l'IA symbolique et l'apprentissage automatique ? », sur ActuIA, (consulté le )
  199. (en) John Eikenberry, GNU/Linux AI & Alife HOWTO, (lire en ligne)
  200. André Le Garff, Dictionnaire de l'informatique, 1975, 576 p.
  201. Voir la définition utilisée par John Searle dans son expérience de la chambre chinoise.
  202. Michael David Mitchell, « Robotique et neurosciences détectent le siège de la conscience de soi », Actualités, École polytechnique fédérale de Lausanne, .
  203. (en) Hilary Putnam, « The Best of All Possible Brains? », sur archive.nytimes.com, (consulté le ).
  204. (en) « Discovery of quantum vibrations in 'microtubules' inside brain neurons supports controversial theory of consciousness », sur ScienceDaily (consulté le ).
  205. « Le mystère de la "chambre chinoise" », Le Monde,‎ (lire en ligne, consulté le ).
  206. (en) Dreyfus, Hubert L., What computers can't do : a critique of artificial reason, Harper & Row, (ISBN 0-06-011082-1 et 978-0-06-011082-6, OCLC 257056), p. 106.
  207. (en) George Musser, « How AI Knows Things No One Told It », sur Scientific American, (consulté le ).
  208. Jean-Gabriel Ganascia, « Génération automatique de textes, plagiat et intégrité scientifique », La Recherche (consulté le ).
  209. (en) Shyam Nandan Upadhyay, « Text is a Projection of the World: OpenAI's Sutskever », sur Analytics India Magazine, (consulté le ).
  210. (en-US) « The Challenges Of Building AI Apps », sur TechCrunch (consulté le ).
  211. Abdel Belaïd, « La reconnaissance automatique de l'écriture », Pour la science (consulté le ).
  212. Veronica Smink, « Les trois stades de l'intelligence artificielle : dans lequel nous nous trouvons et pourquoi beaucoup pensent que le troisième pourrait être fatal ? », sur BBC News Afrique, (consulté le ).
  213. a b et c Martin Gibert, Faire la morale aux robots : une introduction à l'éthique des algorithmes, , 95 p. (ISBN 978-2-89759-516-6 et 2-89759-516-7, OCLC 1146545386).
  214. « Intelligence : qu'est-ce que c'est ? », sur Futura (consulté le )
  215. Michel Lévy-Provençal, « Se préparer à l'intelligence artificielle générale », sur Les Echos, (consulté le )
  216. Jean Rohmer, « Comprendre l'intelligence artificielle symbolique », sur The Conversation, (consulté le ).
  217. « Quand l'écrivain de science-fiction Isaac Asimov prédisait le futur », sur France Culture, (consulté le ).
  218. (en) Georgia Panteli, « From puppet to cyborg: posthuman and postmodern retellings of the Pinocchio myth » [PDF], sur discovery.ucl.ac.uk.
  219. « Plumbing Stanley Kubrick », sur web.archive.org, (consulté le ).
  220. (en) « Skynet », sur Terminator Wiki (consulté le ).
  221. « Westworld », sur Allociné.fr (consulté le ).
  222. Article de Dylan L. McClain, New York Times, , et article « Hans J. Berliner (1929-2017), Grand Maître d'échecs et programmeur de génie », Denis Rozier, Le Courrier des Échecs no 639, .
  223. Thibault Neveu, « Intelligence artificielle : démonstration en direct des nouvelles performances de DeepMind », sur actuia.com, .
  224. « Les jeux et l'intelligence artificielle », sur u-picardie.fr (consulté le ).
  225. (en) David Levy et Monroe Newborn, « More Chess and Computers: The Microcomputer Revolution, The Challenge Match », Computer Science Press, Potomac (Maryland) et Batsford, Londres, 1980 (ISBN 0-914894-07-2).
  226. (en) « For First Time, a Chess Computer Outwits Grandmaster in Tournament », Harold C. Schonberg, The New York Times.com, .
  227. (en) [PDF] « Learning, Deep or not Deep, de MENACE à AlphaGo », sur alliot.fr.
  228. (en) David Silver, Thomas Hubert, Julian Schrittwieser, Ioannis Antonoglou, Matthew Lai et al., « Mastering Chess and Shogi by Self-Play with a General Reinforcement Learning Algorithm », .
  229. (en) Sarah Knapton et Leon Watson, « Entire human chess knowledge learned and surpassed by DeepMind's AlphaZero in four hours », sur telegraph.co.uk, .
  230. a et b « Jeu de go : comment savoir si les programmes d'intelligence artificielle sont vraiment… intelligents », Le Monde.fr, .
  231. (en) David Silver, Julian Schrittwieser, Karen Simonyan, Ioannis Antonoglou, Aja Huang, Arthur Guez, Thomas Hubert, Lucas Baker, Matthew Lai, Adrian Bolton, Yutian Chen, Timothy Lillicrap, Hui Fan, Laurent Sifre, George van den Driessche, Thore Graepel et Demis Hassabis, « Mastering the game of Go without human knowledge », Nature, vol. 550, no 7676,‎ , p. 354–359 (ISSN 0028-0836, DOI 10.1038/nature24270, lire en ligne Accès payant, consulté le ).
  232. « Jeu de go : Le champion du monde de nouveau battu par l'ordinateur de Google », L'Obs.com, .
  233. (en) J. Rehmeyer, N. Fox et R. Rico, « Ante up, human: The adventures of Polaris the poker-playing robot », Wired, vol. 16, no 12,‎ , p. 86–191.
  234. a et b (en) Michael Bowling, Neil Burch, Michael Johanson et Oskari Tammelin, « Heads-Up Limit Hold'em Poker Is Solved », Comm.of the ACM, vol. 60, no 11,‎ , p. 81.
  235. a b c et d « Comment une-intelligence artificielle ridiculise les meilleurs joueurs de poker », sur Numerama, .
  236. « L'IA de la start-up française Nukkai imbattable au bridge », sur Le Monde informatique, (consulté le ).

Voir aussi

Sur les autres projets Wikimedia :

Bibliographie

Aspects techniques

Aspects prospectifs

Aspects philosophiques

Fondements cognitifs, psychologiques et biologiques

  • Hervé Chaudet et Liliane Pellegrin, Intelligence artificielle et psychologie cognitive, Paris, Dunod, , 179 p. (ISBN 2-10-002989-4).

Aspects linguistiques

  • Gérard Sabah, L'Intelligence artificielle et le langage, Représentations des connaissances, Processus de compréhension, vol. 1, Hermès, , 768 p. (ISBN 2-86601-134-1).
  • Gérard Sabah, L'Intelligence artificielle et le langage, Représentations des connaissances, Processus de compréhension, vol. 2, Paris, Hermès, , 768 p. (ISBN 2-86601-187-2).
  • Gérard Sabah, Compréhension des langues et interaction (Traité IC2, Série Cognition et Traitement de l'Information), Paris, Hermès science: Lavoisier, , 400 p. (ISBN 2-7462-1256-0).
  • (en) Krzysztof Wołk, Machine learning in translation corpora processing, Boca Raton, FL, Taylor & Francis, , 264 p. (ISBN 978-0-367-18673-9)

Histoire

  • Daniel Crevier et Nathalie Bukcek (trad. de l'anglais), À la recherche de l'intelligence artificielle, Paris, Flammarion, , 438 p. (ISBN 2-08-081428-1), (traduction de (en) The Tumultuous history of the search for artiticial intelligence.)

Vulgarisation

Politique, relations internationales

Articles connexes

Aspects juridiques

Notions générales

Notions techniques

Chercheurs en intelligence artificielle (espace anglophone)

Chercheurs en intelligence artificielle (espace francophone)

Laboratoires et entreprises en intelligence artificielle

Liens externes


<footer>source wp:Intelligence artificielle</footer>