Pour la NASA, « l’intelligence artificielle désigne les systèmes informatiques capables d’effectuer des tâches complexes habituellement réalisées par l’être humain : raisonnement, prise de décision, création, etc. » 

Pour Hewlett Packard, « l’intelligence artificielle désigne de manière générale tout comportement semblable à celui de l’être humain manifesté par une machine ou un système. Dans sa forme la plus élémentaire, l’IA consiste à programmer des ordinateurs pour qu’ils imitent  le comportement humain à l’aide d’une grande quantité de données issues d’exemples passés de comportements similaires ».

Pour le Michigan Institute of Technology, « l’intelligence artificielle englobe les domaines de l’informatique et de la science des données axés sur la conception de machines dotées d’une intelligence humaine pour effectuer des tâches telles que l’apprentissage, le raisonnement, la résolution de problèmes, la perception et la compréhension du langage ».

Une histoire qui commence par une question posée en 1950

Avant 1950, un ordinateur exécutait des commandes mais ne pouvait pas les garder en mémoire. Alan Turing change la donne cette année-là avec son article « Computing Machinery and Intelligence », où il pose la question qui lance tout : peut-on construire une machine intelligente, et comment le vérifier ? Cinq ans plus tard, le premier programme d’IA est présenté au Dartmouth Summer Research Project, un événement qui va nourrir la recherche pendant des décennies.

Entre 1957 et 1974, les ordinateurs deviennent plus rapides, moins chers, plus accessibles. En 1970, un des organisateurs de Dartmouth promet même à Life Magazine une machine dotée de l’intelligence générale d’un être humain moyen, dans les huit ans. Il se trompait largement : le manque de puissance de calcul et de mémoire va freiner la recherche pendant toute la décennie suivante.

Le vrai rebond arrive dans les années 80, avec le deep learning théorisé par John Hopfield et David Rumelhart, des systèmes capables d’apprendre par l’expérience, et les « systèmes experts » d’Edward Feigenbaum, qui imitent le raisonnement humain. Puis les victoires marquantes s’enchaînent : Deep Blue d’IBM bat le champion du monde d’échecs Garry Kasparov en 1997, la reconnaissance vocale de Dragon Systems arrive sur Windows la même année, le robot Kismet apprend à reconnaître les émotions. Deux décennies plus tard, AlphaGo de Google bat le maître de go Lee Se-dol, et le supercalculateur Libratus rafle la mise au poker face aux meilleurs joueurs humains.

Deux façons de classer l’IA

On peut classer l’intelligence artificielle de deux manières : par ce qu’elle sait faire, ou par ce dont elle est capable.

Côté fonctionnalité, on distingue les machines réactives, sans mémoire ni capacité d’apprentissage (Deep Blue en fait partie), les IA à mémoire limitée qui s’appuient sur des données passées pour décider (le GPS, par exemple), la théorie de l’esprit, encore en développement, qui viserait à comprendre les états mentaux humains, et l’IA consciente d’elle-même, purement hypothétique pour l’instant.

Côté capacités, il y a l’IA faible ou étroite (ANI), programmée pour une tâche précise : c’est la quasi-totalité de ce qu’on utilise aujourd’hui. L’IA générale (AGI) serait capable d’apprendre et de raisonner comme un humain, sur n’importe quel sujet. L’IA super-intelligente (ASI) dépasserait les capacités humaines sur tous les plans. Elle n’existe encore que sur le papier.

Machine learning, deep learning : qui fait quoi

L’intelligence artificielle est une branche de l’informatique qui cherche à simuler l’intelligence humaine. Pour y arriver, elle s’appuie sur des techniques comme le machine learning et le deep learning.

Le machine learning, c’est la capacité d’un système à reconnaître des schémas dans les données, à apprendre de ses résultats passés et à s’adapter sans qu’on le reprogramme à chaque fois. Construire un modèle suit à peu près toujours les mêmes étapes : préparer un jeu de données d’entraînement, choisir un algorithme adapté (régression ou arbres de décision pour des données étiquetées, clustering ou réseaux de neurones pour des données brutes), entraîner le modèle, puis l’améliorer en continu. Selon les cas, l’apprentissage sera supervisé, avec des données étiquetées, non supervisé, quand le système repère lui-même les régularités, ou semi-supervisé, un peu des deux.

Le deep learning est un sous-ensemble du machine learning, mais nettement plus puissant sur certaines tâches. Il empile plusieurs couches de réseaux de neurones artificiels, inspirés du fonctionnement du cerveau, et traite d’énormes volumes de données. Résultat : sur la reconnaissance d’image, la voix ou le langage naturel, il dépasse aujourd’hui les capacités humaines.

Et l’IA générative dans tout ça ?

C’est la branche qui génère du contenu (texte, image, musique, vidéo) à partir de ce qu’elle a appris. DALL-E crée des images à partir d’une simple description ; d’autres modèles font l’inverse et décrivent une image en mots. Elle s’appuie sur les mêmes briques, réseaux de neurones et algorithmes avancés, mais orientées vers la création plutôt que la seule prédiction. C’est elle qui a le plus bousculé les métiers créatifs ces dernières années.

De Turing à ChatGPT, il aura fallu soixante-dix ans pour passer d’une question théorique à un outil du quotidien. La suite reste à écrire, mais l’IA est désormais lancée… et elle ne cesse de progresser à vitesse accélérée !