Accueil > Intelligence artificielleTransition Laborale > Non, l’Intelligence Artificielle n’est pas « purement logique »

Non, l’Intelligence Artificielle n’est pas « purement logique »

Pour en finir avec une idée fausse qui pollue les débats sur l'IA.

Publié le 15 avril 2017, par | Suivez-nous sur les réseaux sociaux :

 

Dans les conférences et débats autour sur l’Intelligence Artificielle (IA), il y a une affirmation qui revient souvent :

« L’intelligence artificielle est fondamentalement différente de l’intelligence humaine, car elle est purement logico-mathématique, alors que l’intelligence humaine est faite d’intuition, d’imagination, etc. »

Cette affirmation relève d’une méconnaissance de ce qu’est l’IA aujourd’hui. Tentons d’expliquer pourquoi.

 

Réductionnisme

On peut facilement comprendre ce qui mène à faire cette remarque. En effet, l’IA (du moins dans sa forme actuelle) utilise le support informatique. Au niveau élémentaires, les ordinateurs sont faits de portes logiques qui effectuent des opérations binaires simples. Assemblées, elles peuvent réaliser des opérations mathématiques plus complexes, et ainsi de suite.

Cependant, cette remarque est terriblement réductionniste : autant dire que les humains sont faits d’atomes ! Mais la mécanique quantique ne nous éclaire pas beaucoup sur les phénomènes beaucoup plus macroscopiques que sont la biologie et les neurosciences. Il en va de même pour les ordinateurs.

Soit, mais on rétorquera : l’IA, ce n’est jamais que du code. Une longue liste d’instructions « bêtes et méchantes » qu’exécute un ordinateur, sans se poser de question.

C’était en effet le cas de l’IA des années 60. Mais l’IA a beaucoup évolué depuis.

 

L’image de gauche représente autant une IA que celle de droite représente un humain.

 

Réseaux de neurones

Prenons un exemple d’IA contemporaine, assez représentatif : le réseau de neurones.

Le réseau de neurones s’inspire de façon très simplifiée du cerveau humain. Il s’agit de simuler des « neurones artificiels », avec des fils (synapses) d’entrée de sortie. On peut moduler la façon donc chaque neurone traite les entrées en jouant sur leurs paramètres.

 

Exemple de réseau de neurones artificiel.

 

Un réseau de neurone est un vaste assemblage de neurones artificiels. On peut les utiliser, par exemple, pour identifier des éléments sur des photographies – mettons, des chats. Le réseau de neurones prendra les pixels de la photo en entrée, et sa sortie sera la probabilité qu’il y ait un chat sur cette photo. On peut alors parler d’IA capable de reconnaître des chats.

Mais ce qu’il faut bien comprendre, c’est que cette « reconnaissance de chats » n’est pas codée par un humain, comme dans un programme classique. En réalité, on procède de la manière suivante. On montre au réseau de neurones un très grand nombre de photos, certaines contenant des chats et d’autres non. Selon la sortie qu’il produit, on ajuste les paramètres des neurones, afin de la rendre plus conforme à ce que l’on souhaite. Cela n’est bien sûr par fait manuellement, mais par un algorithme dit « d’apprentissage ».

Le réseau de neurones apprend ainsi à identifier des caractéristiques propres aux photos de chats. Après une phase d’apprentissage suffisamment longue, il peut ainsi identifier des chats dans des postures et des contextes qu’il n’a jamais observé auparavant.

Le programme permettant de simuler ces neurones artificiels, ainsi que l’algorithme d’apprentissage, sont codés par des humains. En revanche, l’humain n’intervient pas dans le processus d’apprentissage : l’IA apprend elle-même à identifier des caractéristiques propres aux photos de chats.

Ainsi, à aucun moment on n’a codé une recette de cuisine « bête et méchante » permettant d’identifier un chat. Les tentatives de ce type ont d’ailleurs échoué : identifier un chat est une tâche profondément intuitive, fluide… en un mot : analogique.

 

L’analogique peut se simuler numériquement

On arrive là au cœur du quiproquo : l’ordinateur, c’est du numérique – et on a tous appris que l’analogique était l’antithèse du numérique. Mais cela dépend de l’échelle à laquelle on se place. Aujourd’hui, on ne peut plus différencier à l’œil nu une photographie argentique (« analogique ») d’une photographie numérique, tant le nombre de pixels devient important.

Personne ne dira d’une photo numérique qu’elle est « purement logico-mathématique » : c’est simplement l’approximation numérique d’une image réelle (si on zoome suffisamment, on tombera sur des pixels). Mais cette approximation ne signifie pas qu’il s’agisse d’une version dégradée : les photos numériques modernes peuvent être plus précises que leurs ancêtres analogiques (car moins bruitées)… et même plus précises que ce que l’œil humain peut déceler !

Aujourd’hui, on simule un grand nombre de phénomènes physiques sur ordinateur, avec une précision si élevée qu’il devient impossible de faire la différence entre la version numérique et la réalité. Il en va de même pour ces simulations que sont les réseaux de neurones artificiels : le nombre de neurones artificiels devient tellement grand que cela n’a plus grand sens d’invoquer leur base algorithmique, numérique et binaire. Pas plus qu’il n’y a de sens à invoquer les pixels d’une photo numérique de haute définition.

 

A retenir

Cela, bien sûr, ne veut pas dire que les IA actuelles sont équivalentes au cerveau humain. Nous en sommes encore très loin. Mais retenons au moins deux choses :

  • Non, les IA modernes ne sont pas « purement logico-mathématiques ». Les réduire à cela n’a guère plus de sens que de réduire un humain à ses atomes, ou une image à ses pixels.
  • Il n’y pas de différence d’essence fondamentale entre le cerveau humain et les IAs modernes ou futures. La pensée humaine est un phénomène complexe, mais à la complexité finie, avec le neurone comme maille élémentaire. Il est tout à fait possible que cela puisse un jour être simulé (comme le suggère le dernier chapitre du livre « Le Code de la Conscience » du neuroscientifique Stanislas Dehaene).

 

Pour aller plus loin

  • Une excellente vidéo de vulgarisation expliquant plus en détail le fonctionnement des réseaux de neurones et le « deep learning ».
  • Le Human Brain Project, qui vise à simuler entièrement un cerveau humain à terme.
  • L’outil en ligne DeepArt, qui permet d’appliquer le style artistique d’une photo A (n’importe laquelle) à une photo B (n’importe laquelle), comme illustré en haut de cet article. Essayez !
Adhérer ?

Porte-parole de l’association, j’écris régulièrement des articles pour le site.

Pour me contacter : alexandre.technoprog@gmail.com | En savoir plus



Abonnez-vous à notre newsletter