L'IA en 10 minutes

L'intelligence artificielle est un ensemble de techniques qui permettent à un programme d'accomplir des tâches que l'on associe à l'intelligence humaine : comprendre un texte, reconnaître une image, planifier, résoudre un problème. Ce n'est pas une machine unique ni une personne. C'est une famille de systèmes très différents, qui vont d'un filtre anti-spam à un assistant avec lequel on discute. Aujourd'hui, le mot désigne le plus souvent des systèmes qui ont appris à partir d'une grande masse d'exemples, plutôt que des systèmes dont chaque règle a été écrite à la main. Ces systèmes sont utiles et parfois impressionnants. Ils font aussi des erreurs, et ils ne comprennent pas le monde comme nous. Dans ce parcours, on garde une question simple en tête : qu'est-ce qui est démontré, et par qui ?

Dans l'apprentissage automatique, on ne dit pas au programme comment reconnaître un chat. On lui montre beaucoup de photos de chats et d'autres animaux, avec la bonne réponse, et il ajuste ses réglages internes pour se tromper moins souvent. Ces réglages sont des nombres, appelés paramètres, rangés dans un réseau de neurones : un empilement de petites unités de calcul reliées entre elles. Cette phase s'appelle l'entraînement. Elle demande beaucoup de données et de calcul. Une fois l'entraînement fini, le modèle est figé. Quand on l'utilise pour répondre à une demande, on parle d'inférence. Un point à garder : un modèle reflète en partie ce qu'il a vu pendant l'entraînement, y compris les biais et les erreurs des données.

Un modèle de langage est un réseau de neurones entraîné sur de très grandes quantités de texte pour prédire la suite d'un texte. De cette tâche simple naissent des capacités utiles : répondre à une question, résumer, traduire, écrire du code. La plupart reposent sur une architecture appelée transformer. Un même grand modèle peut servir de base à de nombreux usages : on parle alors de modèle de fondation. Certains traitent aussi des images ou du son : ils sont multimodaux. Une partie des modèles publie ses paramètres : on dit qu'ils ont des poids ouverts, ce qui permet à d'autres de les examiner et de les faire tourner. Ce n'est pas toujours du logiciel libre, car la licence et les données peuvent rester fermées.

On demande de plus en plus aux modèles d'enchaîner des étapes : c'est ce qu'on appelle le raisonnement. Certains produisent d'abord des étapes intermédiaires, puis une réponse. Un agent va plus loin : il utilise des outils (recherche, code, fichiers), regarde le résultat de ses actions et s'adapte pour atteindre un but. Plus un agent agit seul, plus le contrôle humain compte. Enfin, en robotique, des modèles dits VLA relient ce qu'un robot voit et une consigne en langage courant à un mouvement à exécuter. Dans le registre DiscoverIA, des systèmes de ce type apparaissent, par exemple des plateformes d'agents ou des systèmes de recherche autonomes. Chaque fiche dit ce qui est établi et ce qui ne l'est pas.

Un modèle de langage peut produire une réponse bien écrite et sûre d'elle, mais fausse : une source qui n'existe pas, une preuve avec un trou. On appelle cela une hallucination. Le ton ne dit rien de l'exactitude. C'est pourquoi on évalue les systèmes sur des benchmarks, des épreuves standardisées qui permettent de comparer. Ces épreuves ont leurs limites : un bon score ne garantit pas la réussite ailleurs. Dans le domaine des mathématiques, des revendications d'IA se sont révélées invalides ou incomplètes après examen, et le registre en garde la trace. Une annonce, même venue d'un grand laboratoire, reste une annonce tant qu'elle n'a pas été contrôlée par d'autres.

En science, un résultat passe par plusieurs filtres. D'abord, une revendication : quelqu'un affirme avoir obtenu quelque chose. Elle est souvent publiée en préprint, avant toute relecture. Ensuite, la relecture par les pairs : des experts indépendants des auteurs examinent l'article, puis une revue le publie. Un autre contrôle est la reproduction : une autre personne refait le calcul et regarde si elle obtient la même chose. En mathématiques, il existe un contrôle encore plus strict : écrire la preuve dans un assistant de preuve comme Lean, qui valide chaque étape. Même alors, il reste à vérifier que l'énoncé écrit dit bien ce que la source annonce. C'est la fidélité de l'énoncé, et DiscoverIA la juge à part.

Chaque avancée du registre porte un statut, sourcé et daté. Vérifié formellement : un tiers nommé a contrôlé la preuve à la machine. Relu par pairs : publié en revue ou relu par des experts nommés. En examen : un examen public est en cours, sans verdict. Contesté : une objection publique sourcée existe, sans réfutation établie. Retiré : abandonné par son auteur ou classé incorrect par la source de référence. Non évalué : aucune évaluation tierce n'a été trouvée. Ce dernier statut ne veut pas dire « faux ». Il veut dire « pas encore examiné, à notre connaissance ». Beaucoup de résultats récents sont dans ce cas, simplement parce que le temps de l'examen est plus long que celui de l'annonce.

Chaque source d'une fiche indique aussi comment elle a été lue. PAGE : la page a été lue et la citation relevée mot pour mot. PAGE-WF : la page a été lue au travers d'un résumé de modèle, la citation n'est pas revérifiée. Extrait de moteur : l'information n'a été vue que dans l'extrait d'un moteur de recherche, c'est le niveau le plus faible. Une fiche se lit en trois niveaux : « En une phrase », « Pour comprendre » (une analogie, ce que cela change, ce qui reste flou), puis « Pour les experts » (méthode, limites, sources). Chaque fiche dit ce qui n'est pas démontré. Si vous repérez une erreur, vous pouvez la signaler : la correction reste visible sur la fiche, avec sa date.