Лист за преговор: Introduction à l'intelligence artificielle

📋 Plan du Cours

1. Définition de l'intelligence
2. Évolution historique des supports
3. Mythes et mythologies IA
4. Algorithmes et mathématiques
5. Automates et machines mécaniques
6. Neurones et réseaux neuronaux
7. Apprentissage automatique
8. Histoire des robots et IA
9. Deep learning et architectures
10. Limitations actuelles de l'IA
11. Enjeux éthiques et sociaux
12. Futurs développements et modèles

📖 1. Définition de l'intelligence

🔑 Notions clés & Définitions

• Stanislas Dehaene (séance 1) : « L’intelligence se définit comme l’adoption d’un organisme à son milieu. »
  L’intelligence consiste à s’adapter à l’environnement pour survivre et fonctionner efficacement.

• Jean Piaget (séance 1) : « L’intelligence est ce qui permet de s’adapter à des situations nouvelles et de résoudre des problèmes. »
  Elle implique la capacité à faire face à l’inconnu en trouvant des solutions adaptées.

• Yann Le Cun (séance 1) : « Personne ne s’entend sur la définition, mais pour les êtres vivants, c’est la capacité à percevoir, à raisonner, prendre une décision et ensuite agir. »
  L’intelligence englobe la perception, le raisonnement, la décision et l’action comme processus intégrés.

• Adaptation à l’environnement (voir section 12) : Critère central de l’intelligence, soulignant la capacité à ajuster ses comportements face aux changements et aux défis du milieu.

📝 Points essentiels

• La définition de l’intelligence varie selon les auteurs, mais elle converge souvent vers la capacité d’adaptation et de résolution de problèmes.
• Dehaene insiste sur l’adaptation à l’environnement comme fondement de l’intelligence, ce qui relie cette notion à la plasticité neuronale et à la cognition.
• Piaget met en avant la résolution de problèmes dans des situations nouvelles, soulignant l’aspect dynamique et contextuel de l’intelligence.
• Le Cun propose une vision intégrée, où percevoir, raisonner, décider et agir constituent les piliers de l’intelligence, qu’elle soit humaine ou artificielle.
• La capacité à percevoir, raisonner, décider et agir est essentielle pour distinguer l’intelligence de simples réactions ou réflexes.

💡 À retenir

L’intelligence se définit comme la capacité d’un organisme ou d’un système à percevoir, raisonner, s’adapter et agir face à son environnement, ce qui permet de résoudre des problèmes et de survivre dans un monde en constante évolution.

📖 2. Évolution historique des supports

🔑 Notions clés & Définitions

• Michel Serres (date indéterminée) : concept des 3 avatars du couple support/message, illustrant l’évolution des formes de communication. Il identifie la voix, l’écriture, et l’imprimerie comme des incarnations successives du support du message, chacune modifiant la relation entre émetteur et message.

• Ère de l’oralité (concept) : période où la communication repose principalement sur la voix et le corps, le message étant lié à son émetteur, sans externalisation de la mémoire ou du support.

• Invention de l’écriture (fin IVe millénaire avant JC) : externalisation de la mémoire, permettant de fixer et de transmettre des connaissances, de créer des lois (ex : code Hammurabi), de centraliser le pouvoir, et de développer la religion du livre (monothéisme).

• Invention de l’imprimerie (15ème siècle) : multiplication et diffusion massive de textes et images, permettant une version homogène et normée de l’information, favorisant la réforme, la démocratie moderne, et la science expérimentale.

• Révolution numérique (fin XXe siècle) : dissociation du support et du message, externalisation de l’interprétation, avec la diffusion d’informations immatérielles (audio, vidéo, données) à une vitesse sans précédent, marquant une transformation profonde de la communication.

📝 Points essentiels

• Michel Serres décrit l’évolution des supports à travers ses 3 avatars : la voix (orale, corporelle), l’écriture (externe, matérielle, mémoire externalisée), et l’imprimerie (diffusion massive, homogène). Chaque étape modifie la relation entre support et message, passant d’un lien direct à une dissociation, notamment avec la révolution numérique.

• L’ère de l’oralité voit le message lié à son émetteur, sans externalisation. L’écriture, inventée en Mésopotamie, externalise la mémoire, ce qui entraîne des conséquences sociales et politiques majeures : instauration du droit, centralisation de l’État, naissance du commerce et de la religion du livre.

• L’imprimerie, en diffusant à grande échelle textes et images, permet la démocratisation de l’accès à l’information, mais aussi la possibilité d’interprétation individuelle. La révolution numérique pousse cette évolution plus loin, en séparant support et message, avec une externalisation de l’interprétation à une vitesse inédite, selon Gérard Berry.

• La dissociation support/message, rendue possible par le numérique, constitue une révolution potentiellement plus profonde que l’invention de l’imprimerie, en modifiant radicalement la relation à l’information et à la connaissance.

💡 À retenir

L’évolution des supports de communication, depuis la voix jusqu’au numérique, montre une progression vers une dissociation entre support et message, permettant une externalisation de l’interprétation et une diffusion accélérée, transformant profondément la société.

📖 3. Mythes et mythologies IA

🔑 Notions clés & Définitions

• Golem : Créature d’argile issue du folklore juif, conçue pour protéger ou assister son créateur, symbolisant la création d’une entité artificielle à partir de matériaux inanimés.
• Pygmalion : Personnage mythologique grec qui sculpte une statue, puis voit celle-ci prendre vie, illustrant la croyance que la création artistique peut engendrer la vie ou la conscience.
• Homonculus : Concept alchimique désignant une petite créature artificielle ou miniature, souvent symbolisant une âme ou une conscience créée par l’homme.
• Origine du mot robot (1920) : Dérivé du tchèque robota signifiant « travail forcé », utilisé par Karel Čapek dans sa pièce R.U.R. pour désigner des ouvriers artificiels ou machines de travail.
• Premières représentations cinématographiques des robots : Apparitions dans Metropolis (1927) avec l’androïde Maria de Fritz Lang, et dans Planète interdite (1956), illustrant la fascination et la crainte de la machine prenant vie.

📝 Points essentiels

• La mythologie autour de l’IA inclut des figures symboliques comme le Golem et le Pygmalion, qui incarnent la création d’êtres artificiels ou vivants par l’homme, souvent avec une connotation de pouvoir ou de danger.
• Le Homonculus évoque la quête alchimique de créer une vie ou une conscience à partir de matériaux inanimés, renforçant l’idée que la machine pourrait devenir une entité autonome.
• Le terme robot, introduit en 1920 par Karel Čapek dans R.U.R., reflète la peur et l’espoir liés à la capacité de l’homme à créer des ouvriers ou des assistants artificiels, avec une origine signifiant « travail forcé ».
• Les premières représentations cinématographiques, notamment dans Metropolis (1927), ont popularisé l’image du robot comme une créature capable de prendre vie, souvent associée à des enjeux de contrôle, de révolte ou de conscience.

💡 À retenir

Les mythes fondateurs de l’IA, tels que le Golem, Pygmalion ou Homonculus, illustrent depuis l’Antiquité la fascination et la crainte de créer une entité artificielle dotée de vie ou de conscience, un récit récurrent dans l’histoire culturelle et scientifique de l’intelligence artificielle.

📖 4. Algorithmes et mathématiques

🔑 Notions clés & Définitions

• Algorithme : Recette systématique d'instructions permettant de résoudre un problème, dont l'origine remonte à Al-Khawrizmi (IXe siècle), dont le nom est à l'origine du terme "algorithme". Il s'agit d'une suite finie d'étapes précises pour effectuer un calcul ou une tâche spécifique.

• Algorithme d’Euclide : Méthode ancienne décrite comme une recette pour calculer le plus grand commun diviseur de deux nombres, en utilisant une procédure répétitive d'itérations. Il représente une démarche systématique pour résoudre un problème à partir d'instructions simples et reproductibles.

• Algèbre de Boole : Formalisation mathématique de la logique proposée par George Boole (1854), où les variables ne prennent que deux valeurs (0 ou 1). Elle repose sur des opérations logiques fondamentales : ET (∧), OU (∨), NON (¬), permettant de modéliser le raisonnement humain et de concevoir les circuits logiques.

📝 Points essentiels

• Le mot algorithme provient du nom du mathématicien perse Al-Khawrizmi, qui a introduit cette notion au IXe siècle, en développant des méthodes systématiques pour résoudre des problèmes mathématiques. Son œuvre a jeté les bases de la résolution algorithmique.

• L’algorithme d’Euclide est considéré comme une des premières recettes systématiques pour résoudre un problème mathématique précis, illustrant la conception d’étapes reproductibles et efficaces pour la résolution de problèmes complexes.

• La formalisation de la logique par George Boole en 1854 a permis de traduire le raisonnement humain en équations symboliques, en utilisant des variables binaires (0 ou 1). Cette démarche est à la base de la conception des circuits logiques et de l’architecture des ordinateurs modernes.

• L’algèbre de Boole est essentielle pour la modélisation du raisonnement humain et la conception des circuits logiques, en permettant d’exprimer des opérations logiques fondamentales qui sous-tendent le fonctionnement des ordinateurs et de l’intelligence artificielle.

💡 À retenir

L’origine du mot "algorithme" remonte à Al-Khawrizmi, et sa formalisation, notamment par l’algèbre de Boole, a permis de modéliser logiquement et mathématiquement le raisonnement humain, constituant la base des circuits logiques et de l’informatique moderne.

📖 5. Automates et machines mécaniques

🔑 Notions clés & Définitions

• LeTurc mécanique : automate conçu au XVIIIe siècle, représentant un joueur d’échecs, doté d’un mécanisme complexe permettant de simuler une partie d’échecs contre un humain, symbolisant la fascination pour la mécanique de la pensée.
• Canard digérateur de Vaucanson (1744) : automate représentant un canard capable de manger, digérer, et déféquer, illustrant la tentative de reproduire des fonctions biologiques par la mécanique.
• Poupées automates Jaquet Droz (fin XVIIIe siècle) : automates sophistiqués, notamment des poupées capables de jouer de la musique ou d’écrire, témoignant de l’ingéniosité dans la reproduction de comportements humains par des mécanismes.
• Machine analytique de Babbage (1834) : premier concept d’ordinateur mécanique programmable utilisant des cartes perforées pour effectuer des calculs arithmétiques complexes, marquant la naissance de la mécanisation de la pensée.
• Mécanisation de la pensée via calcul arithmétique : processus de reproduction automatique des opérations mathématiques par des machines, permettant d’automatiser des tâches intellectuelles et de poser les bases de l’informatique.
• Invention du premier programme informatique par Ada Lovelace (1843) : première conception d’un programme destiné à être exécuté par une machine, considérée comme la première étape vers la programmation informatique moderne.

📝 Points essentiels

• Les automates mécaniques, comme LeTurc ou le Canard digérateur de Vaucanson, incarnent la fascination du XVIIIe siècle pour simuler la vie et la pensée humaine à travers des mécanismes complexes.
• LeTurc mécanique (fin XVIIIe siècle) jouait aux échecs, avec un mécanisme caché à l’intérieur, illustrant la capacité à imiter la stratégie humaine.
• Vaucanson a créé en 1744 un automate canard capable de manger, digérer, et déféquer, symbolisant la reproduction mécanique de fonctions biologiques.
• Les poupées automates de Jaquet Droz (fin XVIIIe siècle) pouvaient écrire, jouer de la musique ou dessiner, démontrant l’ingéniosité dans la reproduction de comportements humains par des mécanismes.
• La machine analytique de Babbage (1834) est une machine programmable utilisant des cartes perforées, conçue pour effectuer des calculs arithmétiques, considérée comme l’ancêtre de l’ordinateur moderne.
• Ada Lovelace (1843) a conçu le premier programme informatique destiné à la machine de Babbage, ouvrant la voie à la programmation et à l’automatisation de la pensée.
• La mécanisation de la pensée s’est étendue au calcul arithmétique, permettant d’automatiser des opérations mentales complexes, et de poser les bases de l’intelligence artificielle.

💡 À retenir

Les automates mécaniques, en incarnant la reproduction mécanique de comportements humains et biologiques, ont jeté les bases de la mécanisation de la pensée et de l’informatique, culminant avec l’invention du premier programme informatique par Ada Lovelace.

📖 6. Neurones et réseaux neuronaux

🔑 Notions clés & Définitions

• Théorie neuronale du XIXe siècle (Santiago Ramon y Cajal) : Approche anatomique qui a permis de comprendre la structure des neurones, en identifiant leur organisation et leur morphologie, contribuant à la compréhension du fonctionnement du cerveau. Cajal a reçu le Nobel de médecine pour ses travaux sur la structure des neurones.

• Formalisation mathématique du neurone formel (McCulloch et Pitts, 1943) : Modèle mathématique simplifié du neurone biologique, représentant un neurone comme un opérateur logique capable de recevoir des entrées binaires, de produire une sortie binaire selon une fonction de seuil. Ce modèle est la base des réseaux de neurones artificiels.

• Règle de Hebb (1949) : Théorie selon laquelle la force des connexions synaptiques entre deux neurones s’accroît lorsque ces neurones s’activent simultanément. Donald Hebb a formulé que "les neurones qui s'excitent ensemble, se lient entre eux", décrivant un mécanisme d’apprentissage biologique.

• Perceptron de Frank Rosenblatt (1958) : Premier modèle de réseau neuronal capable d'apprendre à classer des données binaires. Inspiré du neurone formel, il utilise une règle d’apprentissage pour ajuster ses poids en fonction des erreurs, constituant une brique fondamentale pour le développement de l’intelligence artificielle connexionniste.

📝 Points essentiels

• La théorie neuronale du XIXe siècle de Cajal a permis de révéler la morphologie et la connectivité des neurones, établissant la base anatomique du système nerveux. Elle a montré que le cerveau est constitué d’un réseau de neurones distincts, reliés par des synapses.

• La formalisation mathématique du neurone (McCulloch et Pitts, 1943) a permis de modéliser le neurone comme un opérateur logique binaire, ouvrant la voie à la conception de réseaux de neurones artificiels capables de traitement computationnel.

• La règle de Hebb (1949) décrit un mécanisme d’apprentissage biologique basé sur la coactivité neuronale, influençant la conception des algorithmes d’apprentissage dans les réseaux neuronaux artificiels, notamment par la notion de renforcement des connexions.

• Le Perceptron (Rosenblatt, 1958) est un modèle de réseau neuronal simple capable d’apprendre à classer des données, considéré comme la première architecture d’apprentissage automatique dans le domaine de l’IA.

• Ces concepts ont permis de passer d’une compréhension anatomique du cerveau à une modélisation computationnelle, fondamentales pour le développement de l’intelligence artificielle moderne.

💡 À retenir

Les avancées du XIXe siècle avec Cajal, la formalisation de McCulloch et Pitts, la règle de Hebb et le perceptron ont posé les bases théoriques et mathématiques des réseaux neuronaux, permettant de modéliser l’apprentissage et le traitement de l’information dans l’IA.

📖 7. Apprentissage automatique

🔑 Notions clés & Définitions

• Apprentissage automatique (machine learning) : domaine de l’informatique permettant aux ordinateurs d’apprendre à réaliser des tâches sans programmation explicite, en utilisant des données pour ajuster leurs représentations internes (source : contenu source).
• Algorithme du perceptron : modèle d’apprentissage supervisé pour la classification, utilisant une règle simple d’ajustement des poids pour distinguer deux classes (ex : spam/non spam), considéré comme l’acte fondateur de l’apprentissage automatique dans l’IA connexionniste (source : contenu source).
• Apprentissage supervisé : méthode où le système apprend à partir d’un jeu d’exemples étiquetés, pour prédire ou classer de nouvelles données (source : contenu source).
• Apprentissage non supervisé : méthode où le système doit découvrir des structures ou récurrences dans des données non étiquetées, sans indication préalable sur les résultats attendus (source : contenu source).
• Acte fondateur de l’IA connexionniste : la formalisation du neurone artificiel par McCulloch et Pitts (1943), et le perceptron de Rosenblatt (1958), qui ont permis de modéliser l’apprentissage par ajustement de connexions dans un réseau de neurones (source : contenu source).

📝 Points essentiels

• L’apprentissage automatique repose sur la capacité des modèles à ajuster leurs paramètres à partir d’un jeu d’exemples (training set) pour réaliser des tâches comme la classification ou la reconnaissance.
• Le perceptron, introduit par Frank Rosenblatt en 1958, est une brique fondamentale pour la classification binaire, notamment dans la détection de spam.
• La distinction entre apprentissage supervisé et non supervisé est centrale : le premier nécessite des données étiquetées, le second exploite des structures intrinsèques des données sans labels.
• La formalisation du neurone artificiel par McCulloch et Pitts (1943) a été une étape clé dans l’acte fondateur de l’apprentissage automatique connexionniste, permettant de modéliser mathématiquement le fonctionnement neuronal.
• La règle de Hebb (1949) illustre la plasticité synaptique, principe biologique inspirant l’apprentissage dans les réseaux de neurones artificiels.

💡 À retenir

L’apprentissage automatique, en s’appuyant sur la modélisation des neurones et des réseaux, constitue la base de l’intelligence artificielle connexionniste, permettant aux machines d’apprendre à partir de données pour réaliser des tâches complexes.

📖 8. Histoire des robots et IA

🔑 Notions clés & Définitions

• Mot robot : Origine du mot « robot » vient du tchèque Karel Čapek (1920), dans sa pièce Rossum’s Universal Robots (R.U.R.), où il désigne des créatures artificielles destinées au travail forcé, issus de « robota » signifiant « travail forcé ».
• Premières œuvres littéraires : La pièce R.U.R. de Karel Čapek (1920) introduit le concept de robots modernes, mêlant science-fiction et réflexion sur l’automatisation.
• Premières représentations cinématographiques : Metropolis de Fritz Lang (1927) présente un androïde prenant vie, symbolisant la figure du robot dans le cinéma, tandis que Planète interdite (1956) introduit le robot Robby, incarnant la robotique dans la science-fiction.
• Histoire des automates : Les automates, dispositifs mécaniques autonomes, remontent à l’Antiquité, avec des exemples comme le Canard digérateur de Vaucanson (1744) ou les poupées automates de Jaquet Droz (fin XVIIIe siècle), qui ont influencé le développement de la robotique moderne.
• Influence sur la robotique : Les automates ont permis d’expérimenter la mécanique et la programmation de comportements autonomes, inspirant la conception de robots modernes et la recherche en intelligence artificielle.

📝 Points essentiels

• Le mot « robot » apparaît pour la première fois en 1920 dans la pièce R.U.R. de Karel Čapek, où il désigne des créatures artificielles destinées au travail forcé, illustrant la crainte et la fascination pour l’automatisation.
• La pièce R.U.R. a marqué le début de la littérature sur les robots, introduisant des questions éthiques et philosophiques sur la création de machines intelligentes.
• Les premières représentations cinématographiques, comme Metropolis (1927), ont popularisé l’image de robots humanoïdes, influençant la culture et la perception publique de la robotique.
• Les automates, dès l’Antiquité, ont permis d’expérimenter des dispositifs mécaniques autonomes, dont certains ont été des précurseurs des robots modernes, en intégrant des mécanismes complexes pour imiter des comportements vivants.
• L’histoire des automates a fortement influencé la robotique en introduisant des concepts de mécanique, de programmation mécanique, et d’autonomie, qui ont évolué vers la robotique numérique et l’intelligence artificielle.

💡 À retenir

L’origine du mot « robot » et ses premières œuvres littéraires ont posé les bases d’une réflexion sur la création de machines intelligentes, tandis que l’histoire des automates a permis d’expérimenter et d’inspirer le développement de la robotique moderne.

📖 9. Deep learning et architectures

🔑 Notions clés & Définitions

• Deep learning : évolution des réseaux neuronaux qui consiste à utiliser des architectures de réseaux à plusieurs couches pour modéliser des représentations abstraites et complexes, permettant une meilleure reconnaissance de motifs. Yann Le Cun (2015) souligne que le deep learning repose sur des réseaux de neurones multicouches sophistiqués, capables d'apprendre des représentations hiérarchiques.

• Architectures avancées de réseaux neuronaux : structures sophistiquées telles que le perceptron multicouche ou les réseaux convolutifs, qui intègrent plusieurs couches pour améliorer la capacité d'apprentissage. Yann Le Cun (1993) a développé le modèle LeNet-5, un réseau convolutif à 7 couches, pour la reconnaissance de chiffres manuscrits, illustrant l'importance des architectures profondes.

• Rétropropagation du gradient : algorithme clé introduit par Geoffrey Hinton (1986), permettant d'entraîner efficacement des réseaux multicouches en ajustant les poids par propagation de l'erreur en arrière, ce qui a été fondamental pour le progrès du deep learning.

📝 Points essentiels

• Le deep learning s'appuie sur des réseaux neuronaux multicouches (perceptrons profonds) qui hiérarchisent l'apprentissage, permettant la reconnaissance de motifs abstraits et complexes, comme le montre le Neocognitron de K. Fukushima (1980). Ces architectures sont inspirées de la hiérarchie neuronale du cerveau, avec des cellules simples et complexes.

• La rétropropagation du gradient (Hinton, 1986) a permis de surmonter les freins liés à l'entraînement de réseaux profonds, en optimisant les poids à partir de l'erreur, ce qui a permis l'évolution vers des architectures plus sophistiquées.

• La progression des architectures, notamment le CNN (Convolutional Neural Network), a été démontrée par Yann Le Cun (1993), avec le modèle LeNet-5, qui a permis la reconnaissance automatique de chiffres manuscrits et a été une étape majeure dans l'essor industriel du deep learning.

• La capacité du deep learning à traiter de grandes quantités de données, combinée à l'augmentation des performances des ordinateurs (loi de Moore), a accéléré son développement, notamment avec la compétition ILSVRC (2012), où AlexNet a significativement réduit le taux d'erreur en reconnaissance d'images.

• La hiérarchie des couches dans ces architectures permet une extraction progressive de caractéristiques, allant des formes simples aux motifs abstraits, ce qui motive et inspire la recherche, notamment dans la reconnaissance visuelle et la vision par ordinateur.

💡 À retenir

Le deep learning, en s'appuyant sur des architectures neuronales avancées et la rétropropagation, a révolutionné l'intelligence artificielle en permettant la modélisation de représentations hiérarchiques complexes, essentielles pour les progrès récents dans la reconnaissance et la compréhension automatique.

📖 10. Limitations actuelles de l'IA

🔑 Notions clés & Définitions

• Limitations de l’IA symbolique : Difficulté à traiter efficacement des données non structurées telles que textes, images ou vidéos, car elle repose principalement sur des règles explicites et des connaissances expertes.
• Besoins en connaissances expertes : Nécessité d’interventions humaines spécialisées pour définir, structurer et encoder les connaissances dans des systèmes experts, limitant leur autonomie et leur adaptabilité.
• Limites des réseaux neuronaux et apprentissage automatique : Capacité limitée à généraliser à partir de données insuffisantes ou peu variées, et difficulté à interpréter ou expliquer leurs décisions, ce qui pose des enjeux éthiques et de fiabilité (Hinton, Bengio, Le Cun (2018)).
• Problèmes éthiques liés aux capacités et décisions des IA : Risques liés à la transparence, la responsabilité, la biais, et l’impact social des systèmes d’IA, notamment dans des domaines sensibles comme la surveillance ou la justice (Section 11).

📝 Points essentiels

• La crise de l’IA symbolique illustre ses limitations face aux données non structurées, telles que textes, images ou vidéos, qui nécessitent des connaissances expertes pour leur traitement (Besoins en connaissances expertes).
• Les réseaux neuronaux et l’apprentissage automatique ont permis des avancées, mais leur capacité à expliquer leurs décisions reste limitée, ce qui soulève des enjeux éthiques importants, notamment en termes de responsabilité et de biais (Hinton, Bengio, Le Cun (2018)).
• La dissociation entre support et message dans l’histoire de l’information, ainsi que la complexité croissante des données, accentuent ces limitations en rendant difficile une compréhension ou une interprétation fiable des systèmes d’IA.
• Ces limitations actuelles freinent la généralisation, la robustesse et la transparence des IA, et nécessitent des connaissances spécialisées pour leur développement et leur contrôle.

💡 À retenir

Les systèmes d’IA actuels sont encore limités par leur dépendance aux données structurées, leur manque d’explicabilité, et les enjeux éthiques liés à leurs décisions, ce qui freine leur autonomie et leur fiabilité.

📖 11. Enjeux éthiques et sociaux

🔑 Notions clés & Définitions

• Enjeux éthiques liés à l’IA et à la surveillance : Questions morales et philosophiques concernant l’utilisation de l’intelligence artificielle et des dispositifs de surveillance, notamment en termes de respect de la vie privée, de liberté individuelle et de manipulation, comme évoqué dans 1984 de George Orwell (1949), qui dénonce un état totalitaire utilisant la surveillance pour contrôler la population.

• Impact social de la diffusion massive de l’information : Conséquences de la circulation rapide et étendue des données et contenus numériques sur la société, notamment en termes de désinformation, de formation de bulles informationnelles, et de modification des relations sociales.

• Questions de responsabilité et travail forcé (origine du mot robot) : Débats éthiques sur qui doit répondre des décisions prises par des IA ou des robots, et la référence historique au mot « robot » (1920, de Karel Čapek) qui désignait initialement des machines pouvant effectuer un travail forcé, soulevant des enjeux de justice et d’éthique dans leur emploi.

📝 Points essentiels

• La surveillance de masse, alimentée par l’IA, pose un enjeu éthique majeur, notamment en référence à George Orwell (1949) dans 1984, illustrant un état où la vie privée est totalement annihilée au profit du contrôle totalitaire.

• La diffusion massive de l’information modifie profondément les dynamiques sociales, en favorisant la désinformation, la polarisation, et la formation de communautés cloisonnées, ce qui peut fragiliser la cohésion sociale.

• La responsabilité dans l’usage des IA soulève des questions complexes : qui doit répondre en cas d’erreur ou de préjudice ? La notion de « travail forcé » évoque l’origine du mot « robot » (1920, de Karel Čapek), qui désignait initialement des machines effectuant un travail imposé, soulignant les risques d’exploitation et de déshumanisation.

• La question de la responsabilité est également liée à la transparence et à l’explicabilité des algorithmes, afin d’éviter l’imputation aveugle des décisions à des systèmes opaques.

• Les technologies modernes de communication (Wi-Fi, Bluetooth, cryptographie) ont des conséquences sociales : elles facilitent la connectivité mais soulèvent aussi des enjeux liés à la sécurité, à la vie privée, et à la cryptographie comme outil de protection ou de contrôle.

💡 À retenir

Les enjeux éthiques et sociaux de l’IA concernent la gestion du pouvoir, de la responsabilité et de la vie privée dans un monde où la diffusion de l’information et la surveillance deviennent omniprésentes, nécessitant une vigilance constante pour préserver nos libertés et notre cohésion sociale.

📖 12. Futurs développements et modèles

🔑 Notions clés & Définitions

• Hiérarchie neuronale : Organisation des neurones en couches simples et complexes permettant la reconnaissance progressive de formes abstraites, inspirée des expériences de Fukushima (1980) avec le Neocognitron, et de l’approche hiérarchique du cerveau.
• Modèles JEPA : Modèles génératifs abstraits qui apprennent en prédisant des représentations du monde plutôt que des données brutes, visant à imiter la capacité de mémoire et de raisonnement du cerveau humain (Yann Le Cun).
• Données sensorielles : Types de données comprenant la vidéo et autres entrées multisensorielles, qui offrent une bande passante plus large et une structure interne plus riche, essentielles pour dépasser les limites des modèles basés uniquement sur le texte ou l’image (Yann Le Cun).

📝 Points essentiels

• La hiérarchie neuronale, inspirée des travaux de Fukushima (1980), permet à l’IA de reconnaître des formes de plus en plus complexes en intégrant réponses de cellules simples et complexes, s’approchant du fonctionnement du cerveau humain.
• Les modèles JEPA, développés par Yann Le Cun, proposent d’apprendre par abstraction en encodant le monde sous une forme compacte et générale, plutôt que par mémorisation brute, ce qui pourrait rapprocher l’IA de l’intelligence humaine.
• Le potentiel futur réside dans l’intégration de données sensorielles, notamment la vidéo, pour enrichir l’apprentissage et dépasser la dépendance aux données textuelles, car la vidéo contient une redondance et une structure plus proche du monde réel.
• Les défis incluent la compréhension du monde, la mémoire persistante, la planification et le raisonnement, qui nécessitent de nouvelles architectures capables d’apprendre aussi efficacement que les humains ou les animaux, avec moins de données.

💡 À retenir

Les futurs modèles d’IA visent à imiter la hiérarchie et l’abstraction du cerveau humain en intégrant des données multisensorielles, afin de dépasser les limitations actuelles et d’atteindre une intelligence plus générale et autonome.

📊 Tableaux de Synthèse

⚠️ Pièges & Confusions Fréquentes

1. Confondre la définition de l’intelligence selon Dehaene et Piaget, qui mettent l’accent sur l’adaptation versus la résolution de problèmes.
2. Assimiler à tort la mythologie du Golem avec la science moderne de l’IA, alors qu’elle relève du folklore.
3. Confusion entre support et message lors de l’évolution historique, notamment avec la révolution numérique.
4. Omettre la distinction entre automatisme simple et apprentissage dans les algorithmes.
5. Confondre l’origine du terme « robot » (Karel Čapek) avec d’autres termes liés à la mécanique ou à la science-fiction.
6. Sous-estimer l’impact de l’imprimerie sur la démocratisation de l’information par rapport à l’oralité.
7. Confusion entre neurones biologiques et réseaux neuronaux artificiels, notamment leur fonctionnement et leur architecture.

✅ Checklist Examen

• Connaître la définition de l’intelligence selon Stanislas Dehaene, Jean Piaget et Yann Le Cun.
• Maîtriser l’évolution historique des supports de communication : voix, écriture, imprimerie, numérique, en s’appuyant sur Michel Serres.
• Identifier et expliquer les mythes fondateurs de l’IA : Golem, Pygmalion, Homonculus, origine du mot robot, et leur symbolique.
• Comprendre la notion d’algorithme, ses origines avec Al-Khawrizmi, et ses applications fondamentales comme l’algorithme d’Euclide et l’algèbre de Boole.
• Savoir décrire l’évolution des supports en insistant sur la dissociation support/message lors de la révolution numérique.
• Connaître les principales figures et références historiques dans l’histoire des robots et de l’IA : Fritz Lang, Karel Čapek.
• Identifier les limites actuelles de l’IA, notamment en termes de perception, raisonnement et autonomie.
• Maîtriser les enjeux éthiques et sociaux liés à l’intelligence artificielle, en particulier la question de la conscience, de la responsabilité et de l’impact sociétal.
• Comprendre la différence entre automates, machines mécaniques, neurones biologiques et réseaux neuronaux artificiels.
• Connaître les architectures de deep learning et leur rôle dans l’apprentissage automatique.
• Savoir citer et expliquer les concepts clés de l’histoire des robots et de l’IA.
• Être capable d’argumenter sur les futurs développements et modèles possibles de l’IA.