Accueil
Accueil
Envoyer à un ami
Version imprimable
PartagerL'IA devient un enjeu politique nécessitant un contrôle démocratique.
L'intelligence artificielle, source d'angoisses et d'attentes.
Bien qu'omniprésente, sa diffusion demeure limitée, avec des contours clairs pour les spécialistes. L'IA devient un enjeu politique nécessitant un contrôle démocratique. Le futur président des États-Unis, Donald Trump, a annoncé son intention de nommer un «tsar de l’intelligence artificielle » à la Maison-Blanche.
L'Office, saisi en juillet 2023 par l'Assemblée nationale et le Sénat, présente un rapport sur les évolutions de l'IA générative. Ce rapport évalue les technologies d'IA et leurs impacts politiques, économiques et sociétaux, tout en proposant 18 recommandations pour le Sommet sur l’IA à Paris en février 2025.
L'Office, saisi en juillet 2023 par l'Assemblée nationale et le Sénat, présente un rapport sur les évolutions de l'IA générative. Ce rapport évalue les technologies d'IA et leurs impacts politiques, économiques et sociétaux, tout en proposant 18 recommandations pour le Sommet sur l’IA à Paris en février 2025.
I. Comprendre les technologies d’intelligence artificielle
A. Une brève histoire de l’intelligence artificielle
Ce rapport explore l’histoire de l’intelligence artificielle (IA), qui remonte à la naissance de l’informatique.
Officiellement créée en 1956 par John McCarthy au Dartmouth College, l’IA vise à simuler les fonctions cognitives humaines. Marvin Minsky souligne qu’elle consiste à développer des programmes exécutant des tâches normalement réservées à l’intelligence humaine.
L'IA a connu des périodes d'espoir, comme dans les années 1960 et 1980, suivies de désillusions. On identifie deux approches principales : l’IA symbolique, utilisant des règles logiques, et l’IA connexionniste, basée sur l’analyse probabiliste des données.
Officiellement créée en 1956 par John McCarthy au Dartmouth College, l’IA vise à simuler les fonctions cognitives humaines. Marvin Minsky souligne qu’elle consiste à développer des programmes exécutant des tâches normalement réservées à l’intelligence humaine.
L'IA a connu des périodes d'espoir, comme dans les années 1960 et 1980, suivies de désillusions. On identifie deux approches principales : l’IA symbolique, utilisant des règles logiques, et l’IA connexionniste, basée sur l’analyse probabiliste des données.
B. Les progrès de l’apprentissage profond dans les années 2010 et l’architecture Transformer
L'essor de l'IA depuis 2010 est largement dû aux avancées en apprentissage profond, caractérisées par des réseaux de neurones artificiels à couches multiples.
Trois facteurs clés ont contribué à l'efficacité de l'IA : la mobilisation d'algorithmes sophistiqués, l'accès à d'énormes corpus de données grâce à Internet et des capacités de calcul informatique croissantes.
Depuis 2017, l'architecture Transformer a révolutionné l'apprentissage profond en améliorant le traitement contextuel grâce à un « mécanisme d’attention ». Cela a permis le développement de systèmes d’IA générative, tels que les modèles larges de langage comme ChatGPT, capables de créer divers contenus en utilisant d'énormes ensembles de données et des milliards de paramètres de calcul.
Trois facteurs clés ont contribué à l'efficacité de l'IA : la mobilisation d'algorithmes sophistiqués, l'accès à d'énormes corpus de données grâce à Internet et des capacités de calcul informatique croissantes.
Depuis 2017, l'architecture Transformer a révolutionné l'apprentissage profond en améliorant le traitement contextuel grâce à un « mécanisme d’attention ». Cela a permis le développement de systèmes d’IA générative, tels que les modèles larges de langage comme ChatGPT, capables de créer divers contenus en utilisant d'énormes ensembles de données et des milliards de paramètres de calcul.
C. Les questions technologiques et les perspectives d’avenir
Les technologies d'IA générative présentent de nombreux avantages, notamment une large gamme d'applications, mais aussi des limites significatives. Leur entraînement nécessite des ressources considérables en infrastructure, en données et en énergie, tout en générant des erreurs appelées « hallucinations ». De plus, elles peuvent refléter des biais dans les données, et leur fonctionnement reste souvent opaque, posant des défis d'explicabilité. Face à ces enjeux, la recherche vise à améliorer la fiabilité et à réduire la consommation énergétique des systèmes d'IA, en développant des approches plus frugales, comme l'architecture Mamba. Les perspectives d'avenir incluent une IA multimodale capable de traiter divers types de données, comme le texte et l’image, et même d'intégrer des instructions vocales et des vidéos, avec des exemples comme GPT-4o et Grok 2. L'agentivité, ou la capacité d'adaptation des systèmes, émerge également comme une avancée majeure, permettant l'automatisation des tâches grâce aux Agentic Workflows, essentiels pour les entreprises.
Les IA deviendront des interfaces clés pour l'accès aux services numériques, rendant les interactions homme-machine plus fluides. Elles pourraient intégrer les fonctionnalités des systèmes d'exploitation, navigateurs, moteurs de recherche, logiciels et réseaux sociaux. À l'avenir, ces systèmes d'IA pourraient contrôler divers services logiciels. Par ailleurs, des solutions technologiques visent à réduire les "hallucinations" des LLM, comme la génération augmentée de récupération (RAG), qui associe une base de données à un LLM pour améliorer la pertinence des réponses.
Les IA deviendront des interfaces clés pour l'accès aux services numériques, rendant les interactions homme-machine plus fluides. Elles pourraient intégrer les fonctionnalités des systèmes d'exploitation, navigateurs, moteurs de recherche, logiciels et réseaux sociaux. À l'avenir, ces systèmes d'IA pourraient contrôler divers services logiciels. Par ailleurs, des solutions technologiques visent à réduire les "hallucinations" des LLM, comme la génération augmentée de récupération (RAG), qui associe une base de données à un LLM pour améliorer la pertinence des réponses.
D. La conjugaison entre la logique de l’IA symbolique et l’efficacité de l’IA connexionniste
Les technologies d'IA peuvent être combinées pour obtenir de meilleurs résultats, notamment en associant l'IA connexionniste à des modèles logiques. Les Arbres de pensées (ToT) permettent de structurer le raisonnement en liant les idées logiquement.
Cette approche rend l'IA neuro-symbolique, intégrant réseaux neuronaux et raisonnements symboliques. Elle peut être appliquée aux grands modèles de langage grâce au prompt engineering, qui décompose les instructions en plusieurs phases de raisonnement. À l'avenir, des méthodes hybrides amélioreront l'alignement des systèmes avec notre raison logique.
Cette approche rend l'IA neuro-symbolique, intégrant réseaux neuronaux et raisonnements symboliques. Elle peut être appliquée aux grands modèles de langage grâce au prompt engineering, qui décompose les instructions en plusieurs phases de raisonnement. À l'avenir, des méthodes hybrides amélioreront l'alignement des systèmes avec notre raison logique.
E. La longue et complexe chaîne de valeur de l’IA
La chaîne de valeur de l'IA comprend plusieurs étapes clés. Elle débute avec l'énergie et les matières premières, notamment les semi-conducteurs en silicium, utilisés pour fabriquer des puces, tandis que Nvidia se positionne comme un leader dans ce domaine.
Le deuxième maillon concerne les infrastructures, englobant la collecte et le nettoyage de données, le stockage dans des data centers, le cloud computing, et l'utilisation de supercalculateurs lors du développement des modèles. Ces infrastructures entraînent des coûts élevés et des impacts environnementaux significatifs, avec un objectif de chiffre d'affaires de 600 milliards de dollars pour Nvidia.
La définition des modèles d'IA inclut la conception, l'entraînement et le réglage fin. Enfin, les utilisateurs accèdent aux systèmes d'IA via des applications comme ChatGPT, construit sur le modèle GPT-4.
Le deuxième maillon concerne les infrastructures, englobant la collecte et le nettoyage de données, le stockage dans des data centers, le cloud computing, et l'utilisation de supercalculateurs lors du développement des modèles. Ces infrastructures entraînent des coûts élevés et des impacts environnementaux significatifs, avec un objectif de chiffre d'affaires de 600 milliards de dollars pour Nvidia.
La définition des modèles d'IA inclut la conception, l'entraînement et le réglage fin. Enfin, les utilisateurs accèdent aux systèmes d'IA via des applications comme ChatGPT, construit sur le modèle GPT-4.
