Intelligence artificielle

Historiquement, l'idée d'intelligence artificielle semble émerger dans les années 1950 quand Alan Turing se demande si une machine peut « penser ». Dans l'article « Computing Machinery and Intelligence » (Mind, octobre 1950)[9], Turing explore ce problème et propose une expérience (maintenant dite test de Turing) visant à trouver à partir de quand une machine deviendrait « consciente ». Il développe ensuite cette idée dans plusieurs forums, dans la conférence « L'intelligence de la machine, une idée hérétique »[10], dans la conférence qu'il donne à la BBC 3^e programme le 15 mai 1951 « Les calculateurs numériques peuvent-ils penser ? »[11] ou la discussion avec M.H.A. Newman, Sir Geoffrey Jefferson et R.B. Braithwaite les 14 et 23 janvier 1952 sur le thème « Les ordinateurs peuvent-ils penser ? »[12].

Une autre origine probable est la publication, en 1949, par Warren Weaver d'un mémorandum sur la traduction automatique des langues[13] qui suggère qu'une machine puisse faire une tâche qui relève typiquement de l'intelligence humaine.

Le développement des techniques informatiques (augmentation de la puissance de calcul) aboutit ensuite à plusieurs avancées :

• dans les années 1980, l'apprentissage automatique se développe, notamment avec la renaissance du connexionnisme. L'ordinateur commence à déduire des « règles à suivre » en analysant seulement des données[14]^,[15] ;
• parallèlement, des algorithmes « apprenants » sont créés qui préfigurent les futurs réseaux de neurones (l'apprentissage par renforcement, les machines à vecteurs de support, etc.). Ceci permet par exemple en mai 1997 à l’ordinateur Deep Blue de battre Garry Kasparov au jeu d'échecs[16] lors d'un match revanche de six parties ;
• l'intelligence artificielle devient un domaine de recherche international, marquée par une conférence au Dartmouth College à l’été 1956[17]^,[18] à laquelle assistaient ceux qui vont marquer la discipline ;
• depuis les années 1960, la recherche se fait principalement aux États-Unis, notamment à l'université Stanford sous l'impulsion de John McCarthy[19], au MIT sous celle de Marvin Minsky[20], à l'université Carnegie-Mellon sous celle de Allen Newell et Herbert Simon[21] et à l'université d'Édimbourg sous celle de Donald Michie[22], en Europe et en Chine, ainsi qu'au Japon avec le projet « ordinateurs de cinquième génération (en) » du gouvernement. En France, l'un des pionniers est Jacques Pitrat[23] ;
• dans les années 2000, le Web 2.0, le big data et de nouvelles puissances et infrastructures de calcul permettent à certains ordinateurs d'explorer des masses de données sans précédent ; c'est l'apprentissage profond (« deep learning »), dont l'un des pionniers est le français Yann Le Cun[24].

Les bornes de ce domaine varient, ainsi optimiser un itinéraire était considéré comme un problème d'intelligence artificielle dans les années 1950 et n'est plus considéré aujourd’hui que comme un simple problème d'algorithmie[25].

Vers 2015, le secteur de l'intelligence artificielle cherche à relever quatre défis : la perception visuelle, la compréhension du langage naturel écrit ou parlé, l'analyse automatique du langage et la prise de décision autonome[26]. Produire et organiser des données nombreuses et de qualité, c'est-à-dire corrélées, complètes, qualifiées (sourcées, datées, géoréférencées…), historisées est un autre enjeu. La capacité déductive et de généralisation pertinente d'un ordinateur, à partir de peu de données ou d'un faible nombre d'évènements, est un autre objectif, plus lointain[26].

Entre 2010 et 2016, les investissements auraient été décuplés, atteignant une dizaine de milliards de dollars en 2016[27].

Si les progrès de l’intelligence artificielle sont récents, ce thème de réflexion est tout à fait ancien, et il apparaît régulièrement au cours de l’histoire. Les premiers signes d’intérêt pour une intelligence artificielle et les principaux précurseurs de cette discipline sont les suivants.

Une des plus anciennes traces du thème de « l’homme dans la machine » date de 800 avant notre ère, en Égypte. La statue du dieu Amon levait le bras pour désigner le nouveau pharaon parmi les prétendants qui défilaient devant lui, puis elle « prononçait » un discours de consécration. Les Égyptiens étaient probablement conscients de la présence d’un prêtre actionnant un mécanisme et déclarant les paroles sacrées derrière la statue, mais cela ne semblait pas être pour eux contradictoire avec l’incarnation de la divinité. Vers la même époque, Homère, dans L'Iliade (XVIII, 370–421), décrit les automates réalisés par le dieu forgeron Héphaïstos : des trépieds munis de roues en or, capables de porter des objets jusqu’à l’Olympe et de revenir seuls dans la demeure du dieu ; ou encore, deux servantes forgées en or qui l’assistent dans sa tâche. De même, le Géant de bronze Talos, gardien des rivages de la Crète, était parfois considéré comme une œuvre du dieu.

Vitruve, architecte romain, décrit l’existence entre le III^e et le I^er siècle avant notre ère, d’une école d’ingénieurs fondée par Ctesibius à Alexandrie, et concevant des mécanismes destinés à l’amusement tels des corbeaux qui chantaient. Héron L'Ancien décrit dans son traité « Automates », un carrousel animé grâce à la vapeur et considéré comme anticipant les machines à vapeur. Les automates disparaissent ensuite jusqu’à la fin du Moyen Âge. On a prêté à Roger Bacon la conception d'automates doués de la parole; en fait, probablement de mécanismes simulant la prononciation de certains mots simples.

Léonard de Vinci a construit en 1515 un automate en forme de lion pour amuser le roi de France, François I[28]. Gio Battista Aleotti et Salomon de Caus, eux, ont construit des oiseaux artificiels et chantants, des flûtistes mécaniques, des nymphes, des dragons et des satyres animés pour égayer des fêtes aristocratiques, des jardins et des grottes. René Descartes, lui, aurait conçu en 1649 un automate qu’il appelait « ma fille Francine ». Il conduit par ailleurs une réflexion d’un modernisme étonnant sur les différences entre la nature des automates, et celles d’une part des animaux (pas de différence) et d’autre part celle des hommes (pas d’assimilation). Ces analyses en font le précurseur méconnu d’un des principaux thèmes de la science-fiction : l'indistinction entre le vivant et l’artificiel, entre les hommes et les robots, les androïdes ou les intelligences artificielles.

Le canard artificiel de Vaucanson (1738).

Jacques de Vaucanson a construit en 1738 un « canard artificiel de cuivre doré, qui boit, mange, cancane, barbote et digère comme un vrai canard ». Il était possible de programmer les mouvements de cet automate, grâce à des pignons placés sur un cylindre gravé, qui contrôlaient des baguettes traversant les pattes du canard. L’automate a été exposé pendant plusieurs années en France, en Italie et en Angleterre, et la transparence de l’abdomen permettait d’observer le mécanisme interne. Le dispositif permettant de simuler la digestion et d’expulser une sorte de bouillie verte fait l’objet d’une controverse. Certains commentateurs estiment que cette bouillie verte n’était pas fabriquée à partir des aliments ingérés, mais préparée à l’avance. D’autres estiment que cet avis n’est fondé que sur des imitations du canard de Vaucanson. L’incendie du musée de Nijni Novgorod en Russie, vers 1879, a détruit cet automate[29].

Les artisans Pierre et Louis Jaquet-Droz fabriquèrent parmi les meilleurs automates fondés sur un système purement mécanique, avant le développement des dispositifs électromécaniques. Certains de ces automates, par un système de cames multiples, étaient capables d'écrire un petit billet (toujours le même). Enfin, Les Contes d'Hoffmann (et ballet) L'Homme au sable décrit une poupée mécanique dont s'éprend le héros.

Une des premières tentatives de formalisation de la pensée connue est le zairja, mécanisme qu'utilisaient les astrologues arabe pour générer des idées supposées logiques, dont l'invention est attribuée à Abu al-Abbas as-Sabti au XII^e siècle. Raymond Lulle s'en est probablement inspiré pour mettre au point son Ars Magna[30]. Missionnaire, philosophe, et théologien espagnol du XIII^e siècle, il essaya lui aussi de générer des idées grâce à un système mécanique. Il combinait aléatoirement des concepts grâce à une sorte de règle à calcul, sur laquelle pivotaient des disques concentriques gravés de lettres et de symboles philosophiques. Il fondait sa méthode sur l’identification de concepts de base, puis leur combinaison mécanique soit entre eux, soit avec des idées connexes. Raymond Lulle l'appliqua à la métaphysique, puis à la morale, à la médecine et à l’astrologie. Mais il n’utilisait que la logique déductive, ce qui ne permettait pas à son système d’acquérir un apprentissage, ni davantage de remettre en cause ses principes de départ : seule la logique inductive le permet.

Gottfried Wilhelm Leibniz, au XVII^e siècle, a imaginé un calcul pensant (calculus rationator), en assignant un nombre à chaque concept. La manipulation de ces nombres aurait permis de résoudre les questions les plus difficiles, et même d’aboutir à un langage universel. Leibniz a toutefois démontré que l’une des principales difficultés de cette méthode, également rencontrée dans les travaux modernes sur l’intelligence artificielle, est l’interconnexion de tous les concepts, ce qui ne permet pas d’isoler une idée de toutes les autres pour simplifier les problèmes liés à la pensée.

George Boole a inventé la formulation mathématique des processus fondamentaux du raisonnement, connue sous le nom d’algèbre de Boole. Il était conscient des liens de ses travaux avec les mécanismes de l’intelligence, comme le montre le titre de son principal ouvrage paru en 1854 : Les Lois de la pensée[31] (The laws of thought), sur l’algèbre booléenne.

Gottlob Frege perfectionna le système de Boole en formalisant le concept de prédicat, qui est une entité logique soit vraie, soit fausse (toute maison a un propriétaire), mais contenant des variables non logiques, n’ayant en soi aucun degré de vérité (maison, propriétaire). Cette formalisation eut une grande importance puisqu'elle permit de démontrer des théorèmes généraux, simplement en appliquant des règles typographiques à des ensembles de symboles. La réflexion en langage courant ne portait plus que sur le choix des règles à appliquer. Par ailleurs, l’utilisateur joue un rôle important puisqu'il connaît le sens des symboles qu’il a inventés et ce sens[alpha 2] n'est pas toujours formalisé, ce qui ramène au problème de la signification en intelligence artificielle, et de la subjectivité des utilisateurs.

Bertrand Russell et Alfred North Whitehead publièrent au début du XX^e siècle un ouvrage intitulé Principia Mathematica, dans lequel ils résolvent des contradictions internes à la théorie de Gottlob Frege. Ces travaux laissaient espérer d’aboutir à une formalisation complète des mathématiques[32].

Kurt Gödel démontre au contraire que les mathématiques resteront une construction ouverte, en publiant en 1931 un article intitulé « Des propositions formellement indécidables contenues dans les Principia mathematica et autres systèmes similaires ». Sa démonstration est qu’à partir d’une certaine complexité d’un système, on peut y créer plus de propositions logiques qu’on ne peut en démontrer vraies ou fausses. L’arithmétique, par exemple, ne peut trancher par ses axiomes si on doit accepter des nombres dont le carré soit -1. Ce choix reste arbitraire et n’est en rien lié aux axiomes de base. Le travail de Gödel suggère qu’on pourra créer ainsi un nombre arbitraire de nouveaux axiomes, compatibles avec les précédents, au fur et à mesure qu’on en aura besoin. Si l'arithmétique est démontrée incomplète, le calcul des prédicats (logique formelle) est au contraire démontré par Gödel comme complet[33].

Alan Turing invente des machines abstraites et universelles (rebaptisées les machines de Turing), dont les ordinateurs modernes sont considérés comme des concrétisations. Il démontre l’existence de calculs qu’aucune machine ne peut faire (un humain pas davantage, dans les cas qu'il cite), sans pour autant que cela constitue pour Turing un motif pour douter de la faisabilité de machines pensantes répondant aux critères du test de Turing.

Irving John Good[34], Myron Tribus et E.T. Jaynes[35] ont décrit de façon très claire les principes assez simples d’un robot à logique inductive utilisant les principes de l’inférence bayésienne pour enrichir sa base de connaissances sur la base du Théorème de Cox-Jaynes. Ils n’ont malheureusement pas traité la question de la façon dont on pourrait stocker ces connaissances sans que le mode de stockage entraîne un biais cognitif. Le projet est voisin de celui de Raymond Lulle, mais fondé cette fois-ci sur une logique inductive, et donc propre à résoudre quelques problèmes ouverts.

Des chercheurs comme Alonzo Church ont posé des limites pratiques aux ambitions de la raison, en orientant la recherche (Herbert Simon, Michael Rabin, Stephen Cook) vers l’obtention des solutions en temps fini, ou avec des ressources limitées, ainsi que vers la catégorisation des problèmes selon des classes de difficulté (en rapport avec les travaux de Cantor sur l’infini)^{[réf. souhaitée]}.

L'intelligence artificielle est un sujet d'actualité au XXI^e siècle. En 2004, l'Institut Singularity a lancé une campagne Internet appelée « Trois lois dangereuses » : « Three Laws Unsafe » (en lien avec les trois lois d'Asimov) pour sensibiliser aux questions de la problématique de l'intelligence artificielle et l'insuffisance des lois d'Asimov en particulier. (Singularity Institute for Artificial Intelligence 2004)[36].

En 2005, le projet Blue Brain est lancé, il vise à simuler le cerveau des mammifères. Il s'agit d'une des méthodes envisagées pour réaliser une IA. Ils annoncent de plus comme objectif de fabriquer, dans dix ans, le premier « vrai » cerveau électronique[37]. En mars 2007, le gouvernement sud-coréen annonce que plus tard dans l'année, il émettrait une charte sur l'éthique des robots, afin de fixer des normes pour les utilisateurs et les fabricants. Selon Park Hye-Young, du ministère de l'Information et de la communication, la Charte reflète les trois lois d'Asimov : la tentative de définition des règles de base pour le développement futur de la robotique. En juillet 2009, en Californie une conférence organisée par l'Association for the Advancement of Artificial Intelligence (AAAI), où un groupe d'informaticiens se demande s'il devrait y avoir des limites sur la recherche qui pourrait conduire à la perte de l'emprise humaine sur les systèmes informatiques, et où il est également question de l'explosion de l'intelligence (artificielle) et du danger de la singularité technologique conduisant à un changement d'ère, ou de paradigme totalement en dehors du contrôle humain[38]^,[39].

En 2009, le Massachusetts Institute of Technology (MIT) a lancé un projet visant à repenser la recherche en intelligence artificielle. Il réunira des scientifiques qui ont eu du succès dans des domaines distincts de l'IA. Neil Gershenfeld déclare « Nous voulons essentiellement revenir 30 ans en arrière, et de revoir quelques directions aujourd'hui gelées »[40].

En novembre 2009, l'US Air Force cherche à acquérir 2 200 PlayStation 3[41]^{[réf. obsolète]} pour utiliser le processeur cell à 7 ou 8 cœurs qu'elle contient dans le but d'augmenter les capacités de leur superordinateur constitué de 336 PlayStation 3 (total théorique 52,8 petaFLOPS en double précision). Le nombre sera réduit à 1 700 unités le 22 décembre 2009[42]. Le projet vise le traitement vidéo haute-définition, et l'« informatique neuromorphique », ou la création de calculateurs avec des propriétés/fonctions similaires au cerveau humain[41].

Le 27 janvier 2010, l'US Air Force demande l'aide de l'industrie pour développer une intelligence avancée de collecte d'information et avec la capacité de décision rapide pour aider les forces américaines pour attaquer ses ennemis rapidement à leurs points les plus vulnérables. L'US Air Force utilisera une intelligence artificielle, le raisonnement ontologique, et les procédures informatique basées sur la connaissance, ainsi que d'autres traitements de données avancés afin de frapper l'ennemi au meilleur point[43]. D'autre part, d’ici 2020, plus de mille bombardiers et chasseurs F-22 et F-35 de dernière génération, parmi plus de 2 500 avions militaires, commenceront à être équipés de sorte que, d’ici 2040, tous les avions de guerre américains soient pilotés par intelligence artificielle, en plus des 10 000 véhicules terrestres et des 7 000 dispositifs aériens commandés d'ores et déjà à distance[44].

Le 16 février 2011, Watson, le superordinateur conçu par IBM, remporte deux des trois manches du jeu télévisé Jeopardy! en battant largement ses deux concurrents humains en gains cumulés. Pour cette IA, la performance a résidé dans le fait de répondre à des questions de culture générale (et non un domaine technique précis) dans des délais très courts. En février 2016, l'artiste et designer Aaron Siegel propose de faire de Watson un candidat à l'élection présidentielle américaine afin de lancer le débat sur « le potentiel de l’intelligence artificielle dans la politique »[45].

En mai 2013, Google ouvre un laboratoire de recherches dans les locaux de la NASA. Grâce à un super calculateur quantique conçu par D-Wave Systems et qui serait d'après cette société 11 000 fois plus performant qu'un ordinateur actuel (de 2013)[46], ils espèrent ainsi faire progresser l'intelligence artificielle, notamment l'apprentissage automatique. Raymond Kurzweil est engagé en décembre 2012 par Google afin de participer et d'améliorer l'apprentissage automatique des machines et des IA[47].

Entre 2014 et 2015, à la suite du développement rapide du deep learning, et à l'encontre des penseurs transhumanistes, quelques scientifiques et membres de la communauté high tech craignent que l'intelligence artificielle ne vienne à terme dépasser les performances de l'intelligence humaine. Parmi eux, l'astrophysicien britannique Stephen Hawking[48], le fondateur de Microsoft Bill Gates[49] et le PDG de Tesla Elon Musk[50].

Les géants de l'Internet s'intéressent de plus en plus à l'IA[51]. Le 3 janvier 2016, le patron de Facebook, Mark Zuckerberg, s’est donné pour objectif de l’année de « construire une intelligence artificielle simple pour piloter ma maison ou m’aider dans mon travail »[52]. Il avait déjà créé en 2013 le laboratoire Facebook Artifical Intelligence Research (FAIR) dirigé par le chercheur français Yann Le Cun et ouvert un laboratoire de recherche permanente dans le domaine à Paris[53].

Apple a de son côté récemment acquis plusieurs start-up du secteur (Perceptio, VocalIQ, Emotient et Turi)[54].

En janvier 2018, des modèles d'intelligence artificielle développés par Microsoft et Alibaba réussissent chacun de leur côté à battre les humains dans un test de lecture et de compréhension de l'université Stanford. Le traitement du langage naturel imite la compréhension humaine des mots et des phrases et permet maintenant aux modèles d'apprentissage automatique de traiter de grandes quantités d'informations avant de fournir des réponses précises aux questions qui leur sont posées[55].

En février 2019, l'institut de recherche OpenAI annonce avoir créé un programme d’intelligence artificielle capable de générer des textes tellement réalistes que cette technologie pourrait être dangereuse[56]^,[57]. Si le logiciel est utilisé avec une intention malveillante, il peut générer facilement des fausses nouvelles très crédibles. Inquiet par l'utilisation qui pourrait en être faite, OpenAI préfère ne pas rendre public le code source du programme[58].

En France, les pionniers sont Alain Colmerauer, Gérard Huet, Jean-Louis Laurière, Claude-François Picard, Jacques Pitrat et Jean-Claude Simon[59]. Un congrès national annuel, « Reconnaissance de formes et intelligence artificielle », est créé en 1979 à Toulouse[60]. En lien avec l'organisation de la conférence International Joint Conference on Artificial Intelligence à Chambéry en 1993, et la création d'un GRECO-PRC[61] « intelligence artificielle », en 1983, il donne naissance à une société savante, l'Association française pour l'intelligence artificielle (AFIA) en 1989, qui, entre autres, organise des conférences nationales en intelligence artificielle[62].

Logo de la conférence « AI for Humanity » organisée le 29 mars 2018 au Collège de France.

Le 17 janvier 2017, le fonds de capital risque Serena Capital lance un fonds de 80 millions d’euros destiné à l’investissement dans les start-ups européennes du big data et de l'intelligence artificielle[63]. Le 19 janvier 2017, une audition se tient au Sénat : « L'intelligence Artificielle menace-t-elle nos emplois ? »[64]. Le 20 janvier 2017, Axelle Lemaire entend valoriser les potentiels scientifiques et industriels français grâce au projet « France IA »[65].

En janvier 2017, dans le cadre de sa mission de réflexion sur les enjeux éthiques et les questions de société soulevés par les technologies numériques, la Commission nationale de l'informatique et des libertés (CNIL) annonce l'organisation d'un débat public sur les algorithmes et l'intelligence artificielle[66]. Le 15 décembre 2017, à l'issue d'un débat ayant mobilisé 60 partenaires (institutions publiques, associations, entreprises, acteurs du monde de la recherche, société civile)[67], elle publie son rapport « Comment permettre à l'Homme de garder la main ? »[68] comprenant des recommandations pour la construction d'un modèle éthique d'intelligence artificielle.

En septembre 2017, Cédric Villani, premier vice-président de l'Office parlementaire d'évaluation des choix scientifiques et technologiques (OPECST)[69], est chargé de mener une consultation publique sur l'intelligence artificielle[70]. Il rend son rapport le 28 mars 2018[71], à la veille d'une intervention du président de la République Emmanuel Macron au Collège de France pour annoncer la stratégie de la France dans ce domaine[72]. Il y dévoile un plan de 1,5 milliard d'euros sur l'ensemble du quinquennat, ainsi qu'une évolution de la législation française pour permettre la mise en application de l'intelligence artificielle, en particulier concernant la circulation des véhicules autonomes[73]. Parallèlement à ces annonces, il est interviewé par Wired, magazine de référence pour la communauté mondiale des nouvelles technologies, et y exprime sa vision de l'intelligence artificielle, à savoir que les algorithmes utilisés par l'État doivent être ouverts, que l'intelligence artificielle doit être encadrée par des règles philosophiques et éthiques et qu'il faut s'opposer à l'usage d'armes automatiques ou de dispositifs prenant des décisions sans consulter un humain[74]^,[75].

En mars 2018, Microsoft France lance l'École IA Microsoft, inaugurée par son président Carlo Purassanta, une formation ouverte aux décrocheurs scolaires et aux personnes éloignées de l'emploi, en partenariat avec Simplon.co[76]. Dix écoles sont lancées en un an à partir de septembre 2018[77]. Microsoft France mise sur le développement de l'intelligence artificielle comme nouveau vecteur d'inclusion professionnelle[78]

En octobre 2019, le site ActuIA annonce le lancement du premier magazine papier consacré à l'intelligence artificielle[79].

Le concept d’intelligence artificielle forte fait référence à une machine capable non seulement de produire un comportement intelligent, notamment de modéliser des idées abstraites, mais aussi d’éprouver une impression d'une réelle conscience, de « vrais sentiments » (quoi qu’on puisse mettre derrière ces mots), et « une compréhension de ses propres raisonnements »[80].

L’intelligence artificielle forte a servi de moteur à la discipline, mais a également suscité de nombreux débats ^{[Lesquels ?]}.

En partant du principe, étayé par les neurosciences[81], que la conscience a un support biologique et donc matériel, les scientifiques ne voient généralement pas d’obstacle théorique à la création d'une intelligence consciente sur un support matériel autre que biologique. Selon les tenants de l'IA forte, si à l'heure actuelle il n'y a pas d'ordinateurs ou d'algorithmes aussi intelligents que l'être humain, ce n'est pas un problème d'outil mais de conception. Il n'y aurait aucune limite fonctionnelle (un ordinateur est une machine de Turing universelle avec pour seules limites celles de la calculabilité), seulement des limites liées à l'aptitude humaine à concevoir les logiciels appropriés (programme, base de données...).

Comparer la capacité de traitement de l'information d'un cerveau humain à celle d'un ordinateur peut aider à comprendre les ordres de grandeur pour estimer la possibilité pratique ou non d'une intelligence artificielle forte, de même qu'un simple calcul de puissance en kW permet grosso modo de dire qu'un camion donné pourra espérer transporter commodément telle ou telle charge ou si cela lui sera impossible. Voici quelques exemples d'ordres de grandeur en traitement de l'information :

• Balance Roberval : 1 bit par seconde (comparaison de deux poids) ;
• mainframe typique des années 1970 : 1 million d'opérations par seconde sur 32 bits ;
• Intel Paragon XP/S, 4 000 processeurs i860 à 50 MHz (1992) : 160 milliards d'opérations par seconde ;
• Summit, 9 216 processeurs POWER9 (2018) : 200 pétaflops, soit 200 millions de milliards d'opérations par seconde.
• Fugaku 415-PFLOPS (2020-2021): 415 pétaflops, soit 415 millions de milliards d'opérations par seconde.

Cette puissance n'est pas à prendre au pied de la lettre. Elle précise surtout les ordres de grandeur en présence et leur évolution relativement rapide (jusqu'en 2018).

L'intelligence artificielle n'avait donné que des résultats mitigés sur les ordinateurs typiques de 1970 effectuant 10⁷ opérations logiques par seconde[alpha 3]^,[82]. Le cerveau humain, formé de 10¹¹ neurones ne pouvant chacun commuter plus de 100 fois par seconde en raison de leur temps de relaxation permettait beaucoup plus de traitements logiques par unité de temps (10¹³ opérations logiques par seconde)[82]. Ce handicap technique précis n'existe plus sur les ordinateurs depuis les années 2000, travaillant en 64 bits et avec des horloges cadencées à 4 GHz environ, pour des processeurs destinés aux particuliers. Concernant des supercalculateurs comme Summit ou Fugaku 415-PFLOPS, le rapport du nombre de comparaisons par seconde entre ordinateur et cerveau a même complètement changé de sens.

Le matériel serait donc maintenant disponible, toutefois l'IA souligne la difficulté à expliciter toutes les connaissances utiles à la résolution d'un problème complexe. Certaines connaissances dites implicites sont acquises par l'expérience et mal formalisables. L'apprentissage de ces connaissances implicites par l'expérience est exploitée depuis les années 1980 (voir Réseau de neurones). Néanmoins, un autre type de complexité apparaît : la complexité structurelle. Comment mettre en relation des modules spécialisés pour traiter un certain type d'informations, par exemple un système de reconnaissance des formes visuelles, un système de reconnaissance de la parole, un système lié à la motivation, à la coordination motrice, au langage, etc. En revanche, une fois un système cognitif conçu et son apprentissage par l'expérience réalisé, l'« intelligence » correspondante peut être distribuée en un grand nombre d'exemplaires, par exemple sur les portables d'actuaires ou de banquiers pouvant ainsi, comme le rappelle un slogan, dire oui ou non, mais le dire tout de suite grâce à des applications dites de credit scoring.

Les principales opinions soutenues pour répondre à la question d’une intelligence artificielle forte (c'est-à-dire douée d'une sorte de conscience) sont les suivantes :

• impossible : la conscience serait le propre des organismes vivants (supérieurs), et elle serait liée à la nature des systèmes biologiques. Cette position est défendue par certains philosophes et sociologues comme Harry Collins, pour qui l'intelligence requiert une immersion dans la société humaine, et donc un corps humain[83], et peut rappeler le courant du vitalisme.
• impossible avec des machines manipulant des symboles comme les ordinateurs actuels, mais possible avec des systèmes dont l’organisation matérielle serait fondée sur des processus quantiques. Des algorithmes quantiques sont théoriquement capables de mener à bien des calculs hors de l'atteinte pratique des calculateurs conventionnels (complexité en ${\displaystyle N^{3}}$ au lieu de ${\displaystyle 2^{N}}$, par exemple, sous réserve d'existence du calculateur approprié). Au-delà de la rapidité, certains scientifiques comme Roger Penrose défendent que la conscience nécessiterait un fonctionnement non compatible avec les lois de la physique classique, et accessible uniquement avec des systèmes quantiques[84]. Toutefois, l'état de la recherche en informatique quantique n'est pas encore suffisamment avancé pour permettre de l'utiliser dans des applications concrètes hors laboratoires[85], rendant difficile la vérification de ces hypothèses.
• impossible car la pensée n'est pas un phénomène calculable par des processus discrets et finis. Cette théorie est notamment avancée par le philosophe John Searle et son expérience de la chambre chinoise[86]. Une conscience est donc nécessaire pour accéder à l'intelligence, mais un système informatique ne serait capable que d'en simuler une, sans pour autant la posséder, renvoyant au concept philosophique du zombie.
• possible avec des ordinateurs manipulant des symboles. La notion de symbole est toutefois à prendre au sens large. Cette option inclut les travaux sur le raisonnement ou l'apprentissage symbolique basé sur la logique des prédicats, mais aussi les techniques connexionnistes telles que les réseaux de neurones, qui, à la base, sont définies par des symboles. Cette position est portée par des mouvements comme ceux du computationnalisme et est portée par des philosophes comme Hubert Dreyfus, pour qui le cerveau suit les lois de la physique et de la biologie, impliquant que l'esprit est donc un processus simulable[87]. Cette dernière opinion constitue la position la plus engagée en faveur de l'intelligence artificielle forte.

Des auteurs comme Douglas Hofstadter (mais déjà avant lui Arthur C. Clarke ou Alan Turing ; voir le test de Turing) expriment par ailleurs un doute sur la possibilité de faire la différence entre une intelligence artificielle qui éprouverait réellement une conscience, et une autre qui simulerait exactement ce comportement (voir Zombie (philosophie)). Après tout, nous ne pouvons même pas être certains que d’autres consciences que la nôtre, y compris chez des humains, éprouvent réellement quoi que ce soit, si ce n'est par une pétition de principe qui spécule que chaque humain se retrouve à l'identique chez tous les autres. On retrouve là le problème connu du solipsisme en philosophie.

Le mathématicien de la physique Roger Penrose[88] pense que la conscience viendrait de l'exploitation de phénomènes quantiques dans le cerveau (voir microtubules), empêchant la simulation réaliste de plus de quelques dizaines de neurones sur un ordinateur normal, d’où les résultats encore très partiels de l’IA. Il restait jusqu’à présent isolé sur cette question. Un autre chercheur, Andrei Kirilyuk, a présenté depuis une thèse de même esprit quoique moins radicale[89].

L'intelligence artificielle généralisée (artificial general intelligence ou AGI) désigne tout système capable d'apprendre et d'effectuer n'importe quelle tâche qu'un humain serait capable de faire. Si certains utilisent le terme d'intelligence artificielle forte pour désigner ces systèmes[90], d'autres sources académiques préfèrent réserver ce terme aux systèmes capables d'être conscients (quoiqu'une définition de la conscience pour une IA ne fasse pas consensus, comme exposé ci-dessus)[91]. Malgré les progrès effectués ces dernières années, les systèmes actuels restent loin d'une éventuelle AGI et restent purement spéculatifs[83].

Si le terme intelligence artificielle peut désigner un système capable de résoudre plusieurs problèmes de façon relativement autonome tout en ne faisant que simuler le principe d'intelligence, il peut aussi désigner des systèmes capables de résoudre uniquement un type de problème pour un jeu de données prédéfini[93]. On peut donner pour exemple un système entrainé à reconnaitre des chiffres écrits à la main, comme ceux utilisés par La Poste[94], qui malgré sa grande performance sur sa tâche, serait incapable de fonctionner sur un problème sortant de ce pour quoi il a été conçu.

Ces intelligences artificielles, nommées « narrow AI » (« intelligence artificielle étroite »), sont conçues spécifiquement sur une tâche, sans développement particulier pour la généraliser comme le ferait une IA forte. Elles n'en gardent pas moins leur utilité, et restent très utilisées dans l'industrie[95], étant les seuls systèmes d'IA utilisables jusqu'à ce qu'une IA forte soit accessible et commercialisée.

Le sémanticien François Rastier, après avoir rappelé les positions de Turing et de Grice à ce sujet, propose[99] six « préceptes » conditionnant un système de dialogue évolué, en précisant qu'elles sont déjà mises en œuvre par des systèmes existants :

• objectivité (utilisation d'une base de connaissance par le système) ;
• textualité (prise en compte d'interventions de plus d'une phrase, qu'elles émanent du système ou de l'utilisateur) ;
• apprentissage (intégration au moins temporaire d'informations issues des propos de l'utilisateur) ;
• questionnement (demande de précisions de la part du système) ;
• rectification (suggestion de rectifications à la question posée, lorsque nécessaire) ;
• explicitation (explicitation par le système d'une réponse qu'il a apportée précédemment).

Il suggère aussi que le système devrait être en mesure de se faire par lui-même une représentation de l'utilisateur auquel il a affaire, pour s'adapter à lui. De son côté, l'utilisateur a tendance à s'adapter au système à partir du moment où il a bien compris qu'il s'adresse à une machine : il ne conversera pas de la même manière avec un système automatisé qu'avec un interlocuteur humain, ce qui présente pour le concepteur l'avantage pragmatique de simplifier certains aspects du dialogue.

D'autres tests ont également été développés pour évaluer la performance d'une intelligence artificielle :

• Le test du café[100] : imaginé par Steve Wozniak, le test consiste à placer un système intelligent dans un habitat américain moyen et lui demander de faire un café. La réussite du test implique donc plusieurs tâches comme l'orientation dans un environnement inconnu, déduire le fonctionnement d'une machine, trouver les ustensiles nécessaires…
• Le test de l'étudiant[101] : proposé par Ben Goertzel, le test évalue la capacité d'un robot à s'inscrire dans un établissement d'enseignement supérieur, suivre les cours, passer les examens et obtenir le diplôme final.
• Le test de l'embauche : proposé par le chercheur Nils John Nilsson, le test consiste à faire postuler un système intelligent à un travail important, et travailler au moins aussi bien qu'un humain[102].

Plusieurs prix Turing (ACM Turing Award) ont été attribués à des pionniers de l'intelligence artificielle, notamment :

• Marvin Minsky (1969)
• John McCarthy (1971)
• Allen Newell et Herbert Simon (1975)
• Edward Feigenbaum et Raj Reddy (1994)
• Judea Pearl (2011)
• Yann Le Cun, Geoffrey Hinton et Yoshua Bengio (2019).

• Ian Goodfellow (en), inventeur des réseaux antagonistes génératifs.
• Andrew Ng, connu comme directeur scientifique de Baidu et comme créateur de Coursera
• Terry Winograd, pionnier en traitement du langage naturel.
• Vladimir Vapnik co-inventeur des machines à vecteurs de support.
• Seymour Papert, ancien directeur du Laboratoire d'intelligence artificielle du MIT.

Le cognitivisme considère que le vivant, tel un ordinateur (bien que par des procédés évidemment très différents), manipule essentiellement des symboles élémentaires. Dans son livre La société de l’esprit, Marvin Minsky, s’appuyant sur des observations du psychologue Jean Piaget, envisage le processus cognitif comme une compétition d’agents fournissant des réponses partielles et dont les avis sont arbitrés par d’autres agents. Il cite les exemples suivants de Piaget :

• L’enfant croit d’abord que plus le niveau d’eau est élevé dans un verre, plus il y a d’eau dans ce verre. Après avoir joué avec des transvasements successifs, il intègre le fait que la notion de hauteur du liquide dans le verre entre en compétition avec celle du diamètre du verre, et arbitre de son mieux entre les deux.
• Il vit ensuite une expérience analogue en manipulant de la pâte à modeler : la réduction de plusieurs objets temporairement représentés à une même boule de pâte l’incite à dégager un concept de conservation de la quantité de matière.

Au bout du compte, ces jeux d’enfants se révèlent essentiels à la formation de l’esprit, qui dégagent quelques règles pour arbitrer les différents éléments d’appréciation qu’il rencontre, par essais et erreurs.

Le connexionnisme, se référant aux processus auto-organisationnels, envisage la cognition comme le résultat d’une interaction globale des parties élémentaires d’un système. On ne peut nier que le chien dispose d'une sorte de connaissance des équations différentielles du mouvement, puisqu’il arrive à attraper un bâton au vol. Et pas davantage qu’un chat ait aussi une sorte de connaissance de la loi de chute des corps, puisqu’il se comporte comme s’il savait à partir de quelle hauteur il ne doit plus essayer de sauter directement pour se diriger vers le sol. Cette faculté qui évoque un peu l’intuition des philosophes se caractériserait par la prise en compte et la consolidation d’éléments perceptifs dont aucun pris isolément n’atteint le seuil de la conscience, ou en tout cas n’y déclenche d’interprétation particulière.

Trois concepts reviennent de façon récurrente dans la plupart des travaux :

• la redondance (le système est peu sensible à des pannes ponctuelles) ;
• la réentrance (les composants s'informent en permanence entre eux ; cette notion diffère de la réentrance en programmation) ;
• la sélection (au fil du temps, les comportements efficaces sont dégagés et renforcés).

Schéma montrant le positionnement des notions d'IA, machine learning et deep learning imbriquées les unes aux autres.

Il y a une confusion fréquente dans le débat public entre « intelligence artificielle », apprentissage automatique (machine learning) et apprentissage profond (deep learning). Pourtant, ces notions ne sont pas équivalentes, mais sont imbriquées :

• l'intelligence artificielle englobe le machine learning, qui lui-même englobe le deep learning[107] ;
• l'intelligence artificielle peut aussi englober plusieurs autres types de briques logicielles, comme les moteurs de règles[108].

Certaines banques font appel à et développent des systèmes experts d'évaluation de risque lié à l'octroi d'un crédit (credit-scoring), notamment en utilisant ces systèmes pour la vérification des informations fournies, ou leur récupération et traitement de façon automatisée[109]. Un exemple est le score FICO.

Plusieurs grands noms de la finance se sont montrées intéressées par de telles technologies, avec des projets comme ceux de Bridgewater Associates où une intelligence artificielle va gérer entièrement un fonds[110] ou encore la plateforme d'analyse prédictive Sidetrade.

Sont également développées des systèmes de trading algorithmique, où les gains de vitesses permis par l'automatisation par rapport à des traders humains peut faire la différence, en particulier grâce au trading à haute fréquence[111].

Le domaine militaire utilise des systèmes tels que les drones, les systèmes de commandement et d'aide à la décision.

L’utilisation des intelligences artificielles dans le domaine militaire est devenu de plus en plus important. Les États-Unis ont dépensé 18 milliards de dollars pour trois années de recherches dans tous les domaines requis à l’automatisation de l’armement militaire[112].

Une course aux armements à base d'IA est en cours, telle qu'illustrée par le projet Maven aux États-Unis[113].

Jean-Christophe Noël, expert de l'Institut français des relations internationales (IFRI), rapporte qu'une IA, surnommée ALPHA, a fait ses premières classes en octobre 2015 en « affrontant des programmes informatiques de combats aériens de l’Air Force Research Laboratory et a systématiquement triomphé d’un pilote de chasse chevronné en octobre 2015 »[114].

En septembre 2019, la force opérationnelle IA du ministère des Armées français rend un rapport détaillant la stratégie de l'armée face à cette technologie, notamment la création d’une unité consacrée à l’intelligence artificielle au sein de l'Agence de l'innovation de défense (AID), ainsi qu'une Cellule de coordination de l’intelligence artificielle de défense (CCIAD). La loi de programmation militaire prévoit un budget de 700 millions d'euros pour les missions en faveur de l'IA, soit une moyenne de 100 millions par an[115].

La médecine a aussi vu de grands progrès grâce à l'utilisation de systèmes d'aide au diagnostic ou de diagnostic automatisé[116].

En 2018, Google DeepMind, filiale de Google spécialisée dans la recherche avancée en intelligence artificielle, a publié les résultats d'une expérimentation d'intelligence artificielle pouvant détecter les maladies oculaires. Les résultats indiquent que l'IA le fait avec une marge d'erreur plus faible que les ophtalmologues[117].

La France crée en 2019 le Health Data Hub afin de simplifier et encadrer l'utilisation des données de santé[118].

Plusieurs systèmes intelligents ont pu être utilisés pour lutter contre la pandémie de Covid-19, notamment avec le superordinateur Fugaku 415-PFLOPS.

Un usage de l'IA se développe dans le domaine de la prévention des crimes et délits. La police britannique, par exemple, développe une IA de ce genre, annoncée comme pouvant être opérationnelle dès mars 2019[119]. Baptisée National Data Analytics Solution (Solution nationale d'analyse de données ou NDAS), elle repose sur l'IA et des statistiques et vise à estimer le risque qu'une personne commette un crime ou en soit elle-même victime, pour orienter les services sociaux et médicaux qui peuvent la conseiller.

L'usage d'outils de prédiction des crimes à partir des données préalablement existantes est toutefois l'objet de controverses, compte tenu des biais sociaux (notamment raciaux) qu'il comporte[120]. En effet, la logique d'identification de schémas propre à ces technologies joue un rôle de renforcement des préjugés déjà existants.

Le droit fait appel à l'IA dans la perspective de prédire les décisions de justice, d'aider à la décision et de trancher les cas simples[121]. L'Estonie a par exemple développé une intelligence artificielle capable de prendre des décisions de justice sur des délits mineurs[122]. Les États-Unis utilisent par ailleurs dans certaines juridictions le système COMPAS (en)(Correctional Offender Management profiling for Alternative Sanctions), un système d'aide de prise à la décision pour les juges[122]. Plusieurs startups se sont spécialisées dans ce créneau, créant le domaine de la legaltech[123].

Le domaine de la logistique a vu certains projets utilisant de l'intelligence artificielle se développer notamment pour la gestion de la chaîne logistique (supply chain) ou des problématiques de livraison telle celle du dernier kilomètre[124].

L'intelligence artificielle est également fortement utilisée dans le domaine des transports en commun, car elle permet de faciliter la régulation et la gestion du trafic au sein de réseaux de plus en plus complexes, comme le système UrbanLoop actuellement en cours d'étude dans la ville de Nancy[125].

Même si les problèmes d'optimisation de temps de trajet ou de transports font partie des plus anciennes applications de solutions à base d'intelligence artificielle (voir le problème du voyageur de commerce ou l'algorithme de Dijkstra), les avancées récentes, notamment en apprentissage profond, ont permis des progrès significatifs en matière de précision. Certains projets comme Google Maps utilisent par exemple des systèmes d'IA en milieu urbain pour compenser la réflexion du signal GPS sur les immeubles avoisinant[126], ou pour cartographier des zones où peu d'informations sont disponibles[127]^,[128].

Plusieurs entreprises ont par ailleurs annoncé avoir développé des programmes de recherche en voiture autonome, notamment Google à travers sa filiale Waymo, l'entreprise française Navya ou encore Tesla.

Les systèmes intelligents deviennent monnaie courante dans de nombreuses industries. Plusieurs tâches peuvent leur être confiées, notamment celles considérées comme trop dangereuses pour un humain[129]. Certains applications se concentrent sur les systèmes de maintenance prédictive, permettant des gains de performance grâce à une détection des problèmes de production en amont.

La robotique a recours à l’intelligence artificielle à plusieurs égards. Notamment pour la perception de l'environnement (objets et visages), l'apprentissage et l'intelligence artificielle développementale[130]^,[131].

L'interaction homme-robot manque encore souvent de naturel et est un enjeu de la robotique. Il s'agit de permettre aux robots d'évoluer dans le monde dynamique et social des humains et d'échanger avec eux de façon satisfaisante[130]. L'échange nécessite également, à l'inverse, une évolution du regard que les humains portent sur les robots ; selon Véronique Aubergé, chercheuse à l’Université Grenoble-Alpes « la vraie révolution n’est pas technologique, elle est culturelle ». D'ores et déjà, travers les robots dotés d'intelligence artificielle, tel Google Home, les utilisateurs combleraient un isolement social[130].

L'intelligence artificielle est par exemple utilisée pour animer les personnages non-joueurs de jeux vidéo, qui sont conçus pour servir d'opposants, d'aides ou d'accompagnants lorsque des joueurs humains ne sont pas disponibles ou désirés. Différents niveaux de complexité sont développés.

Le 24 janvier 2019, Google DeepMind présente sur son blogue AlphaStar, une intelligence artificielle dédiée au jeu de stratégie en temps réel StarCraft II qui a affronté deux joueurs humains lors d'un match retransmis en direct sur Internet. Durant cet évènement, AlphaStar bat deux joueurs professionnels, dont Grzegorz « MaNa » Komincz, de l'équipe Team Liquid, l'un des meilleurs joueurs professionnels au monde. Le développement de cette intelligence artificielle a été permis par un partenariat entre Google DeepMind et Blizzard Entertainment, l'éditeur du jeu.

Dès la fin des années 1980, des artistes s'emparent de l'intelligence artificielle pour donner un comportement autonome à leurs œuvres. Les Français Michel Bret, Edmond Couchot et Marie-Hélène Tramus sont des pionniers, ainsi qu'en témoignent des œuvres comme La Plume et Le Pissenlit (1988)[132], puis La Funambule (2000), animée par un réseau de neurones. L’Américain Karl Sims, en partenariat avec la société Thingking Machines, crée en 1993 Genetic Images, machines incorporant^[Comment ?] des algorithmes génétiques. Le couple franco-autrichien Christa Sommerer et Laurent Mignonneau crée depuis le début des années 1990 de nombreuses œuvres dans le champ de la vie artificielle, parmi lesquelles Interactive plant growing (1992) ou A-Volve (1994)^{[réf. nécessaire]}. Le Français Florent Aziosmanoff propose quant à lui de considérer que l’emploi de l’intelligence artificielle dans l’art conduit à l’émergence d’une nouvelle discipline d’expression, qu’il nomme le Living art[133].

En mars 2018, l'artiste Joseph Ayerle publie la vidéo d’art intitulée Un'emozione per sempre 2.0, dans laquelle il met en scène une Ornella Muti virtuelle, recréée par une intelligence artificielle. Après seulement quelques jours d’entraînement, l’intelligence artificielle est capable d’animer le visage de l’actrice italienne pour réaliser des scènes qu’elle n’a jamais jouées[134].

Le 23 octobre 2018, la société de vente aux enchères Christie's met en vente le tableau Portrait d'Edmond de Belamy réalisé par une intelligence artificielle à l'aide de réseaux antagonistes génératifs. La peinture est signée par la formule mathématique à l'origine de sa création (« Min (G) max (D) Ex [log (D(x))] + Ez [log(1-D(G(z)))] »)[135]. Cette vente soulève de nombreux débats sur son statut de création artistique et sur l'auteur de l'œuvre : il peut être l'intelligence artificielle elle-même ou les trois créateurs qui l'ont programmée[136]. L'œuvre est achetée pour 350 000 dollars[137]. Cette vente peut être considérée comme une reconnaissance du GAN-isme (l'abréviation de Generative Adversarial Networks, « réseaux antagonistes génératifs » en français), un mouvement artistique qui utilise l’intelligence artificielle dans la création d'une œuvre picturale[137].

L'artiste numérique Solimán López[138] utilise l'intelligence artificielle comme outil pour créer des interactions inédites avec d'autres médias, outils et concepts. En 2019, dans High Meshes, il invente des micro-communautés de personnes réelles scannées en 3D par photogrammétrie. Ces données alimentent un logiciel d'intelligence artificielle qui rassemble les corps en fonction de leurs informations purement numériques sans tenir compte des questions raciales, sexuelles, religieuses, politiques ou culturelles. Dans le projet D.A.I, en 2018, des cartes d'identités de multiples pays sont analysées par une intelligence artificielle et aboutissent à de nouveaux papiers, symbolisant un monde sans frontières.

La domesticité, avec des robots employé de maison[139], ou pour certaines tâches précises comme en domotique.

En programmation informatique, notamment pour la maintenance prédictive, l'autocomplétion ou l'aide au développement[140].

En journalisme : des IA (appelées improprement « robots journalistes ») pourraient à terme aider les journalistes en les débarrassant de certaines tâches, notamment la veille, le bâtonnage de dépêches ou la vérification des fake news[141].

La Corée du Sud propose la toute première animatrice télé virtuelle en novembre 2020 lors d'un JT. [142]

En design : la conception assistée par ordinateur fait depuis longtemps appel à des algorithmes d'optimisation. En 2019, le créateur Philippe Starck lance ainsi une chaise développée en collaboration avec la société Autodesk, la « A.I.chair »[143].

Comme l'expose Martin Gibert dans son livre Faire la morale aux robots : une introduction à l'éthique des algorithmes, la définition du terme « intelligence artificielle » pose une question fondamentale : Qu'est-ce que l'intelligence ?

Le chercheur en IA Yann Le Cun avance que le noyau de l'intelligence est la faculté de prédire. En effet, les bases de la programmation des premiers systèmes experts supposent de « maitriser parfaitement un problème et d'avoir une vue précise de toutes les solutions »[148]. En général, on oppose ces systèmes experts au plus récent apprentissage automatique, une technique où la machine est récompensée lorsqu'elle atteint les objectifs qu'on lui a donnés, avec une progression analogue à la méthode essai-erreur. Dans les années 2010, la technique la plus étudiée est celle de l'apprentissage supervisé, où les lois sont induites dans le système à partir d'exemples, de patterns et d'associations automatiques, notamment observables dans le big data. Dans tous les cas, l'efficacité de l'intelligence artificielle consiste à répondre aux objectifs donnés par les programmeurs et à tendre vers l'autonomie décisionnelle, ce qui présuppose une capacité de prédiction.^{[réf. souhaitée]}

Le philosophe John Searle considère quant à lui que la faculté de comprendre est plus importante dans la définition de l'intelligence. Il démontre la faiblesse des systèmes d'intelligence artificielle et les limites du test de Turing, par son expérience de la chambre chinoise, d'où sa conclusion : « on ne devrait pas dire d'une IA qu'elle comprend les informations qu'elle traite lorsqu'elle manipule des règles de syntaxe sans maitriser la sémantique, c'est-à-dire sans reconnaitre le sens des mots. La question de savoir si on peut parler d'une véritable intelligence reste donc ouverte »[148].

Une description d’un possible avenir de l’intelligence artificielle a été faite par le statisticien anglais Irving John Good

« Supposons qu’existe une machine surpassant en intelligence tout ce dont est capable un homme, aussi brillant soit-il. La conception de telles machines faisant partie des activités intellectuelles, cette machine pourrait à son tour créer des machines meilleures qu’elle-même ; cela aurait sans nul doute pour effet une réaction en chaîne de développement de l’intelligence, pendant que l’intelligence humaine resterait presque sur place. Il en résulte que la machine ultra intelligente sera la dernière invention que l’homme aura besoin de faire, à condition que ladite machine soit assez docile pour constamment lui obéir. »

— Irving John Good[149]

Pour l'Américain Ray Kurzweil, l'intelligence artificielle dépassera bientôt l'intelligence naturelle.

La mutation qu'évoque Good correspond à un changement « qualitatif » du principe même de progrès, et certains la nomment « singularité »[150]. Ce concept est central pour de nombreux transhumanistes, qui s'interrogent sur les dangers ou les espoirs d'un tel scénario, certains allant jusqu'à envisager l'émergence d'un « dieu » numérique appelé à prendre le contrôle du destin de l'humanité, ou à fusionner avec elle.

Good estimait à un peu plus d'une chance sur deux la mise au point d'une telle machine avant la fin du XX^e siècle. La prédiction ne s’est toujours pas réalisée, en 2012, mais elle a imprégné le public à l'époque, notamment lors de la victoire de Deep Blue sur Garry Kasparov. Une partie du grand public était en effet persuadée qu’IBM venait de mettre au point le vecteur d’une telle explosion de l’intelligence et que cette compagnie en tirerait profit. L’espoir a été déçu : une fois sa victoire acquise, Deep Blue, simple calculateur évaluant 200 millions de positions à la seconde, sans conscience du jeu lui-même, a été reconverti en machine classique utilisée pour l'exploration de données.

Le développement de l'intelligence artificielle suscite l'enthousiasme des transhumanistes, notamment celui de l'ingénieur américain Ray Kurzweill, selon qui il est évident qu'à plus ou moins long terme, l'intelligence - jusqu'alors confinée dans son support biologique, le cerveau - deviendra progressivement non-biologique et considérablement plus puissante au point que des cyborgs remplaceront les humains, ceci en vertu de ce qu'il appelle le « principe de singularité »[151].

Le développement de l'intelligence artificielle suscite des craintes, y compris au sein de la sphère high tech. En 2015, Bill Gates, ex-PDG de Microsoft, s'inquiète à ce sujet[152].

Le développement de l'intelligence artificielle génère de l'enthousiasme, mais aussi de vives inquiétudes. Certains auteurs de science-fiction, tels Isaac Asimov, William Gibson ou Arthur C. Clarke, sur le modèle du récit de L'Apprenti sorcier, décrivent le risque d'une perte de contrôle des humains sur le processus technique. Dans les années 2000, différents intellectuels ont également pris position. Ainsi de l'astrophysicien Stephen Hawking, selon qui le risque est réel que des machines deviennent un jour plus intelligentes que les humains et finissent par les dominer, voire se substituer à eux, de la même façon que les humains ont exterminé certaines espèces animales[153]. Il pose en novembre 2017 au salon technologique Web Summit de Lisbonne la question suivante « Serons-nous aidés par l’intelligence artificielle ou mis de côté, ou encore détruits par elle ? »[154].

Dans le milieu de la haute technologie, certains expriment publiquement des craintes similaires. C'est ainsi le cas, en 2015, de Bill Gates, Elon Musk et Bill Joy[155]. Selon le spécialiste américain de l'informatique Moshe Vardi, l'intelligence artificielle pourrait mettre 50 % de l'humanité au chômage. « Nous approchons d'une époque où les machines pourront surpasser les hommes dans presque toutes les tâches ». Son avènement poserait, à terme, la question de l'utilité même de l'espèce humaine[156].

Certains industriels prennent ces risques au sérieux. Ainsi, en 2016, Google pose la question de la perte de contrôle potentiel d'agents apprenants qui pourraient apprendre à empêcher leur interruption dans une tâche. C'est dans ce sens que la firme développe un « bouton rouge » intégré en bas niveau dans les IA permettant de désactiver les intelligences artificielles, sans possibilité de contournement par celles-ci (au-delà de simplement « tuer » l'IA, l'objectif de ce « bouton rouge » est aussi de la geler dans son process, en évitant de l'arrêter, et éviter ainsi une remise à zéro des apprentissages ou des calculs en cours)[157].

Ce risque est aussi considéré sur le plan juridique. Ainsi, le parlement européen a demandé à une commission d'étudier la possibilité qu'un robot doté d'une intelligence artificielle puisse être considéré comme une personne juridique[158]. Advenant un dommage causé à un tiers par une intelligence artificielle, celle-ci pourrait être condamnée à réparer ce dommage. Il serait envisageable de conférer une personnalité électronique à tout robot prenant des décisions autonomes ou interagissant de manière indépendante avec des tiers, au même titre qu'une personne morale et physique.

Aux États-Unis, Anthony Levandowski, le père de la voiture autonome, a fondé une organisation religieuse qui fait la promotion d’une « divinité » reposant sur une intelligence artificielle. Cette organisation, appelée « Way of the Future » (« La voie de l’avenir ») existerait depuis septembre 2015[159].

Un autre problème est l'énorme quantité de ressources rares, de serveurs et d'énergie consommée par l'informatique sous-jacente à l'IA.

Comme l'explique l'historien François Jarrige, la critique de l'intelligence artificielle trouve son origine dans celle - plus ancienne et plus générale - des techniques et de la technologie, dont Lewis Mumford (aux États-Unis)[160], Jacques Ellul (en France)[161] et Günther Anders (en Allemagne)[162] sont au XX^e siècle les principaux instigateurs, et qui inspire aujourd'hui différents cercles militants (en France, par exemple : Pièces et Main d'Œuvre[163] et Technologos[164])[165].

Selon Jarrige, leurs thèses restent peu connues ou controversées du fait que le « progrès » et l'« État » restent encore largement surestimés. Ainsi, reprenant les analyses d'Ellul[166], les animateurs du groupe Technologos estiment que l'État est de loin le moins qualifié pour enrayer l'autonomisation du processus technicien[167] et qu'il appartient aux individus de briser les mythes de l'État-providence et du progrès technique : « Ce n'est pas la technique qui nous asservit mais le sacré transféré à la technique (…). Ce n'est pas l'État qui nous asservit, c'est sa transfiguration sacrale »[168].

Dans un rapport en date de février 2018 intitulé The Malicious Use of Artificial Intelligence 26 experts spécialistes en intelligence artificielle mettent en garde contre les dangers d'un usage criminel de l'IA : augmentation de la cybercriminalité, conduire à des utilisations de drones à des fins terroristes, manipulation de masse etc.[169].

Le 28 septembre 2016, les géants du secteur de l'intelligence artificielle mettent en place un « partenariat pour l’intelligence artificielle au bénéfice des citoyens et de la société »[170]. L'année suivante, Google DeepMind se dote d'une unité en interne pour aborder les questions éthiques[171].

Le 18 juillet 2018, 2 400 chercheurs, ingénieurs et personnalités du secteur de l'intelligence artificielle signent une lettre ouverte[172], s'engageant à « ne jamais participer ou soutenir le développement, la fabrication, le commerce ou l’usage d’armes létales autonomes ». La lettre précise notamment que « La décision de prendre une vie humaine ne devrait jamais être déléguée à une machine. ». Parmi les signataires, se trouvent Elon Musk, les dirigeants de Google DeepMind, Stuart Russell, Yoshua Bengio ou encore Toby Walsh[173].

Malgré les progrès importants de l'intelligence artificielle ces dernières années, nous ne pouvons pas dire que l'hypothèse de la fin du travail se soit encore réalisée. Il est vrai cependant que la structure du marché de l'emploi connaît de grands changements à cause de l'intelligence artificielle. Le sociologue Antonio Casilli, dans son ouvrage En attendant les robots : enquête sur le travail du clic[176] examine les conséquences de la « disruption numérique » liée à l'intelligence artificielle sur la structure de l'emploi, en enquêtant sur les différentes formes d'activités humaines nécessaire à la production d'intelligence artificielle. Cette thèse s'inscrit dans une analyse de qu'on appelle le « travail numérique » (« digital labour »), concept forgé dans les années 2000 pour désigner l'ensemble des activités en ligne, créatrices de valeurs, le plus souvent captées par les grandes plateformes numériques. Le travail numérique est consubstantiellement lié à la production des intelligences artificielles et peut être analysé en trois catégories[177]^,[178]:

Le travail à la demande

Cette forme a la particularité d'être à la fois en ligne et hors ligne. C'est le travail lié aux plateformes d'appariement algorithmique comme Uber, Deliveroo, ou même Airbnb, etc. Dans le cas du travail à la demande, l'intelligence artificielle ne remplace pas le travail humain mais elle permet plutôt une optimisation de la rencontre de l'offre et de la demande sur un certain marché. Cette forme de digital labour est moins liée à la production d'intelligence artificielle que les deux suivantes, en revanche, l'intelligence artificielle et l’algorithmique bousculent la structure de l'emploi des secteurs d’activités concernés. L'optimisation algorithmique de la rencontre de l'offre et la demande encourage un système de rémunération à la tâche et prive les travailleurs du statut de salarié. Dans ce cas-là les conséquences de l'intelligence artificielle sur l'emploi concernent davantage une modification du statut des travailleurs, qu'un remplacement de l'homme par la machine. La tâche reste la même, seules les conditions d'emploi et de rémunération changent.

Le micro-travail

L'émergence du micro-travail, est très étroitement lié à la production d'intelligence artificielle, notamment dans la phase d’entraînement et de calibrage des algorithmes. En effet tous les algorithmes d'intelligence artificielle (particulièrement ceux utilisant la technologie du deep-learning) ont besoin d'une quantité incroyable de données pour réaliser leur apprentissage et devenir fonctionnels. Or il n'existe pas à ce jour d'autre solution que d'avoir recours à la main d’œuvre humaine pour fournir ces quantités de données. C'est Amazon, l'un des leaders mondiaux de l'intelligence artificielle qui possède la plus grande plateforme de micro-travail : Amazon Mechanical Turk créée en 2005. Les autres leaders de l'intelligence artificielle utilisent également les services de plateformes de micro-travail : Google se sert d'EWOK, Microsoft d'UHRS et IBM de Mighty IA[179]. Ces micro-tâches numériques sont en général : rédiger de courts commentaires, cliquer, regarder des vidéos ou des photos, traduire un texte, donner de la visibilité à un site Web, créer des playlists musicales, taguer des images ou reconnaître des visages ou des objets dans les photos. Aux micro-tâches s'appliquent des micro-paiements : certaines sont payées en centimes de dollars, un ou deux dollars pour les plus élaborées. L'institut américain Pew Research Center estime que les deux tiers des tâches proposées sur Amazon Mechanical Turk sont rémunérées moins de 10 centimes et la moyenne horaire de salaire était évaluée par des chercheurs à 1,38 par heure en 2010[180]. Selon une étude de la Banque mondiale de 2013, il avait alors plus d’une centaine de plates-formes de micro-travail dans le monde, comptabilisant autour d'un million d’inscrits[181], mais des enquêtes plus récentes ont vu ce nombre largement rehaussé, les estimations les plus actuelles allant de quelques dizaines de millions, à plus de 100 millions de micro-travailleurs dans le monde[182]. En France il y aurait environ 250 000 micro-travailleurs[183]. Le micro-travail peut être considéré comme le droit héritier du taylorisme qui s'est adapté à l'économie numérique.

Le travail social en réseau

Certains sociologues, parmi lesquels Antonio Casilli, considèrent que la présence en ligne, sur les plateformes qui captent nos données personnelles, peut être considéré comme une forme de travail[178]. En effet cette activité en ligne est essentielle à la production de données qui seront par la suite utilisées afin de faire progresser les algorithmes. Cette activité pourrait donc être considérée comme du travail, dans la mesure où elle est créatrice de valeur pour les plateformes.

Malgré les craintes qui règnent autour de l'hypothèse de la fin du travail, cette idée semble actuellement relever du fantasme. Le travail humain demeure essentiel à la phase d'apprentissage des intelligences artificielles. Même entraînée et fonctionnelle, une intelligence artificielle nécessite souvent des vérifications humaines afin d'assurer son bon fonctionnement. L'exemple le plus notoire dans le domaine est celui des assistants vocaux, Amazon assume écouter les conversations des utilisateurs d'Alexa afin « d'améliorer l'expérience utilisateur »[184], or ce sont bien des humains qui sont derrière ces écoutes. De même les voitures dites autonomes d'Uber ne peuvent pas fonctionner sans opérateur de conduite, qui n'est pas au volant, mais qui doit guider le véhicule en participant à la reconnaissance d'images fournis par les caméras en direct. Uber a d'ailleurs décidé de doubler le nombre de ces opérateurs de conduite après le premier accident mortel de début 2018[185]. L'analyse du digital labour met en lumière toute l'ambivalence actuelle de l'intelligence artificielle. Lorsque les grandes plateformes du numérique et les ingénieurs annoncent le remplacement de l'homme par les machines, une étude sociologique concrète nous montre que pour l'instant, le travail humain est essentiel pour combler les lacunes de l'intelligence artificielle. Il semble donc que derrière les promesses d'automatisation, se cache finalement une précarisation du statut des travailleurs (dans le cas du travail à la demande), un parcellisation extrême des tâches (dans le cas du micro-travail) et une invisibilisation du travail (dans le cas du travail social en réseau)[186].

Dans le jeu Othello, sur un plateau de 8 cases sur 8, chaque joueur place tour à tour des pions de sa couleur (noir ou blanc). Le vainqueur est celui qui possède les pions de la couleur dominante.

L'une des premières intelligences artificielles pour l'Othello est IAGO, développée en 1976 par l'université Caltech de Pasadena (Californie), qui bat sans difficultés le champion japonais Fumio Fujita.

Le premier tournoi d'Othello hommes contre machines est organisé en 1980. Un an plus tard, un nouveau tournoi de programmes regroupent 20 systèmes[195]. C'est entre 1996 et 1997 que le nombre de programmes explose : Darwersi (1996-1999) par Olivier Arsac, Hannibal (1996) par Martin Piotte et Louis Geoffroy, Keyano (1997) par Mark Brockington, Logistello (1997) par Michael Buro, etc.

Un supercalculateur IBM similaire à Deep Blue, qui a battu le champion du monde d'échecs en titre dans un match en 1997.

En 1968, le maître international anglais David Levy lança un défi à des spécialistes en intelligence artificielle, leur pariant qu'aucun programme informatique ne serait capable de le battre aux échecs dans les dix années à venir. Il remporta son pari, n'étant finalement battu par Deep Thought qu'en 1989[196].

En 1988, l'ordinateur HiTech de Hans Berliner fut le premier programme à battre un grand maître du jeu d'échecs, Arnold Denker (74 ans) en match (3,5-1,5)[197]^,[alpha 4]. Par la suite, de forts joueurs furent battus, comme le grand maître Bent Larsen (alors à 2 560 points Elo), vaincu en 1988 par Deep Thought dans un tournoi en Californie[198]^,[199].

En mai 1994, à Munich, le programme Fritz 3, tournant sur un ordinateur avec un monoprocesseur Pentium à 90 MHz, gagna une partie de blitz dans un tournoi contre le champion du monde d'échecs Garry Kasparov et, en août 1994, lors du premier tour du grand Prix d'Intel à Londres, le champion du monde affronta Chess Genius 2.9 (tournant sur un Pentium à 100 MHz) en jeu semi-rapide (30 min la partie) et perdit 0.5-1.5 (une nulle et une défaite)[200].

En 1997, la victoire du supercalculateur conçu par IBM, Deep Blue (surnommé Deeper Blue lors de ce match revanche), contre Garry Kasparov (3,5–2,5) a marqué un tournant : pour la première fois, le meilleur joueur humain du jeu d'échecs était battu en match (et non lors d'une partie unique) par une machine.

En juin 2005, le supercalculateur Hydra gagne face au grand maître Michael Adams par 5 victoires, une nulle, et aucune défaite[201].

En novembre 2006, Deep Fritz gagne face au champion du monde Vladimir Kramnik par 2 victoires, 4 nulles et aucune défaite, plaçant notamment dans la deuxième partie un échec et mat élémentaire (mat en un coup) que Kramnik ne vit pas, fatigué par ses efforts durant le match[202].

En 2010, l'ancien champion du monde Veselin Topalov confirme utiliser pour sa préparation au championnat du monde d'échecs 2010 le superordinateur Blue Gene/P, doté alors de 8 792 processeurs[203].

En décembre 2017, une version généraliste d'AlphaGo Zero — successeur du programme AlphaGo de DeepMind, voir plus bas dans la section Go — nommée AlphaZero, a été développé, pour jouer à n'importe quel jeu en connaissant seulement les règles, et en apprenant seul à jouer contre lui-même. Ce programme a été ensuite entraîné pour le Go, le Shogi et les échecs. Après 9 heures d'entrainement, AlphaZero a battu le programme d'échecs Stockfish, avec 28 victoires, 72 nulles et aucune défaite. Il faut cependant noter que la puissance de calcul disponible pour AlphaZero (4 TPUv2 pour jouer, soit 720 Teraflops) est infiniment supérieure à la puissance disponible pour Stockfish, qui n'utilise que 64 cœurs Intel[204]. Il a également réussi à battre après apprentissage le programme de shōgi Elmo (en)[205]^,[206].

En 2015, l'IA réalise des progrès significatifs dans la pratique du go, plus complexe à appréhender que les échecs (entre autres à cause du plus grand nombre de positions : 10¹⁷⁰ au go, contre 10⁵⁰ pour les échecs, et de parties plausibles : 10⁶⁰⁰ au go, contre 10¹²⁰ pour les échecs)[207].

En octobre 2015, AlphaGo, un logiciel d'IA conçu par DeepMind, filiale de Google, bat pour la première fois Fan Hui, le triple champion européen de go[208] et ainsi relève ce qu'on considérait comme l'un des plus grands défis pour l'intelligence artificielle. Cette tendance se confirme en mars 2016 quand AlphaGo bat par trois fois consécutives le champion du monde de la discipline, Lee Sedol, dans un duel en cinq parties[209]. Lee Sedol a déclaré au terme de la seconde partie qu'il n'avait trouvé « aucune faiblesse » chez l'ordinateur et que sa défaite était « sans équivoque ».

Réplique de Watson, lors d'un concours de Jeopardy!

En 2011, l'IA Watson conçue par IBM, bat ses adversaires humains au jeu télévisé américain Jeopardy![207]. Dans ce jeu de questions/réponses, la compréhension du langage est essentielle pour la machine ; pour ce faire, Watson a pu s'appuyer sur une importante base de données interne lui fournissant des éléments de culture générale, et avait la capacité d'apprendre par lui-même, notamment de ses erreurs. Il disposait néanmoins d’un avantage, la capacité d’appuyer instantanément (et donc avant ses adversaires humains) sur le buzzer pour donner une réponse[207].

Le premier programme informatique à avoir gagné un tournoi de poker significatif face à des joueurs professionnels humains est Polaris, en 2007[210]^,[211] et, depuis, les efforts pour améliorer ce résultat n'ont pas cessé.

En 2017, lors du tournoi de poker « Brains Vs. Artificial Intelligence : Upping the Ante » (« Cerveau contre Intelligence Artificielle : on monte la mise ») organisé dans un casino de Pennsylvanie, l’intelligence artificielle Libratus, développée par des chercheurs de l'université Carnegie-Mellon de Pittsburgh, est confrontée à des adversaires humains dans le cadre d'une partie marathon étalée sur 20 jours[211]. Les joueurs humains opposés à Libratus, tous professionnels de poker, affrontent successivement la machine dans une partie en face à face (heads up (en)) selon les règles du « No Limit Texas hold'em » (no limit signifiant que les mises ne sont pas plafonnées), la version alors la plus courante du poker. Les parties sont retransmises en direct et durant huit heures par jour sur la plateforme Twitch[212].

Au terme de plus de 120 000 mains jouées, Libratus accumule 1 766 250 dollars (virtuels). Le joueur humain ayant perdu le moins d'argent dans son duel face à la machine, Dong Kim, est tout de même en déficit de plus de 85 000 dollars. Dans leurs commentaires du jeu de leur adversaire, les joueurs humains admettent qu'il est à la fois déconcertant et terriblement efficace. En effet, Libratus « étudie » chaque nuit, grâce aux ressources d'un supercalculateur situé à Pittsburgh, ses mains jouées durant la journée écoulée, utilisant les 15 millions d’heures-processeur de calculs du supercalculateur[212].

La victoire nette et sans bavure de la machine marque une nouvelle étape dans le développement de l'intelligence artificielle et illustre les progrès accomplis dans le traitement par l'IA des « informations imparfaites », où la réflexion doit prendre en compte des données incomplètes ou dissimulées. Les estimations du nombre de possibilités d'une partie de poker no limit en face à face spnt en effet d'environ 10¹⁶⁰[212].

Auparavant, en 2015, le joueur professionnel Doug Polk (en) a remporté la première édition de cet évènement contre l'IA, baptisée Claudico (en)[212].

Aspects techniques

• Stuart J. Russell et Peter Norvig, Intelligence artificielle (3^e éd.) [« Artificial Intelligence: A Modern Approach (en) »], Pearson Education France, 2010, 1198 p. (ISBN 978-2-7440-7455-4, présentation en ligne).
• Alan Turing, Jean-Yves Girard, La Machine de Turing, Éditions du Seuil, 1995 [détail de l’édition], Les Ordinateurs et l'Intelligence, p. 133–174
• Claire Rémy, L'Intelligence artificielle, Paris, Dunod, 1994, 158 p. (ISBN 2-10-002258-X)
• Jean-Marc Alliot et Thomas Schiex, Intelligence artificielle et informatique théorique, Toulouse, CEPADUES, 2002, 543 p. (ISBN 2-85428-578-6)
• (en) Michael R. Genesereth et Nils J. Nilsson, Logical Foundations of Artificial Intelligence, Los Altos, Californie, États-Unis, Morgan Kaufmann, 1987, 405 p. [détail de l’édition] (ISBN 0-934613-31-1)
• Jean-Louis Laurière, Intelligence Artificielle, Eyrolles, 1986
• Jean-Paul Delahaye, Outils logiques pour l'intelligence artificielle, Eyrolles, 1985 [détail des éditions] (ISBN 978-2212084122)
• Jean-Paul Haton, Marie-Christine Haton, L'Intelligence Artificielle, Paris, Que sais-je ?, 1990, 127 p. (ISBN 2-13-043164-X)
• (en) Kate Crawford, Atlas of AI : Power, Politics, and the Planetary Costs of Artificial Intelligence, Yale University Press, 2021

Aspects prospectifs

• Étude : CGET (2019) Intelligence artificielle – État de l’art et perspectives pour la France ; 21 février 2019. URL:https://cget.gouv.fr/ressources/publications/intelligence-artificielle-etat-de-l-art-et-perspectives-pour-la-france (ISBN 978-2-11-152634-1) (ISSN 2491-0058)

Aspects philosophiques

• Marie David et Cédric Sauviat, Intelligence artificielle, la nouvelle barbarie, Éditions du Rocher, 2019, 313 p.
• Laurent Alexandre, La Guerre des intelligences. Intelligence artificielle versus intelligence humaine, Paris, JC Lattès, 2017, 250 p. (ISBN 978-2-7096-6084-6, lire en ligne)
• Gilbert Boss, Les machines à penser : L'homme et l'ordinateur, Zurich, Éditions du Grand midi, 1987, 202 p. (ISBN 2-88093-105-3)
• Jacques Bolo, Philosophie contre intelligence artificielle, Paris, Lingua Franca, 1996, 375 p. (ISBN 2-912059-00-3)
• Alan Ross Anderson (trad. de l'anglais), Pensée et machine, Seyssel, Éditions Champ Vallon, 1983 (réimpr. 1993), 150 p. (ISBN 2-903528-28-4, lire en ligne)
• Jean Sallantin et Jean-Jacques Szczeciniarz, Le Concept de preuve à la lumière de l'intelligence artificielle, Paris, Presses universitaires de France, 1999, 370 p. (ISBN 2-13-050104-4)
• Jean-Gabriel Ganascia, L'Âme-machine, les enjeux de l'intelligence artificielle, Paris, Éditions du Seuil, Collection Science Ouverte, 1990, 284 p. (ISBN 2-02-011470-4)
• Nick Bostrom, Superintelligence : Paths, Dangers, Strategies, 2014, 328 p. (ISBN 978-0-19-967811-2, lire en ligne)

Fondements cognitifs, psychologiques et biologiques

• Hervé Chaudet et Liliane Pellegrin, Intelligence artificielle et psychologie cognitive, Paris, Dunod, 1998, 179 p. (ISBN 2-10-002989-4)

Aspects linguistiques

• Gérard Sabah, L'Intelligence artificielle et le langage, Représentations des connaissances, Processus de compréhension, vol. 1, Hermès, 1989 (ISBN 2-86601-134-1)
• Gérard Sabah, L'Intelligence artificielle et le langage, Représentations des connaissances, Processus de compréhension, vol. 2, Paris, Hermès, 1990, 768 p. (ISBN 2-86601-187-2)
• Gérard Sabah, Compréhension des langues et interaction (Traité IC2, Série Cognition et Traitement de l'Information), Paris, Hermès science: Lavoisier, 2006, 400 p. (ISBN 2-7462-1256-0)
• (en) Krzysztof Wołk, Machine learning in translation corpora processing, Boca Raton, FL, Taylor & Francis, 2019, 264 p. (ISBN 978-0-367-18673-9)

Histoire

• Daniel Crevier et Nathalie Bukcek (trad. de l'anglais), À la recherche de l'intelligence artificielle, Paris, Flammarion, 1997, 438 p. (ISBN 2-08-081428-1), (traduction de (en) The Tumultuous history of the search for artiticial intelligence.)

Vulgarisation

• Gérard Tisseau et Jacques Pitrat, Intelligence artificielle : problèmes et méthodes, Paris, Presses universitaires de France, 1996, 255 p. (ISBN 2-13-047429-2)
• Jack Challoner (trad. de l'anglais), L'Intelligence artificielle : Un guide d'initiation au futur de l'informatique et de la robotique, Paris, Pearson Education, 2003, 72 p. (ISBN 2-7440-1600-4)
• Hugues Bersini, De l'intelligence humaine à l'intelligence artificielle, Paris, Ellipse, 2006, 192 p. (ISBN 2-7298-2813-3)
• Jean-Gabriel Ganascia, L'Intelligence artificielle, Paris, Éditions du Cavalier bleu, coll. « Idees recues », 2007, 127 p. (ISBN 978-2-84670-165-5)
• Howard Selina (illustrations) et Henry Brighton (texte) (trad. de l'anglais), L'Intelligence artificielle en images, Les Ulis, EDP Sciences, coll. « Aperçu », 2015, 176 p. (ISBN 978-2-7598-1772-6)
• Marion Montaigne (dessin) et Jean-Noël Lafargue (scénario), L'Intelligence artificielle : fantasmes et réalités, Bruxelles, Le Lombard, coll. « La petite bédéthèque des savoirs », 2016, 72 p. (ISBN 978-2-8036-3638-9)

Politique, relations internationales

• Daniel Ventre, Intelligence artificielle, cybersécurité et cyberdéfense, ISTE, Londres, 246 pages, Juin 2020 (ISBN papier : 9781784056797), (ISBN ebook : 9781784066796)

Aspects juridiques

• Digital Services Act, ou loi sur les services numériques de l'Union européenne

Notions générales

Notions techniques

Chercheurs en intelligence artificielle (espace anglophone)

Chercheurs en intelligence artificielle (espace francophone)

Laboratoires et projets renommés de recherche en intelligence artificielle

• Le Stanford Artificial Intelligence Laboratory (SAIL) (en), fondé en 1963 par John McCarthy
• L'Augmentation Research Center (ARC) (en) du Stanford Research Institute, fondé au début des années 1960 par Douglas Engelbart
• Le projet MAC (en) de l'institut de technologie du Massachusetts, lancé le 1er juillet 1963 et dirigé par Robert Fano
• Le laboratoire de recherche en intelligence artificielle (AILab) du Massachusetts Institute of Technology, fondé en 1970 –pour remédier au manque d'espace dont souffre le groupe IA du nouveau projet MAC– et fusionné en 2003 avec le laboratoire de recherche en informatique (LCS) ; à nouveau réunies, les deux entités prennent le nom de MIT Computer Science and Artificial Intelligence Laboratory (CSAIL)
• l'Institut des sciences de l'information (ISI) (en) de l'Université de Californie du Sud (USC), fondé en 1972 par Keith Uncapher (en)

• Notices dans des dictionnaires ou encyclopédies généralistes :

  • Encyclopædia Britannica
  • Store norske leksikon
• Notices d'autorité :

  • Bibliothèque nationale de France (données)
  • Bibliothèque du Congrès
  • Gemeinsame Normdatei
  • Bibliothèque nationale de la Diète
  • Bibliothèque nationale d’Espagne
• Ressources relatives à la recherche :
  • (en) Internet Encyclopedia of Philosophy
  • (en) Stanford Encyclopedia of Philosophy
• (en) European Association for Artificial Intelligence (EurAI) (Association européenne pour l'intelligence artificielle)
• Association française pour l'intelligence artificielle (AfIA).
• Association française pour la promotion et la sensibilisation à l'intelligence artificielle (AFPSIA) (inaccessible).
• GdrIA, groupement de recherche du CNRS sur les aspects formels et algorithmiques de l'intelligence artificielle.
• ActuIA, site présentant l'actualité de l'intelligence artificielle.
• Dossier sur l'Intelligence artificielle, savoirs.ens.fr (conférences de l'École normale supérieure).
• Insideaiminds.com est un blogue spécialisé dans l'analyse des opinions des plus grands experts de l'intelligence artificielle

Réflexions

• Sébastien Konieczny, « L'intelligence artificielle, menace ou avancée ? », Huffington Post, 9 mars 2016.
• Juliette Demey, « À quoi sert l'intelligence artificielle ? », JDD, 19 juillet 2015.

• Portail de l’informatique
• Portail de la robotique
• Portail de la science-fiction
• Portail du jeu vidéo
• Portail du Web sémantique