L’objectif principal de cet essai est l’avenir de l’intelligence artificielle (IA). Afin de mieux comprendre comment l’IA risque de se développer, j’ai l’intention d’explorer d’abord son histoire et son état actuel. En montrant comment son rôle dans nos vies a changé et s’est élargi jusqu’à présent, je serai plus en mesure de prédire ses tendances futures.
John McCarthy a inventé le terme d’intelligence artificielle pour la première fois en 1956 au Dartmouth College. A cette époque, les ordinateurs électroniques, la plate-forme évidente pour une telle technologie avaient encore moins de trente ans, la taille des amphithéâtres et des systèmes de stockage et de traitement trop lents pour rendre justice au concept. Ce n’est que depuis le boom du numérique des années 80 et 90 que le matériel de construction des systèmes a commencé à gagner du terrain sur les ambitions des théoriciens de l’IA et que le domaine a vraiment commencé à s’intensifier. Si l’intelligence artificielle peut égaler les progrès réalisés au cours des dix dernières années, elle devrait faire partie de notre quotidien, au même titre que les ordinateurs de notre vivant. L’intelligence artificielle a reçu de nombreuses descriptions différentes depuis sa naissance et le changement le plus important qu’elle a fait dans son histoire jusqu’à présent réside dans la manière dont elle a défini ses objectifs. Lorsque l’IA était jeune, ses objectifs se limitaient à reproduire la fonction de l’esprit humain, à mesure que la recherche développait de nouvelles choses intelligentes à reproduire, telles que des insectes ou du matériel génétique. Les limites du champ devenaient également claires et sortaient de cette intelligence artificielle telle que nous la comprenons aujourd’hui. Les premiers systèmes d’IA suivaient une approche purement symbolique. L’approche de Classic AI consistait à construire des intelligences sur un ensemble de symboles et de règles pour les manipuler. L’un des principaux problèmes d’un tel système est celui de la mise à la terre des symboles. Si chaque élément de connaissance d’un système est représenté par un ensemble de symboles et qu’un ensemble particulier de symboles (« Chien », par exemple) a une définition composée d’un ensemble de symboles (« Mammifère canin »), la définition nécessite une définition. (« mammifère: créature à quatre membres et à température interne constante ») et cette définition nécessite une définition, etc. Quand cette connaissance représentée symboliquement est-elle décrite d’une manière qui n’a pas besoin d’être définie davantage pour être complète? Ces symboles doivent être définis en dehors du monde symbolique pour éviter une récursion éternelle de définitions. La façon dont l’esprit humain fait cela est de lier les symboles à la stimulation. Par exemple, lorsque nous pensons à un chien, nous ne pensons pas à un mammifère canin, nous nous souvenons de ce à quoi ressemble un chien, de son odeur, de sa sensation, etc. C’est ce que l’on appelle la catégorisation sensorimotrice. En permettant à un système d’intelligence artificielle d’accéder aux sens au-delà d’un message dactylographié, il pourrait fonder les connaissances dont il dispose en entrée sensorielle de la même manière que nous le faisons. Cela ne veut pas dire que l’IA classique était une stratégie complètement imparfaite, car elle s’est révélée efficace pour de nombreuses applications. Les algorithmes de jeu d’échecs peuvent battre les grands maîtres, les systèmes experts peuvent diagnostiquer les maladies avec plus de précision que les médecins dans des situations contrôlées et les systèmes de guidage peuvent piloter des avions mieux que les pilotes. Ce modèle d’IA a été développé à une époque où la compréhension du cerveau n’était pas aussi complète qu’aujourd’hui. Les premiers théoriciens de l’IA croyaient que l’approche classique de l’IA pouvait atteindre les objectifs énoncés dans l’IA car la théorie informatique le soutenait. Le calcul est largement basé sur la manipulation de symboles et, selon la thèse de Church / Turing, le calcul peut potentiellement simuler n’importe quoi symboliquement. Cependant, les méthodes classiques de l’intelligence artificielle ne s’adaptent pas bien à des tâches plus complexes. Turing a également proposé un test pour juger de la valeur d’un système intelligent artificiel appelé test de Turing. Lors du test de Turing, deux salles avec des terminaux capables de communiquer entre elles sont installées. La personne qui juge le test est assise dans une pièce. Dans la deuxième pièce, il y a soit une autre personne, soit un système d’IA conçu pour imiter une personne. Le juge communique avec la personne ou le système dans la deuxième pièce et s’il ne parvient pas à faire la distinction entre la personne et le système, le test est réussi. Cependant, ce test n’est pas assez large (ou est trop large …) pour être appliqué aux systèmes d’IA modernes. Le philosophe Searle a présenté l’argument de la chambre chinoise en 1980, affirmant que si un système informatique réussissait le test de Turing pour parler et comprendre le chinois, cela ne signifiait pas nécessairement qu’il comprenait le chinois car Searle lui-même pouvait exécuter le même programme, donnant ainsi l’impression qu’il comprenait. Chinois, il ne comprendrait pas vraiment la langue, il ne ferait que manipuler des symboles dans un système. S’il pouvait donner l’impression qu’il comprenait le chinois sans comprendre un seul mot, le véritable test de l’intelligence devait aller au-delà de ce que ce test énonçait.
Aujourd’hui, l’intelligence artificielle fait déjà partie de nos vies. Par exemple, il existe plusieurs systèmes basés sur l’IA uniquement dans Microsoft Word. Le petit trombone qui nous indique comment utiliser les outils bureautiques est basé sur un réseau de croyances bayésien et sur les gribouillis rouges et verts qui nous indiquent si nous avons mal orthographié un mot ou mal prononcé une phrase issue de la recherche sur le langage naturel. Cependant, vous pouvez affirmer que cela n’a pas eu une incidence positive sur notre vie. De tels outils ont simplement remplacé une bonne orthographe et une bonne grammaire par un outil permettant d’économiser du travail qui permet d’obtenir le même résultat. Par exemple, j’épelle de manière compulsive le mot « réussi » et un certain nombre d’autres mots comportant plusieurs lettres doubles, chaque fois que je les tape mal, cela n’a pas d’importance, car le logiciel que j’utilise corrige automatiquement mon travail pour moi, soulageant ainsi la pression. moi de m’améliorer. Le résultat final est que ces outils ont endommagé plutôt que amélioré mes compétences en anglais écrit. La reconnaissance de la parole est un autre produit issu de la recherche en langage naturel qui a eu un effet beaucoup plus dramatique sur la vie des gens. Les progrès réalisés en matière de précision du logiciel de reconnaissance vocale ont permis à une amie à l’esprit incroyable qui, il y a deux ans, a perdu la vue et les membres à la suite d’une septicémie de se rendre à l’université de Cambridge. La reconnaissance vocale a très mal commencé, car le taux de réussite lors de son utilisation était trop médiocre pour être utile à moins d’avoir un anglais parlé parfait et prévisible, mais il a maintenant progressé au point où il est possible de faire une traduction à la volée. Le système en cours de développement est un système téléphonique avec traduction anglais-japonais en temps réel. Ces systèmes d’intelligence artificielle ont du succès parce qu’ils n’essayent pas d’imiter l’esprit humain tout comme le ferait un système susceptible d’être soumis au test de Turing. Au lieu de cela, ils imitent des parties très spécifiques de notre intelligence. Les systèmes de grammaire Microsoft Words imitent la partie de notre intelligence qui juge l’exactitude grammaticale d’une phrase. Il ne connaît pas le sens des mots, car ce n’est pas nécessaire pour porter un jugement. Le système de reconnaissance vocale émule un autre sous-ensemble distinct de notre intelligence, la capacité à déduire la signification symbolique de la parole. Et le «traducteur à la volée» étend les systèmes de reconnaissance vocale avec synthèse vocale. Cela montre qu’en étant plus précis avec la fonction d’un système artificiellement intelligent, il peut être plus précis dans son fonctionnement.
L’intelligence artificielle est à présent au point où elle peut fournir une aide précieuse pour accélérer les tâches encore effectuées par des personnes telles que les systèmes d’intelligence artificielle basés sur des règles utilisés dans les logiciels de comptabilité et de fiscalité, améliorer les tâches automatisées telles que la recherche d’algorithmes et améliorer les systèmes mécaniques de freinage injection de carburant dans une voiture. Curieusement, les exemples les plus réussis de systèmes intelligents artificiels sont ceux qui sont presque invisibles pour ceux qui les utilisent. Très peu de gens remercient l’intelligence artificielle d’avoir sauvé la vie en évitant de justesse le crash de leur voiture en raison du système de freinage contrôlé par ordinateur.
L’un des principaux problèmes de l’intelligence artificielle moderne est de savoir comment simuler le sens commun que les gens acquièrent au cours de leurs premières années. Un projet en cours, lancé en 1990, s’appelle CYC. L’objectif du projet est de fournir une base de données de sens commun que les systèmes d’intelligence artificielle peuvent interroger pour leur permettre de donner un sens plus humain aux données qu’ils détiennent. Les moteurs de recherche tels que Google commencent déjà à utiliser les informations compilées dans le cadre de ce projet pour améliorer leur service. Par exemple, considérons le mot souris ou une chaîne, une souris peut être un périphérique d’entrée informatique ou un rongeur et une chaîne peut signifier un tableau de caractères ASCII ou une longueur de chaîne. Dans le type de fonction de recherche auquel nous sommes habitués, si vous tapiez l’un de ces mots, une liste de liens vers chaque document contenant le terme de recherche spécifié était affichée. En utilisant un système artificiellement intelligent avec accès à la base de données de sens commun de CYC, lorsque le mot « souris » est attribué au moteur de recherche, il peut vous demander si vous voulez parler de la variété électronique ou à fourrure. Il pourrait alors filtrer tout résultat de recherche contenant le mot en dehors du contexte souhaité. Une telle base de données de bon sens serait également précieuse pour aider une IA à réussir le test de Turing.
Jusqu’à présent, je n’ai abordé que les systèmes artificiels qui interagissent avec un monde très fermé. Un moteur de recherche obtient toujours ses termes de recherche sous forme de liste de caractères, consultant seo les analyseurs syntaxiques grammaticaux ne doivent traiter que des chaînes de caractères formant des phrases dans une langue et les systèmes de reconnaissance vocale se personnalisent en fonction de la voix et de la langue dans lesquelles leur utilisateur parle. Pour que les méthodes actuelles d’intelligence artificielle soient efficaces, la fonction et l’environnement doivent être soigneusement définis. À l’avenir, les systèmes d’intelligence artificielle pourront fonctionner sans connaître leur environnement au préalable. Par exemple, vous pouvez désormais utiliser la recherche Google pour rechercher des images en saisissant du texte. Imaginez que si vous pouviez rechercher n’importe quoi en utilisant n’importe quel moyen de description de recherche, vous pourriez plutôt aller dans Google et lui donner une photo d’un chat, si vous pouviez reconnaître qu’on lui a donné une image et essayer d’évaluer de quoi il s’agit, il isolez le centre de l’image et reconnaissez qu’il s’agit d’un chat, examinez ce qu’il sait sur les chats et reconnaissez qu’il s’agit d’un chat persan. Il pourrait ensuite séparer les résultats de la recherche en catégories pertinentes pour les chats persans, telles que le toilettage, où les acheter, des photos, etc. Ceci est juste un exemple et je ne sais pas si des recherches sont actuellement en cours dans ce sens. J’essaie de souligner que l’avenir de l’intelligence artificielle réside dans la fusion des techniques et méthodes existantes de représentation des connaissances afin de tirer parti des forces de chaque idée. L’exemple que j’ai donné nécessiterait une analyse d’image afin de reconnaître le chat, une classification de données intelligente afin de choisir les bonnes catégories de sous-diviser les résultats de la recherche et un élément fort de bon sens tel que celui proposé par la base de données CYC. Il devrait également traiter des données provenant de nombreuses bases de données distinctes, qui utilisent différentes méthodes pour représenter les connaissances qu’elles contiennent. Par «représenter le savoir», j’entends la structure de données utilisée pour cartographier le savoir. Chaque méthode de représentation des connaissances présente des forces et des faiblesses différentes pour des applications différentes. La cartographie logique est un choix idéal pour les applications telles que les systèmes experts d’assistance aux médecins ou aux comptables lorsqu’il existe un ensemble de règles clairement défini, mais elle est souvent trop inflexible dans des domaines tels que la navigation robotique effectuée par la sonde Mars Pathfinder. Pour cette application, un réseau de neurones pourrait être plus approprié car il pourrait être entraîné sur une gamme de terrains avant d’atterrir sur Mars. Toutefois, pour d’autres applications telles que la reconnaissance vocale ou la traduction à la volée des réseaux de neurones seraient trop inflexibles, car ils nécessitent que toutes les connaissances qu’ils contiennent soient décomposées en chiffres et en sommes. Les autres méthodes de représentation de la connaissance incluent les réseaux sémantiques, la logique formelle, les statistiques, le raisonnement qualitatif ou la logique floue, pour n’en nommer que quelques-uns. Chacune de ces méthodes peut convenir mieux à une application d’IA particulière en fonction de la précision des effets du système, de la quantité déjà connue de l’environnement d’exploitation et de la gamme des différentes entrées que le système est susceptible de traiter. avec.
Ces derniers temps, les investissements dans la recherche sur l’IA ont également fortement augmenté. En effet, les entreprises réalisent le potentiel d’économie de temps et de travail de ces outils. L’intelligence artificielle peut faciliter l’utilisation des applications existantes, rendre le comportement des utilisateurs plus intuitif et mieux prendre en compte les modifications de l’environnement dans lequel elles évoluent. Au tout début des recherches sur l’IA, le domaine n’atteignait pas ses objectifs aussi rapidement que les investisseurs le pensaient. conduit à un effondrement de la nouvelle capitale. Cependant, il ne fait aucun doute qu’Amnesty International a plus que remboursé ses trente années d’investissement en temps de travail économisé et en logiciels plus efficaces. L’intelligence artificielle est désormais une priorité absolue en matière d’investissement, avec des bienfaiteurs issus du monde militaire, commercial et gouvernemental. Le pentagone a récemment investi 29 millions de dollars dans un système basé sur l’IA pour aider les officiers de la même manière qu’un assistant personnel le ferait normalement.