Se préparer à l'intelligence artificielle générale à l'aide d'exemples

Imaginez un monde où les machines ne sont pas limitées à des tâches préprogrammées, mais fonctionnent avec une autonomie et des compétences comparables à celles des humains. Un monde où des cerveaux informatiques pilotent des voitures autonomes, se penchent sur des recherches scientifiques complexes, proposent un service client personnalisé et explorent même l’inconnu.

Tel est le potentiel de l’intelligence artificielle générale (IAG), une technologie hypothétique qui pourrait révolutionner presque tous les aspects de la vie et du travail de l’humain. Bien que l’IAG reste théorique, les organisations peuvent prendre des mesures proactives pour se préparer à son arrivée en créant une infrastructure de données robuste et en favorisant un environnement collaboratif où intelligence humaine et IA travaillent de concert.

L’IAG, parfois appelée IA forte, est la version de l’intelligence artificielle (IA) que l’on retrouve dans la science-fiction, où l’intelligence artificielle est capable d’apprendre, de percevoir et de faire preuve d’une flexibilité cognitive, tout comme l’humain. Mais, contrairement à l’humain, les IAG ne connaissent pas la fatigue, ils n’ont pas de besoins biologiques et ils peuvent apprendre et traiter l’information en continu à des vitesses inimaginables. La perspective de développer des esprits synthétiques capables d’apprendre et de résoudre des problèmes complexes promet de révolutionner et de bouleverser de nombreux secteurs, dans un monde où l’intelligence artificielle continuera d’assumer des tâches que l’on croyait autrefois être l’apanage exclusif de l’intelligence et des capacités cognitives humaines.

Imaginez une voiture autonome pilotée par une IAG. Elle pourrait non seulement aller chercher un passager à l’aéroport et parcourir des routes inconnues, mais elle pourrait également adapter sa conversation en temps réel. Elle pourrait répondre à des questions sur la culture et la géographie locales, et même personnaliser ces réponses en fonction des centres d’intérêt du passager. Elle pourrait suggérer un restaurant en fonction des préférences du passager et de la popularité actuelle dudit restaurant. Si un passager avait déjà voyagé avec cette IAG, elle pourrait utiliser les conversations antérieures pour personnaliser davantage l’expérience, et même lui recommander des activités qu’il avait appréciées lors d’un voyage précédent.

Les systèmes d’IA comme LaMDA et GPT-3 excellent dans la génération de texte de qualité humaine, la réalisation de tâches spécifiques, la traduction quand il y en a besoin et la création de différents types de contenus créatifs. Bien que ces technologies de grands modèles de langage (LLM) puissent parfois donner cette impression, il est important de comprendre qu’elles ne sont pas les machines pensantes promises par la science-fiction. 

Ces prouesses sont réalisées grâce à une combinaison d’algorithmes sophistiqués, de traitement automatique du langage naturel (NLP) et de principes informatiques. Les LLM comme ChatGPT sont entraînés sur d’énormes quantités de données textuelles, ce qui leur permet de reconnaître des schémas et des relations statistiques dans le langage. Les techniques de NLP les aident à analyser les nuances du langage humain, notamment la grammaire, la syntaxe et le contexte. En utilisant des algorithmes d’IA et des méthodes informatiques complexes, ces systèmes d’IA peuvent ensuite générer des textes à tonalité humaine, traduire des langues avec une précision impressionnante et produire un contenu créatif imitant différents styles.

L’IA d’aujourd’hui, notamment l’IA générative, est souvent qualifiée d’IA étroite. Elle est très efficace pour passer au crible d’énormes jeux de données, et identifier des schémas, automatiser les workflows et générer du texte de qualité humaine. Cependant, ces systèmes ne sont pas dotés d’une compréhension réelle et ne peuvent pas s’adapter à des situations non apprises pendant leur entraînement. Ce fossé met en évidence la grande différence entre l’IA actuelle et le potentiel de l’IAG.

Si les avancées sont prometteuses, le passage d’une IA faible à une véritable IAG constitue un défi énorme. Les chercheurs explorent activement la conscience artificielle, les capacités globales de résolution des problèmes et le raisonnement de bon sens des machines. Bien que les délais de développement d’une véritable IAG restent incertains, les organisations peuvent préparer leur infrastructure technologique à gérer ces progrès futurs en créant dès aujourd’hui une infrastructure solide axée sur les données. 

La nature théorique de l’IAG complique l’identification précise de la pile technologique dont les organisations auront besoin. Toutefois, si l’IAG est développée à partir de composants de base similaires à ceux de l’IA étroite, certains outils et technologies existants seront probablement essentiels à son adoption.

La nature exacte de l’intelligence générale dans l’IAG reste un sujet de débat parmi les chercheurs en IA. Certains, comme Goertzel et Pennachin, suggèrent que l’IAG posséderait des capacités de compréhension et de maîtrise de soi. Microsoft et OpenAI affirment que les capacités de GPT-4 sont étonnamment proches des performances humaines. La plupart des experts le classent comme un modèle d’IA puissant, mais tout de même étroit.

Les progrès actuels de l’IA démontrent des capacités impressionnantes dans certains domaines. Les voitures autonomes excellent dans la conduite sur les routes et les superordinateurs comme IBM Watson peuvent analyser de vastes quantités de données. Quoi qu’il en soit, il s’agit toujours d’exemples d’IA étroites. Ces systèmes excellent dans leurs domaines spécifiques, mais ne disposent pas des compétences générales de résolution de problèmes que l’on imagine pour l’IAG.

Quoi qu’il en soit, compte tenu du large éventail de prévisions concernant l’arrivée de l’IAG, entre 2030 et 2050 et au-delà, il est essentiel de gérer les attentes et de commencer par s’appuyer sur la valeur des applications d’IA actuelles. Même si les dirigeants ont quelques réserves quant aux avantages de l’IA actuelle, les organisations investissent activement dans le déploiement de l’IA générative, augmentant considérablement les budgets, élargissant les cas d’utilisation et faisant passer les projets de l’expérimentation à la production.

Selon Andreessen Horowitz, en 2023, les dépenses moyennes pour les interfaces de programmation d’applications (API) des modèles de fondation, l’auto-hébergement et le réglage fin des modèles atteignaient 7 millions de dollars dans les entreprises sondées. Presque toutes les personnes interrogées ont fait état des résultats prometteurs de leurs expériences avec l’IA générative et prévoient d’augmenter leurs dépenses en 2024 pour soutenir les workloads de production. Il est intéressant de noter qu’en 2024, on observe un changement dans le financement à travers les postes budgétaires liés aux logiciels : moins de dirigeants allouent des budgets provenant des fonds d’innovation, laissant entendre que l’IA générative devient rapidement une technologie essentielle. 

À une échelle plus réduite, certaines organisations réaffectent les budgets dédiés à l’IA générative en faisant des économies sur les effectifs, notamment dans le service client. Une organisation a déclaré économiser environ 6 USD par appel grâce à son système de service client alimenté par un LLM, se traduisant par une réduction des coûts de 90 %, une justification importante des investissements dans l’IA générative.

Au-delà des économies réalisées, les entreprises recherchent des moyens concrets de mesurer le retour sur investissement (ROI) de l’IA générative, en se concentrant sur des facteurs tels que la génération de revenus, les économies financières, les gains d’efficacité et les améliorations en termes de précision, selon le cas d’utilisation. L’une des principales tendances est l’adoption de plusieurs modèles en production. Comme son nom l’indique, cette approche multimodèle implique l’utilisation conjointe de plusieurs modèles d’IA : il s’agit de combiner leurs points forts et d’améliorer l’ensemble des résultats. Cette approche permet également d’adapter les solutions à des cas d’utilisation spécifiques, d’éviter l’enfermement propriétaire et de tirer parti des avancées rapides dans le domaine.

46 % des personnes interrogées en 2024 ont montré une préférence pour les modèles open source. Si le coût n’est pas la motivation principale, cela reflète une conviction croissante selon laquelle la valeur créée par l’IA générative l’emporte sur son prix. Cela montre que les dirigeants reconnaissent de plus en plus que des réponses précises en valent la peine. 

Les entreprises montrent toujours de l’intérêt pour la personnalisation des modèles, mais avec l’essor de modèles open source de haute qualité, la plupart choisissent de ne pas entraîner les LLM à partir de zéro. Au lieu de cela, elles utilisent la génération augmentée de récupération ou elles affinent des modèles open source pour répondre à leurs besoins spécifiques.

La majorité (72 %) des entreprises qui font appel à des API pour accéder aux modèles utilisent des modèles hébergés par leurs fournisseurs de services cloud. De même, les applications qui ne s’appuient pas uniquement sur un LLM pour la génération de texte, mais qui l’intègrent à d’autres technologies pour créer une solution complète et réellement repenser les workflows d’entreprise et l’utilisation des données propriétaires enregistrent une forte performance sur le marché.

Deloitte a étudié la valeur des résultats créés par l’IA générative en menant une enquête auprès de plus de 2 800 chefs d’entreprise. Voici quelques domaines dans lesquels les organisations observent un retour sur investissement :

• Texte (83 %) : l’IA générative permet d’automatiser des tâches telles que la rédaction de rapports, la synthèse de documents et la génération de textes marketing.
• Code (62 %) : l’IA générative aide les développeurs à écrire du code plus efficacement et avec moins d’erreurs.
• Audio (56 %) : les centres d’appel basés sur l’IA générative avec des capacités audio réalistes aident les clients et les employés.
• Image (55 %) : l’IA générative peut simuler l’intégration visuelle d’un produit dans l’environnement d’un client ou reconstituer les lieux d’un accident pour évaluer les demandes d’indemnisation et les responsabilités.
• Autres domaines potentiels : la génération vidéo (36 %) et la génération de modèles 3D (26 %) peuvent créer des supports marketing, des rendus virtuels et des maquettes de produits.

Le déficit de compétences dans le domaine du développement de l’IA générative constitue un obstacle important. Les startups proposant des outils qui simplifient le développement de l’IA générative en interne verront probablement une adoption plus rapide en raison de la difficulté d’acquérir les bons talents au sein des entreprises.

Bien que l’IAG promette une autonomie allant bien au-delà de celle de l’IA générative, même les systèmes les plus avancés nécessiteront toujours une expertise humaine pour fonctionner efficacement. La constitution d’une équipe interne avec des compétences en IA, en apprentissage profond, en machine learning (ML) et en science des données serait une démarche stratégique. Plus important encore, quelle que soit la nature de l’IA (faible ou forte), les data scientists, les ingénieurs en IA, les informaticiens et les spécialistes en ML jouent un rôle essentiel dans le développement et le déploiement de ces systèmes.

Ces domaines d’utilisation continueront évidemment d’évoluer avec les progrès de l’IA. Mais en se concentrant sur ces domaines essentiels, les organisations pourront se positionner pour exploiter la puissance des avancées de l’IA à mesure qu’elles s'offriront à elles.

Si l’IA a connu des avancées significatives ces dernières années, il existe encore des obstacles importants à surmonter pour parvenir à une véritable IAG, c’est-à-dire à des machines dotées d’une intelligence de niveau humain. Voici sept compétences critiques qui font défaut à l’IA actuelle et que l’IAG devra maîtriser :

1. Perception visuelle : la vision par ordinateur a fait beaucoup de chemin en matière de reconnaissance faciale et de détection d’objets, mais elle est bien loin des capacités humaines. Les systèmes d’IA actuels ont du mal à gérer le contexte, la couleur et à comprendre comment réagir face à des objets partiellement cachés. 

• Perception audio : l’IA a fait des progrès en reconnaissance vocale, mais elle ne peut pas comprendre les accents, le sarcasme et d’autres tons émotionnels de manière fiable. Elle a également du mal à filtrer les bruits de fond sans importance et à comprendre les expressions non verbales, comme les soupirs, les rires ou les changements de volume. 

• Compétences motrices fines : il sera probablement possible d’associer les logiciels d’IAG à du matériel robotique. Dans ce cas, l’IAG devra être capable de tenir des objets fragiles, de manipuler des outils dans des environnements réels et de s’adapter rapidement à de nouvelles tâches physiques. 

• Résolution de problèmes : une IA faible excelle dans la résolution de problèmes spécifiques et bien définis, mais l’IAG devra résoudre les problèmes comme le ferait un être humain, en faisant preuve de raisonnement et d’esprit critique. L’IAG devra savoir gérer les incertitudes et prendre des décisions en se basant sur des informations incomplètes. 

• Navigation : les voitures autonomes sont dotées de capacités impressionnantes, mais conduire comme un humain nécessite une adaptation immédiate aux environnements complexes. Les humains peuvent facilement conduire dans des rues encombrées, sur des terrains accidentés et dans des environnements changeants. 

• Créativité : bien que l’IA puisse générer des formats de texte créatifs dans une certaine mesure, la véritable créativité implique originalité et nouveauté. Créer de nouvelles idées, de nouveaux concepts ou de nouvelles solutions, c’est l’apanage de la créativité humaine.

• Engagement social et émotionnel : l’intelligence humaine est profondément liée à nos capacités sociales et émotionnelles. L’IAG devra reconnaître et comprendre les émotions, notamment en interprétant les expressions faciales, le langage corporel et le ton de la voix. Pour répondre de manière appropriée aux émotions détectées, l’IAG devra adapter sa communication et son comportement à l’état émotionnel de ses interlocuteurs.

Cependant, une fois que l’IAG théorique aura atteint les objectifs susmentionnés pour devenir une véritable IAG, ses applications potentielles seront vastes. Voici comment l’IAG pourrait révolutionner divers secteurs :

Centre de support

Imaginez un système de service client alimenté par l’IAG. Il accéderait à une vaste quantité de données sur les clients et les combinerait avec des analyses en temps réel pour un service efficace et personnalisé. En créant un profil client complet (données démographiques, expériences passées, besoins et habitudes d’achat), l’IAG pourrait anticiper les problèmes, adapter ses réponses, suggérer des solutions et même prévoir des questions de suivi.

Exemple : imaginez la meilleure expérience de service client que vous ayez jamais eue. L’IAG pourra la proposer grâce à un système de perception qui anticipe les problèmes potentiels, qui utilise l’analyse du ton pour mieux comprendre l’humeur du client et qui possède une mémoire le rendant capable de se souvenir des moindres détails des résolutions passées. En comprenant les subtilités du langage humain, l’IAG pourra avoir des conversations élaborées, s’attaquer à des problèmes complexes et gérer les étapes de dépannage. En outre, son intelligence émotionnelle lui permettra d’adapter la communication pour faire preuve d’empathie et montrer son soutien, créant ainsi une interaction plus positive pour le client.

Intelligence du codage

Au-delà de l’analyse du code, l’IAG saisira la logique et l’objectif des bases de code existantes, suggérant des améliorations et générant un nouveau code sur la base de spécifications humaines. L’IAG peut stimuler la productivité en fournissant une compréhension codée en dur de l’architecture, des dépendances et de l’historique des modifications.

Exemple : pour créer une fonctionnalité e-commerce, un programmeur pourrait dire à l’IAG : « J’ai besoin d’une fonction pour calculer les coûts d’expédition en fonction de la localisation géographique, du poids et du mode de livraison. » L’IAG analyse le code pertinent, génère une fonction préliminaire avec des commentaires expliquant sa logique et laisse au programmeur le soin de la réviser, de l’optimiser et de l’intégrer.

Navigation, exploration et systèmes autonomes

Les voitures et les systèmes autonomes actuels reposent en grande partie sur des cartes et des capteurs préprogrammés. L’IAG ne se contenterait pas de discerner son environnement, elle le comprendrait. Elle pourrait analyser les données provenant des caméras, du LiDAR et des autres capteurs en temps réel pour identifier des objets, évaluer les risques et anticiper les changements environnementaux tels que les événements météorologiques soudains ou les obstacles inattendus. Contrairement aux systèmes actuels dont les options de réponse sont limitées, l’IAG pourrait prendre des décisions complexes en temps réel.

Elle pourrait prendre en compte plusieurs facteurs comme la circulation, les conditions météorologiques et même les dangers potentiels au-delà de la portée immédiate des capteurs. Les systèmes alimentés par l’IAG ne se limiteraient pas aux itinéraires préprogrammés. Ils pourraient apprendre de leur expérience, s’adapter aux nouvelles situations et même s’aventurer sur des chemins inexplorés. Imaginez des véhicules d’exploration autonomes parcourant des systèmes de souterrains complexes ou des drones apportant leur aide aux missions de recherche et de secours dans des environnements changeants.

Exemple : une voiture autonome alimentée par l’IAG se retrouve dans un embouteillage inattendu sur son itinéraire habituel. Au lieu de suivre de manière rigide des instructions préprogrammées, l’IAG analyse les données de trafic en temps réel des autres véhicules connectés. Elle identifie ensuite des itinéraires alternatifs, en tenant compte de facteurs tels que la distance, le temps de trajet estimé et les dangers potentiels tels que les zones de travaux. Enfin, elle choisit l’itinéraire le plus efficace et le plus sûr en temps réel, veillant à ce que les passagers soient informés et rassurés tout au long du parcours.

Soins de santé

La grande quantité de données médicales générées aujourd’hui reste en grande partie inexploitée. L’IAG pourrait analyser les images médicales, les dossiers des patients et les données génétiques pour identifier des schémas subtils susceptibles d’échapper à l’attention humaine. En analysant les données historiques et les tendances médicales, l’IAG pourrait prédire le risque potentiel spécifique d’un patient de développer certaines maladies. L’IAG pourrait également analyser le profil génétique et les antécédents médicaux d’un patient pour adapter ses plans de traitement. Cette approche personnalisée pourrait conduire à des traitements plus efficaces avec moins d’effets secondaires.

Exemple : un patient consulte un médecin parce qu’il a des symptômes préoccupants. Le médecin charge les antécédents médicaux et les résultats des tests récents du patient dans un système d’analyse médicale alimenté par l’IAG. L’IAG analyse les données et identifie une mutation génétique rare liée à une maladie spécifique. Ces informations sont cruciales pour le médecin, car elles permettent un diagnostic plus ciblé et un plan de traitement personnalisé, améliorant ainsi potentiellement l’état de santé du patient.

Éducation

Imaginez un tuteur alimenté par l’IAG qui ne se contente pas de présenter les informations, mais qui personnalise le parcours d’apprentissage. L’AGI pourrait analyser les performances, le style d’apprentissage et les lacunes d’un étudiant afin de créer un parcours d’apprentissage personnalisé. Il ne traiterait pas tous les étudiants de la même manière. L’IAG pourrait ajuster le rythme et la difficulté du contenu en temps réel en fonction de la compréhension de l’étudiant. L’étudiant a du mal à comprendre un concept ? L’IAG fournit d’autres explications et exemples. L’étudiant maîtrise le sujet ? L’IAG peut introduire des informations plus avancées. L’IAG pourrait aller au-delà des cours magistraux et des manuels scolaires. Elle pourrait créer des simulations interactives, des exercices personnalisés et même des expériences d’apprentissage ludiques pour maintenir l’intérêt et la motivation des étudiants.

Exemple : un étudiant a du mal à comprendre un concept mathématique complexe. Le tuteur alimenté par l’IAG détecte le problème et adapte son approche. Au lieu de faire un cours magistral, il présente le concept visuellement à l’aide de simulations interactives et le décompose en étapes plus petites et plus faciles à digérer. L’étudiant s’entraîne avec des exercices personnalisés adaptés à ses lacunes spécifiques et l’IAG lui donne un retour et l’encourage tout au long du processus.

Gestion de la fabrication et de la chaîne d’approvisionnement

L’IAG pourrait révolutionner le secteur manufacturier en optimisant chaque étape du processus de fabrication. En analysant les vastes quantités de données des capteurs de la chaîne de production à la recherche des goulots d’étranglement, l’IAG pourrait recommander des ajustements aux paramètres des machines et optimiser les calendriers de production en temps réel pour une efficacité maximale. L’analyse des données historiques et des relevés de capteurs pourrait permettre à l’AGI de prévoir les pannes avant qu’elles ne surviennent. Cette approche proactive permettrait d’éviter des temps d’arrêt coûteux et de garantir des opérations sans heurts. En gérant des réseaux logistiques complexes en temps réel, l’IAG pourrait optimiser les itinéraires de livraison, prévoir les retards potentiels et ajuster les niveaux de stock pour garantir une livraison juste-à-temps, minimisant par la même le gaspillage et les coûts de stockage.

Exemple : imaginez qu’un système d’IAG surveille une chaîne de montage d’usine. Il détecte une légère vibration dans une machine critique, indiquant une usure potentielle. L’IAG analyse les données historiques et prédit une possible panne dans les prochaines 24 heures. Elle alerte le personnel de maintenance, qui peut résoudre le problème de manière proactive avant qu’il ne perturbe la production. Cela permet des opérations fluides et efficaces, évitant ainsi les temps d’arrêt coûteux.

Services financiers

L’IAG pourrait révolutionner l’analyse financière en allant au-delà des méthodes traditionnelles. L’IAG pourrait analyser de vastes jeux de données englobant les actualités financières, les sentiments sur les réseaux sociaux et même l’imagerie satellite pour identifier les tendances complexes du marché et les perturbations potentielles qui pourraient passer inaperçues pour les analystes humains. Des startups et des institutions financières travaillent déjà sur des versions limitées de ces technologies et les utilisent déjà.

Étant capable de traiter de grandes quantités de données historiques, l’IAG pourrait créer des modèles financiers encore plus précis pour évaluer les risques et prendre des décisions plus éclairées en matière d’investissement. L’IAG pourrait développer et exécuter des algorithmes de trading complexes qui tiennent compte des données de marché, des actualités en temps réel et des sentiments sur les réseaux sociaux. Cependant, une supervision humaine resterait cruciale pour la prise de décision finale, et pour des raisons éthiques.

Exemple : un fonds spéculatif utilise un système d’IAG pour analyser les marchés financiers. L’IAG détecte un changement subtil des sentiments sur les réseaux sociaux à l’égard d’un secteur spécifique et identifie un ralentissement potentiel. Elle analyse les données historiques et les actualités, confirmant une éventuelle correction du marché. Grâce à ces informations, le gestionnaire du fonds peut prendre des décisions éclairées pour ajuster son portefeuille et atténuer les risques.

Recherche et développement

L’IAG pourrait analyser de vastes jeux de données et la littérature scientifique, formuler de nouvelles hypothèses et concevoir des expériences à une échelle sans précédent, accélérant ainsi les percées scientifiques dans divers domaines. Imaginez un partenaire scientifique capable d’examiner des données et de générer des idées révolutionnaires, qui analyserait la littérature et de vastes ensembles de données scientifiques pour identifier les schémas et les liens subtils qui pourraient échapper aux chercheurs humains. Cela pourrait conduire à des hypothèses et à des pistes de recherche entièrement nouvelles.

En simulant des systèmes complexes et en analysant de vastes quantités de données, l’IAG pourrait concevoir des expériences sophistiquées à une échelle sans précédent. Cela permettrait aux scientifiques de tester des hypothèses plus efficacement et d’explorer des pistes de recherche jusqu’alors inimaginables. L’IAG pourrait travailler sans relâche, aidant les chercheurs à passer les données au crible, à gérer des simulations complexes et à suggérer de nouvelles orientations de recherche. Cette collaboration accélérerait considérablement le rythme des avancées scientifiques.

Exemple: une équipe d’astrophysiciens étudie la formation des galaxies dans l’univers primitif. L’IAG analyse de vastes jeux de données provenant de télescopes et de simulations. Elle identifie une corrélation jusqu’alors négligée entre la distribution de la matière noire et la formation des amas d’étoiles. Sur cette base, l’IAG propose une nouvelle hypothèse sur la formation des galaxies et suggère une série de simulations innovantes pour tester sa validité. Ces nouvelles connaissances ouvrent la voie à une compréhension plus approfondie des origines de l’univers.

L’IAG serait une technologie à fort impact qui transformerait pour toujours les opérations des secteurs tels que la santé ou la fabrication. Les grandes entreprises technologiques et les laboratoires de recherche investissent des ressources dans son développement, et diverses écoles de pensée s’attaquent aux différents aspects de la création d’une intelligence véritablement humaine pour les machines. Voici quelques domaines d’exploration importants :

1. IA symbolique : cette approche se focalise sur la création de systèmes qui manipulent les symboles et la logique pour représenter les connaissances et le raisonnement. Elle vise à créer un système capable de comprendre et de résoudre les problèmes en suivant des règles, fonctionnant de manière similaire à la logique humaine.

• IA connexionniste (réseaux de neurones artificiels) : cette approche s’inspire de la structure et du fonctionnement du cerveau humain. Elle implique la création de réseaux de neurones dotés de nœuds interconnectés pour apprendre et traiter les informations basées sur de grandes quantités de données.

• Conscience artificielle : ce domaine s’attache à doter les machines d’une expérience subjective et d’une conscience d’elles-mêmes. Bien qu’il s’agisse d’un concept hautement théorique, il pourrait s’agir d’un composant clé d’une véritable intelligence.

• Émulation complète du cerveau : cette approche ambitieuse vise à créer une simulation informatique détaillée d’un cerveau biologique. En théorie, la conscience et l’intelligence pourraient émerger au sein de la simulation en copiant la structure et la fonction du cerveau humain.

• L’IA incarnée et la cognition incarnée : cette approche se concentre sur le rôle que jouent le corps physique d’un agent et ses interactions avec l’environnement dans la formation de l’intelligence. L’idée, c’est que la véritable intelligence exige qu’un agent fasse l’expérience du monde et en tire des enseignements par l’intermédiaire d’un corps physique.

Les recherches en IAG sont un domaine en constante évolution. Ce ne sont là que quelques-unes des approches qui ont été explorées. C’est sans doute une combinaison de ces techniques ou des approches entièrement nouvelles qui conduiront à terme à l’avènement de l’IAG.

L’IAG n’est peut-être pour l’instant que de la science-fiction, mais les organisations peuvent se préparer à l’avenir en élaborant une stratégie d’IA d’entreprise avec IBM watsonx, un portefeuille de produits d’IA qui accélère l’impact de l’IA générative dans les workflows de base pour stimuler la productivité. Exploitez des données fiables pour entraîner, valider, régler et déployer vos modèles afin d’étendre l’utilisation de l’IA et d’accélérer son impact à l’échelle de l’entreprise.