Analyse

L’intelligence artificielle (ci-après IA) est devenue un sujet d’actualité au même titre que la guerre en Ukraine ou la révolte des paysans français. Les plus savants la font remonter à une date récente, 2018 par exemple. Ayant travaillé de nombreuses années à une histoire philosophique des sciences cognitives, de la cybernétique à l’IA[1], je la fais remontrer quant à moi à l’année 1943, quand un neuropsychiatre nommé Warren McCulloch et un mathématicien de génie, Walter Pitts, inventèrent le concept de réseau de neurones formels. Ils démontrèrent à son sujet des propriétés remarquables qui pouvaient faire espérer l’avènement d’une science matérialiste et logico-mathématique de l’esprit humain.

Les quelques quatre-vingts ans qui nous séparent de cet acte inaugural ont évidemment vu des évolutions spectaculaires. Grâce en particulier aux travaux du Français Yann Le Cun et du Britannique Geoffrey Hinton, le modèle initial est devenu un système capable d’apprendre par lui-même au moyen d’une hiérarchie enchevêtrée de couches de neurones formels – d’où l’expression « apprentissage profond », deep learning en anglais –, et cela en se confrontant aux données du monde réel.

C’est ici qu’intervient la mise à la disposition de ces machines auto-apprenantes de quantités gigantesques de données, et cela dans tous les domaines. « Une IA », comme on dit aujourd’hui, en désignant un type de machine intelligente et non plus une discipline particulière, apprend toute seule à naviguer dans un monde résumé à des données, tout en en engendrant de nouvelles – c’est ce qu’on appelle le Big Data.

Ce que les médias désignent par « IA » est un ensemble encore plus restreint de telles machines : les grands modèles de langage (connus comme LLM, de l’anglais Large Language Models) dont le plus connu à ce jour est le « Chat GPT » de la société Open AI. Même s’il ne fait que prévoir le signe le plus probable qui prolonge un corpus déjà donné ou construit, ses performances peuvent êtr