Au cours du XXᵉ siècle, les promoteurs de l’IA et leurs critiques ont partagé une hubris symétrique : la prétention de savoir, et de pouvoir énoncer, ce qu’est l’esprit et si les machines peuvent l’im

Repartage — contenu de Alban Leveau-Vallier

Au cours du XXᵉ siècle, les promoteurs de l’IA et leurs critiques ont partagé une hubris symétrique : la prétention de savoir, et de pouvoir énoncer, ce qu’est l’esprit et si les machines peuvent l’imiter, comme si l’avenir était déjà écrit. La suite de l’histoire a déjoué leurs attentes. Ceux qui tenaient leurs machines pour déjà intelligentes, ou sur le point de le devenir, ont vu leurs systèmes rejoindre l’outillage ordinaire de l’informatique ou des jeux, sans que personne ne semble penser, rétrospectivement, qu’ils avaient « craqué » le problème de l’intelligence. Quant à ceux qui, de l’autre côté, pensaient avoir trouvé l’argument ultime pour clouer le bec aux enthousiastes de l’intelligence artificielle (les émotions, la conscience, la subjectivité, le corps, la chair…), ils ont pu constater que leur argument n’empêchait pas les ingénieurs de fabriquer de nouvelles machines. L’argument de la chambre chinoise n’a pas été réfuté, mais il n’a pas empêché l’essor des LLM.

Loin d’assister au déroulement d’une histoire écrite à l’avance, on a vu s’accumuler les surprises. En 2012, le « moment ImageNet », puis les succès du deep learning tout au long des années 2010, ont largement dépassé les attentes de ceux qui en avaient mis au point les méthodes. En 2017, l’article introduisant les Transformers était censé apporter une amélioration incrémentale à la traduction automatique ; presque personne n’avait anticipé l’engouement qu’il allait susciter, ni l’extraordinaire ampleur des effets d’échelle. On aurait pu s’attendre à voir apparaître des plateaux, plutôt qu’une amélioration si continue des performances qu’elle a pu être formulée en « lois » empiriques. On peut en dire autant de la capacité des LLM à résoudre certaines tâches sans entraînement spécifique, puis de l’étonnante efficacité du « chain-of-thought », et désormais des systèmes multi-agents… À chaque fois, les inventeurs eux-mêmes ont été les premiers surpris.

On ne cesse de demander si « la machine va dépasser l’humain », mais c’est le propre de l’invention, qu’il s’agisse d’une machine ou d’autre chose, de dépasser celui qui invente, de déborder ses intentions. Si l’inventeur savait exactement ce qu’il fait, il ne serait pas en train d’« inventer ». Appliquer aux inventions l’adage de Vico selon lequel on ne comprend jamais aussi bien une chose que lorsqu’on peut la fabriquer présuppose, chez l’inventeur, une transparence à ses propres processus qu’il n’a pas. Cela n’implique pas pour autant qu’on renonce ensuite à comprendre l’invention et à exercer sur elle un contrôle (sous prétexte qu’elle serait une « boîte noire »), surtout quand elle a vocation à s’insérer dans nos infrastructures, mais cela ne peut se faire qu'après coup.

Contrairement à ce que pouvait laisser penser les déclarations grandiloquentes des chercheurs en IA, l’histoire récente montre qu’ils ne savent pas bien où ils vont. Mais les chercheurs en sciences humaines le savent-ils mieux qu'eux ?

(à suivre)

Sources LinkedIn

• Profil : Pierre Jean Duvivier dit Sage (LinkedIn)
• Auteur partagé : Alban Leveau-Vallier (LinkedIn)