Avant 1956 : penser une machine capable de raisonner
L’intelligence artificielle désigne aujourd’hui un ensemble de techniques permettant à des systèmes informatiques de percevoir, classer, prédire, générer du contenu ou prendre des décisions à partir de règles et de données. Le terme est plus récent que les questions qu’il recouvre : peut-on formaliser le raisonnement ? Une machine peut-elle apprendre ? Peut-elle converser de manière convaincante ? Ces interrogations forment le socle théorique de l’IA avant même la création officielle du domaine.
Quiz : Histoire de l'IA
Alan Turing et le jeu d’imitation
En 1950, le mathématicien britannique Alan Turing publie Computing Machinery and Intelligence. Plutôt que de chercher une définition philosophique de la pensée, il propose un critère pratique : le test de Turing, aussi appelé jeu d’imitation. Si un interlocuteur humain ne parvient pas à distinguer, lors d’un échange écrit, une machine d’un autre humain, la machine manifeste alors un comportement intelligent au sens opérationnel du test.
Ce test ne prouve pas qu’un programme comprend le monde comme une personne. Il déplace toutefois le débat vers les capacités observables. Le langage, le raisonnement et la résolution de problèmes peuvent ainsi devenir des objets d’étude, même lorsque le fonctionnement interne de la machine ne ressemble pas à celui d’un cerveau humain.
La naissance officielle du terme
Le terme intelligence artificielle apparaît dans la proposition de conférence de Dartmouth, rédigée en 1955 par John McCarthy, Marvin Minsky, Claude Shannon et Nathaniel Rochester. L’atelier se tient durant l’été 1956 aux États-Unis et est généralement considéré comme l’acte de naissance du domaine. L’hypothèse est ambitieuse : chaque aspect de l’apprentissage ou de l’intelligence pourrait, en principe, être décrit avec assez de précision pour être reproduit par une machine.
Trois approches qui expliquent l’évolution de l’IA
Une chronologie seule peut donner l’impression que chaque nouveauté efface la précédente. L’histoire de l’IA est aussi celle de méthodes concurrentes, parfois complémentaires, qui reviennent au premier plan selon les données disponibles, la puissance de calcul et les problèmes à résoudre.
| Approche | Principe | Point fort | Limite historique |
|---|---|---|---|
| IA symbolique | Règles explicites et représentation des connaissances | Raisonnement traçable sur des problèmes bien définis | Entretien difficile des règles dans des situations complexes |
| Connexionnisme | Réseaux neuronaux artificiels inspirés de neurones connectés | Apprentissage de régularités à partir d’exemples | Longtemps freiné par le manque de données et de calcul |
| Deep learning et IA générative | Réseaux profonds entraînés sur de très grands volumes de données | Vision, parole, langage et génération | Coût, opacité, erreurs et biais possibles |
Des règles aux réseaux neuronaux
Dans les premières décennies, l’IA symbolique domine. Les chercheurs construisent des programmes capables de manipuler des symboles, d’appliquer des règles logiques ou d’explorer des solutions. Cette voie fonctionne bien pour les jeux, les démonstrations mathématiques et certains systèmes experts, lorsque les connaissances peuvent être formalisées avec précision.
En parallèle, le connexionnisme cherche à faire apprendre le système à partir d’exemples. Le perceptron, développé à la fin des années 1950, marque une étape importante. Ce modèle simple ajuste ses paramètres pour séparer des catégories. Il annonce les réseaux neuronaux modernes, mais les machines de l’époque ne permettent pas encore d’entraîner des architectures vastes et profondes.
Les hivers de l’IA et les retours de flamme
Les premières démonstrations suscitent des attentes parfois disproportionnées. Lorsqu’un programme réussit une tâche étroite, il ne sait pas automatiquement transférer cette compétence à d’autres situations. L’écart entre les promesses et les résultats entraîne plusieurs baisses de financements et d’intérêt, couramment appelées les hivers de l’IA.
Pourquoi les systèmes experts ont atteint leurs limites
À partir des années 1970 et 1980, les systèmes experts connaissent un essor notable. Ils reproduisent le raisonnement d’un spécialiste grâce à une base de connaissances et à un moteur d’inférence. Ils peuvent être pertinents dans un périmètre stable, mais deviennent fragiles lorsque les règles sont incomplètes, contradictoires ou coûteuses à mettre à jour.
Cette période montre que l’intelligence ne se réduit pas à une longue liste d’instructions. Pour reconnaître une image, interpréter une phrase ambiguë ou anticiper un comportement, une machine doit souvent apprendre des régularités que personne ne sait énoncer explicitement. Le passage d’une logique entièrement écrite par des humains à des modèles capables d’apprendre à partir de données répond en partie à cette difficulté.
Les données d’apprentissage fournissent au modèle les exemples dont il a besoin pour repérer des régularités. Elles peuvent aussi limiter ses performances. Un système entraîné sur des exemples trop homogènes devient performant dans cet environnement et moins fiable face à une situation inhabituelle. La diversité des jeux de données et les tests en conditions réelles comptent donc autant que la taille d’un modèle pour évaluer sa fiabilité.
Les ruptures qui ont fait basculer l’IA moderne
Le renouveau du connexionnisme repose sur une convergence : davantage de données numérisées, des processeurs capables d’effectuer massivement des calculs parallèles et des améliorations algorithmiques. Cette combinaison fait du deep learning une méthode dominante pour de nombreuses tâches perceptives et linguistiques.
De Watson à AlexNet, puis AlphaGo
En 2011, Watson d’IBM gagne au jeu télévisé Jeopardy!, montrant la capacité d’un système à analyser des questions formulées en langage naturel. En 2012, AlexNet marque un tournant en reconnaissance d’images. Ses résultats illustrent l’efficacité des réseaux neuronaux convolutifs entraînés avec de grandes capacités de calcul.
En 2016, AlphaGo de DeepMind bat le champion Lee Sedol au go. Son succès associe réseaux neuronaux et apprentissage par renforcement profond : le programme s’améliore en recevant un signal lié à ses décisions et à l’issue des parties. Ces démonstrations rendent visibles des progrès déjà engagés dans les laboratoires et montrent que les réseaux neuronaux peuvent s’attaquer à des problèmes dont les règles sont difficiles à traduire en instructions détaillées.
Le transformeur et les modèles de langage
La publication de l’architecture transformeur en 2017 marque une autre rupture. Son mécanisme d’attention permet au modèle d’évaluer les relations entre les éléments d’une séquence, notamment les mots d’un texte. Cette architecture devient la base technique de nombreux grands modèles de langage et améliore leur capacité à traiter des séquences longues.
Avec ChatGPT, lancé en 2022, l’IA générative atteint un public très large. Ces modèles peuvent rédiger, résumer, traduire, programmer ou dialoguer, sans garantir l’exactitude de chaque réponse. Les modèles multimodaux prolongent cette évolution en traitant plusieurs formats, tels que le texte, l’image, l’audio ou la vidéo. L’IA ne se limite donc plus à classer des contenus : elle peut aussi en produire.
Pourquoi l’histoire de l’IA est désormais une question de société
L’IA est devenue centrale parce qu’elle ne reste plus confinée aux laboratoires. Elle intervient dans la recherche scientifique, les moteurs de recherche, la santé, les outils de création, la cybersécurité, l’industrie et les services publics. Son histoire technique rejoint donc l’histoire économique, politique et culturelle des sociétés numérisées.
Performance, responsabilité et souveraineté
Les modèles actuels peuvent reproduire des biais présents dans leurs données, générer des informations erronées avec assurance ou rendre leurs décisions difficiles à expliquer. La protection des données, le droit d’auteur, la discrimination, la sûreté et l’impact environnemental déterminent les conditions d’un déploiement acceptable.
Les États et les institutions s’intéressent aussi à la souveraineté numérique : maîtriser les compétences, les infrastructures de calcul, les données et les règles applicables. En France, le rapport Villani a contribué à placer l’IA parmi les priorités de politique publique. Comprendre l’histoire de l’intelligence artificielle permet de dépasser l’effet de nouveauté : les outils changent vite, mais les débats entre automatisation, contrôle humain et intérêt collectif accompagnent le domaine depuis ses origines.