{"id":278,"date":"2019-07-22T18:15:07","date_gmt":"2019-07-22T16:15:07","guid":{"rendered":"https:\/\/langagemachine.fr\/?p=278"},"modified":"2019-07-22T22:09:08","modified_gmt":"2019-07-22T20:09:08","slug":"intelligence-artificielle-enfin-lenfance","status":"publish","type":"post","link":"https:\/\/langagemachine.fr\/?p=278","title":{"rendered":"Intelligence artificielle : enfin l&rsquo;enfance ?"},"content":{"rendered":"\n<ul><li>nb: vous pouvez <a href=\"http:\/\/i-not-robot.info\/index.php\/2019\/07\/22\/jusquou-ira-lia-intelligence-artificielle-enfin-lenfance\/\">\u00e9couter cette analyse sur le podcast I, Not Robot<\/a><\/li><\/ul>\n\n\n\n<p>L\u2019intelligence artificielle a beau avoir discr\u00e8tement franchi la cinquantaine, elle semble conserver les attraits du nouveau n\u00e9. Un geste d\u2019elle \u2013 on s\u2019\u00e9merveille, on s\u2019alarme. Port\u00e9e haut par l\u2019avant-garde de l\u2019abstraction algorithmique et les machines les plus sophistiqu\u00e9es de l\u2019industrie informatique, l\u2019IA, fantasme enfin n\u00e9 \u00e0 la r\u00e9alit\u00e9, attire tous les regards.<\/p>\n\n\n\n<p>Elle fut, de la fin des ann\u00e9es 1950 au tournant des ann\u00e9es 2010, en gestation prolong\u00e9e,  \u00e0 l\u2019\u00e9tat d\u2019\u00e9bauche compliqu\u00e9e dans les laboratoires de recherche en informatique, ou, taisant le nom qui allait faire sa gloire, exploit\u00e9e discr\u00e8tement comme outil d\u2019aide \u00e0 la d\u00e9cision, sous la d\u00e9nomination de syst\u00e8me expert. La voici devenue, en quelques ann\u00e9es, technique g\u00e9n\u00e9raliste en conqu\u00eate acc\u00e9l\u00e9r\u00e9e de tous les secteurs d\u2019activit\u00e9. Et, o\u00f9 qu\u2019elle se pr\u00e9sente, elle fait la joie de ses futurs parents adoptifs, autant qu\u2019elle angoisse celles et ceux qui vont devoir lui faire une place dans leur vie, sans n\u00e9cessairement pouvoir peser sur son destin.<\/p>\n\n\n\n<p>D\u2019un c\u00f4t\u00e9, elle fait fondre les investisseurs, enchante les directeurs d\u2019usine, ravit les ing\u00e9nieurs. De l\u2019autre, elle inqui\u00e8te salari\u00e9s et citoyens. Dans la sph\u00e8re \u00e9conomique, l\u2019intelligence artificielle promet de transformer bien des m\u00e9tiers. Dans la sph\u00e8re sociale, elle pose de fort pressantes questions \u2013 allant de celle, centr\u00e9e sur l\u2019individu, des r\u00e9actions \u00e0 avoir face \u00e0 la capacit\u00e9 des machines \u00e0 identifier quiconque dans la rue \u00e0 tout instant, \u00e0 celle, touchant les grands \u00e9quilibres sociaux, de la proportion d\u2019emplois qu\u2019elle pourrait faire dispara\u00eetre.<\/p>\n\n\n\n<p>Dans tous les cas, l\u2019int\u00e9r\u00eat port\u00e9 \u00e0 l\u2019IA, parfois excessif, n\u2019est pas usurp\u00e9. Car \u00e0 peine sortie de son berceau, elle surprend par ses capacit\u00e9s, authentiquement \u00e9tonnantes. En m\u00e9decine, elle a fait la preuve de son aptitude \u00e0 d\u00e9tecter les indices de cancer, sur des radiographies, mieux que les meilleurs experts humains. Elle identifie, dans la voix des jeunes enfants, les signes caract\u00e9ristiques de l\u2019anxi\u00e9t\u00e9 ou de la d\u00e9pression, avec davantage d\u2019acuit\u00e9 que les psychologues. Elle peut cr\u00e9er des tableaux \u00e0 la mani\u00e8re du peintre dont on lui aura pr\u00e9sent\u00e9 des \u0153uvres&nbsp;; reconstituer un visage en trois dimensions \u00e0 partir d\u2019une seule photo. Sans compter son aptitude \u00e0 attribuer une couleur \u00e9motionnelle \u00e0 un discours, \u00e0 traduire instantan\u00e9ment une langue dans une autre avec suffisamment de pr\u00e9cision pour que deux interlocuteurs \u00e9trangers se comprennent. Ou encore son impressionnante capacit\u00e9 \u00e0 battre les humains \u00e0 des jeux toujours plus difficiles&nbsp;: \u00e9checs, go, shogi, jeux vid\u00e9os en ligne massivement multijoueurs (MMORPG)\u2026<\/p>\n\n\n\n<h2>Les trois piliers de l&rsquo;IA d&rsquo;aujourd&rsquo;hui<\/h2>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"alignleft is-resized\"><img loading=\"lazy\" src=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/fonctiondecout-1024x332.jpg\" alt=\"\" class=\"wp-image-280\" width=\"356\" height=\"115\" srcset=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/fonctiondecout-1024x332.jpg 1024w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/fonctiondecout-300x97.jpg 300w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/fonctiondecout-768x249.jpg 768w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/fonctiondecout-604x196.jpg 604w\" sizes=\"(max-width: 356px) 100vw, 356px\" \/><figcaption>Les r\u00e9seaux de neurones ? Des fonctions math\u00e9matiques !<\/figcaption><\/figure><\/div>\n\n\n\n<p>\nDerri\u00e8re\ncette litanie d\u2019exploits, trois conditions sont syst\u00e9matiquement\nr\u00e9unies&nbsp;: une \u00e9quipe scientifique ayant une compr\u00e9hension\ntr\u00e8s claire du probl\u00e8me \u00e0 r\u00e9soudre, des sources de donn\u00e9es\nabondantes et pertinentes, et une s\u00e9lection d\u2019algorithmes bien\nchoisis et bien articul\u00e9s pour, \u00e0 partir des donn\u00e9es, apprendre \u00e0\nr\u00e9soudre le probl\u00e8me pos\u00e9.   Dans la plupart des cas, les IA\nd\u00e9frayant la chronique s\u2019appuient sur des algorithmes dits\nd\u2019&nbsp;\u00ab&nbsp;apprentissage profond&nbsp;\u00bb. Ceux-ci fonctionnent\ntous, sch\u00e9matiquement, selon les m\u00eames principes. Une tr\u00e8s grande\nquantit\u00e9 de donn\u00e9es en entr\u00e9e du syst\u00e8me est trait\u00e9e par des\ngroupes de fonctions math\u00e9matiques reli\u00e9es les unes avec les\nautres. Une fonction peut \u00eatre assimil\u00e9e \u00e0 un \u00ab&nbsp;neurone&nbsp;\u00bb,\nun groupe de fonctions \u00e0 une couche de neurones. Le r\u00e9sultat du\ncalcul effectu\u00e9 par les fonctions math\u00e9matiques, couche apr\u00e8s\ncouche, est compar\u00e9 avec des valeurs cibles. Selon l\u2019\u00e9cart entre\nle r\u00e9sultat obtenu et ces valeurs cibles, les fonctions\nmath\u00e9matiques sont modifi\u00e9es automatiquement, jusqu\u2019\u00e0 ce que\nr\u00e9sultats et valeurs cibles atteignent une proximit\u00e9 jug\u00e9e\nsatisfaisante par les programmeurs. A ce stade, les couches de\nneurones ont \u00ab&nbsp;appris&nbsp;\u00bb \u00e0 r\u00e9soudre le probl\u00e8me pos\u00e9.\nFace \u00e0 de nouvelles donn\u00e9es, inconnues mais concernant le m\u00eame\nprobl\u00e8me, elles sauront, imm\u00e9diatement, trouver une solution.<\/p>\n\n\n\n<p>\nCette\npr\u00e9sentation est, bien s\u00fbr, tr\u00e8s sch\u00e9matique. Mais elle donne une\nid\u00e9e sans doute plus honn\u00eate de ce que <em>fait<\/em>\nune intelligence artificielle que la seule m\u00e9taphore neurologique\ndes \u00ab&nbsp;neurones artificiels&nbsp;\u00bb, qui laisse un peu vite\npenser que l\u2019IA s\u2019apparente au cerveau humain. Car, en toute\nrigueur, le fonctionnement du cerveau est autrement plus complexe que\ncelui des \u00ab&nbsp;r\u00e9seaux de neurones&nbsp;\u00bb des IA les plus\nperformantes. Surtout, l\u2019apprentissage profond, en d\u00e9pit de ses\nind\u00e9niables succ\u00e8s, reste incapable d\u2019accomplir d\u2019autres\n\u00ab&nbsp;tours&nbsp;\u00bb que ceux aujourd\u2019hui tant applaudis.<\/p>\n\n\n\n<p> Les IA \u00e9merveillent en effet par leur aptitude \u00e0 traiter des probl\u00e8mes qui, en r\u00e9alit\u00e9, sont peu ou prou toujours les m\u00eames&nbsp;: reconna\u00eetre des r\u00e9gularit\u00e9s connues dans des donn\u00e9es inconnues (un visage donn\u00e9 parmi une collection de visages, par exemple), d\u00e9couvrir des motifs inconnus dans des donn\u00e9es inconnues (classer automatiquement des visages selon des traits caract\u00e9ristiques), pr\u00e9dire l\u2019\u00e9mergence d\u2019un motif connu au sein de donn\u00e9es inconnues (esquisser un visage \u00e0 partir d\u2019une partie des traits qui le constituent). L\u2019IA \u00ab&nbsp;apprend&nbsp;\u00bb, certes. Mais cet apprentissage est tr\u00e8s limit\u00e9. Et m\u00eame les acteurs les plus en vue de ses d\u00e9veloppements s\u2019en tiennent \u00e0 des vis\u00e9es raisonnables. \u00ab&nbsp;<em>&nbsp;A la fin, ce que l\u2019on voudrait, ce sont des machines qui ont autant de bon sens qu\u2019un chat de goutti\u00e8re&nbsp;\u00bb, <\/em><a href=\"https:\/\/frenchmorning.com\/yann-lecun-creer-des-machines-qui-ont-autant-de-bon-sens-quun-chat-de-gouttiere\/?fbclid=IwAR0C-ZK2PRq8dTZfxQp2zigt6AxvaYQXRJEsu2YFXWppXYKG4AxOn0pS1Ko\"> rappelait en juin 2019 le Fran\u00e7ais Yann Lecun<\/a>, directeur de la recherche en Intelligence Artificielle de Facebook, laur\u00e9at 2018 du prix Turing, invit\u00e9 \u00e0 une soir\u00e9e d\u2019honneur au Consulat g\u00e9n\u00e9ral de France \u00e0 New York.&nbsp;<\/p>\n\n\n\n<h2><strong>Une grande ambition&nbsp;: le chat de goutti\u00e8re<\/strong><\/h2>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"alignleft is-resized\"><img loading=\"lazy\" src=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/Dachhase.jpg\" alt=\"\" class=\"wp-image-281\" width=\"267\" height=\"192\" srcset=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/Dachhase.jpg 720w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/Dachhase-300x217.jpg 300w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/Dachhase-374x270.jpg 374w\" sizes=\"(max-width: 267px) 100vw, 267px\" \/><figcaption>@Paerdna  CC BY-SA 3.0 (<a href=\"https:\/\/creativecommons.org\/licenses\/by-sa\/3.0\">https:\/\/creativecommons.org\/licenses\/by-sa\/3.0<\/a>) <\/figcaption><\/figure><\/div>\n\n\n\n<p>Que faut-il \u00e0 l\u2019IA pour qu\u2019un jour elle acqui\u00e8re autant de bon sens qu\u2019un chat de goutti\u00e8re&nbsp;? Que lui faut-il, au-del\u00e0, pour r\u00e9ussir \u00e0 se repr\u00e9senter le monde qui l\u2019entoure, saisir et inventer des concepts nouveaux, appliquer ses connaissances \u00e0 d\u2019autres domaines que ceux dont elles sont issues&#8230;&nbsp;?<\/p>\n\n\n\n<p>\nCes\nquestions sont celles qui forgent la pointe des recherches\ncontemporaines en IA. Et les chercheurs sont en train d\u2019esquisser\ndes r\u00e9ponses qui pourraient faire enfin sortir l\u2019IA de son\nberceau. Leur conviction&nbsp;? Celle que l\u2019IA va devoir d\u00e9passer\nles dons inn\u00e9s que lui ont offert les algorithmes d\u2019apprentissage\nprofond, et trouver d\u2019autres mani\u00e8res d\u2019apprendre. Il lui faut\nd\u00e9sormais apprendre \u00e0 apprendre. Comme un enfant s\u2019engageant sur\nle long chemin de l\u2019\u00e9ducation, les progr\u00e8s \u00e0 venir de l\u2019IA\nvont devoir s\u2019appuyer sur un \u00e9ventail d\u2019outils p\u00e9dagogiques\nbien plus \u00e9tendu. Travaux th\u00e9oriques, exp\u00e9rimentations et\nrapprochements disciplinaires portent la trace de cet acte suivant de\nl\u2019IA. Ils pourraient aboutir \u00e0 des IA \u00e9quip\u00e9s d\u2019un \u00ab&nbsp;sens\ncommun&nbsp;\u00bb rudimentaire, aptes \u00e0 apprendre seules. Ce qui\nram\u00e8nerait les \u00ab&nbsp;prouesses&nbsp;\u00bb de l\u2019IA actuelles au rang\nde sympathiques balbutiements\u2026 et ferait v\u00e9ritablement entrer les\nintelligences artificielles dans l\u2019enfance, cette p\u00e9riode\nd\u2019intense d\u00e9veloppement  de la puissance intellectuelle.<\/p>\n\n\n\n<p>Parmi les chercheurs d\u00e9frichant ces nouvelles pistes figure Josh Tanenbaum. Ce professeur au D\u00e9partement de Sciences cognitives et du cerveau au Massachusetts Institute of Technology a, en 2018, publi\u00e9 une synth\u00e8se, \u00e0 la fois  enthousiaste et pragmatique, expliquant pourquoi et comment l\u2019IA devait prendre le chemin d\u2019un progr\u00e8s inspir\u00e9 par la mani\u00e8re dont les humains apprennent pendant l\u2019enfance. L\u2019id\u00e9e \u00e9tait d\u00e8s alors non pas d\u2019annoncer une r\u00e9volution, mais de pointer les limites fondamentales des technologies d\u2019apprentissage profond et d\u2019envisager les moyens de leur faire franchir un nouveau cap conceptuel. Ce que pointe d\u2019embl\u00e9e Josh Tanenbaum, c\u2019est la tr\u00e8s faible efficacit\u00e9 de l\u2019apprentissage des r\u00e9seaux de neurones profonds face \u00e0 celle des humains, lorsqu\u2019ils sont confront\u00e9s \u00e0 la m\u00eame t\u00e2che. Le chercheur et son \u00e9quipe s\u2019appuient, notamment, sur la fa\u00e7on dont une IA parmi les meilleures du moment apprend \u00e0 jouer \u00e0 des jeux vid\u00e9os des ann\u00e9es 1980.  <\/p>\n\n\n\n<h2> <strong>236 heures pour gagner \u00e0 un jeu d\u2019arcade<\/strong><\/h2>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"alignleft is-resized\"><img loading=\"lazy\" src=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/Frostbite.jpg\" alt=\"\" class=\"wp-image-282\" width=\"281\" height=\"184\" srcset=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/Frostbite.jpg 640w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/Frostbite-300x197.jpg 300w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/Frostbite-411x270.jpg 411w\" sizes=\"(max-width: 281px) 100vw, 281px\" \/><figcaption> https:\/\/www.flickr.com\/photos\/astroguy\/ <\/figcaption><\/figure><\/div>\n\n\n\n<p> En 2015, le syst\u00e8me \u00ab&nbsp;DQN&nbsp;\u00bb , con\u00e7u par des chercheurs employ\u00e9s par Google, associant un r\u00e9seau de neurones profond \u00e0 des algorithmes d\u2019apprentissage par renforcement, a appris \u00e0 jouer \u00e0 49 jeux d\u2019arcade issus du catalogue d\u2019Atari. \u00ab&nbsp;DQN&nbsp;\u00bb, ont montr\u00e9 ses concepteurs, a r\u00e9ussi \u00e0 faire mieux qu\u2019un joueur humain exp\u00e9riment\u00e9 pour 20 de ces jeux, aussi bien pour 9 d\u2019entre eux, et a conc\u00e9d\u00e9 la d\u00e9faite pour les 20 autres. L\u2019\u00e9quipe de Josh Tanenbaum s\u2019est en particulier int\u00e9ress\u00e9e \u00e0 la mani\u00e8re dont \u00ab&nbsp;DQN&nbsp;\u00bb avait appris \u00e0 jouer \u00e0 \u00ab&nbsp;Frostbite&nbsp;\u00bb. Le joueur de Frostbite doit construire un igloo. Il saute d\u2019iceberg en iceberg, r\u00e9colte des blocs de glace et \u00e9vite les obstacles (ours, oiseaux\u2026).  Autant dire que ce n\u2019est pas un jeu difficile. Un adulte s\u2019y essayant parvient \u00e0 r\u00e9aliser un score honorable en un temps relativement court (quelques heures au plus). Et si le m\u00eame adulte observe un joueur aguerri, il lui faut encore moins de temps. L\u2019IA d\u00e9velopp\u00e9e par les chercheurs de Google a, elle, besoin de 236 heures pour atteindre un taux de r\u00e9ussite de 49&nbsp;% &#8211; sachant qu\u2019en manipulant de mani\u00e8re totalement al\u00e9atoire les contr\u00f4les du jeu, ce taux atteint 1,5&nbsp;%. Au bout de deux heures d\u2019apprentissage, le score de la machine ne d\u00e9passe pas 3,5&nbsp;%, et atteint tout juste 19&nbsp;% apr\u00e8s 116 heures. En clair&nbsp;: \u00ab&nbsp;DQN&nbsp;\u00bb devient peut \u00eatre un tr\u00e8s bon joueur de \u00ab&nbsp;Frostbite&nbsp;\u00bb, mais au prix d\u2019un apprentissage extr\u00eamement laborieux. Ce qui rend les joueurs humains si rapidement habiles \u00e0 construire un igloo de pixels en sautant, sur l\u2019\u00e9cran, d\u2019un iceberg \u00e0 un autre&nbsp;? \u00ab&nbsp;Les apprenants humains, contrairement au DQN et \u00e0  tant d\u2019autres syst\u00e8mes d\u2019IA apprenantes, approchent les nouveaux probl\u00e8mes arm\u00e9s d\u2019une exp\u00e9rience pr\u00e9alable tr\u00e8s large, r\u00e9pond Josh Tanenbaum. Un humain rencontre ici un probl\u00e8me qui n\u2019est jamais qu\u2019un probl\u00e8me parmi une cha\u00eene form\u00e9e des ann\u00e9es durant, et ces probl\u00e8mes rencontr\u00e9s au pr\u00e9alable partagent bien souvent des \u00e9l\u00e9ments de structure&nbsp;\u00bb.<\/p>\n\n\n\n<p>Autrement dit: quand il fait une exp\u00e9rience aussi artificielle que celle consistant \u00e0 d\u00e9couvrir ce qui fait gagner \u00e0 un jeu d\u2019arcade, tout humain, aussi r\u00e9tif aux \u00e9crans soit-il, peut s\u2019appuyer sur tout ce que la vie a pu lui apprendre. Comme savoir, et cela d\u00e8s les premiers mois de vie, qu\u2019il y a souvent int\u00e9r\u00eat \u00e0 \u00eatre attentif aux \u00e9l\u00e9ments qui se d\u00e9placent dans le d\u00e9cor  &#8211; que ce soit dans une rue anim\u00e9e ou sur l\u2019\u00e9cran d\u2019un jeu d\u2019arcade. L\u2019IA, elle, au moins dans ses premiers pas d\u2019exploration, n\u2019a aucune raison de s\u2019int\u00e9resser \u00e0 un pixel plut\u00f4t qu\u2019un autre. \u00ab&nbsp;Si nous voulons concevoir des machines qui apprennent et pensent comme des humains, alors nos machines doivent se confronter aux t\u00e2ches \u00e0 la mani\u00e8re des humains, poursuit naturellement le chercheur du MIT. Les gens ne partent jamais de rien, et c\u2019est le secret de leur r\u00e9ussite. Le d\u00e9fi devient&nbsp;: comment arriver \u00e0 disposer tr\u00e8s vite de connaissances <em>a priori<\/em> pour apprendre \u00e0 r\u00e9soudre tr\u00e8s vite de nouveaux probl\u00e8mes&nbsp;?&nbsp;\u00bb<\/p>\n\n\n\n<p>Et quel d\u00e9fi&nbsp;! Rien moins que r\u00e9ussir \u00e0 \u00ab&nbsp;\u00e9quiper&nbsp;\u00bb les IA de programmes qui, \u00e0 l\u2019instar du cerveau d\u2019un tr\u00e8s jeune enfant, sera capable d\u2019extraire tr\u00e8s vite, et avec une fantastique efficacit\u00e9, des informations utiles \u00e0 partir de son environnement. Est-il envisageable de faire se d\u00e9velopper une IA comme se d\u00e9veloppe l\u2019esprit d\u2019un enfant&nbsp;? Ou \u00e0 d\u00e9faut, au moins, d\u2019en faire un honorable chat de goutti\u00e8re&nbsp;? Rien n\u2019est acquis. Mais la voie est ouverte, y compris par celles et ceux qui travaillent au plus pr\u00e8s des applications industrielles de l\u2019IA. Ainsi certains chercheurs travaillant dans les unit\u00e9s de recherche et d\u00e9veloppement d\u2019Uber (Uber AI Labs), en marge de leurs travaux centr\u00e9s sur les logiciels de conduite autonome, contribuent \u00e0 pr\u00e9parer la g\u00e9n\u00e9ration suivante d\u2019IA, en exp\u00e9rimentant de nouveaux algorithmes dot\u00e9s de plasticit\u00e9. Soit des algorithmes dot\u00e9s de la capacit\u00e9, apr\u00e8s un apprentissage, de reconfigurer partiellement leurs connexions entre \u00ab&nbsp;neurones&nbsp;\u00bb<sup><a href=\"#sdfootnote1sym\"><sup>1<\/sup><\/a><\/sup> \u2013 pour accomplir une t\u00e2che l\u00e9g\u00e8rement diff\u00e9rente, par exemple.  \u00ab&nbsp;Je travaille sur le d\u00e9veloppement de r\u00e9seaux de neurones qui demeurent capable d\u2019apprendre apr\u00e8s leur apprentissage initial. L\u2019id\u00e9e est de former des r\u00e9seaux de neurones qui, une fois \u00ab&nbsp;l\u00e2ch\u00e9s&nbsp;\u00bb dans leur environnement, sans guidage, restent capables de modifier leur comportement. Cette plasticit\u00e9 les aide \u00e0 apprendre de mani\u00e8re plus efficace&nbsp;\u00bb, explique Thomas Miconi, ing\u00e9nieur de recherche chez Uber.<\/p>\n\n\n\n<p>\nLe\nlevier de la plasticit\u00e9, pour aider les machines \u00e0 \u00ab&nbsp;assouplir&nbsp;\u00bb\nleurs capacit\u00e9s d\u2019apprentissage, est fortement inspir\u00e9 des\nprocessus de maturation observ\u00e9e, dans l\u2019enfance, au c\u0153ur du\ncerveau humain. A sa naissance, un nouveau-n\u00e9 dispose, d\u00e9j\u00e0,\nd\u2019environ 100 milliards de neurones. Seule la moiti\u00e9 de ces\nneurones sont alors connect\u00e9s entre eux. Mais minute apr\u00e8s minute,\nenviron 2 millions de connexions vont se mettre en place, sous\nl\u2019influence de facteurs g\u00e9n\u00e9tiques et des interactions avec\nl\u2019environnement. Doter une machine ne serait-ce que d\u2019une\nfraction modeste de cette formidable plasticit\u00e9, dans la dur\u00e9e \u2013\net pas seulement \u00e0 l\u2019occasion d\u2019un apprentissage initiale\neffectu\u00e9 dans un but pr\u00e9cis &#8211; c\u2019est lui donner des chances de\npouvoir adapter son comportement \u00e0 un environnement complexe et\nchangeant.<\/p>\n\n\n\n<p>\nReste\nque, chez les humains, cette plasticit\u00e9 n\u2019est pas absolue&nbsp;:\nle cerveau de <em>sapiens<\/em>\n\u00e9volue intens\u00e9ment dans les premiers mois de vie, puis continue \u00e0\nse transformer, jusqu\u2019\u00e0 la mort. Mais il h\u00e9rite, aussi, de\ncontraintes impos\u00e9es par l\u2019\u00e9volution, qui inscrivent dans les\ngrands sch\u00e9mas de connexion et de fonctionnement biochimique de ses\nneurones des dynamiques de r\u00e9ponse organisant, d\u2019embl\u00e9e, la\nmani\u00e8re dont un humain appr\u00e9hende le monde.<\/p>\n\n\n\n<p>\nLa\nplasticit\u00e9 n\u2019efface pas l\u2019inn\u00e9, et les \u00eatres humains, avant\nm\u00eame de faire l\u2019exp\u00e9rience du monde, partent avec quelques\nmillions d\u2019ann\u00e9es d\u2019\u00e9volution d\u2019avance sur les machines. Or\nfigure dans cet h\u00e9ritage naturel ce que les sp\u00e9cialistes du\nd\u00e9veloppement c\u00e9r\u00e9bral assimilent aujourd\u2019hui \u00e0 de v\u00e9ritables\nth\u00e9ories. Ce qui fait dire \u00e0 Stanislas Dehaene, titulaire de la\nchaire de Psychologie cognitive exp\u00e9rimentale au Coll\u00e8ge de France,\nque \u00ab&nbsp;[\u2026] pour parvenir \u00e0 une v\u00e9ritable IAG [Intelligence\nArtificielle G\u00e9n\u00e9rale, ndr], c\u2019est probablement le principe m\u00eame\nde nos architectures informatiques qu\u2019il faut revoir, parce que le\ncerveau humain \u00e0 la diff\u00e9rence des autres esp\u00e8ces animales, semble\nposs\u00e9der des algorithmes tr\u00e8s sp\u00e9ciaux pour formuler des th\u00e9ories\ndu monde ext\u00e9rieur. Il parvient \u00e0 explorer syst\u00e9matiquement toutes\nles combinaisons de toutes les r\u00e8gles possibles, \u00e0 l\u2019aide d\u2019une\nsorte de langage de la pens\u00e9e en s\u2019appuyant sur la th\u00e9orie des\nprobabilit\u00e9s. [\u2026] Seule la manipulation des probabilit\u00e9s, c\u2019est\n\u00e0 dire des incertitudes sur ce qu\u2019on a appris, permet de tirer le\nmaximum de chaque information. C\u2019est la th\u00e9orie du cerveau\nstatisticien&nbsp;\u00bb<sup><a href=\"#sdfootnote2sym\"><sup>2<\/sup><\/a><\/sup>.\n\n<\/p>\n\n\n\n<p> Cette th\u00e9orie est bien connue des chercheurs en intelligence artificielle. Sans surprise, elle fait partie de l\u2019\u00e9ventail des voies \u00e0 poursuivre \u00e9tabli par Josh Tanenbaum.  \u00ab&nbsp;A l\u2019\u00e2ge de deux ans, probablement avant, les enfants s\u2019attendent \u00e0 ce que les objets inanim\u00e9s respectent des principes de persistance, de coh\u00e9sion, de continuit\u00e9 et de solidit\u00e9.&nbsp;Les repr\u00e9sentations cognitives sous-jacentes peuvent \u00eatre comprises comme des th\u00e9ories intuitives, avec une structure causale  ressemblant \u00e0 celle des th\u00e9ories scientifiques, retient-il pour sa part<sup><a href=\"#sdfootnote3sym\"><sup>3<\/sup><\/a><\/sup>. La proposition de l\u2019enfant scientifique voit m\u00eame un aspect scientifique dans le processus d\u2019apprentissage lui-m\u00eame, des exp\u00e9riences r\u00e9centes montrant que les enfants cherchent \u00e0 obtenir de nouvelles donn\u00e9es pour distinguer des hypoth\u00e8ses, isoler des variables, tester des relations de causalit\u00e9&#8230;&nbsp;\u00bb.<\/p>\n\n\n\n<h2> <strong>Faire \u00e9merger les th\u00e9ories scientifiques<\/strong><\/h2>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"alignleft is-resized\"><img loading=\"lazy\" src=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/newton-s-cradle-balls-sphere-action-60582-1024x718.jpeg\" alt=\"\" class=\"wp-image-283\" width=\"258\" height=\"180\" srcset=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/newton-s-cradle-balls-sphere-action-60582-1024x718.jpeg 1024w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/newton-s-cradle-balls-sphere-action-60582-300x210.jpeg 300w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/newton-s-cradle-balls-sphere-action-60582-768x539.jpeg 768w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/newton-s-cradle-balls-sphere-action-60582-385x270.jpeg 385w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/newton-s-cradle-balls-sphere-action-60582.jpeg 1854w\" sizes=\"(max-width: 258px) 100vw, 258px\" \/><\/figure><\/div>\n\n\n\n<p>\nParmi\nces exp\u00e9riences, citons celles du Laboratoire de sciences cognitives\net psycholinguistique de l\u2019ENS, \u00e0 Paris, qui montrent qu\u2019avant\ndeux ans les enfants sont, d\u00e9j\u00e0, sensibles \u00e0 la syntaxe&nbsp;: ils\njugent anormales des phrases o\u00f9 verbes et noms sont plac\u00e9s de\nmani\u00e8re erron\u00e9e. Citons encore, \u00e0 Paris toujours, celles men\u00e9es\npar le laboratoire de Psychologie de la perception, de l&rsquo;universit\u00e9\nParis-Descartes, qui attestent que des nouveau-n\u00e9s \u00e2g\u00e9s d&rsquo;une\ntrentaine d&rsquo;heures seulement poss\u00e8dent une repr\u00e9sentation abstraite\ndu nombre<sup><a href=\"#sdfootnote1sym\"><sup>1<\/sup><\/a><\/sup>.\n\n<\/p>\n\n\n\n<p>\nPeut-on\nimaginer \u00e9crire le code informatique qui offrirait aux IA des\naptitudes aussi essentielles, avant m\u00eame de les exposer aux immenses\nr\u00e9servoirs de donn\u00e9es qui constituent aujourd\u2019hui leur seul\nbagage&nbsp;?   \u00ab&nbsp;Il n\u2019y a pas d\u2019accord sur la nature\ncomputationnelle [des principes et concepts inn\u00e9s chez les enfants],\nreconna\u00eet Josh Tannebaum. Ont \u00e9t\u00e9 \u00e9voqu\u00e9s des arbres de\nd\u00e9cisions, des listes de r\u00e8gles\u2026 et une approche prometteuse,\nr\u00e9cente, voit la physique intuitive fonctionner comme les logiciels\nde simulation de r\u00e9alit\u00e9 physique qui sert de base aux films\nd\u2019animation et aux jeux vid\u00e9o. Selon cette hypoth\u00e8se, les gens\nreconstruisent les sc\u00e8nes per\u00e7ues en utilisant une repr\u00e9sentation\ninterne des objets et de leurs propri\u00e9t\u00e9s physiques (masse,\nfriction, \u00e9lasticit\u00e9\u2026) et des forces s\u2019y appliquant (gravit\u00e9,\nfriction, collision\u2026)&nbsp;\u00bb.<\/p>\n\n\n\n<p>\nCes\npistes commencent, modestement, \u00e0 porter leurs fruits.  D\u00e8s 2016,\ndes chercheurs de Facebook AI Research<sup><a href=\"#sdfootnote2sym\"><sup>2<\/sup><\/a><\/sup>\nsont parvenus \u00e0 entra\u00eener un r\u00e9seau de neurones artificiels dit\n\u00ab&nbsp;convolutionnel&nbsp;\u00bb \u00e0 pr\u00e9dire la stabilit\u00e9 d\u2019une tour\n(virtuelle) constitu\u00e9e de quelques cubes, \u00e0 partir de sc\u00e8nes\nsimul\u00e9es, montrant des tours tant\u00f4t stables, tant\u00f4t instables.  Ce\nr\u00e9seau a \u00ab&nbsp;invent\u00e9&nbsp;\u00bb ses propres lois de m\u00e9canique\nnewtonienne et r\u00e9ussi, ensuite, aussi bien que les humains, \u00e0\npr\u00e9dire ce qu\u2019il adviendrait de vraies tours faites de vraies\ncubes\u2026 au prix d\u2019un apprentissage initial de plus de 100 000\nsc\u00e8nes.<\/p>\n\n\n\n<p>\nPlus\nr\u00e9cemment, une \u00e9quipe de neuroscientifiques allemands a d\u00e9couvert,\ndans les couches profondes d\u2019un r\u00e9seau de neurones profond\nd\u00e9velopp\u00e9 pour classer des images de formes diff\u00e9rentes (carr\u00e9s\ntriangles, cercles) sans crit\u00e8re pr\u00e9\u00e9tabli, qu\u2019\u00e9mergeait\nspontan\u00e9ment le \u00ab&nbsp;sens du nombre&nbsp;\u00bb&nbsp;: le r\u00e9seau\nclassait les milliers d\u2019images qui lui \u00e9taient soumises en\nfonction de leur quantit\u00e9 pour chaque forme pr\u00e9sent\u00e9e.<\/p>\n\n\n\n<p>\nCe\ndernier r\u00e9sultat est encourageant, car il signe la possibilit\u00e9 de\ncultiver la construction d\u2019abstractions au sein-m\u00eame des\ntechnologies d\u2019apprentissage existantes. Certes, cette d\u00e9couverte\nne dit rien de la mani\u00e8re dont devraient \u00eatre con\u00e7us les\nalgorithmes d\u2019apprentissage pour, pr\u00e9cis\u00e9ment, faire \u00e9merger\nconcepts et capacit\u00e9 d\u2019abstraction. Mais, sur ce plan, un outil\ntr\u00e8s r\u00e9cemment d\u00e9velopp\u00e9 par les \u00e9quipes de la soci\u00e9t\u00e9\nDeepmind, \u00e0 qui l\u2019on doit AlphaGo (premi\u00e8re IA ayant battu des\nma\u00eetres du go), pourrait \u00eatre d\u2019un secours pr\u00e9cieux. Appel\u00e9\nPsych Lab, il consiste en un environnement virtuel, reproduisant un\nposte d\u2019exp\u00e9rience de psychologie cognitive.<\/p>\n\n\n\n<p> Les psychologues, pour percer les myst\u00e8res du fonctionnement de l\u2019esprit humain, ont con\u00e7u des exp\u00e9riences tr\u00e8s simples, d\u00e8s les ann\u00e9es 1950, qu\u2019ils font passer \u00e0 des volontaires. Le plus souvent, elles consistent \u00e0 faire s\u2019asseoir les volontaires devant un \u00e9cran reli\u00e9 \u00e0 un ordinateur et \u00e0 un clavier, et \u00e0 appliquer des consignes simples. Fixer une croix apparaissant un instant sur l\u2019\u00e9cran, puis \u00eatre attentif \u00e0 des formes ou des couleurs qui y appara\u00eetront, quelques minutes durant, par exemple. La consigne peut alors \u00eatre d\u2019appuyer sur un bouton si une forme in\u00e9dite appara\u00eet, ou d\u2019appuyer sur le m\u00eame bouton quand un certain nombre de formes identiques sont apparues\u2026 Les psychologues ont imagin\u00e9 des dizaines d\u2019exp\u00e9rience de ce type, et les ont standardis\u00e9es. Ils mesurent les temps de r\u00e9action, les taux d\u2019\u00e9chec ou de r\u00e9ussite\u2026 et comparent les r\u00e9sultats d\u2019individus d\u2019\u00e2ges ou de conditions de sant\u00e9 diff\u00e9rentes. Ils en tirent des hypoth\u00e8ses sur la mani\u00e8re dont l\u2019esprit humain dirige son attention, compte, se souvient, per\u00e7oit des diff\u00e9rences, etc.<\/p>\n\n\n\n<h2> <strong>Les IA passent chez le psy<\/strong><\/h2>\n\n\n\n<div class=\"wp-block-image\"><figure class=\"alignleft is-resized\"><img loading=\"lazy\" src=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/BlogAsset-VisualSearch-180126-r02.width-1500_mtXjqHJ.png\" alt=\"\" class=\"wp-image-284\" width=\"331\" height=\"222\" srcset=\"https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/BlogAsset-VisualSearch-180126-r02.width-1500_mtXjqHJ.png 1000w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/BlogAsset-VisualSearch-180126-r02.width-1500_mtXjqHJ-300x202.png 300w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/BlogAsset-VisualSearch-180126-r02.width-1500_mtXjqHJ-768x516.png 768w, https:\/\/langagemachine.fr\/wp-content\/uploads\/2019\/07\/BlogAsset-VisualSearch-180126-r02.width-1500_mtXjqHJ-402x270.png 402w\" sizes=\"(max-width: 331px) 100vw, 331px\" \/><figcaption>@Deepmind<\/figcaption><\/figure><\/div>\n\n\n\n<p>\nL\u2019id\u00e9e\ndes chercheurs de Deepmind est, sur le principe, tr\u00e8s simple&nbsp;:\nfaire passer ces tests bien connus \u00e0 des IA, en les \u00ab&nbsp;branchant&nbsp;\u00bb\ndevant un \u00e9cran virtuel, pour leur faire passer virtuellement les\nm\u00eames tests que ceux  propos\u00e9s aux sujets humains, et dont les\nr\u00e9sultats sont parfaitement connus. Le projet Psych Lab, initi\u00e9 en\n2108, n\u2019en est qu\u2019au stade exploratoire. Mais ses concepteurs,\nsoumettant \u00e0 des tests psychom\u00e9triques de vision une IA appel\u00e9e\n\u00ab&nbsp;UNREAL&nbsp;\u00bb, ont d\u2019ores et d\u00e9j\u00e0 \u00e9tabli des\ndiff\u00e9rences notables entre la fa\u00e7on dont \u00ab&nbsp;voit&nbsp;\u00bb cette\nIA et les caract\u00e9ristiques humaines de la vision. Un premier pas\npour comprendre et influencer la mani\u00e8re dont les machines\ns\u2019approprient le monde.<\/p>\n\n\n\n<p>Pour faire grandir les IA et \u00e9tendre leur champ de compr\u00e9hension, et comme en compl\u00e9ment \u00e0 cette approche de laboratoire, \u00e0 l\u2019environnement virtuel parfaitement ma\u00eetris\u00e9, la robotique d\u00e9veloppementale avance elle aussi ses pions. L\u00e0 o\u00f9 les experts des IA travaillent sur la mont\u00e9e en puissance des capacit\u00e9s inn\u00e9es des machines, les roboticiens veulent, eux, nourrir la richesse de leurs interactions r\u00e9elles avec le monde. Ils misent sur \u00ab\u00a0l\u2019apprentissage d\u00e9veloppemental\u00a0\u00bb pour acc\u00e9l\u00e9rer l\u2019acquisition de connaissances par les machines, et rendre leur comportement plus pertinent, gr\u00e2ce \u00e0 l\u2019instanciation physique des IA sous la forme de robots \u00e9voluant dans le monde r\u00e9el, en interaction avec les humains.  \u00ab\u00a0En mettant l\u2019accent sur l\u2019interaction avec le monde physique, l\u2019id\u00e9e est d\u2019exploiter une forme d\u2019apprentissage plus efficace et rapide, plut\u00f4t que d\u2019apprendre sur la base de milliers ou millions d\u2019exemples, en photos ou vid\u00e9os. Cela peut aussi faciliter la transposabilit\u00e9 des t\u00e2ches accomplies par les machines\u00a0: pour un bras robot, la manipulation d\u2019un verre doit \u00eatre tr\u00e8s vite \u00e9quivalente \u00e0 la manipulation d\u2019une tasse\u00a0\u00bb, explique Am\u00e9lie Cordier, directrice scientifique d\u2019Hoomanoo, entreprise d\u00e9veloppant des robots sociaux.<\/p>\n\n\n\n<p>La belle affaire, que de savoir se saisir d\u2019une tasse quand on sait se saisir d\u2019un verre\u00a0? Pour un adulte, assur\u00e9ment. Mais observez un enfant entre 1 an et 2 ans s\u2019essayer \u00e0 ce petit exploit domestique. Et songez \u00e0 ce que pourrait accomplir une machine aussi dou\u00e9e qu\u2019un enfant de trois ans. L\u2019IA entre dans l\u2019enfance. Il sera bient\u00f4t temps de d\u00e9cider de quelle \u00e9ducation nous voulons lui donner.<\/p>\n\n\n\n<p><em>R\u00e9f\u00e9rences<\/em> <\/p>\n\n\n\n<ul><li>   J. Tanenbaum et al., Building Machines That Learn and Think Like People, AAMAS &rsquo;18 Proceedings of the 17th International Conference on Autonomous Agents and MultiAgent Systems , 2018<\/li><li> T. Miconi et al., Differentiable plasticity: training plastic neural networks with backpropagation, Proceedings of the35thInternational Conference on Machine Learning, Stockholm, 2018<\/li><li>Stanislas Dehaene, \u00ab&nbsp;Apprendre&nbsp;!&nbsp;Les talents du cerveau, le d\u00e9fi des machines&nbsp;\u00bb, Odile Jacob, 2018<\/li><li>A. Lerer et al., Learning physical intuition of block towers by example, arxiv.org, 2016<\/li><\/ul>\n\n\n\n<p><\/p>\n","protected":false},"excerpt":{"rendered":"<p>nb: vous pouvez \u00e9couter cette analyse sur le podcast I, Not Robot L\u2019intelligence artificielle a beau avoir discr\u00e8tement franchi la cinquantaine, elle semble conserver les attraits du nouveau n\u00e9. Un geste d\u2019elle \u2013 on s\u2019\u00e9merveille, on s\u2019alarme. Port\u00e9e haut par l\u2019avant-garde de l\u2019abstraction algorithmique et les machines les plus sophistiqu\u00e9es de l\u2019industrie informatique, l\u2019IA, fantasme &hellip; <\/p>\n<p class=\"read-more\"><a class=\"btn btn-default\" href=\"https:\/\/langagemachine.fr\/?p=278\"> Read More<span class=\"screen-reader-text\">  Read More<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":279,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":[],"categories":[1],"tags":[],"_links":{"self":[{"href":"https:\/\/langagemachine.fr\/index.php?rest_route=\/wp\/v2\/posts\/278"}],"collection":[{"href":"https:\/\/langagemachine.fr\/index.php?rest_route=\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/langagemachine.fr\/index.php?rest_route=\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/langagemachine.fr\/index.php?rest_route=\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/langagemachine.fr\/index.php?rest_route=%2Fwp%2Fv2%2Fcomments&post=278"}],"version-history":[{"count":3,"href":"https:\/\/langagemachine.fr\/index.php?rest_route=\/wp\/v2\/posts\/278\/revisions"}],"predecessor-version":[{"id":290,"href":"https:\/\/langagemachine.fr\/index.php?rest_route=\/wp\/v2\/posts\/278\/revisions\/290"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/langagemachine.fr\/index.php?rest_route=\/wp\/v2\/media\/279"}],"wp:attachment":[{"href":"https:\/\/langagemachine.fr\/index.php?rest_route=%2Fwp%2Fv2%2Fmedia&parent=278"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/langagemachine.fr\/index.php?rest_route=%2Fwp%2Fv2%2Fcategories&post=278"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/langagemachine.fr\/index.php?rest_route=%2Fwp%2Fv2%2Ftags&post=278"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}