Accueil
Thèmes
strong ai
L'intelligence artificielle (IA) forte, également connue sous le nom d'intelligence artificielle générale (AGI) ou d'IA générale, est une forme théorique d'IA utilisée pour décrire un certain état d'esprit en matière de développement de l'IA.
Si les chercheurs parviennent à mettre au point une IA forte, la machine devra avoir une intelligence égale à celle de l'homme ; elle sera dotée d'une conscience autonome capable de résoudre des problèmes, d'apprendre et de planifier l'avenir.
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, soient investis dans la création d’une intelligence artificielle générale (IAG), celle-ci n’existe aujourd’hui qu’en tant que concept théorique et non en tant que réalité tangible. Alors que certains individus, comme Marvin Minsky, ont été cités comme étant trop optimistes quant à ce que nous pourrions accomplir en quelques décennies dans le domaine de l’IA, d’autres diraient que des systèmes d’IA puissants ne peuvent même pas être développés. Tant que les mesures du succès, telles que 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.
Découvrez comment exploiter les bases de données adéquates pour les applications, les analyses et l’IA générative.
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.
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 :
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 :
watsonx Assistant est le chatbot IA destiné aux entreprises. Cette technologie d’intelligence artificielle d’entreprise permet aux utilisateurs de créer des solutions d’IA conversationnelle.
IBM watsonx Assistant fournit aux clients des réponses rapides, cohérentes et précises sur n’importe quelle application, unité ou canal.