En 1956, un petit groupe de scientifiques s’est réuni au Dartmouth College autour d’une affirmation audacieuse : « tous les aspects de l’apprentissage » pourraient, en principe, être simulés par une machine. Ils n’avaient ni ordinateurs assez puissants pour le prouver, ni données pour nourrir leurs idées, ni la moindre idée du chemin qu’il restait à parcourir. Aujourd’hui, ce rêve rédige des e-mails, diagnostique des maladies, conduit des voitures et, à l’occasion, discute avec nous de la météo. Comment sommes-nous passés d’une poignée d’universitaires optimistes à des systèmes qui semblent tenir de vraies conversations ? Et surtout, devrions-nous nous inquiéter de ce qui va suivre ?
Que signifie vraiment « intelligence artificielle » ?
Le terme paraît futuriste, mais il désigne au fond simplement le fait d’amener un ordinateur à accomplir des tâches qui exigent normalement une intelligence humaine : reconnaître un visage, traduire une phrase, ou prédire quel film vous allez aimer. Toutes les IA ne se valent pas, cependant. La plupart de ce qui existe aujourd’hui est appelé « IA étroite » — des systèmes conçus pour accomplir une tâche précise avec une efficacité redoutable, comme jouer aux échecs ou filtrer les courriers indésirables. Le type d’IA capable de raisonner, d’apprendre et de s’adapter à des situations totalement différentes, comme le fait un être humain, s’appelle « IA générale », et elle n’existe pas encore, malgré ce que certains titres laissent parfois entendre.
Cette distinction compte plus qu’il n’y paraît. Un moteur d’échecs capable de battre n’importe quel humain de la planète n’a aucune idée de ce qu’est une tasse de café, et un système qui rédige des dissertations avec fluidité peut échouer sur une tâche qu’un enfant de cinq ans résout sans effort, comme comprendre qu’une photo de céréales dans un bol n’est pas réellement un petit-déjeuner. L’écart entre l’intelligence étroite et l’intelligence générale est précisément là où se logent la plupart des confusions — et aussi une bonne partie du battage médiatique.
Des symboles aux neurones : une brève histoire
Les premiers chercheurs en IA ont tenté d’enseigner aux ordinateurs à l’aide de la logique et de règles, une approche appelée « IA symbolique ». Les programmeurs écrivaient des instructions explicites : si cette condition est vraie, fais ceci. Pendant un temps, cette approche a semblé prometteuse. Les systèmes ainsi construits pouvaient résoudre des problèmes d’algèbre, démontrer des théorèmes mathématiques, voire proposer des diagnostics médicaux de base en suivant de longues chaînes de règles rédigées par des experts humains. Mais cette approche s’est effondrée face au désordre propre à la vie réelle. Le langage, les images et le comportement humain regorgent d’exceptions, de contradictions et de nuances de contexte qu’aucun ensemble de règles ne pourrait jamais saisir entièrement. Les chercheurs ont passé les années 1970 et 1980 à se heurter sans cesse au même mur, et le financement de la recherche en IA s’est asséché si radicalement que les historiens appellent cette période « l’hiver de l’IA ».
La véritable avancée est venue d’une idée totalement différente, inspirée de manière — seulement — approximative du cerveau humain : les réseaux de neurones. Plutôt que de recevoir des règles exactes, ces systèmes apprennent des schémas en examinant d’énormes quantités d’exemples. Montrez à un réseau de neurones des millions de photographies étiquetées « chat » ou « pas chat », et il s’ajustera peu à peu jusqu’à reconnaître des chats qu’il n’a jamais vus auparavant. Le concept lui-même remonte aux années 1950, mais il exigeait trois ingrédients qui, tout simplement, n’existaient pas encore : suffisamment de données numériques pour apprendre, suffisamment de puissance de calcul pour les traiter, et de meilleures techniques mathématiques d’entraînement. Ces trois éléments ont fini par converger dans les années 2010, et des progrès qui avaient avancé au ralenti pendant soixante ans se sont soudain accélérés à un rythme que personne n’avait pleinement anticipé.
Comment cela fonctionne-t-il vraiment ?
À un niveau basique, un réseau de neurones est constitué de couches de « neurones » artificiels, des unités mathématiques simples reliées entre elles. L’information traverse ces couches, et chaque connexion possède un « poids » qui détermine son influence sur le résultat final. Entraîner le réseau consiste à le nourrir de données, à vérifier si sa réponse est correcte, puis à ajuster légèrement les poids chaque fois qu’il se trompe. Répétez ce processus des milliards de fois, avec des ensembles de données colossaux et des puces informatiques puissantes, et le réseau devient peu à peu remarquablement performant dans sa tâche — sans que personne n’ait jamais écrit de règle explicite pour lui expliquer comment faire.
Les grands modèles de langage, la technologie derrière les chatbots modernes, fonctionnent selon un principe similaire, mais ils sont entraînés spécifiquement à prédire le mot suivant dans une phrase. En digérant d’immenses quantités de texte issues de livres, de sites web et d’articles, ils apprennent la grammaire, des faits, et même des schémas de raisonnement — non pas parce qu’on le leur a explicitement enseigné, mais parce que prédire le langage avec précision requiert, du moins d’un point de vue statistique, de le comprendre. Demandez à l’un de ces systèmes d’expliquer une blague, de résumer un contrat ou d’écrire un poème dans un style particulier, et il puisera dans des schémas absorbés à partir d’une quantité presque inimaginable d’écrits humains.
Il faut cependant garder à l’esprit que ces systèmes ne « comprennent » pas le langage comme le font les humains. Ils n’ont jamais goûté de café, ressenti de fatigue, ni craint de ne pas payer leur loyer. Ce qui ressemble à de la compréhension est, à proprement parler, une forme extraordinairement sophistiquée de reconnaissance de motifs — si efficace que, dans la pratique, la différence cesse souvent d’avoir de l’importance, même si, en principe, elle en a énormément.
Là où l’IA façonne déjà votre vie
Bien avant que les chatbots ne deviennent un sujet de conversation à table, l’IA s’était déjà silencieusement installée dans les routines quotidiennes. Les plateformes de streaming l’utilisent pour prédire ce que vous voudrez regarder ensuite. Les banques s’en servent pour repérer les transactions suspectes en quelques millisecondes. Les hôpitaux s’appuient de plus en plus sur elle pour détecter les signes précoces de cancer sur les images médicales, repérant parfois des détails qu’un radiologue humain fatigué pourrait manquer en fin de garde de nuit. Les agriculteurs utilisent des drones guidés par IA pour surveiller la santé des cultures sur d’immenses parcelles. Rien de tout cela n’implique quoi que ce soit qui ressemble à une machine consciente — il s’agit d’IA étroite, accomplissant des tâches étroites, presque toujours de manière invisible.
Cette version discrète et pratique de l’IA a sans doute bien plus de conséquences que les conversations plus spectaculaires sur les chatbots qui dominent les gros titres, précisément parce qu’elle opère à une échelle et une vitesse qu’aucun groupe d’humains ne pourrait égaler, façonnant des décisions liées à la santé, à l’argent et à la sécurité bien avant que la plupart des gens ne remarquent même son arrivée.
Les risques que personne ne peut ignorer
À mesure que les systèmes d’IA gagnent en capacité, les inquiétudes qui les entourent grandissent également. Une préoccupation immédiate concerne les biais : puisque ces systèmes apprennent à partir de données du monde réel, ils peuvent absorber et amplifier des préjugés déjà existants, que ce soit dans les décisions d’embauche, l’octroi de prêts ou la reconnaissance faciale. Un système entraîné principalement sur des données historiques peut finir par reproduire l’injustice historique avec une assurance mathématique qui paraît bien plus objective qu’elle ne l’est réellement.
Une autre inquiétude croissante concerne la désinformation. L’IA peut désormais générer des images, des vidéos et des extraits audio falsifiés extrêmement convaincants, rendant plus difficile que jamais de distinguer le vrai du faux. Une vidéo fabriquée montrant un dirigeant politique dire quelque chose qu’il n’a jamais dit peut se répandre sur internet bien avant que quiconque ne parvienne à la démentir, et la technologie permettant de créer un tel contenu devient sans cesse moins chère et plus accessible.
Des préoccupations économiques existent également. L’automatisation a toujours transformé le marché du travail, mais l’IA gagne désormais des domaines autrefois considérés comme relativement à l’abri des machines, notamment l’écriture, l’illustration et l’analyse financière ou juridique de base. La question de savoir si cela finira par créer de nouveaux types d’emplois ou simplement par supprimer les anciens sans réelle compensation reste vivement débattue parmi les économistes, et la réponse honnête est que, pour l’instant, personne ne le sait avec certitude.
Plus loin encore se profile un risque plus abstrait, mais tout aussi sérieux, parfois appelé le « problème de l’alignement » : que se passe-t-il si nous construisons un système dont les objectifs cessent de correspondre au bien-être humain, et que nous perdons la capacité pratique de le corriger ou de l’arrêter ? Cela ressemble à de la science-fiction, et pour l’instant, ça l’est en grande partie. Mais un nombre surprenant de chercheurs travaillant réellement sur cette technologie prennent la question très au sérieux, précisément parce que les systèmes progressent plus vite que nos outils permettant de les comprendre ou de les contrôler.
Le véritable danger n’est peut-être pas une machine qui se retournerait soudainement contre nous, mais une machine qui poursuivrait simplement le mauvais objectif avec trop de compétence et trop peu de contrôle.
Vivre aux côtés d’un nouveau type d’intelligence
La manière la plus honnête de penser l’intelligence artificielle n’est peut-être pas de la voir comme une invention isolée, mais comme une expérience continue à laquelle nous participons tous, que nous l’ayons choisi ou non. Elle a déjà transformé notre façon de chercher l’information, de communiquer, de travailler, et même de créer de l’art, et il n’existe aucune version réaliste de l’avenir dans laquelle elle disparaîtrait simplement. Les chercheurs de Dartmouth en 1956 auraient difficilement pu imaginer des machines écrivant de la poésie ou tenant des conversations, et pourtant nous y voilà, des décennies en avance sur leurs prédictions les plus optimistes à certains égards, et encore très loin derrière sur d’autres.
Ce qui demeure incertain, ce n’est pas de savoir si l’IA continuera à transformer notre monde — elle le fera, et l’a d’une certaine manière déjà fait —, mais si nous parviendrons à guider ce changement avec sagesse, grâce à des règles claires, une compréhension publique honnête et une attention soutenue à qui en profite et qui n’en profite pas. Ou si nous nous laisserons simplement emporter par lui, découvrant les conséquences seulement après qu’elles se seront déjà produites.