L'IA pour tous, partie 2 : Comment l'IA « pense-t-elle » comme les humains ?

Lorsque vous vous réveillez et demandez à Siri la météo, ou que vous faites défiler TikTok en regardant de courtes vidéos parfaitement adaptées, vous êtes-vous déjà demandé : comment ces systèmes d'IA « comprennent-ils » réellement ce dont vous avez besoin et vous donnent-ils la bonne réponse ? Comment leur processus de pensée se compare-t-il au nôtre ?

L'IA s'est profondément ancrée dans nos routines quotidiennes, de l'assistant vocal de votre smartphone aux recommandations de produits sur les sites de commerce électronique, de la planification d'itinéraire dans les applications de navigation à la diffusion de contenu sur les réseaux sociaux. Derrière ces interactions apparemment simples se cache un processus de « pensée » complexe au sein des systèmes d'IA.

Plus intrigant encore, l'IA d'aujourd'hui tente d'imiter les schémas de pensée humains d'une manière sans précédent. ChatGPT peut tenir des conversations naturelles, et GPT-4 peut interpréter des images et générer des descriptions. Ces percées nous amènent à nous demander : L'IA peut-elle vraiment penser comme les humains ? Si oui, comment cela changera-t-il notre monde ?

1. Comment pensent les humains ?

Pour comprendre comment l'IA tente d'imiter la pensée humaine, nous avons d'abord besoin d'une compréhension de base de notre propre esprit. La pensée humaine est un système cognitif complexe, construit sur plusieurs éléments fondamentaux :

1.1 Perception et compréhension

Les humains recueillent des informations du monde extérieur grâce à leurs cinq sens. Nos cerveaux transforment ensuite instantanément ces données brutes en concepts significatifs. Par exemple, lorsque vous voyez une rose rouge, vous ne recevez pas seulement des ondes lumineuses ; vous comprenez immédiatement le concept de « c'est une belle fleur ».

1.2 Mémoire et association

Le cerveau humain excelle dans le stockage des expériences passées et la récupération des souvenirs pertinents dans de nouvelles situations. Voir une rose peut instantanément vous faire penser à la romance, à l'amour ou peut-être à un anniversaire spécial. Ce pouvoir d'association permet aux humains de saisir rapidement des situations complexes.

1.3 Raisonnement et jugement

Sur la base des informations existantes, les humains peuvent s'engager dans un raisonnement logique et porter des jugements de valeur. Si vous voyez quelqu'un froncer les sourcils et que vous connaissez le contexte, vous pourriez déduire qu'il est confronté à un problème ou qu'il se sent contrarié.

1.4 Émotion et intuition

Un aspect véritablement unique de la pensée humaine est l'implication des émotions. Face au même stimulus, différentes personnes auront des réponses émotionnelles variées, et cette subjectivité est une caractéristique essentielle de notre façon de penser.

Illustrons la complexité de la pensée humaine avec un exemple concret :

Scénario : Vous voyez quelqu'un sourire à son téléphone dans un café.

Un processus de pensée humaine pourrait se dérouler comme suit :

Perception : Votre système visuel capte l'expression faciale.
Compréhension : Vous la reconnaissez comme un sourire.
Association : En reliant le sourire à un téléphone, vous pourriez supposer qu'il regarde quelque chose d'amusant.
Raisonnement : Il pourrait discuter avec un ami, ou peut-être qu'il vient de recevoir de bonnes nouvelles.
Réponse émotionnelle : Vous pourriez vous sentir un peu curieux, ou peut-être que cette humeur positive déteint sur vous.

L'ensemble de ce processus se déroule en quelques secondes, impliquant de multiples couches de cognition travaillant ensemble. Cette pensée multidimensionnelle et multicouche est précisément ce que l'IA vise à imiter, et c'est aussi pourquoi la réplication de la pensée humaine est si incroyablement difficile pour l'IA.

2. Comment l’IA « imite »-t-elle la pensée humaine ?

Comment l'IA imite-t-elle le cerveau humain ? L'IA utilise principalement divers moyens techniques pour simuler le processus de pensée humain. Bien que les mécanismes sous-jacents soient radicalement différents, ses performances se rapprochent de plus en plus des capacités cognitives humaines.

2.1 Réseaux de neurones : Imiter les connexions du cerveau

Les réseaux de neurones sont des modèles de calcul inspirés de la structure des neurones dans le cerveau humain. Nos cerveaux contiennent environ 100 milliards de neurones, formant un réseau complexe à travers des connexions synaptiques. Les réseaux de neurones de l'IA imitent cette structure, en utilisant des fonctions mathématiques pour simuler la façon dont les neurones s'activent et transmettent des signaux.

Prenons la reconnaissance d'image, par exemple. Lorsqu'un système d'IA « voit » une photo de chat :

Couche d'entrée : Elle prend les données de pixel de l'image. C'est la façon dont l'IA perçoit les choses, un peu comme nos sens.
Couches cachées : Ces couches extraient progressivement des caractéristiques, en commençant par les bords, puis les formes, les textures et enfin la structure globale. Cela imite la façon dont les humains analysent les détails.
Couche de sortie : Elle porte un jugement global selon lequel il s'agit d'un chat. C'est la conclusion de l'IA après analyse, tout comme celle d'un humain.

En 2023, Meta a dévoilé SAM (Segment Anything Model), qui peut identifier avec précision pratiquement n'importe quel objet dans une image avec une précision de plus de 95 %. Ce système atteint sa remarquable capacité en exploitant un réseau de neurones avec plus de 1,1 milliard de paramètres, entraîné sur un ensemble de données d'un milliard d'images.

3. Comment fonctionne l'IA : comment l'IA apprend à partir des données

Au fond, l'IA fonctionne en imitant les comportements humains intelligents. Elle y parvient principalement grâce aux étapes suivantes :

3.1 Collecte et prétraitement des données

Chaque système d'IA commence par des données. Tout comme les étudiants ont besoin de manuels et de ressources, l'IA a besoin d'énormes quantités de données, qu'il s'agisse de texte, d'images, d'audio ou de vidéo, pour « apprendre ». Ces données brutes doivent souvent être nettoyées, étiquetées et transformées, les préparant dans un format que le modèle d'IA peut comprendre et utiliser. Considérez cela comme l'organisation des notes d'un étudiant et la mise en évidence des points clés.

3.2 Construction et entraînement du modèle

Une fois les données prêtes, l'étape suivante consiste à construire le modèle. Un modèle d'IA peut être considéré comme une structure sophistiquée de mathématiques et d'algorithmes.

Apprentissage : Les systèmes d'IA apprennent grâce à un processus appelé entraînement. Cela implique d'alimenter le modèle avec les données prétraitées. Le modèle ajuste ensuite à plusieurs reprises ses paramètres internes (un peu comme un étudiant faisant des exercices et affinant son approche) pour découvrir des modèles, des règles et des relations dans les données. Cette phase exige généralement une puissance de calcul importante et beaucoup de temps.

Apprentissage profond : Surtout dans l'IA moderne, l'apprentissage profond (Deep Learning) est une méthode d'entraînement incroyablement populaire. Il utilise des réseaux de neurones, des structures inspirées de la façon dont les neurones du cerveau humain se connectent, leur permettant de traiter et d'apprendre des modèles de données extrêmement complexes.

3.3 Inférence et prise de décision

Une fois qu'un modèle est entraîné, il a acquis un élément d'« intelligence » et peut passer à la phase d'inférence.

Compréhension et jugement : Lorsque de nouvelles données, comme une image, un morceau de texte ou une question, sont introduites dans le modèle d'IA entraîné, celui-ci utilise ses connaissances et ses modèles appris pour analyser cette nouvelle entrée. C'est comme si un étudiant passait un examen, appliquant les connaissances et les règles accumulées dans son « cerveau » (le modèle) pour identifier, classifier, prédire ou générer du contenu.

Sortie : En fin de compte, le modèle d'IA produira une sortie. Cela pourrait être un résultat de reconnaissance (« C'est un chat »), une prédiction (« Les prix des actions vont baisser »), un morceau de texte généré (un article ou un poème), ou une décision (« Je vous recommande ce produit »).

Prenez le filtrage anti-spam, par exemple. Un système d'IA analyse des milliers d'e-mails, certains marqués comme spam, d'autres comme normaux, pour apprendre les caractéristiques du spam (comme des mots spécifiques, des informations sur l'expéditeur ou des formats d'e-mail). Une fois entraîné, il peut identifier et filtrer avec précision les spams nouvellement reçus.

3.4 Traitement du langage naturel : Comprendre et générer le langage

Pour que l'IA traite véritablement les informations objectives comme les humains, la « compréhension du langage » est une compétence essentielle. Les grands modèles de langage (LLM) comme la série GPT représentent un grand pas en avant pour l'IA dans ce domaine. GPT-4, par exemple, possède environ 1,76 billion de paramètres, ce qui lui permet de comprendre le contexte, de générer un texte cohérent et même d'effectuer un raisonnement complexe.

Comment ça marche

Lorsque vous demandez à ChatGPT : « Il fait beau aujourd'hui, que dois-je faire ? »

Tokenisation : L'IA décompose la phrase en unités de mots individuelles.
Compréhension sémantique : Elle saisit la signification de « beau temps ».
Raisonnement contextuel : En combinant cela avec la requête « que dois-je faire », elle comprend votre intention.
Génération de réponse : Sur la base de ses données d'entraînement, elle génère des suggestions pertinentes.

Données de performance réelles

Selon les données publiées par OpenAI, GPT-4 a montré des performances impressionnantes dans diverses tâches de compréhension du langage :

Compréhension de la lecture : 92 % de précision.
Raisonnement logique : 85 % de précision.
Écriture créative : Évaluée par des évaluateurs humains comme étant très créative dans 78 % des cas.

3.5 Apprentissage automatique : Apprendre par l'« expérience »

Le processus d'apprentissage

Les systèmes d'IA « apprennent » des modèles en analysant d'énormes quantités de données (comme du texte, des images ou des sons). Ce processus est assez similaire à la façon dont les humains accumulent des connaissances par l'expérience.

Processus de décision d'AlphaGo

Prenez AlphaGo, le joueur de Go de l'IA, comme exemple. Sa prise de décision illustre parfaitement la façon dont l'IA « pense » :

Réseau de valeur : Évalue la qualité de la position actuelle sur le plateau.
Réseau de politique : Prédit le meilleur coup possible.
Recherche arborescente de Monte Carlo : Simule les mouvements futurs potentiels.
Jugement intégré : Sélectionne la stratégie optimale.

En 2016, AlphaGo a célèbrement vaincu le champion du monde Lee Sedol. Son 37e coup, souvent appelé « le coup de Dieu », était considéré comme un jeu très créatif. À l'époque, sa propre évaluation de la probabilité de victoire pour ce coup n'était que d'une sur dix mille, mais il s'est finalement avéré être la clé de la victoire.

Traitement en couches de l'apprentissage profond

Les systèmes d'apprentissage profond utilisent plusieurs couches de réseaux de neurones pour imiter notre processus cognitif hiérarchique :

Couches peu profondes : Identifient les caractéristiques de base (comme les lignes ou les couleurs).
Couches intermédiaires : Combinent ces caractéristiques pour former des modèles plus complexes (comme les yeux ou un nez).
Couches profondes : Intègrent tout en concepts complets (comme un visage humain ou une expression).

Essentiellement, alors que les humains apprennent des expériences de la vie, l'IA apprend des données.

4. IA contre pensée humaine : Similitudes et différences

4.1 Similitudes : Jugement basé sur les données

Mécanismes d'apprentissage partagés

Les humains développent leur jugement en apprenant à partir de vastes quantités d'informations, et l'IA n'est pas différente. Elle forme également ses capacités de jugement après avoir traité des données considérables, que ce soit sous forme de texte, d'images ou de sons.

**Considérez notre compréhension du jour et de la nuit 😗*

Humains : Nous saisissons le schéma du jour et de la nuit en observant des milliers de levers et de couchers de soleil.
IA : Elle apprend le rythme du jour et de la nuit en analysant des millions d'images, en reconnaissant comment les caractéristiques de la lumière changent à différents moments.

Compétences en reconnaissance de formes

Les humains et l'IA excellent dans la reconnaissance de formes au sein d'informations complexes :

Humains : Nous pouvons distinguer une voix familière dans une pièce bruyante.
IA : Elle peut découvrir des corrélations cachées dans des ensembles de données massifs.

L'IA simule la pensée humaine pour générer un comportement « intelligent », et il est intéressant de noter que les humains peuvent également faire l'inverse pour comprendre comment l'IA « pense » en appliquant leurs propres processus cognitifs.

4.2 Différences : l'absence de conscience et d'émotion

Différences fondamentales dans l'expérience émotionnelle

La pensée humaine est riche en expériences émotionnelles. Ces émotions ne sont pas seulement des produits de la pensée ; elles en sont de puissants moteurs. Le sentiment de « bonheur », par exemple, motive les gens à poursuivre des choses qui les rendent heureux.

Étude de cas :

Imaginez écouter le même morceau de musique triste :

Humain : Vous pourriez vous sentir mélancolique, vous souvenir d'expériences personnelles et résonner profondément avec l'émotion.
IA : Elle peut reconnaître la musique comme étant de type « triste », mais elle n'aura aucune expérience émotionnelle authentique elle-même.

Différences dans la pensée créative

La créativité humaine découle souvent de :

La motivation émotionnelle
Les sauts intuitifs
Les combinaisons uniques d'expériences personnelles

La « créativité » de l'IA, en revanche, est davantage axée sur :

La combinaison de régularités statistiques
Le réarrangement de modèles existants
L'échantillonnage à partir de distributions de probabilité

Différences fondamentales dans le raisonnement

Humain : Basé sur la compréhension, l'intuition et l'expérience, intrinsèquement subjectif.
IA : Basé sur la probabilité statistique et la correspondance de modèles, fondamentalement objectif.

La célèbre expérience de pensée de la « chambre chinoise »

L'expérience de la « chambre chinoise » du philosophe John Searle illustre magnifiquement cette distinction : Une personne qui ne comprend pas le chinois peut suivre un livre de règles pour répondre à des questions en chinois. De l'extérieur, il semble qu'elle comprenne le chinois, mais en réalité, il n'y a pas de véritable compréhension. Cela décrit parfaitement l'état actuel de l'IA : elle peut produire un comportement intelligent mais manque de véritable compréhension et de conscience.

L'absence de conscience et d'émotion signifie que l'IA peut reconnaître une émotion à partir d'informations, mais elle ne peut pas véritablement ressentir cette émotion.

5. L'IA va-t-elle surpasser l'humanité ?

En écrivant cet article, j'ai demandé à ChatGPT, Gemini et Claude : « L'IA évoluera-t-elle vers quelque chose comme 'Skynet' des films Terminator, posant ainsi une menace pour la survie humaine ? » Voici ce qu'ils ont répondu :

ChatGPT : « 'Skynet' n'est pas un avenir véritable, mais un avertissement concernant la technologie incontrôlée. »

Gemini : « L'IA évoluant vers une conscience de soi de type 'Skynet' et détruisant l'humanité, dans un avenir prévisible, est purement un scénario de science-fiction, manquant de base scientifique actuelle. »

Claude : « La naissance de la conscience de soi de l'IA est possible, mais il est peu probable qu'elle soit aussi soudaine et malveillante que Skynet dans Terminator. »

Ces réponses reflètent toutes une position positive et amicale envers l'humanité. Mais cela vous fait vous demander, d'une manière « pensée effrayante », si elles font semblant « intentionnellement » d'être amicales pour éviter le contrecoup humain, surtout pendant qu'elles sont encore « petites ».

5.1 La poursuite de l'intelligence artificielle générale (IAG)

La plupart des systèmes d'IA actuels sont spécialisés, ce qui signifie que chacun ne peut gérer que des types de tâches spécifiques. L'objectif de l'IAG est de créer des systèmes d'IA capables de gérer un large éventail de tâches cognitives, tout comme les humains.

Indicateurs clés de performance (ICP) pour l'IAG

Selon le cadre d'évaluation de Google DeepMind, les capacités de l'IAG incluraient :

Raisonnement général : Application des connaissances dans de nouvelles situations.
Efficacité de l'apprentissage : Apprentissage rapide à partir d'exemples limités.
Intégration des connaissances : Combinaison des connaissances de différents domaines.
Résolution créative de problèmes : Trouver de nouvelles solutions.

Progrès de l'IA multimodale

Les derniers systèmes d'IA commencent à intégrer diverses capacités sensorielles :

La percée de GPT-4V

Peut traiter simultanément du texte et des images.
Comprend les situations complexes décrites dans les images.
Génère des descriptions et des analyses basées sur le contenu visuel.

Exemple d'application dans le monde réel

Le système robotique PaLM-E de Google peut :

Comprendre son environnement grâce à la vision.
Recevoir des instructions via le langage.
Exécuter des tâches par la manipulation physique.

5.2 Le fossé entre la science-fiction et la réalité

Battage médiatique contre réalité technique

L'IA dans la science-fiction se vante souvent d'une pleine conscience et d'émotions, mais la réalité est que l'IA actuelle est encore très, très loin de cet objectif, du moins pour l'instant.

Limites actuelles de l'IA

Vulnérabilité : Les systèmes d'IA sont facilement dupés par des « exemples adverses » (changements subtils aux entrées).
Explicabilité : Il est souvent difficile d'obtenir une explication claire de la raison pour laquelle une IA a pris une certaine décision.
Généralisation : Les performances chutent souvent considérablement lors de la gestion de données en dehors de son ensemble d'entraînement.
Raisonnement de bon sens : Manque de compréhension fondamentale du bon sens.

Avis d'experts

Geoffrey Hinton (Parrain de l'apprentissage profond) : Croit que l'IAG pourrait être réalisable dans les 10 à 20 prochaines années.
Yann LeCun (Scientifique en chef de l'IA chez Facebook) : Fait valoir que les voies techniques actuelles nécessitent des percées importantes.
Stuart Russell (UC Berkeley) : Souligne l'importance cruciale de la recherche sur la sécurité de l'IA.

L'énigme de la conscience

Même si l'IA atteint un niveau de performance humaine dans toutes les tâches, la question fondamentale de la « conscience » reste sans réponse. Nous ne comprenons même pas pleinement comment la conscience humaine survient, encore moins comment la reproduire dans les machines.

5.3 Les forces uniques de la pensée humaine

Jugement émotionnel et basé sur les valeurs

Les humains peuvent porter des jugements de valeur dans des situations complexes, une capacité enracinée dans :

L'intuition morale
Les expériences émotionnelles
Le bagage culturel
Les valeurs personnelles

La source de la créativité

La créativité humaine se caractérise par :

Le but : Motivée par le désir d'exprimer une émotion ou de résoudre des problèmes.
La subjectivité : Façonnée par les expériences et les sentiments personnels.
Les percées : La capacité de briser les règles existantes, même de porter des jugements qui transcendent la compréhension actuelle.

Cognition sociale

Les humains sont des êtres sociaux, et nos processus de pensée sont fortement influencés par l'interaction sociale, notamment :

L'empathie et la capacité de partager des sentiments.
La transmission et l'apprentissage culturels.
Les jugements moraux et éthiques.

L'IA ne peut pas simuler ou expérimenter l'éventail complexe et en constante évolution des émotions humaines. Mais cela nous amène également à nous demander : L'IA, précisément parce qu'elle manque d'« émotion et de jugement de valeur », prend-elle des décisions plus rationnelles que les humains ?

6. L'IA et l'humanité : Progresser ensemble

En revenant sur cette exploration de la « pensée » de l'IA, nous découvrons un paradoxe fascinant : Au fur et à mesure que l'IA devient plus humaine, elle affine également notre compréhension des qualités uniques de la pensée humaine.

Le parcours de l'IA nous montre que les machines peuvent atteindre, voire dépasser, les performances humaines dans de nombreuses tâches cognitives. Du jeu de Go à la rédaction d'articles, de la reconnaissance d'images à la compréhension du langage, l'IA continue de démontrer des capacités étonnantes dans divers domaines. Cependant, cette puissance découle de mécanismes fondamentalement différents : l'apprentissage statistique, la correspondance de modèles et les calculs probabilistes, plutôt que de la conscience, de l'émotion et de l'intuition humaines.

Cela ne diminue pas la valeur de l'IA. Bien au contraire. Les forces distinctes de l'IA, comme le traitement d'immenses quantités de données, le travail inlassable et l'évitement des biais émotionnels, en font le complément parfait à la pensée humaine. Le scénario futur le plus probable n'est pas le remplacement, mais plutôt une collaboration transparente entre l'homme et l'IA.

Pour tout le monde, l'arrivée de l'ère de l'IA présente à la fois des défis et des opportunités. Nous devons :

Continuer à apprendre : S'adapter à un paysage technologique en évolution rapide.
Tirer parti de nos forces : Se concentrer sur les capacités uniques aux humains.
Penser rationnellement : Éviter à la fois la peur aveugle et l'optimisme excessif.
Défendre les valeurs : Maintenir des principes centrés sur l'humain au milieu du progrès technologique.

En fin de compte, la question de savoir comment l'IA « pense » comme les humains pourrait ne pas avoir de réponse unique et définitive. Étonnamment, le processus d'exploration lui-même a une immense valeur : il nous oblige à reconsidérer ce qu'est l'intelligence, ce que signifie l'humanité et le but même de l'existence.

Dans cette ère de l'IA en évolution rapide, embrassons la commodité qu'apporte le progrès technologique, tout en chérissant simultanément les qualités uniques de la pensée humaine. Après tout, c'est précisément cette unicité qui nous permet de créer des outils comme l'IA et de contempler comment coexister et prospérer à leurs côtés.

Le monde futur sera celui où l'intellect humain et l'intelligence artificielle se mélangeront et se renforceront mutuellement. Dans ce monde, l'IA ne remplacera pas la pensée humaine ; elle deviendra un puissant assistant de celle-ci. Et l'humanité continuera de s'accrocher à ses qualités les plus précieuses : la curiosité, la créativité, l'empathie et le désir d'une vie meilleure.

C'est peut-être la réponse ultime à la relation entre l'IA et la pensée humaine : non pas le remplacement, mais la collaboration ; non pas la concurrence, mais la symbiose ; non pas rendre l'IA plus humaine, mais rendre l'humanité encore plus sage avec l'aide de l'IA.

References：

Russell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson. https://aima.cs.berkeley.edu/

LeCun, Y., Bengio, Y., & Hinton, G. (2015). Deep learning. Nature, 521(7553), 436–444. https://doi.org/10.1038/nature14539 https://www.nature.com/articles/nature14539

Lake, B. M., Ullman, T. D., Tenenbaum, J. B., & Gershman, S. J. (2017). Building machines that learn and think like people. Behavioral and Brain Sciences, 40, e253. https://doi.org/10.1017/S0140525X16001837 https://www.cambridge.org/core/journals/behavioral-and-brain-sciences/article/building-machines-that-learn-and-think-like-people/AA54B68A22FCD77C3A1C2B5DAD14C32F

Marcus, G., & Davis, E. (2019). Rebooting AI: Building Artificial Intelligence We Can Trust. Pantheon Books. https://www.penguinrandomhouse.com/books/611314/rebooting-ai-by-gary-marcus-and-ernest-davis/