Qu’est-ce que l’IA forte ?

L’IA forte vise à créer des machines intelligentes impossibles à distinguer de l’esprit humain. Mais tout comme un enfant, la machine à IA devrait apprendre par le biais des entrées et des expériences, en progressant constamment et en améliorant ses capacités au fil du temps.

Bien que les chercheurs en IA, tant dans le milieu universitaire que dans le secteur privé, s’investissent dans la création d’une intelligence artificielle générale (IAG), celle-ci n’existe aujourd’hui qu’en tant que concept théorique et non comme réalité tangible. Si certains, à l’instar de Marvin Minsky, sont connus pour leur optimisme excessif quant à ce que nous pourrions accomplir en quelques décennies dans le domaine de l’IA, d’autres estiment qu’il est même impossible de développer des systèmes d’IA puissants. Quoi qu’il en soit, tant que les mesures du succès comme l’intelligence et la compréhension ne sont pas explicitement définies, cette croyance est fondée. Pour l’instant, beaucoup utilisent le test de Turing pour évaluer l’intelligence d’un système d’IA.

Alan Turing développe le test de Turing en 1950, qu’il décrit dans sa publication « Computing Machinery and Intelligence ». Connu à l’origine sous le nom d’Imitation Game (jeu d’imitation), ce test vise à déterminer si le comportement d’une machine peut être distingué de celui d’un humain. Dans ce test, une personne appelée « interrogateur » cherche à identifier une différence entre les productions générées par ordinateur et les productions humaines à travers une série de questions. Si l’interrogateur de parvient pas à discerner de manière fiable les machines des sujets humains, la machine réussit le test. Toutefois, si l’évaluateur parvient à identifier avec précision les réponses humaines, la machine ne peut pas être qualifiée d’intelligente.

Bien qu'il n'y ait pas de lignes directrices d'évaluation définies pour le test de Turing, M. Turing a spécifié qu'un évaluateur humain n'aurait que 70 % de chances de prédire correctement une conversation générée par un humain après 5 minutes. Le test de Turing a introduit une acceptation générale de l’idée de l’intelligence artificielle.

Cependant, le test de Turing original ne teste qu’un ensemble de compétences : la production de texte ou les échecs, par exemple. L’IA forte doit être capable d’effectuer toute une série de tâches de la même façon ce qui conduit au développement de l’Extended Turing Test. Ce test évalue les performances textuelles, visuelles et auditives de l’IA et les compare à une sortie générée par des humains. Cette version est utilisée dans le célèbre concours Loebner Prize, dans lequel un juge humain doit déterminer si la sortie a été créée par un être humain ou par un ordinateur.

L’expérience de la chambre chinoise est imaginée par John Searle en 1980. Dans sa publication, il aborde la définition de la compréhension et de la pensée, affirmant que les ordinateurs ne seront jamais dotés de ces capacités. Dans cet extrait publié sur le site de Stanford, il résume bien son argument :

« Le calcul est défini de manière purement formelle ou syntaxique, alors que les esprits ont des contenus mentaux ou sémantiques réels, et nous ne pouvons pas passer de la syntaxe à la sémantique simplement en ayant les opérations syntaxiques et rien d’autre… Un système, moi, par exemple, n’acquerrait pas une compréhension du chinois simplement en passant par les étapes d’un programme informatique qui simulerait le comportement d’un locuteur chinois (p. 17). »

Le Chinese Room Argument propose le scénario suivant :

Imaginez qu'une personne, qui ne parle pas chinois, travaille dans une pièce fermée. Dans la pièce, il y a un livre avec des règles, des phrases et des instructions en chinois. Une autre personne, qui parle couramment le chinois, passe des notes rédigées en chinois dans la pièce. À l’aide du vocabulaire linguistique, la personne à l’intérieur de la pièce peut sélectionner la réponse appropriée et la transmettre au locuteur chinois.

Si la personne dans la pièce a pu fournir la réponse correcte à l’aide d’un catalogue de règles, elle ne parle toujours pas chinois ni ne le comprend. La compréhension a pu être simulée par mise en correspondance des questions ou des déclarations avec les réponses appropriées. M. Searle affirme qu’une IA forte nécessiterait un véritable esprit pour être dotée d’une conscience ou de capacités de compréhension. L’expérience de la chambre chinoise illustre les failles du test de Turing, révélant des divergences dans les définitions de l’intelligence artificielle.

L’IA faible, également appelée IA étroite, se concentre sur l’exécution d’une tâche spécifique, comme répondre à des questions sur la base d’une entrée utilisateur ou jouer aux échecs. Elle peut effectuer un type de tâche, mais pas les deux, alors que l’IA forte peut exécuter une variété de fonctions, en apprenant par elle-même à résoudre de nouveaux problèmes au fil du temps. Une IA faible a besoin d’une contribution humaine pour définir les paramètres de ses algorithmes d’apprentissage et lui fournir les données d’entraînement pertinentes pour en garantir la précision. Bien que l’intervention humaine accélère la phase de développement de l’IA forte, elle n’est pas nécessaire et, avec le temps, cette IA développera une conscience semblable à celle de l’homme et ne se contentera plus de la simuler comme le fait l’IA faible. Les voitures autonomes et les assistants virtuels comme Siri sont des exemples d’IA faible.

Bien qu’il n’y ait pas d’exemples clairs d’intelligence artificielle forte, le domaine de l’IA connaît des innovations rapides. Une autre théorie sur l’IA a émergé, connue sous le nom de superintelligence artificielle (ASI), super intelligence ou super IA. Ce type d’IA surpasse l’IA forte en termes d’intelligence et de capacités humaines. Cependant, la super IA reste encore purement spéculative, car pour le moment, nous ne sommes toujours pas parvenus à créer une véritable IA forte.

Cela dit, il y a des domaines où l'IA joue un rôle plus important, comme par exemple :

• La cybersécurité : l’intelligence artificielle occupera plus de rôles dans les mesures de cybersécurité des organisations, notamment la détection des violations, la surveillance, les renseignements sur les menaces, la réponse aux incidents et l’analyse des risques.
  
  
• Le divertissement et la création de contenu : les programmes informatiques s’améliorent déjà dans la production de contenu, qu’il s’agisse de rédaction, de poésie, de jeux vidéo ou même de films. L’application d’IA de génération de texte GBT-3 d’OpenAI crée déjà un contenu presque impossible à distinguer d’un texte écrit par des humains.
  
  
• La reconnaissance comportementale et la prédiction : les algorithmes de prédiction rendront l’IA plus forte, allant des applications dans les prévisions météorologiques et boursières aux prédictions encore plus intéressantes du comportement humain. Cela soulève également des questions autour des préjugés implicites et de l’IA éthique. Certains chercheurs en IA de la communauté de l’IA font pression pour un ensemble de règles anti-discriminatoires, souvent associées au hashtag #responsibleAI.

Les termes intelligence artificielle, machine learning et apprentissage profond sont souvent utilisés dans le mauvais contexte. Ces termes sont fréquemment utilisés pour décrire l’IA forte, et il est donc utile de définir brièvement chacun d’entre eux :

Définie par John McCarthy, l’intelligence artificielle est « la science et l’ingénierie permettant de créer des machines intelligentes, en particulier des programmes informatiques intelligents. Elle s’apparente à l’utilisation d’ordinateurs pour comprendre l’intelligence humaine, mais l’IA ne doit pas se limiter aux méthodes biologiquement observables. »

Le machine learning est un sous-domaine de l'intelligence artificielle. Les modèles de machine learning classiques (non profonds) nécessitent davantage d’intervention humaine pour segmenter les données en categories (c’est-à-dire via l’apprentissage des fonctionnalités).

L’apprentissage profond est également un sous-domaine du machine learning, qui tente d’imiter les interconnexions du cerveau humain à l’aide de réseaux neuronaux. Ses réseaux sont constitués de couches de modèles, qui identifient les schémas au sein d’un jeu de données spécifique. Ils s’appuient sur de grands volumes de données d’entraînement pour apprendre avec précision, ce qui nécessite du matériel plus puissant, tel que des GPU ou des TPU. Les algorithmes d’apprentissage profond sont ceux que l’on associe le plus étroitement à une IA proche de l’intelligence humaine.

Pour en savoir plus sur les différences nuancées entre ces technologies, lisez « AI vs. Machine Learning vs. Deep Learning vs. Neural Networks: What’s the Difference? (IA, machine learning, apprentissage profond et Neural Networks : quelle est la différence ?) »

L'apprentissage profond peut bien gérer les problèmes complexes et, par conséquent, il est aujourd’hui utilisé dans de nombreuses technologies innovantes et émergentes. Les algorithmes d’apprentissage profond ont été appliqués dans de nombreux domaines. Voici quelques exemples :

• Voitures autonomes : Google et Elon Musk nous ont prouvé que les voitures autonomes n’étaient pas de l’ordre de la science-fiction. Cependant, elles nécessitent plus de données d’entraînement et de tests en raison de la multitude d’activités à assimiler, telles que l’octroi de la priorité ou l’identification des débris sur la route. Une fois cette technologie à maturation, elle devra surmonter l’obstacle de l’adoption, car les sondages indiquent que de nombreux conducteurs ne sont pas disposés à l’utiliser.
  
  
• Reconnaissance vocale : la reconnaissance vocale, utilisée par exemple dans les chatbots d’IA et les agents conversationnels, fait partie intégrante du traitement automatique du langage naturel. Les données audio sont beaucoup plus difficiles à traiter pour une IA, car de nombreux facteurs, tels que le bruit de fond, les dialectes, les particularités d’élocution et d’autres aspects peuvent compliquer la tâche de l’IA qui doit convertir les données sous une forme que l’ordinateur peut utiliser.
  
  
• Reconnaissance de formes : l’utilisation de réseaux neuronaux améliore la reconnaissance de formes dans diverses applications. En détectant des schémas de points de données utiles (généralement négligés par les utilisateurs humains), l’IA peut filtrer les informations non pertinentes, faire des corrélations utiles et améliorer l’efficacité des calculs sur le big data.
  
  
• Programmation informatique : l’IA faible s’est montrée capable de produire des textes cohérents, entraînant des progrès dans le domaine du codage. Récemment, OpenAI a publié GPT-3, un logiciel open source capable d’écrire du code et des programmes informatiques simples avec des instructions très limitées, introduisant l’automatisation dans le développement de programmes.
  
  
• Reconnaissance d’images : la catégorisation des images peut être chronophage lorsqu’elle est effectuée manuellement. Cependant, des adaptations spéciales de réseaux neuronaux profonds, telles que DenseNet, qui connecte chaque couche à toutes les autres dans le réseau neuronal, ont permis d’améliorer considérablement la précision de la reconnaissance d’images.
  
  
• Recommandations contextuelles : les applications d’apprentissage profond peuvent prendre en compte beaucoup plus de contexte lorsqu’elles font des recommandations, notamment des schémas de compréhension linguistique et des prédictions comportementales.
  
  
• Vérification des faits : l’Université de Water virtuel a récemment lancé un outil capable de détecter les fausses informations en vérifiant les informations contenues dans les articles en les comparant à d’autres sources d’informations.