Les récents développements de l'emploi de Sam Altman et les spéculations autour du modèle innovant Q* d'OpenAI ont ravivé l'intérêt pour les opportunités et les risques associés à l'intelligence générale artificielle (IGA).
L'IGA vise à exécuter des tâches intellectuelles au même niveau que les humains. Les avancées rapides en intelligence artificielle, notamment grâce à l'apprentissage profond, suscitent à la fois enthousiasme et inquiétude quant à l'éventuelle arrivée de l'IGA. Différentes organisations, y compris OpenAI et xAI d'Elon Musk, s'engagent à progresser vers l'IGA, soulevant une question cruciale : les avancées en IA d'aujourd'hui nous orientent-elles vers l'IGA ?
Limitations de l'Apprentissage Profond
L'apprentissage profond, une méthode de machine learning reposant sur des réseaux de neurones artificiels, est à la base de ChatGPT et de la plupart des applications modernes d’IA. Bien que salué pour sa capacité à traiter divers types de données avec un prétraitement minimal, beaucoup attendent de l'apprentissage profond un rôle clé dans le développement de l'IGA.
Cependant, l'apprentissage profond présente des limitations significatives. La création de modèles efficaces nécessite d'énormes ensembles de données et des ressources computationnelles considérables. Ces modèles extraient des règles statistiques basées sur les données d'entraînement, qu'ils appliquent ensuite à de nouvelles informations pour générer des réponses. Cette logique prédictive repose sur l’actualisation des règles avec l'apparition de nouveaux phénomènes, mais leur vulnérabilité aux incertitudes du monde réel entrave leur pertinence pour atteindre les objectifs de l'IGA. Par exemple, un incident en juin 2022 impliquant un Robotaxi démontre ce risque : le véhicule a échoué dans une situation imprévue à laquelle il n'avait pas été formé, entraînant des défaillances dans sa prise de décision.
Le Dilemme des « Que Faire »
Les humains, modèles de l'IGA, ne formulent pas de règles exhaustives pour chaque scénario. Ils interagissent plutôt avec leur environnement grâce à une perception en temps réel, s’appuyant sur leurs connaissances pour comprendre le contexte et les facteurs influents. Contrairement aux modèles d'apprentissage profond qui classifient les objets selon des critères fixes, les humains adoptent une approche flexible, adaptant les règles établies si nécessaire pour prendre des décisions efficaces.
Par exemple, si vous rencontrez un objet cylindrique inconnu lors d'une randonnée, un modèle d'apprentissage profond vous obligerait à analyser ses caractéristiques pour le classifier comme une menace (comme un serpent) ou inoffensif (comme une corde) avant d'agir. En revanche, un humain évaluerait la situation à distance, mettant à jour en continu sa compréhension et décidant sur la base d'une plus vaste gamme d'expériences passées et d'actions potentielles. Cette méthodologie nuancée souligne l'exploration d'alternatives plutôt que des prédictions rigides, suggérant que l'atteinte de l'IGA pourrait dépendre davantage de l'amélioration de notre capacité de raisonnement « que faire » que de la simple prédiction.
Prise de Décision Sous Incertitude Profonde : Une Voie à Suivre
Des cadres innovants comme la Prise de Décision sous Incertitude Profonde (DMDU) offrent des stratégies prometteuses pour l'IGA. Les approches DMDU, telles que la Prise de Décision Robuste, évaluent comment des décisions alternatives pourraient fonctionner dans divers scénarios futurs sans nécessiter un entraînement constant. Elles se concentrent sur l'identification des facteurs clés qui déterminent les résultats des décisions, visant à trouver des solutions robustes fournissant des résultats acceptables dans différents contextes.
Contrairement aux solutions d'apprentissage profond conventionnelles qui privilégient l'optimisation, pouvant échouer dans des conditions imprévisibles (comme l'ont montré les disruptions de la chaîne d'approvisionnement durant la COVID-19), les méthodes DMDU recherchent des alternatives résilientes pouvant s'adapter à divers environnements, établissant une base précieuse pour une IA capable de naviguer dans les incertitudes du monde réel.
Prise de Décision Robuste dans les Véhicules Autonomes
Le développement de véhicules entièrement autonomes (VA) illustre bien cette méthodologie. Les VA doivent manœuvrer dans des conditions diverses et imprévisibles, reflétant étroitement la prise de décision humaine dans le trafic. Malgré des investissements lourds dans l'apprentissage profond pour l'autonomie complète, ces systèmes rencontrent souvent des difficultés dans des scénarios incertains. Les limites inhérentes à la modélisation de chaque situation possible nécessitent des efforts continus pour faire face aux défis inattendus de la technologie VA.
Une solution potentielle consiste à employer un cadre de prise de décision robuste. Les capteurs des VA collecteraient des données en temps réel pour évaluer diverses décisions—comme accélérer, changer de voie ou freiner—dans des scénarios de circulation spécifiques. En cas de doutes sur les réponses algorithmiques standard, le système pourrait analyser les vulnérabilités des différentes options dans ce contexte, réduisant ainsi la dépendance à la réentraînement de données étendues et améliorant l'adaptabilité aux incertitudes du monde réel. Ce changement pourrait favoriser la performance des VA en priorisant la flexibilité décisionnelle plutôt que la recherche de prédictions parfaites.
Souligner le Contexte Décisionnel pour Avancer vers l'IGA
Alors que la technologie IA continue d'évoluer, il pourrait devenir essentiel d'éloigner le paradigme de l'apprentissage profond pour se concentrer sur le contexte décisionnel et faciliter les progrès vers l'IGA. Bien que l'apprentissage profond se soit avéré efficace dans de nombreuses applications, il reste insuffisant pour réaliser l'IGA.
Les méthodologies DMDU pourraient ouvrir la voie à une approche IA plus robuste, axée sur la prise de décision, qui répond efficacement aux incertitudes du monde réel.
Classement
