Aller au contenu principal
remarque
Cette page a été traduite de l'original allemand, en partie par une machine. Certaines formulations peuvent être maladroites ou inexactes. En cas de doute, veuillez consulter l'original.

Qui est qui dans l'IA

Derrière l'intelligence artificielle il n'y a pas d'abord des entreprises, mais des personnes aux questions très différentes. Ce panorama range les noms les plus importants en cinq groupes, afin que vous sachiez qui représente quoi lorsqu'il est cité.

Les ancêtres statisticiens​

Bien avant qu'il y ait des ordinateurs, on a développé l'outillage mathématique avec lequel l'IA travaille aujourd'hui.

  • Thomas Bayes (XVIIIe siècle) a formulé la manière d'ajuster une conjecture dès que de nouveaux indices arrivent. Tout système qui apprend fait au fond exactement cela.
  • Pierre-Simon Laplace en a fait un calcul des probabilités élaboré, et donc un outil utilisable.
  • Claude Shannon a fondé en 1948 la théorie de l'information et a mesuré pour la première fois la quantité d'information contenue dans un signe.1 Sans cette notion, il n'y aurait ni compression de données ni modèles de langue.
  • Norbert Wiener a imposé, avec la cybernétique, l'idée de rétroaction : un système mesure son résultat et se corrige lui-même.

La génération fondatrice​

  • Alan Turing a défini en 1936 ce que calculer veut dire, et a posé en 1950 la question de l'intelligence des machines comme une question de comportement observable.
  • John McCarthy a baptisé la discipline « artificial intelligence » en 1956 et a développé le langage de programmation Lisp.
  • Marvin Minsky a été cofondateur et longtemps porte-parole du courant symbolique, fondé sur des règles.
  • Frank Rosenblatt a construit en 1958 le perceptron, l'ancêtre de tous les réseaux de neurones.
  • Herbert Simon et Allen Newell ont étudié la résolution humaine de problèmes et construit les premiers programmes capables de trouver des démonstrations logiques.

Les premiers critiques​

  • Joseph Weizenbaum a écrit ELIZA et s'est effrayé de la promptitude avec laquelle les gens prêtaient de la compréhension à un programme simple. Son avertissement visait moins les capacités des machines que la disposition à leur laisser des décisions.2
  • Hubert Dreyfus a soutenu philosophiquement que le savoir-faire humain repose sur l'expérience corporelle et ne se laisse donc pas mettre en règles.3
  • John Searle a proposé en 1980 l'expérience de pensée de la chambre chinoise : traiter correctement des symboles ne signifie pas les comprendre.4

La génération des réseaux​

Ce groupe s'est accroché aux réseaux de neurones alors que la discipline les avait depuis longtemps rayés de la carte.

  • Geoffrey Hinton a rendu praticable dans les années 1980 l'entraînement des réseaux à plusieurs couches, ce qui lui a valu le prix Turing en 2018 et le prix Nobel de physique en 2024. Depuis 2023, il met publiquement en garde contre les risques de la technique à la naissance de laquelle il a participé.
  • Yann LeCun a développé l'architecture de réseau décisive pour la reconnaissance d'images et défend dans le débat actuel la contre-position sereine face à Hinton.
  • Yoshua Bengio a partagé le prix Turing avec les deux autres et travaille aujourd'hui à des rapports internationaux sur la sûreté de l'IA.
  • Fei-Fei Li a bâti avec ImageNet la base d'images sans laquelle la percée de 2012 n'aurait pas eu lieu.
  • Jürgen Schmidhuber a développé en Europe des méthodes de traitement de séquences et rappelle régulièrement combien de choses étaient déjà là bien plus tôt.

Le présent​

Aujourd'hui, la recherche côtoie de très grands intérêts économiques. Qui parle parle le plus souvent aussi pour un laboratoire.

  • Demis Hassabis dirige Google DeepMind et a reçu en 2024 le prix Nobel de chimie pour la prédiction de structures de protéines AlphaFold.
  • Sam Altman (OpenAI) et Dario Amodei (Anthropic) dirigent les deux laboratoires de modèles de langue les plus connus.

Tout aussi importantes sont les voix qui interrogent les conséquences :

  • Emily M. Bender et Timnit Gebru ont décrit les grands modèles de langue comme des « perroquets stochastiques » : des systèmes qui restituent des motifs de langage sans en saisir le sens.5
  • Joy Buolamwini a démontré que la reconnaissance faciale commerciale échoue bien plus souvent sur les femmes à la peau foncée.6
  • Kate Crawford examine quelles matières premières, quelle énergie et quel travail se cachent derrière les systèmes d'IA.7
  • Melanie Mitchell et Stuart Russell écrivent de façon accessible sur les capacités et les limites de ces systèmes.

Comment lire ces noms​

Trois questions aident devant chaque citation : de quelle époque date l'affirmation ? De quelle discipline la personne parle-t-elle, mathématiques, informatique, philosophie ou sciences sociales ? Et pour qui parle-t-elle, pour une université ou pour une entreprise dont la valorisation dépend de la réponse ? La notoriété n'est pas un argument, mais le point de vue explique souvent pourquoi deux personnes intelligentes jugent le même système de façon complètement différente.

Footnotes​

  1. Claude E. Shannon : A Mathematical Theory of Communication, Bell System Technical Journal, 1948. ↩

  2. Joseph Weizenbaum : Computer Power and Human Reason, 1976 (éd. allemande : Die Macht der Computer und die Ohnmacht der Vernunft, Suhrkamp, 1977). ↩

  3. Hubert L. Dreyfus : What Computers Can't Do, Harper & Row, 1972. ↩

  4. John R. Searle : Minds, Brains, and Programs, Behavioral and Brain Sciences 3, 1980. ↩

  5. Emily M. Bender, Timnit Gebru, Angelina McMillan-Major, Margaret Mitchell : On the Dangers of Stochastic Parrots: Can Language Models Be Too Big?, FAccT, 2021. ↩

  6. Joy Buolamwini, Timnit Gebru : Gender Shades: Intersectional Accuracy Disparities in Commercial Gender Classification, PMLR 81, 2018. ↩

  7. Kate Crawford : Atlas of AI, Yale University Press, 2021. ↩