Qu’est-ce que l’IA forte ?

Test de Turing

Alan Turing a développé le test de Turing en 1950 et en a parlé dans son article, « Computing Machinery and Intelligence » (lien externe à ibm.com). Connu à l’origine sous le nom d'Imitation Game (jeu des imitations), le test évalue si le comportement d’une machine peut être distingué de celui d’un humain. Dans ce test, il y a une personne connue sous le nom d'« interrogateur » qui cherche à identifier une différence entre les productions générées par ordinateur et les sorties générées par l’homme à travers une série de questions. S'il ne peut pas discerner de manière fiable les machines des sujets humains, la machine réussit le test. Toutefois, s'il peut identifier avec précision les réponses humaines, il ne pourra pas qualifier la machine 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.

Chinese Room Argument (CRA)

Le Chinese Room Argument a été créé par John Searle en 1980. Dans son rapport, il aborde la définition de la compréhension et de la pensée, affirmant que les ordinateurs ne seront jamais en mesure de le faire. Dans cet extrait, publié sur le site de Stanford (lien externe à ibm.com), 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.

Bien que la personne à l’intérieur de la pièce ait pu fournir la réponse correcte à l’aide d’un vocabulaire, elle ne parle toujours pas ou ne comprend pas le chinois ; il s’agissait simplement d’une simulation de la compréhension en faisant correspondre la question ou les déclarations avec les réponses appropriées. M. Searle affirme qu’une IA forte nécessiterait un véritable esprit pour en être consciente ou capable de comprendre. Le Chinese Room Argument illustre les failles du test de Turing, démontrant des différences 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 éventuellement à résoudre de nouveaux problèmes. Une IA faible s’appuie sur l’interférence humaine pour définir les paramètres de ses algorithmes d’apprentissage et fournir les données d’entraînement pertinentes pour garantir la précision. Bien que l'intervention humaine accélère la phase de croissance de l'IA forte, elle n'est pas nécessaire et, avec le temps, elle développe une conscience semblable à celle de l'homme au lieu de la simuler, comme c'est le cas pour l'IA faible. Les voitures autonomes et les assistants virtuels comme Siri sont des exemples d’IA faible.  

Bien qu’il n’existe pas d’exemple clair d’ intelligence artificielle forte, le domaine de l’IA innove rapidement.  Une autre théorie de 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 nous n’avons pas encore réussi à obtenir des exemples d’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 d’informatique s’améliorent déjà de plus en plus 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 (lien externe à ibm.com),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 l’interconnexion du cerveau humain à l’aide de réseaux neuronaux. Ses réseaux sont constitués de couches de modèles, qui identifient les modèles au sein d’un jeu de données donné. Ils exploitent un volume élevé de données d’entraînement pour apprendre avec précision, ce qui nécessite par la suite du matériel plus puissant, tel que des GPU ou des GPU. Les algorithmes d'apprentissage profond sont les plus étroitement associés à l’IA ayant un niveau proche de celui d'un être humain.    

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 étaient réalisables. Cependant, les voitures autonomes nécessitent plus de données d’entraînement et de tests en raison des diverses activités qu’elles doivent prendre en compte, telles que l’octroi de la priorité ou l’identification des débris sur la route. Au fur et à mesure que la technologie mûrit, elle devra surmonter l’obstacle humain de l’adoption, car les sondages indiquent que de nombreux conducteurs ne sont pas disposés à l’utiliser.
• Reconnaissance vocale : la reconnaissance vocale, comme les chatbots 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 difficultés d'élocution et d'autres influences peuvent compliquer la tâche de l'IA qui doit convertir les données en quelque chose que l'ordinateur peut utiliser.
• Reconnaissance des modèles : l’utilisation de réseaux neuronaux améliore la reconnaissance des modèles dans diverses applications. En découvrant des modèles de points de données utiles, l’IA peut filtrer les informations non pertinentes, créer des corrélations utiles et améliorer l’efficacité du calcul du big data, un défi que les êtres humains peuvent généralement négliger.
• Programmation informatique : l'IA faible a réussi à produire des textes significatifs, ce qui a permis de faire 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, ce qui permet d'automatiser le développement des programmes.
• Reconnaissance des images : la catégorisation des images peut être chronophage lorsqu’elle est effectuée manuellement. Cependant, des adaptations spéciales des réseaux neuronaux profonds, telles que DenseNet, qui connecte chaque couche à toutes les autres couches du réseau neuronal, ont permis d'améliorer considérablement la précision de la reconnaissance d'images.
• Recommandations contextuelles : les applications d'apprentissage profond peuvent tenir beaucoup plus de contexte lorsqu’elles font des recommandations, notamment des modèles de compréhension du langage 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.