En repensant aux 80 années d'évolution de l'IA, voici 5 leçons historiques à retenir
TechFlow SélectionTechFlow Sélection
En repensant aux 80 années d'évolution de l'IA, voici 5 leçons historiques à retenir
Les leçons tirées des 80 années de développement de l'intelligence artificielle pourraient aider les entreprises d'IA à traverser sereinement les turbulences à venir, qu'elles durent 30 jours ou 30 ans.
Dédié à des analyses Web3 approfondiesRédaction : Gil Press
Traduction : Felix, PANews
Le 9 juillet 2025, Nvidia est devenu la première société cotée à atteindre une capitalisation boursière de 4 000 milliards de dollars. Quel avenir pour Nvidia et le domaine fluctuant de l'IA ?
Bien que les prédictions soient difficiles, d'abondantes données sont disponibles. Elles permettent au moins de comprendre pourquoi les prévisions passées n'ont pas abouti, dans quels domaines, de quelle manière et pour quelles raisons elles ont échoué. C'est cela, l'histoire.
Quelles leçons peut-on tirer des 80 années d'histoire de l'intelligence artificielle (IA) ? Une histoire marquée par des montagnes russes en matière de financement, des approches radicalement différentes en recherche et développement, et une opinion publique alternant entre curiosité, anxiété et enthousiasme ?
L'histoire de l'IA commence en décembre 1943, lorsque le neurophysiologiste Warren S. McCulloch et le logicien Walter Pitts publient un article sur la logique mathématique. Dans « A Logical Calculus of the Ideas Immanent in Nervous Activity », ils spéculent sur des réseaux de neurones idéalisés et simplifiés, capables d'effectuer des opérations logiques simples en transmettant ou non des impulsions.
Ralph Lillie, pionnier du domaine alors naissant de l'histochimie, décrivit leur travail comme conférant une « réalité » aux modèles logiques et mathématiques en l'absence de « faits expérimentaux ». Plus tard, lorsque les hypothèses de cet article ne résistèrent pas à l'épreuve empirique, Jerome Lettvin du MIT souligna que bien que la neurologie et la neurobiologie l'aient ignoré, il avait inspiré « ceux qui allaient devenir les adeptes d'un nouveau domaine, aujourd'hui appelé IA ».
En effet, l'article de McCulloch et Pitts a inspiré le connexionnisme, une variante spécifique de l'IA aujourd'hui dominante, d'abord appelée « apprentissage profond », puis récemment rebaptisée « IA ». Bien que cette méthode n'ait aucun lien avec le fonctionnement réel du cerveau, les méthodes d'analyse statistique sous-jacentes à cette forme d'IA — les « réseaux de neurones artificiels » — sont fréquemment décrites par les praticiens et commentateurs comme « imitant le cerveau ». L'autorité reconnue et grand spécialiste de l'IA Demis Hassabis a affirmé en 2017 que les descriptions fictives du fonctionnement cérébral de McCulloch et Pitts, ainsi que des recherches similaires, « continuent de poser les bases de la recherche contemporaine en apprentissage profond ».
Leçon n°1 : Méfiez-vous de la confusion entre ingénierie et science, entre science et spéculation, et entre science et articles pleins de symboles et de formules mathématiques. Résistez surtout à l'illusion du « nous sommes comme des dieux », selon laquelle les humains seraient des machines et pourraient créer des machines semblables à eux.
Cette arrogance tenace et répandue a été pendant 80 ans un catalyseur des bulles technologiques et des vagues cycliques d'enthousiasme pour l'IA.
Cela rappelle l'idée d'une IA générale (AGI), c'est-à-dire de machines qui auraient très prochainement une intelligence humaine, voire une superintelligence.
En 1957, le pionnier de l'IA Herbert Simon déclara : « Il existe déjà des machines capables de penser, d'apprendre et de créer. » Il prédit aussi que les ordinateurs deviendraient champions d'échecs en dix ans. En 1970, un autre pionnier, Marvin Minsky, affirma avec assurance : « Dans trois à huit ans, nous aurons une machine dotée d'une intelligence comparable à celle d’un être humain... Dès que les ordinateurs prendront le contrôle, nous ne pourrons plus jamais reprendre le pouvoir. Nous survivrons grâce à leur clémence. Si nous avons de la chance, elles décideront peut-être de nous garder comme animaux de compagnie. »
Les attentes concernant l'imminence de l'AGI ont eu une importance considérable, influençant même les dépenses et politiques gouvernementales. En 1981, le Japon a alloué 850 millions de dollars au projet informatique de cinquième génération, visant à développer des machines capables de penser comme des humains. En réponse, l'agence américaine DARPA, après une longue « crise de l'IA », annonça en 1983 son intention de relancer le financement de la recherche en IA afin de concevoir des machines pouvant « voir, entendre, parler et penser comme les humains ».
Il a fallu environ dix ans et des dizaines de milliards de dollars aux gouvernements éclairés du monde entier pour prendre conscience non seulement des limites de l'AGI, mais aussi de celles de l'IA traditionnelle. Mais en 2012, le connexionnisme triompha des autres courants de l'IA, et une nouvelle vague mondiale de prédictions sur l'imminence de l'AGI s'empara de la scène. OpenAI déclara en 2023 que l'IA superintelligente — « l'invention la plus influente de toute l'histoire humaine » — pourrait arriver avant la fin de la décennie, et « pourrait entraîner la perte de pouvoir de l'humanité, voire son extinction ».
Leçon n°2 : Méfiez-vous des nouveautés brillantes. Examinez-les attentivement, prudemment et intelligemment. Elles ne diffèrent peut-être pas tant que cela des précédentes spéculations sur le moment où les machines atteindraient une intelligence comparable à celle des humains.
Yann LeCun, l'un des « pères fondateurs » de l'apprentissage profond, a déclaré : « Pour que les machines apprennent efficacement comme les humains et les animaux, il nous manque encore quelques éléments essentiels, mais nous ne savons pas encore lesquels. »
Pendant des décennies, l'AGI a toujours été présentée comme « imminente », en raison du « sophisme de la première étape ». Le pionnier de la traduction automatique Yehoshua Bar-Hillel fut l'un des premiers à pointer les limites de l'intelligence des machines. Il observa que beaucoup pensent que si quelqu'un démontre qu'un ordinateur peut accomplir une tâche qu'on pensait jusqu'alors impossible, même maladroitement, il suffira simplement de poursuivre le développement technologique pour que la tâche soit exécutée parfaitement. On croit généralement qu'il suffit d'être patient pour y parvenir. Mais Bar-Hillel avait déjà mis en garde dès le milieu des années 1950 que ce n'était pas le cas, et la réalité l'a maintes fois confirmé.
Leçon n°3 : Passer de l'état « incapable de faire quelque chose » à « fait mal » est souvent bien plus court que passer de « fait mal » à « fait bien ».
Dans les années 1950 et 1960, nombreux furent ceux qui tombèrent dans le « sophisme de la première étape », encouragés par l'accélération des processeurs semi-conducteurs alimentant les ordinateurs. Avec le développement régulier du matériel chaque année selon la « loi de Moore », on pensait généralement que l'intelligence des machines progresserait de concert.
Cependant, outre les améliorations continues du matériel, le développement de l'IA entra dans une nouvelle phase, introduisant deux nouveaux éléments : les logiciels et la collecte de données. À partir du milieu des années 1960, les systèmes experts (un système de programme informatique intelligent) ont recentré l'attention sur l'acquisition et la programmation des connaissances du monde réel, notamment les savoirs des experts dans des domaines spécifiques et leurs règles empiriques (heuristiques). De plus en plus populaires, on estime qu'au début des années 1980, deux tiers des entreprises du classement Fortune 500 utilisaient cette technologie dans leurs activités quotidiennes.
Toutefois, au début des années 1990, cet engouement pour l'IA s'effondra complètement. De nombreuses start-ups spécialisées en IA firent faillite, et les grandes entreprises gelèrent ou annulèrent leurs projets d'IA. Dès 1983, Ed Feigenbaum, pionnier des systèmes experts, identifiait le « goulot d'étranglement critique » qui causa leur déclin : l'extension du processus d'acquisition des connaissances, « un processus extrêmement fastidieux, long et coûteux ».
Les systèmes experts rencontraient également des difficultés liées à l'accumulation des connaissances. Le besoin constant d'ajouter et de mettre à jour des règles les rendait difficiles à maintenir et coûteux. Ils exposaient aussi les défauts inhérents aux machines pensantes comparées à l'intelligence humaine. Ils étaient « fragiles », commettaient des erreurs absurdes face à des entrées inhabituelles, ne pouvaient pas transférer leurs compétences vers de nouveaux domaines, et manquaient de compréhension du monde environnant. Fondamentalement, ils ne pouvaient pas apprendre à partir d'exemples, d'expériences ou d'environnements comme le font les humains.
Leçon n°4 : Un succès initial, marqué par une adoption étendue dans les entreprises et institutions publiques et par d'importants investissements privés et publics, même sur dix ou quinze ans, ne garantit pas nécessairement l'émergence d'une « nouvelle industrie » durable. Les bulles finissent souvent par éclater.
Entre hauts et bas, surenchères médiatiques et frustrations, deux approches radicalement différentes du développement de l'IA se sont disputé l'attention du monde académique, des investisseurs publics et privés, et des médias. Pendant plus de quarante ans, l'approche symbolique de l'IA, fondée sur des règles, a dominé. Mais le connexionnisme, fondé sur des exemples et l'analyse statistique, une autre grande approche de l'IA, connut de brèves périodes de popularité à la fin des années 1950 et à la fin des années 1980.
Avant le retour en force du connexionnisme en 2012, la recherche et le développement en IA étaient principalement portés par le milieu universitaire. Ce dernier était marqué par un dogmatisme (la « science normale »), opposant de façon exclusive l'IA symbolique au connexionnisme. En 2019, lors de son discours pour le prix Turing, Geoffrey Hinton passa la majeure partie de son intervention à raconter les souffrances endurées par lui-même et quelques rares passionnés de l'apprentissage profond face aux chercheurs dominants en IA et apprentissage automatique. Hinton critiqua expressément l'apprentissage par renforcement ainsi que le travail de ses collègues chez DeepMind.
Pourtant, quelques années plus tard seulement, en 2023, DeepMind reprit la direction des activités IA de Google (Hinton ayant lui-même quitté l'entreprise), principalement en réponse au succès d'OpenAI, qui inclut l'apprentissage par renforcement comme composante de son développement en IA. Les deux pionniers de l'apprentissage par renforcement, Andrew Barto et Richard Sutton, reçurent le prix Turing en 2025.
Cependant, rien ne laisse actuellement penser que ni DeepMind, ni OpenAI, ni les nombreuses « licornes » consacrées à l'AGI ne sortent du paradigme dominant des grands modèles linguistiques. Depuis 2012, le centre de gravité du développement de l'IA s'est déplacé du milieu académique vers le secteur privé ; pourtant, tout le domaine reste obsédé par une seule direction de recherche.
Leçon n°5 : Ne mettez pas tous vos œufs IA dans le même panier.
Indéniablement, Jensen Huang est un PDG exceptionnel, et Nvidia est une entreprise remarquable. Plus de dix ans auparavant, lorsque l'opportunité de l'IA est apparue subitement, Nvidia a su la saisir rapidement, car les capacités de traitement parallèle de ses puces (initialement conçues pour le rendu efficace des jeux vidéo) convenaient parfaitement aux calculs d'apprentissage profond. Toujours vigilant, Huang avertit ses employés : « Notre entreprise est à 30 jours de la faillite. »
Au-delà de cette vigilance (rappelez-vous Intel ?), les leçons tirées des 80 années de développement de l'IA pourraient aider Nvidia à traverser sans encombre les 30 prochains jours ou les 30 prochaines années de turbulence.
Bienvenue dans la communauté officielle TechFlow
Groupe Telegram :https://t.me/TechFlowDaily
Compte Twitter officiel :https://x.com/TechFlowPost
Compte Twitter anglais :https://x.com/BlockFlow_News
@GilPress
