Intelligence et Intelligence artificielle ?
L’intelligence artificielle (IA) est un terme doublement mal défini : d’une part le mot “intelligence” est mal défini en lui-même et d’autre part le terme “artificiel” peut-il s’appliquer à l’intelligence ?
Depuis soixante-dix ans - et la fameuse conférence de Dartmouth [1], que l'histoire retient comme acte de naissance de l'IA - ces termes restent mal définis. L'IA n'a cessé de recouvrir des ambitions différentes. Certains scientifiques cherchent à comprendre les mécanismes cognitifs humains (apprendre, raisonner, expérimenter, généraliser) et les reproduire de manière suffisamment crédible. D'autres ambitionnent de construire des machines suffisamment perfectionnées capables de s'améliorer elles-mêmes, jusqu’à être éventuellement autonomes. D'autres encore veulent simplement simplifier la programmation des ordinateurs ou adresser des problèmes réputés difficiles et non-algorithmiques. Grande est donc l'ambiguïté du domaine dans ses aspirations.
Pour la première approche - choisie par les pionniers des décennies 1960 et 1970 - penser consiste à manipuler des symboles selon des règles logiques. Ainsi considérée, la pensée serait formalisable, reproductible et programmable : c'est l'approche symbolique (ou hypothético-déductive). Elle cherche à représenter explicitement la connaissance et le raisonnement sous la forme de règles et de symboles. Trop ambitieuse, d’une part parce que les connaissances ne peuvent pas toutes se mettre sous forme symbolique et d’autre part parce que les règles ne sont pas toujours consistantes et cohérentes, cette ligne de recherche a fait long feu. Elle a cependant profondément structuré l'informatique en deux tendances : programmation procédurale et programmation déclarative [2].
Au fil des décennies, une approche plus statistique a pris de l'importance. Elle englobe notamment l'apprentissage automatique, dont les réseaux de neurones et, depuis 2010-2012, le deep learning. Cette classe d'algorithmes permet de faire des progrès spectaculaires dans le traitement de grands corpus de données (images, textes, sons). Aujourd'hui, les agents conversationnels rendent possible une démocratisation des usages, et on résume souvent le domaine de l’IA à ces “agents dits intelligents”.
En fait, dans cette deuxième voie, si les ordinateurs donnent rapidement des réponses à des problèmes compliqués, c'est parce qu'ils ont été programmés par des humains qui savent résoudre ces problèmes d’une part et s'ils semblent tout savoir sur tout, c'est parce qu'ils ont ingurgité d'énormes bases de données. La patience, la ténacité, voire l'acharnement systématique, dont font preuve les programmeurs sont par exemple utilisés pour établir des preuves mathématiques, mais si la réfutation récente d'une conjecture d'Erdős par OpenAI en construisant un contre-exemple est remarquable, l'ensemble des briques conceptuelles étaient bien connues des mathématiciens.
L'intelligence désigne-t-elle la capacité à résoudre des problèmes difficiles ? Tous les problèmes sont difficiles jusqu'à ce que l'on sache comment les résoudre. Sans méthode, inverser une matrice est difficile. Résoudre un Rubik's Cube l'est aussi quand on ne connaît pas les bonnes séquences de mouvements. Une des grandes promesses de l'IA est de construire une machine capable de résoudre un problème donné sans avoir été spécifiquement programmée pour cela, ce qui est effectivement une des définitions de l’intelligence humaine : résoudre un problème nouveau sans jamais l’avoir rencontré précédemment. L'IA cherche donc à résoudre le problème de la résolution des problèmes.
L'histoire de l'IA ressemble à une succession de déplacements. Optimisation, planification, détection d'image, conversation, programmation, preuve mathématique, etc.: chaque fois qu'une machine maîtrise une tâche qui reflète une forme d'intelligence, cette tâche cesse d'être considérée comme digne d'intelligence. Les jeux illustrent bien ce phénomène. Les dames, les échecs et le go sont des terrains privilégiés pour la recherche en IA parce qu'ils constituent des mondes fermés et formalisables. Les buts sont clairs. Les performances des programmes et des humains peuvent être comparées. Ces programmes jouent bien parce qu'ils sont capables d'effectuer des calculs complexes à une vitesse surhumaine, en appliquant une logique programmée, en suivant un processus d'apprentissage spécifique ou en exploitant des bases de connaissances humaines. Est-ce de l'intelligence ? Ou simplement une forme très performante de traitement de données ?
La comparaison en terrain neutre entre humains et machines est certainement stérile. Pour reproduire certaines performances humaines, ces programmes mobilisent des ressources énergétiques et computationnelles disproportionnées. Puisque les ordres de grandeur sont incomparables, doit-on conclure que le modèle de jeu humain nous échappe, car nous ne sommes pas capables de le programmer explicitement ? Le but de l’IA n’est peut-être pas non plus de simuler ce jeu humain…
C'est peut-être la raison pour laquelle l'IA reste si mal définie, et donc entourée de tant de fantasmes. Programme scientifique, horizon philosophique, révolution industrielle, voire récit collectif construit sur les interactions entre l'humain et le non-humain. Le thème est encore à circonscrire Finalement l’IA n’est qu’une tentative de résoudre des problèmes là où il n’y pas d'algorithme pour traiter de grandes quantités de données.
—----------------------------------
“L'IA commence là où l'informatique classique s'arrête: tout problème pour lequel il n'existe pas d'algorithme connu ou raisonnable permettant de le résoudre relève a priori de l'IA”
Jean-Louis Laurière Intelligence artificielle, Eyrolles, 1986
—----------------------------------
Notes
[1] L’introduction de la conférence de Dartmouth, qui a eu lieu en 1956, constitue une pierre angulaire dans l’édification de l’intelligence artificielle (IA) en tant que discipline académique à part entière. Cet événement historique a réuni un ensemble de chercheurs visionnaires, déterminés à explorer les potentialités des machines pour simuler l’intelligence humaine. L’objectif de ce regroupement était ambitieux : il s’agissait de jeter les bases d’un domaine de recherche qui, jusqu’alors, n’avait pas de contours clairement définis. Les organisateurs et participants de cette conférence aspiraient à créer un espace de dialogue interdisciplinaire, où les connaissances issues de l’informatique, de la psychologie, de la philosophie, des neurosciences et des mathématiques pourraient se croiser et se féconder mutuellement. Le choix de Dartmouth comme lieu de rencontre n’était pas anodin ; il reflétait une volonté de s’inscrire dans un cadre académique rigoureux et propice à la réflexion scientifique. Les organisateurs, parmi lesquels figuraient des personnalités telles que John McCarthy, Marvin Minsky, Nathaniel Rochester et Claude Shannon, étaient animés par une conviction forte : celle de la faisabilité de créer des machines capables de reproduire, voire de surpasser, les capacités cognitives humaines. À la mi-XXe siècle, le monde était témoin d’avancées fulgurantes dans divers domaines scientifiques et technologiques. L’informatique, en particulier, était en pleine effervescence, avec l’émergence des premiers ordinateurs programmables. Ces machines, bien que primitives par rapport aux standards actuels, ouvraient des horizons jusque-là inexplorés. Parallèlement, les domaines des mathématiques, de la logique formelle et de la philosophie de l’esprit étaient en proie à des réflexions profondes sur la nature de l’intelligence et de la cognition. Dans ce contexte particulier, l’idée que les machines pouvaient être dotées d’une forme d’intelligence n’était plus reléguée au domaine de la science-fiction, mais prenait place au cœur des débats scientifiques. John McCarthy, informaticien et logicien, était fasciné par l’idée de créer des programmes informatiques capables de réaliser des tâches intellectuelles. Marvin Minsky, pour sa part, était déterminé à comprendre et à reproduire les processus de pensée humains. Nathaniel Rochester, issu de l’industrie, apportait une perspective pratique et technique, tandis que Claude Shannon, père de la théorie de l’information, offrait un cadre théorique solide à ces explorations. Ensemble, ils ont formé un quatuor dynamique, unissant leurs forces et leurs connaissances pour préparer le terrain à la conférence de Dartmouth.
[2] Programmation procédurale
Principe : Le programme est structuré comme une séquence d'instructions (procédures ou fonctions) qui modifient l'état du système étape par étape. On décrit comment obtenir le résultat, en détaillant les actions à exécuter.
Programmation déclarative
Principe : Le programme décrit ce qu'on veut obtenir, sans préciser les étapes pour y parvenir. Le moteur d'exécution (interpréteur, compilateur, framework) se charge de la logique.
Bibliographie
Th. Gerbaud, L'IA est une frontière, POUR LA SCIENCE N° 585 juillet 2026 |63
D. B. Fogel, Defining artificial intelligence, in Evolutionary Computation, 3e édition, Wiley-IEEE Press, 2005.