L'intelligence artificielle (IA) est la branche de l'informatique qui s'intéresse à la construction de machines et de logiciels capables d'effectuer des tâches qui, lorsqu'elles sont réalisées par des humains, sont considérées comme nécessitant de l'intelligence, comme percevoir l'environnement, comprendre le langage, résoudre des problèmes et prendre des décisions. Le domaine couvre un large éventail d'approches, allant des systèmes basés sur des règles qui encodent directement l'expertise humaine aux modèles statistiques qui apprennent des comportements à partir de données.
Le terme a été inventé pour un atelier de 1956 et décrit depuis une série changeante de techniques, se développant et se contractant dans l'attention publique à travers des cycles de battage médiatique et de déception.
Histoire
Le moment fondateur du domaine est généralement daté de l'atelier de Dartmouth de 1956, organisé par John McCarthy, qui a inventé le terme « intelligence artificielle » pour la proposition. Les premières recherches en IA mettaient l'accent sur l'IA symbolique : logique, recherche et règles codées à la main. Cette approche a produit des succès précoces tels que les démonstrateurs de théorèmes et, plus tard, les systèmes experts commerciaux dans les années 1980, mais elle a eu du mal avec des tâches qui résistaient à des règles explicites, comme la vision et le langage. Les financements ont chuté après des revers et des attentes gonflées, produisant ce que les chercheurs appellent un hiver de l'IA, notamment après un rapport critique du gouvernement britannique en 1973 et de nouveau à la fin des années 1980 lorsque les systèmes experts n'ont pas réussi à passer à l'échelle.
Une ligne de travail parallèle, initialement marginale, a poursuivi des méthodes statistiques et connexionnistes. Le Perceptron (1958) modélisait un neurone entraînable unique, mais ses limitations documentées ont contribué au premier hiver de l'IA. L'intérêt a repris dans les années 1980 et, de manière décisive, en 2012, lorsqu'un réseau convolutionnel profond appelé AlexNet a surpassé de manière spectaculaire les méthodes précédentes sur un benchmark majeur de reconnaissance d'images, un résultat largement crédité d'avoir lancé l'ère moderne du apprentissage profond. L'utilisation d'unités de traitement graphique (GPU) pour accélérer les réseaux neuronaux a été un facteur clé de cette percée.
L'apprentissage profond a mûri au cours des années 2010 avec des progrès dans la vision, la parole et le traitement du langage. L'architecture Transformer (architecture) de 2017 a permis l'entraînement de modèles beaucoup plus grands sur du texte, culminant dans le paradigme du grand modèle de langage. Le lancement de ChatGPT en novembre 2022 a rendu l'IA conversationnelle largement accessible et a déclenché une vague d'investissements et d'attention publique souvent appelée le boom de l'IA.
Approches
La recherche en IA est souvent divisée entre les approches symboliques, qui manipulent des représentations explicites de la connaissance, et les approches connexionnistes ou statistiques, qui apprennent des représentations implicites à partir de données. L'apprentissage automatique est le paradigme moderne dominant, englobant l'apprentissage supervisé, non supervisé et par renforcement. Les approches hybrides, combinant des composants appris avec un raisonnement symbolique ou une recherche, restent une direction de recherche active, en particulier pour les tâches nécessitant une inférence logique fiable.
Les objectifs traditionnels de la recherche en IA incluent l'apprentissage, le raisonnement, la représentation des connaissances, la planification, le traitement du langage naturel et la perception, ainsi que le soutien à la robotique. Les techniques incluent la recherche dans l'espace d'états, l'optimisation mathématique, la logique formelle, les réseaux neuronaux artificiels et des méthodes issues des statistiques, de la recherche opérationnelle et de l'économie. L'IA s'appuie également sur la psychologie, la linguistique, la philosophie et les neurosciences.
Applications et impact
Les systèmes d'IA sont déployés dans la recherche, la traduction, la recommandation, le diagnostic médical, la recherche scientifique comme la prédiction de la structure des protéines, les véhicules autonomes, et de plus en plus comme assistants polyvalents et outils de codage. L'essor des systèmes agent IA capables depuis 2024, qui combinent des modèles de langage avec l'utilisation d'outils et une planification en plusieurs étapes, a étendu l'IA de la réponse à des questions à l'accomplissement de tâches de manière indépendante.
Les applications de premier plan incluent les moteurs de recherche web avancés, les chatbots, les assistants virtuels, les véhicules autonomes, le jeu et l'analyse dans les jeux de stratégie (par exemple, les échecs et le go), et la génération de contenu (par exemple, texte, images, audio et vidéos).
Débats
Des débats de longue date concernent la question de savoir si les techniques actuelles peuvent mener à l'intelligence artificielle générale, un système avec une compétence de niveau humain dans pratiquement toutes les tâches cognitives, et quels risques de tels systèmes pourraient poser. L'article de 1950 d'Alan Turing proposait un test opérationnel pour l'intelligence machine, maintenant connu sous le nom de test de Turing, bien que son adéquation comme référence soit largement contestée. Les critiques soutiennent que la génération de texte fluide n'implique pas la compréhension, tandis que les partisans pointent vers des capacités émergentes comme preuve de progrès réels vers l'intelligence générale.
Certaines entreprises, comme OpenAI, Google DeepMind et Meta (AI research), visent à créer l'AGI. Les préoccupations éthiques, les effets à long terme de l'IA, les effets environnementaux et les risques existentiels potentiels ont suscité des discussions sur la réglementation de l'IA.
Développements récents
En 2024, les modèles de raisonnement, un type de grand modèle de langage entraîné à générer des chaînes de pensée intermédiaires, ont émergé et ont permis une meilleure performance sur des problèmes complexes en mathématiques et en codage. Ces modèles peuvent produire des sorties incorrectes ou des « hallucinations », contrairement aux systèmes de raisonnement symbolique. Le boom de l'IA dans les années 2020 a coïncidé avec les avancées dans l'IA générative, qui s'est généralisée et a permis la création et la modification de médias. En plus de la sécurité de l'IA et des conséquences et préjudices involontaires découlant de l'utilisation de l'IA, les préoccupations éthiques, les effets à long terme de l'IA, les effets environnementaux et les risques existentiels potentiels ont suscité des discussions sur la réglementation de l'IA.