L’avenir de l’IA : les tendances qui façonneront les 10 prochaines années

Depuis ses débuts, l’IA générative n’a cessé d’évoluer. Des développeurs comme OpenAI et Meta ont déjà abandonné les grands modèles pour en inclure des plus petits et moins coûteux, améliorant les modèles d’IA pour des résultats similaires, voire supérieurs, avec moins de ressources. Le prompt engineering évolue, car des modèles tels que ChatGPT deviennent plus intelligents et comprennent de mieux en mieux les nuances du langage humain. Lorsque les LLM sont entraînés sur des informations plus spécifiques, ils peuvent apporter une expertise approfondie à des secteurs spécialisés, devenant ainsi des agents permanents prêts à vous aider dans vos tâches.

L’IA n’est pas une technologie passagère. Ce n’est pas une phase. Plus de 60 pays ont élaboré des stratégies nationales en matière d’IA pour tirer parti de ses avantages tout en atténuant les risques associés. Cela implique de faire des investissements importants dans la recherche et le développement, de réviser et d’adapter les normes et les cadres réglementaires pertinents, et de garantir que la technologie ne décime pas le marché du travail équitable et la coopération internationale.

Les humains et les machines communiquent de plus en plus facilement, permettant aux utilisateurs de l’IA d’en accomplir plus, avec de plus grandes capacités. L’IA devrait ajouter 4 400 milliards de dollars de valeur à l’économie mondiale grâce à son exploration et à son optimisation continues.

D’ici 2034, l’IA fera partie intégrante de nombreux aspects de notre vie personnelle et professionnelle. Depuis qu’ils ont été mis à la disposition du public, les modèles d’IA générative tels que GPT-4 se sont révélés extrêmement prometteurs en peu de temps, mais leurs limites se sont également bien fait connaître. De ce fait, l’IA va évoluer vers des modèles open source à grande échelle pour l’expérimentation, et le développement de modèles plus petits et plus efficaces pour favoriser la facilité d’utilisation et réduire les coûts.

Des initiatives telles que Llama 3.1, un modèle d’IA open source de 400 milliards de paramètres et Mistral Large 2, publié à des fins de recherche, illustrent la tendance qui consiste à favoriser la collaboration de la communauté sur les projets d’IA tout en maintenant les droits commerciaux associés. L’intérêt croissant pour les petits modèles a conduit à la création de modèles tels que GPT 4o-mini, un modèle de 11 milliards de paramètres, à la fois rapide et rentable. Il ne faudra pas attendre longtemps avant qu’un modèle puisse être intégré dans des appareils comme les smartphones, d’autant plus que les coûts continuent de diminuer.

Ce mouvement reflète la transition qui est en train de s’opérer des grands modèles fermés vers des solutions d’IA plus accessibles et plus polyvalentes. Si les modèles plus petits sont abordables et efficaces, la demande du public pour des systèmes d’IA plus puissants reste forte, ce qui annonce l’adoption probable d’une approche équilibrée dans le développement de l’IA qui donnera la priorité à la fois à l’évolutivité et à l’accessibilité. Ces nouveaux modèles offrent une plus grande précision avec moins de ressources, ce qui en fait une solution idéale pour les entreprises ayant besoin de créer du contenu sur mesure ou de résoudre des problèmes complexes.

L’IA a influencé le développement de plusieurs technologies de base. Elle joue un rôle central dans l’avancement de la vision par ordinateur en permettant une analyse plus précise des images et des vidéos, un facteur essentiel pour les technologies utilisées dans les véhicules autonomes et les diagnostics médicaux par exemple. En termes de traitement automatique du langage naturel (NLP), l’IA améliore la capacité des machines à comprendre et à générer du langage humain, améliorant ainsi les interfaces de communication et permettant de créer des outils de traduction et d’analyse des sentiments plus sophistiqués.

L’IA renforce l’analytique prédictive et l’analyse du big data, car elle permet de traiter et d’interpréter de vastes quantités de données pour prévoir les tendances et informer les décisions. En robotique, le développement de machines plus autonomes et adaptables simplifie des tâches telles que l’assemblage, l’exploration et la prestation de services. Par ailleurs, les innovations pilotées par l’IA dans le domaine de l’Internet des objets (IdO) améliorent la connectivité et l’intelligence des appareils, pour des maisons, des villes et des systèmes industriels plus intelligents.

Voici quelques-unes des avancées de l’IA que nous devrions observer d’ici dix ans :

Le domaine naissant de l’IA multimodale sera entièrement testé et affiné d’ici 2034. L’IA unimodale se concentre sur un seul type de données, comme le NLP ou la vision par ordinateur. En revanche, l’IA multimodale se rapproche davantage de la manière dont les humains communiquent en comprenant les données à travers des éléments visuels, la voix, les expressions faciales et les inflexions vocales. Cette technologie intégrera du texte, de la voix, des images, des vidéos et d’autres données pour créer des interactions plus intuitives entre les humains et les systèmes informatiques. Elle a le potentiel d’alimenter des assistants virtuels et des chatbots avancés qui comprendront des requêtes complexes et pourront fournir des textes, des aides visuelles ou des tutoriels vidéo sur mesure en réponse.

L’IA deviendra encore plus intégrée dans les sphères personnelle et professionnelle, grâce à des plateformes conviviales qui permettront aux non-experts d’utiliser l’IA pour leur entreprise, leurs tâches individuelles, leurs recherches et leurs projets créatifs. Ces plateformes, similaires aux créateurs de sites web d’aujourd’hui, permettront aux entrepreneurs, aux éducateurs et aux petites entreprises de développer des solutions d’IA personnalisées sans expertise technique poussée.

L’IA et les microservices basés sur les API permettront aux entreprises d’intégrer des fonctions d’IA avancées dans leurs systèmes existants de manière modulaire. Cette approche accélérera le développement d’applications personnalisées sans nécessiter de compétences poussées en IA.

Pour les entreprises, simplifier la création des modèles est synonyme de cycles d’innovation plus courts, avec des outils d’IA personnalisés pour chaque fonction métier. Les plateformes no-code et low code permettront aux utilisateurs non techniques de créer des modèles d’IA à l’aide de composants par glisser-déposer, de modules plug-and-play ou de workflows guidés. Comme bon nombre de ces plateformes sont basées sur des LLM, les utilisateurs pourront également interroger les modèles d’IA à l’aide de prompts.

Les plateformes de ML automatisé s’améliorent rapidement, automatisant des tâches telles que le prétraitement des données, la sélection de caractéristiques et le réglage des hyperparamètres. Au cours des dix années à venir, le ML automatisé deviendra encore plus convivial et accessible, permettant à tous de créer rapidement des modèles d’IA performants sans expertise spécialisée. Les services d’IA basés sur le cloud fourniront également aux entreprises des modèles d’IA prédéfinis pouvant être personnalisés, intégrés et mis à l’échelle en fonction des besoins.

Pour les amateurs, les outils d’IA accessibles favoriseront une nouvelle vague d’innovation individuelle, leur permettant de développer des applications d’IA pour des projets personnels ou en à-côté.

Le développement open source peut favoriser la transparence, tandis qu’une gouvernance minutieuse et des directives éthiques peuvent permettre de maintenir des normes de sécurité élevées et de renforcer la confiance dans les processus pilotés par l’IA. Cette facilité d’accès pourrait aboutir à un assistant virtuel multimodal entièrement contrôlé par la voix, capable de créer des actifs visuels, textuels, audio ou vidéo à la demande.

Bien que très hypothétique, si un système d’intelligence artificielle générale (AGI) venait à émerger d’ici 2034, nous pourrions assister à l’avènement de systèmes d’IA capables de générer, d’organiser et d’affiner de manière autonome leurs propres jeux de données d’apprentissage, ce qui leur permettrait de s’améliorer et de s’adapter sans intervention humaine.

Avec la centralisation de l’IA au sein des organisations, les entreprises pourraient commencer à proposer une « assurance hallucinations de l’IA ». Malgré un entraînement approfondi, les modèles d’IA peuvent donner des résultats incorrects ou trompeurs. Ces erreurs proviennent souvent de données d’apprentissage insuffisantes ou biaisées, ou d’hypothèses incorrectes.

Une telle assurance protégerait les institutions financières, le secteur médical, le secteur juridique et d’autres contre les résultats inattendus, inexacts ou nuisibles de l’IA. Les assureurs pourraient couvrir les risques financiers et les risques d’atteinte à la réputation liés à ces erreurs, de la même manière qu’ils gèrent les fraudes financières et les violations de données.

La prise de décision et la modélisation des prédictions par l’IA progresseront au point où les systèmes d’IA tiendront le rôle de partenaires commerciaux stratégiques, aidant les dirigeants à prendre des décisions éclairées et à automatiser des tâches complexes. Ces systèmes d’IA intégreront l’analyse des données en temps réel, la connaissance du contexte et des informations personnalisées pour offrir des recommandations sur mesure, par exemple dans le domaine de la planification financière et de la sensibilisation des clients, en s’alignant sur les objectifs commerciaux.

L’amélioration du traitement automatique du langage naturel (NLP) permet à l’IA d’être intégrée aux conversations avec la direction, offrant des conseils basés sur la modélisation prédictive et la planification de scénarios. Les entreprises s’appuieront sur l’IA pour simuler les résultats potentiels, gérer la collaboration entre les services et affiner leurs stratégies sur la base d’un apprentissage continu. Ces partenaires basés sur l’IA permettront aux petites entreprises de dimensionner leurs systèmes plus rapidement et d’être aussi efficaces que les grandes entreprises.

L’IA quantique, en utilisant les propriétés uniques des qubits, pourrait faire voler en éclats les limites de l’IA classique en résolvant des problèmes auparavant insolubles, car trop contraignants en termes de calcul. Des simulations matérielles complexes, une vaste optimisation de la chaîne d’approvisionnement et l’utilisation de jeux de données exponentiellement plus importants pourraient devenir réalisables en temps réel. Cela pourrait transformer les domaines de la recherche scientifique, où l’IA repoussera les limites de la découverte en physique, en biologie et en sciences du climat en modélisant des scénarios qui prendraient des millénaires à traiter par des ordinateurs classiques.

Le temps, l’énergie et le coût associés à l’entraînement de modèles massifs, tels que les grands modèles de langage (LLM) et les réseaux neuronaux constituent des obstacles majeurs aux progrès de l’IA. Les exigences matérielles actuelles se rapprochent des limites de l’infrastructure informatique conventionnelle, c’est pourquoi l’innovation se concentrera sur l’amélioration du matériel ou sur la création d’architectures entièrement nouvelles. L’informatique quantique offre une voie prometteuse pour l’innovation en matière d’IA, car elle pourrait réduire considérablement le temps et les ressources nécessaires à l’entraînement et à l’exécution de grands modèles d’IA.

Les modèles bitnet utilisent des paramètres ternaires, un système de base 3 à 3 chiffres pour représenter des informations. Cette approche résout le problème de consommation énergétique en permettant à l’IA de traiter les informations plus efficacement : elle s’appuie sur plusieurs états et non sur des données binaires (0 et 1). Cela peut se traduire par des calculs plus rapides et une consommation d’énergie réduite.

Les start-ups soutenues par Y Combinator et d’autres entreprises investissent dans du matériel en silicium spécialisé adapté aux modèles bitnet, ce qui pourrait accélérer considérablement les temps d’entraînement de l’IA et réduire les coûts d’exploitation. Cette tendance suggère que les futurs systèmes d’IA combineront l’informatique quantique, les modèles bitnet et du matériel spécialisé pour dépasser les limites en matière de calcul.

Les réglementations et les normes éthiques relatives à l’IA devront progresser de manière significative pour que son ubiquité devienne une réalité. S’appuyant sur des cadres comme la loi sur l’IA de l’UE, l’un des principaux développements à prévoir sera la création de systèmes rigoureux de gestion des risques, en classant les IA par niveau de risque et en imposant des exigences plus strictes aux niveaux les plus risqués. Les modèles d’IA, en particulier les modèles génératifs et à grande échelle, pourraient devoir répondre à certaines normes de transparence, de robustesse et de cybersécurité. Ces cadres sont susceptibles d’être étendus à l’échelle mondiale, conformément à la loi sur l’IA de l’UE, qui établit des normes pour les secteurs de la santé, de la finance et des infrastructures critiques.

Les considérations éthiques façonneront les réglementations, notamment l’interdiction des systèmes qui présentent des risques inacceptables, comme la notation sociale et l’identification biométrique à distance dans les espaces publics. Les systèmes d’IA devront inclure une supervision humaine, protéger les droits fondamentaux, traiter les problèmes tels que les biais et l’équité, et garantir un déploiement responsable.

Une IA qui anticipe les besoins de manière proactive et prend des décisions de manière autonome deviendra probablement un élément essentiel de la vie personnelle et professionnelle. L’IA agentique fait référence à des systèmes composés d’agents spécialisés qui opèrent indépendamment, chacun traitant des tâches spécifiques. Ces agents interagissent avec les données, les systèmes et les personnes pour exécuter des workflows à plusieurs étapes, permettant aux entreprises d’automatiser des processus complexes tels que le support client ou les diagnostics réseau. Contrairement aux grands modèles de langage (LLM) monolithiques, l’IA agentique s’adapte aux environnements en temps réel en utilisant des algorithmes de prise de décision plus simples et des boucles de rétroaction pour apprendre et s’améliorer.

L’un des principaux avantages de l’IA agentique est la division du travail entre le LLM, qui gère les tâches générales, et les agents propres à un domaine, qui fournissent une expertise approfondie. Cette division permet d’atténuer les limites du LLM. Par exemple, dans une entreprise de télécommunications, un LLM pourrait classer une demande de renseignements client, tandis que les agents spécialisés pourraient récupérer des informations sur le compte, diagnostiquer les problèmes et formuler une solution en temps réel.

D’ici 2034, ces systèmes d’IA agentique pourraient aider les utilisateurs à tout gérer : des workflows des entreprises aux maisons intelligentes. Leur capacité à anticiper les besoins, à prendre des décisions et à apprendre de leur environnement de manière autonome pourrait les rendre plus efficaces et plus rentables, complétant les capacités générales des LLM et améliorant l’accessibilité de l’IA dans tous les secteurs.

Les données générées par l’homme sont de plus en plus rares. Les entreprises se tournent donc déjà vers les données synthétiques, c’est-à-dire des jeux de données artificiels imitant les schémas observés dans le monde réel, sans les mêmes limitations de ressources ni les mêmes préoccupations éthiques. Cette approche constituera bientôt la norme pour l’entraînement de l’IA, améliorant la précision des modèles tout en favorisant la diversité des données. Les données d’entraînement de l’IA comprendront des images satellites, des données biométriques, des journaux audio et des données de capteurs IdO.

Les modèles personnalisés constitueront l’une des principales tendances de l’IA : les organisations utiliseront des jeux de données propriétaires pour entraîner une IA adaptée à leurs besoins spécifiques. Ces modèles, conçus pour la génération de contenu, les interactions avec les clients et l’optimisation des processus, pourront surpasser les LLM à usage général en s’alignant étroitement sur les données et le contexte uniques des organisations. Les entreprises investiront dans l’assurance de la qualité des données afin que les données répondent à des normes strictes en matière de fiabilité, d’exactitude et de diversité, préservant ainsi la performance de l’IA et sa robustesse éthique.

Le défi de « l’IA fantôme » (les outils d’IA non autorisés utilisés par les employés) poussera les organisations à mettre en place une gouvernance des données plus stricte, garantissant que seuls les systèmes d’IA approuvés accèdent aux données propriétaires sensibles.

Alors que l’IA continue d’évoluer, plusieurs idées prometteuses et ambitieuses émergent, pour remédier aux limites actuelles et repousser les limites de ce que l’intelligence artificielle peut accomplir. L’un de ces projets ambitieux est l’informatique post-Moore¹, qui vise à aller au-delà de l’architecture Von Neumann traditionnelle : les GPU et les TPU s’approchant de leurs limites physiques et pratiques.

Les modèles d’IA deviennent de plus en plus complexes et gourmands en données : de nouveaux paradigmes informatiques sont donc nécessaires. Les innovations dans le domaine de l’informatique neuromorphique², qui imite la structure neuronale du cerveau humain, sont à l’avant-garde de cette transition. En outre, l’informatique optique³, qui utilise la lumière au lieu des signaux électriques pour traiter les informations, ouvre des voies prometteuses pour apporter des améliorations en termes d’efficacité des calculs et d’évolutivité.

Un autre projet important est le développement d’un Internet de l’IA⁴distribué, ou IA fédérée, qui envisage une infrastructure d’IA distribuée et décentralisée. Contrairement aux modèles d’IA traditionnels qui reposent sur de vastes centres de données, l’IA fédérée fonctionne sur plusieurs appareils et à plusieurs emplacements, traitant les données localement pour améliorer la confidentialité et réduire la latence.

En permettant aux smartphones, aux gadgets IdO et aux nœuds d’edge computing de collaborer et de partager des informations sans transmettre de données brutes, l’IA fédérée favorise un écosystème d’IA plus sûr et plus évolutif. Les recherches actuelles se concentrent sur le développement d’algorithmes et de protocoles efficaces pour une collaboration transparente entre les modèles distribués, facilitant l’apprentissage en temps réel tout en maintenant des normes strictes en matière d’intégrité et de confidentialité des données.

Un autre domaine d’expérimentation crucial concerne les limites inhérentes au mécanisme d’attention de l’architecture transformatrice⁵. Les transformeurs s’appuient sur un mécanisme d’attention doté d’une fenêtre de contexte pour traiter les parties pertinentes des données d’entrée, comme les jetons précédents d’une conversation. Cependant, à mesure que la fenêtre de contexte s’élargit pour intégrer davantage de données historiques, la complexité informatique augmente de façon quadratique, ce qui la rend inefficace et coûteuse.

Pour relever ce défi, les chercheurs explorent des approches telles que la linéarisation du mécanisme d’attention ou l’introduction de techniques de fenêtrage plus efficaces, permettant aux transformeurs de gérer des fenêtres de contexte plus grandes sans augmenter les ressources de calcul de manière exponentielle. Cette avancée permettrait aux modèles d’IA de mieux comprendre les interactions passées et d’en intégrer un plus grand nombre, conduisant à des réponses plus cohérentes et plus pertinentes dans le contexte.

Imaginez que vous commenciez votre journée en 2034. Un assistant intelligent à commande vocale, connecté à tous les aspects de votre vie, vous salue en vous présentant les repas de toute la famille pour la semaine, adaptés aux préférences de chacun. Il vous informe de l’approvisionnement actuel de votre garde-manger et commande des produits alimentaires si nécessaire. Votre trajet est automatique : votre chauffeur virtuel calcule l’itinéraire le plus efficace pour vous amener au travail, en s’adaptant au trafic et à la météo en temps réel.

Au travail, un partenaire basé sur l’IA passe vos tâches quotidiennes au crible et vous fournit des informations exploitables, vous aide à accomplir les tâches de routine et vous sert de base de connaissances dynamique et proactive. À un niveau personnel, les technologies alimentées par l’IA peuvent proposer des divertissements sur mesure, générer des histoires, de la musique ou des œuvres d’art visuelles personnalisées selon vos goûts. Si vous souhaitez apprendre quelque chose, l’IA peut vous fournir des tutoriels vidéo adaptés à votre style d’apprentissage, intégrant texte, images et voix.

À mesure de l’adoption de l’IA et de l’évolution de la technologie, son impact sur les opérations mondiales sera décuplé. Voici les principales implications des avancées technologiques de l’IA :

L’IA jouera un double rôle dans l’action climatique en contribuant à la hausse de la demande énergétique et en servant d’outil d’atténuation. Les ressources de calcul nécessaires pour entraîner et déployer les grands modèles d’IA augmentent considérablement la consommation d’énergie, intensifiant les émissions de carbone si les sources d’énergie utilisées ne sont pas durables. L’IA peut également renforcer les initiatives climatiques en optimisant l’utilisation de l’énergie dans divers secteurs, améliorant la modélisation et les prévisions climatiques, et favorisant l’utilisation de solutions innovantes pour les énergies renouvelables, le captage du carbone et la surveillance environnementale.

Dans l’industrie manufacturière, les robots alimentés par l’IA peuvent effectuer des tâches d’assemblage complexes avec précision, augmentant les taux de production et réduisant les défauts. Dans le domaine de la santé, les outils de diagnostic automatisés aident les médecins à identifier les maladies avec plus de précision et de rapidité. L’automatisation des processus pilotée par l’IA et le machine learning peuvent rationaliser les opérations, réduire les coûts et améliorer la qualité du service dans les domaines de la finance, de la logistique et de l’expérience client. En gérant les tâches répétitives, l’IA permet aux employés de se concentrer sur des tâches plus stratégiques et plus créatives, favorisant ainsi l’innovation et la productivité.

L’essor de l’automatisation pilotée par l’IA entraînera inévitablement la suppression d’emplois, en particulier dans les secteurs qui reposent fortement sur des tâches répétitives et manuelles. Les rôles impliquant la saisie des données, le travail de chaîne de montage et le service client de routine pourront connaître des réductions importantes à mesure que les machines et les algorithmes prendront le relais. Cependant, cet essor créera également des opportunités en termes de développement de l’IA, d’analyse des données et de cybersécurité. La demande de compétences en matière de maintenance, de supervision et de gouvernance éthique de l’IA augmentera, ce qui favorisera la reconversion des employés.

L’IA générative facilite la création de deepfakes (données audio, vidéos et images réalistes mais fausses), qui sont utilisés pour diffuser de fausses informations et manipuler l’opinion publique. Cela pose des problèmes en matière d’intégrité des informations et de fiabilité des médias. Pour y remédier, des outils de détection avancés, la sensibilisation du public et, éventuellement, des mesures juridiques sont nécessaires pour que les créateurs de deepfakes malveillants rendent des comptes aux autorités.

Les personnes anthropomorphisent l’IA, formant des attachements émotionnels et une dynamique sociale complexe avec elle, comme on l’a vu avec l’effet ELIZA⁶ et d’autres compagnons basés sur l’IA. Pendant la décennie à venir, ces relations pourraient devenir plus profondes, soulevant des questions d’ordre psychologique et éthique. La société doit promouvoir des interactions saines avec des machines de plus en plus humaines et aider les individus à faire la différence entre les interactions humaines authentiques et les interactions pilotées par l’IA.

Alors que le contenu généré par l’IA domine Internet (on estime qu’il représente environ 50 % du contenu en ligne), la disponibilité des données générées par l’homme diminue. Les chercheurs prédisent que d’ici 2026, les données publiques sur lesquelles les grands modèles d’IA sont entraînés pourraient s’épuiser. Pour y remédier, la communauté de l’IA explore la génération de données synthétiques, ainsi que de nouvelles sources de données, telles que les appareils IdO et les simulations, afin de diversifier les entrées destinées à l’entraînement de l’IA. Ces stratégies sont essentielles pour soutenir les progrès de l’IA et s’assurer que les modèles conservent leurs capacités, dans cet environnement numérique de plus en plus saturé de données.

Alors que l’IA continue de progresser et que la priorité est donnée à des modèles plus économiques permettant aux particuliers et aux entreprises d’appliquer des solutions sur mesure, la confiance et la sécurité doivent rester au premier plan.

IBM watsonx.ai est un portefeuille de produits d’IA permettant de développer, de déployer et de gérer des solutions d’IA alignées sur les tendances actuelles : des outils d’IA plus sûrs, plus accessibles et plus polyvalents.

watsonx.ai intègre des capacités d’IA avancées et fournit la flexibilité nécessaire pour soutenir les entreprises de tous les secteurs. Il leur permet d’exploiter la puissance de l’IA et d’observer un impact réel : il ne s’agit pas seulement de suivre la tendance. En privilégiant la convivialité et l’efficacité, watsonx.ai est bien placé pour devenir un actif indispensable dans les entreprises qui chercheront à utiliser l’IA dans les dix années à venir.