La création de l'article Wikipédia sur l'intelligence artificielle fait référence au premier article encyclopédique sur l'intelligence artificielle, publié sur Wikipédia en anglais en 2001. L'article, intitulé « Intelligence artificielle », offrait un aperçu complet du domaine, définissant l'IA comme la capacité des systèmes computationnels à effectuer des tâches généralement associées à l'intelligence humaine, telles que l'apprentissage, le raisonnement, la résolution de problèmes, la perception et la prise de décision. Il décrivait l'IA comme un domaine de recherche en ingénierie, mathématiques et informatique qui développe des méthodes et des logiciels permettant aux machines de percevoir leur environnement et d'utiliser l'apprentissage et l'intelligence pour prendre des actions qui maximisent les chances d'atteindre des objectifs définis.
L'article décrivait les objectifs traditionnels de la recherche en IA, notamment 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. Il notait que les chercheurs en IA utilisent des techniques telles que la recherche dans l'espace d'états, l'optimisation mathématique, la logique formelle, les réseaux neuronaux artificiels et des méthodes basées sur les statistiques, la recherche opérationnelle et l'économie. L'article reconnaissait également la nature interdisciplinaire de l'IA, qui s'appuie sur la psychologie, la linguistique, la philosophie, les neurosciences et d'autres domaines.
Contexte historique
L'article retraçait les origines de l'IA à sa fondation en tant que discipline académique en 1956. Il décrivait l'histoire du domaine marquée par des cycles d'optimisme suivis de périodes de déception et de perte de financement, connues sous le nom d'hivers de l'IA. L'article notait que le financement et l'intérêt ont considérablement augmenté après 2012, lorsque les unités de traitement graphique (GPU) ont commencé à être utilisées pour accélérer les réseaux neuronaux, et que l'apprentissage profond a surpassé les techniques d'IA précédentes. Cette croissance s'est accélérée davantage après 2017 avec l'introduction de l'architecture de transformeur. Dans les années 2020, un boom de l'IA a coïncidé avec les avancées de l'IA générative, qui s'est généralisée et a permis la création et la modification de médias.
L'article discutait également des applications très médiatisées de l'IA, notamment les moteurs de recherche web avancés, les chatbots, les assistants virtuels, les véhicules autonomes, le jeu et l'analyse dans les jeux de stratégie comme les échecs et le go, ainsi que la génération de contenu pour les images, l'audio et les vidéos. Il mentionnait que certaines entreprises, telles que OpenAI, Google DeepMind et Meta, visent à créer une intelligence artificielle générale (IAG) - une IA capable d'accomplir presque toutes les tâches cognitives au moins aussi bien qu'un humain.
Objectifs de la recherche en IA
L'article décomposait le problème général de la simulation de l'intelligence en sous-problèmes, chacun représentant des traits ou capacités spécifiques que les chercheurs attendent d'un système intelligent. Cela incluait le raisonnement et la résolution de problèmes, la représentation des connaissances, la planification et la prise de décision, l'apprentissage, le traitement du langage naturel, la perception et le soutien à la robotique.
Raisonnement et résolution de problèmes
Les premiers chercheurs ont développé des algorithmes imitant le raisonnement étape par étape utilisé par les humains pour résoudre des énigmes ou faire des déductions logiques. À la fin des années 1980 et dans les années 1990, des méthodes ont été développées pour traiter les informations incertaines ou incomplètes, utilisant des concepts issus des probabilités et de l'économie. Cependant, beaucoup de ces algorithmes étaient insuffisants pour les grands problèmes de raisonnement en raison d'une « explosion combinatoire », où ils deviennent exponentiellement plus lents à mesure que les problèmes grandissent. L'article notait que même les humains utilisent rarement une déduction étape par étape ; ils s'appuient plutôt sur des jugements rapides et intuitifs. Il mentionnait également que les modèles de raisonnement, un type de grand modèle de langage entraîné à générer des chaînes de pensée intermédiaires, ont émergé en 2024 et ont permis d'améliorer les performances sur des problèmes complexes en mathématiques et en programmation, bien qu'ils puissent produire des sorties incorrectes ou des « hallucinations ».
Représentation des connaissances
Les programmes d'IA utilisent les connaissances pour répondre intelligemment aux questions et faire des déductions sur les faits du monde réel. L'article expliquait que la représentation formelle des connaissances et l'ingénierie des connaissances utilisent des symboles pour représenter les mots, les concepts et les choses du monde. Une base de connaissances est un ensemble de connaissances représentées sous une forme utilisable par un programme, et une ontologie est l'ensemble des objets, relations, concepts et propriétés utilisés par un domaine particulier. Les connaissances formelles ont été étudiées en profondeur depuis les années 1970, mais l'approche symbolique fait face à des défis tels que l'ampleur des connaissances de sens commun, la forme sous-symbolique de la plupart des connaissances de sens commun et l'acquisition des connaissances. L'article notait que apprentissage automatique, en particulier avec les grands modèles de langage, ne nécessite pas de connaissances symboliques explicites et acquiert plutôt des connaissances à partir de l'entraînement sur de vastes corpus de texte, résolvant certains de ces problèmes mais ayant du mal avec un rappel précis et un raisonnement valide.
Planification et prise de décision
L'article décrivait un « agent » comme toute entité qui perçoit et agit dans le monde. Un agent rationnel a des objectifs ou des préférences et prend des actions pour les atteindre. Dans la planification automatisée, l'agent a un objectif spécifique ; dans la prise de décision automatisée, il a des préférences et attribue un nombre d'utilité à chaque situation. Pour chaque action possible, il calcule l'utilité attendue, pondérée par la probabilité des résultats, et choisit l'action avec l'utilité attendue maximale. Dans la planification classique, l'agent connaît les effets exacts des actions, mais dans les problèmes du monde réel, il peut faire face à l'incertitude et doit faire des suppositions probabilistes et réévaluer. L'article soulignait l'importance des explications pour les décisions afin de renforcer la confiance, surtout lorsque les décisions sont fiables. Il mentionnait également que les préférences peuvent être incertaines, et les agents peuvent les apprendre en utilisant des méthodes comme l'apprentissage par renforcement inverse ou chercher des informations pour les améliorer, avec la théorie de la valeur de l'information pesant la valeur des actions exploratoires.
Techniques et méthodes
Pour atteindre ces objectifs, les chercheurs en IA utilisent une variété de techniques. L'article mettait en avant la recherche dans l'espace d'états et l'optimisation mathématique, la logique formelle, les réseaux neuronaux artificiels et des méthodes basées sur les statistiques, la recherche opérationnelle et l'économie. Il notait que depuis 2012, l'utilisation des GPU pour accélérer les réseaux neuronaux a été cruciale, et l'architecture de transformeur introduite en 2017 a encore accéléré les progrès. L'article mentionnait également que l'IA moderne peut apprendre sur un domaine en menant des expériences, comme lorsque AlphaZero apprend la stratégie de jeu en jouant contre lui-même.
Considérations éthiques et réglementaires
L'article abordait les préoccupations éthiques et les préjudices potentiels liés à l'utilisation de l'IA, notamment la sécurité de l'IA, les conséquences imprévues, les effets à long terme, les impacts environnementaux et les risques existentiels potentiels. Il notait que ces préoccupations ont suscité des discussions sur la réglementation de l'IA. L'article mentionnait également que l'adoption généralisée de l'IA dans les années 2020 a conduit à des débats sur son impact sociétal, y compris les questions de biais, de confidentialité et de responsabilité.
Héritage et impact
En tant que première entrée encyclopédique, l'article a fourni une référence fondamentale pour comprendre la portée et les défis de l'IA. Il a été continuellement mis à jour par la communauté Wikipédia pour refléter les avancées du domaine, telles que l'émergence de IA générative et apprentissage profond. La structure de l'article, couvrant les objectifs, les techniques et l'histoire, a influencé les articles ultérieurs liés à l'IA sur Wikipédia et a servi de ressource pour les étudiants, les chercheurs et le public. Son ton neutre et factuel est conforme aux normes de Wikipédia, et son contenu a évolué pour inclure des développements récents comme réseaux neuronaux, grands modèles de langage et apprentissage par renforcement (bien que ce dernier ne soit pas explicitement dans le texte original de 2001). L'article reste un point d'entrée clé pour les lecteurs cherchant un aperçu de l'intelligence artificielle.