Depuis les récents progrès de l’intelligence artificielle, pas un seul jour sans que la presse ne fasse états de ses prouesses dans tous les domaines : diagnostic médical, recherche, conduite autonome, compréhension du langage, reconnaissance faciale etc.. La révolution est réelle, massive et déterminante pour les prochaines années bien que nous n’en sommes qu’aux balbutiements de ce que les machine seront bientôt en mesure de faire.

Ce qui est surprenant dans cette révolution, c’est l’obsession des commentateurs et des humains en général à se comparer à elles. “Les machines ne pourront jamais dépasser l’homme”, “elles n’ont pas d’émotions”, “elles ne seront jamais conscientes” lit-on de manière récurrente.

Premièrement, ceux qui affirment cela n’en savent rien (y compris les plus grands experts actuels du domaine, il n’y a qu’à voir comme chaque révolution scientifique s’est faite contre les experts à chaque époque, par transgression, et souvent par l’arrivée de nouvelles générations qui pensaient contre leurs pères et pairs et encore plus souvent par un hasard qui rendait l’ancien paradigme obsolète). La seule chose que cela dit d’eux mêmes c’est à la fois leur arrogance à vouloir “rester supérieurs” à la machine mais surtout leur peur “de se faire dépasser” par elle et d’être relégués au second plan. Nous devrions faire preuve d’humilité. Se faire “dépasser” par une machine est une excellente nouvelle : si elles conduisent de manière plus sécurisée et diagnostiquent les maladies avec plus de fiabilité, laissons nous “dépasser”. Nous avons un réflexe de crainte chaque fois que la machine nous dépasse : puisque la machine l’a fait, cela ne relève pas de l’intelligence, avons nous l’habitude de répéter. Et à chaque prouesse, nous en pointons vite les limites avant de saluer sa performance : la machine a fait le diagnostic, mais c’est le médecin qui l’annonce au patient avec son intelligence émotionnelle d’humain ! Minimiser, toujours minimiser. Patience, très vite les machines sauront détecter nos émotions mieux que nous et nous en faire éprouver au bon moment. L’intelligence émotionnelle n’est qu’un algorithme comme un autre, aussi complexe soit-il.

Et deuxièmement, ce que cette obsession de comparer l’homme à la machine dit de nous, c’est notre illusion de libre arbitre et notre refus du déterminisme. Les machines et les algorithmes sont de plus en puissants et commencent à frôler des capacités qui nous dérangent et que nous refusons d’admettre. Ils savent à la simple observation de notre utilisation de la technologie, prédire de plus en plus de nos comportements. Facebook sait par exemple anticiper un suicide imminent, une relation amoureuse ou une rupture et même vos intentions de vote, simplement à votre utilisation de sa plateforme (en étudiant la sa fréquence d’utilisation, les contenus qui vous intéressent, vos interactions en ligne etc). Nous sommes beaucoup plus prévisibles que nous le pensons (ce que les assureurs savent depuis longtemps et que les science sociales tentent de quantifier) et les algorithmes sont en train de nous le prouver. Les prochaines années, nous allons rouvrir le débat philosophique du libre arbitre et du déterminisme : jusqu’où sommes nous maîtres de nos décisions lorsque des algorithmes nous anticipent et nous influencent.

Pour beaucoup d’entre nous, les algorithmes ne resteront que de vulgaires calculs incapables de nous connaître parfaitement. Mais plus ils progresseront et anticiperont nos comportements, plus il faudra l’accepter et guérir notre blessure narcissique face à l’illusion du libre arbitre. Avec l’émergence de ces algorithmes, c’est toute la société qui devra être repensée et ses institutions transformées.

publié dans Audience 8

Le mythe de la transformation digitale

Depuis quelques années, les entreprises et les dirigeants entendent en boucle le slogan de la “transformation digitale” : Il faut absolument adopter les codes de l’économie numérique, utiliser les technologies les plus avancées, travailler en mode agile comme les startups californiennes, adopter des postures managériales cool qui mettent en avant “l’humain”… Ce slogan est faux, trompeur et dangereux pour les entreprises et les dirigeants. Faux parce qu’il masque la réalité de la période que nous vivons. Nous ne sommes pas dans une période de transformation digitale ni même de révolution digitale, nous entrons dans une période de disruption massive accélérée par le digital. Trompeur parce qu’il laisse à croire qu’il est possible d’envisager cette “transformation”. Et dangereux, parce qu’il conduit les entreprises à prendre des décisions qui précipitent leur déclin (les mêmes que Kodak en son temps !)

La différence entre cette transformation supposée et la disruption que nous vivons en réalité est de taille. Une transformation suppose qu’il est possible de partir de l’ancien (modèle, organisation, produit, business model…) pour le remodeler et l’adapter au nouveau monde : c’est le pari des entreprises aujourd’hui. La disruption est beaucoup plus violente et radicale : elle suppose qu’il n’est pas possible de transformer, mais qu’il faut au contraire rendre obsolète, faire disparaître l’ancien pour laisser émerger le nouveau en utilisant la technologie.

Le biais de “l’augmentation” (quand la disruption c’est toujours les autres)

Face à cette situation, les professionnels adoptent spontanément un biais cognitif : celui de l’augmentation grâce à la technologie. Ils veulent absolument augmenter l’existant sans jamais se poser la question de sa pertinence à l’heure de la disruption. Ils parlent de manager augmenté, de RH augmenté, de marketing augmenté, du directeur financier augmenté…Alors que l’objectif de la disruption, de surcroît exacerbée et accélérée par l’arrivée de technologies puissantes comme l’intelligence artificielle est de se débarrasser du manager, du RH, des directeurs marketing et financier. S’il existait encore des porteurs d’eau ou des boutiques d’impressions de photos (feu Kodak), il y a fort à parier qu’en interviewant leurs dirigeants, ils nous parleraient aujourd’hui de porteurs d’eau augmentés ou d’impression de photos augmentée avec l’IA. Les deux ont disparus. La disruption se moque de l’existant.

Personne n’est indispensable

La première attitude à adopter face à la disruption, à titre personnel ou en tant qu’entreprise est de se dire que personne n’est indispensable : ce n’est pas parce que vous avez un poste prestigieux, des diplômes qui sonnent comme des titres d’ancien régime ou de nombreux salariés sous votre responsabilité que la disruption ne vous concerne pas. Ce n’est pas parce qu’un produit est un best seller-international depuis des années qu’il n’est pas à l’abris de se faire remplacer par une app ou une plateforme. Ce n’est pas parce qu’un usage est indispensable aujourd’hui qu’il n’y a aucun autre moyen d’y pourvoir. Le déni (doublé d’arrogance) est spontané chez la plupart des dirigeants, d’autant plus dans les secteurs traditionnels : les banquiers répètent en boucle qu’il y aura toujours besoin de banques et les avocats que la justice sans avocats est impossible. C’est ce “il y aura toujours” qui est le signe le plus fort d’une disruption à venir. L’impermanence est partout mais personne ne veut la voir. Les concepts qui nous entourent ont une durée de vie mais nous supposons qu’ils existent depuis et pour toujours (qu’il s’agisse des banques, de la démocratie, du salariat etc). Les disrupteurs s’attaquent précisément aux usages les plus anciens et établis pour en inventer d’autres qui au passage font mourir les anciens. Les entrepreneurs et les capitaux risqueurs de la SIlicon Valley prennent la liste des tous les secteurs de l’économie, des usages et des fonctions dans l’entreprise et se demandent pour chacun “comment les disrupter, comment les faire disparaître en les rendant obsolètes”. Il s’agit donc pour les entreprises et les professionnels de commencer par s’imaginer déjà obsolètes, de se rendre eux-mêmes obsolètes sinon quelqu’un d’autre s’en chargera. Chacun doit se demander ou se déplacera sa valeur ajoutée sachant que sa valeur ajoutée actuelle ne sera plus, plutôt que de chercher absolument à vouloir continuer à exister dans le monde de demain en se contentant d’ajouter de la technologie.

Les experts ne voient jamais leur propre disruption

La deuxième attitude à adopter face à la disruption, est de comprendre qu’elle vient le plus souvent en dehors de l’expertise qui est visée. C’est le point le plus contre-intuitif pour les entreprises. Pour se préparer à la disruption et de manière générale au digital, elles recrutent et chargent des spécialistes de leur domaine de conduire la transformation, elles demandent aux métiers d’imaginer leur futur dans un monde digital… Alors que l’expertise de chaque métier est en réalité un handicap pour imaginer son avenir. L’expertise aveugle, elle propose une approche d’un sujet tellement précise, rodée et habituelle qu’elle empêche de le voir autrement. Aux mêmes problèmes, toujours les mêmes solutions : celles des experts. C’est sur cette faiblesse que s’appuient les disrupteurs : ils s’autorisent à penser l’inconcevable pour les experts d’un domaine particulier et se donnent de ce fait l’opportunité de rendre ce domaine et ses processes obsolètes. Uber n’a pas été lancé par des experts du transport ni Airbnb par des experts de l’hôtellerie. La disruption vient toujours de l’extérieur et surprend les acteurs établis parce qu’elle fait exploser toutes leurs certitudes. Face à cette situation, le meilleur moyen pour l’entreprises de s’y préparer est donc de faire appel à l’extérieur en cherchant une compétence précise : la capacité à anticiper où va se déplacer la valeur dans le futur. De nombreuses entreprises se trompent en cherchant cette compétence auprès de cabinets de conseil. C’est une erreur. Aucun d’entre eux n’a anticipé la moindre disruption. Si les taxis les avaient sollicités il y a quelques années pour imaginer leur avenir, aucun d’entre eux n’auraient proposé de créer une application qui les mettrait en relation avec leurs clients (soit inventer Uber). La compétence “voir ou se déplace la valeur dans le futur” est en revanche très courante chez les entrepreneurs. Ce sont eux que les entreprises doivent solliciter pour envisager leur avenir, pas les consultants ou autres experts.

Amplifier la disruption pour survivre

Personne n’est épargné par la disruption. C’est le paradigme dominant de notre époque. Se réinventer en permanence en se rendant obsolète est devenu la norme. L’erreur à ne pas commettre est de vouloir empêcher ou freiner son avènement (certains font même appel au lobbying et à la législation !). Il faut au contraire l’amplifier, l’accélérer. Il y a pour se rassurer une excellente nouvelle : puisque tout est à réinventer, que le rythme s’accentue et touche tous les secteurs, de nombreuses opportunités émergent partout et pour tous, pour peu que l’on soit prêt à abandonner l’ancien, sans regret.

“ Machines will follow a path that mirrors the evolution of humans. Ultimately, however, self-aware, self-improving machines will evolve beyond humans’ ability to control or even understand them.”

This is how Ray Kurzweil describes the next step in the development of artificial intelligence. The man is controversial, he is known for his transhumanist positions in favor of immortality and the convergence between man and machine, but he is also director of engineering at Google. Another expert in Artificial Intelligence and Cognitive Science at MIT, Marvin Minsky also declared that there’d be “nothing to stop our machines from reaching human levels and further unless we stop them“. In addition to the recent statements of Bill Gates, Stephen Hawking and Elon Musk warning us about the progress of artificial intelligence, this is getting really serious.

Artificial intelligence is booming

Conscious machines seem unbelievable and yet we are at a turning point. Artificial intelligence is taking off. There is not a single day without a press release on the latest achievements of artificial intelligence. In 2012, Google taught its artificial intelligence to recognize a cat just by watching videos on YouTube, in 2016 Alpha Go beat the best Go player in the world even though experts thought that it would not happen for at least several decades, Watson diagnosed a rare leukemia on a patient in Japan in a few minutes while doctors were unable to make a diagnosis, in 2017 Libratus out-bluffed the players of Poker, and this is just the beginning. The race for artificial intelligence between internet giants has started.

The problem of artificial intelligence is the problem of intelligence itself

This race for artificial intelligence is not new, it dates back to the beginnings of computer science. And from the start several approaches have been proposed to create artificial intelligence. First, to imitate the functioning of human intelligence. Problem: we did not know and we still do not know how it works (even if the discoveries are dazzling and raise new questions). Then to replicate the human brain itself with transistors or algorithms. There are attempts there, but still too many unknowns about its organization and functioning, and even if one had a perfect knowledge of it, it would be too complex and certainly not very effective to use this approach. And finally, to allow the machine to perform the same functions as human intelligence (recognize its environment, manipulate language, memorize, contextualize, reason, and many others …) without necessarily knowing how human intelligence does. The analogy often used in Artificial Intelligence courses is artificial flight. Artificial intelligence would be to human intelligence what the flight of an aircraft (artificial flight) would be the flight of a bird (natural flight): both operate differently and have two different substrates (biological vs. metallic) but reach the same result : they fly. Even though it is this latter approach which today produces many results, in reality all these approaches combined with research in cognitive science, philosophy, psychology, sociology and linguistics feed and influence themselves.

A complete approach reversal that triggered the revolution

This revolution in artificial intelligence is due to a reversal of approach. In traditional computing, software was programmed according to rules to perform tasks following well-defined conditions and scenarios. The machine was only executing what you had asked it to do. This approach was used to try and create artificial intelligence. Problem: we did not know and still do not know these rules of “operation” of intelligence. So the approach was reversed, instead of trying to program machines according to rules to imitate human intelligence, the machine was asked to find the rules itself from examples. In fact, exactly like babies when they learn how to speak : they are bombarded all day by people talking to them, and by being massively exposed to language, they conceptualize the rules of grammar that allow them to Speak without even knowing that they exist. It is because of this change in approach that today we can train artificial intelligences to carry out very different tasks.

Deep Learning and Reinforcement Learning: Two Approaches with an Unlimited Potential

From an algorithmic point of view, Deep Learning is used to train artificial intelligences to identify features and high level concepts in data: it is thanks to Deep Learning that internet giants identify what is on your photos. Algorithms are shown many samples and indicated by a human supervisor what features on the photos so that it is then able to do it by itself on new samples. Another very promising kind of algorithms right now is Reinforcement Learning. In this approach, the algorithm is given an environment with constraints, action capacities and a goal to reach, and practices by trial-error and exploration to reach this goal all by itself. It is for instance with Reinforcement Learning that an algorithm was taught to play Super Mario by itself, and besides, it quickly discovered how to play in a totally optimal way. Moreover, when combining Deep Learning and Reinforcement Learning, you get algorithms that are both able to recognize their environment and achieve goals. This is with the combination of the two that Alpha Go beat the best Go player in the world last year. In the future the potential is much more promising since it is now understood that artificial intelligence can be trained to perform any type of task by giving them an environment and a goal to be attained by training. It’s like looking at each goal as a video game with a field of vision. Last year, the OpenAI organization launched the Universe platform so that everyone can teach artificial intelligences to perform new tasks in all areas (playing video games as well as filling out forms on the internet). Tomorrow nobody will program machines with code any more, we will all be able to train artificial intelligences to perform tasks.

Towards a single artificial intelligence, as a service

One of the many challenges of the coming years is the unification of the various artificial intelligences. Today all advances in artificial intelligence takes place on specific cases (winning at poker, driving Google Car, diagnosing cancer or replacing managers ), but in the future we will have to create one single artificial intelligence able to link all these cases to allow it to do everything. This is also the goal announced by Demis Hassabis the creator of DeepMind “Solve intelligence and use it for everything else“. This unification will not be simple, artificial intelligences will have to talk to and understand each other, have a global view on our goals, a working memory, an ability to contextualize, to cut their actions into smaller tasks … Once this single artificial intelligence is flexible enough, we will all be connected to it, it will be in a cloud and it will be our digital butler, it will perfectly know us and will be able to do everything for us such as being our doctor, our banker, our lawyer, our adviser, our professor and even our friend. It will take care of everything for us and represent us in our interactions : this is what internet giants are heading towards with Google Assistant, Facebook M, Amazon’s Alexa, Microsoft’s Cortana.

Machines will become conscious … artificially

But as Ray Kurzweil or Marvin Minsky said, this development of artificial intelligence will not stop with algorithms capable of performing what we ask them. One of the major questions in cognitive sciences is consciousness, and here also researchers are beginning to develop artificial consciousness algorithms. But here again, same problem as with artificial intelligence: it is difficult to define what consciousness is, researchers do not agree and discoveries challenge previous assumptions (although some studies offer promising breakthroughs). Then again we do as we did with artificial intelligence, we agree on an objective of consciousness and we try to model it in an algorithm. This is what Selmer Bringsjord, a researcher at the Polytechnic Institute in New York, did. He defined consciousness as the ability of an organism to observe itself functioning as an entity distinct from others. He was inspired by babies, who at the age of one and a half are able to understand that they are responsible for the words that come out of their mouth when they speak, or recognize themselves moving in front of a mirror. He programmed a robot telling him that he had been given a pill that could either mute him or do nothing (placebo). He then asked the robot which pill he had received, and the robot began to respond to the researcher that he did not know. And by responding to the researcher, the robot realized that he was actually talking and therefore received the placebo: he apologized and told the researcher that he was sure that he had received the placebo. Two loops of algorithms that work in parallel: one that allows the robot to understand his environment, and one on top of it that allows him to observe himself while working and adjust. Obviously it is easy to say that it is not human consciousness, that it is only code, and that it is way oversimplifying human consciousness … It is true, but it is just a beginning , These are the first artificial consciousness algorithms. We are obviously far from the tests of artificial consciousness performed in the movie Ex-Machina. But the trend is under way and research is advancing.

Inspired by biology

The development trend of these artificially intelligent and conscious algorithms is to be inspired by biology. In the same way that DNA can replicate, mutate, merge and transmit to evolve, these algorithms will be inspired by these principles in order to be able to replicate, mutate and be selected by their environment for their ability to reach their goals. Obviously, by giving them these properties, these algorithms will increase their complexity and thus potentially reach a point where their creators won’t understand them any more : this is the loss of control risk mentioned by researchers like Stephen Hawking or Marvin Minsky. No need to talk about science fiction or end-of-world scenarios, we have no idea what these self-learning and self-organizing algorithms will look like. Moreover, we already have difficulty to understand the behavior of Deep Learning algorithms.

It will never happen !

“Artificial intelligence capable of doing everything? Impossible, we will never reach such a complex and flexible intelligence in a machine! “,” We will always need man for … this or that … “,” The machine will never be creative! “ Artificial consciousness is science fiction “… This is what we hear at the moment and will continue to hear in the next few years about artificial intelligence. Even if the advances of artificial intelligence are huge, there are still journalists, philosophers, consultants and even researchers who say that we won’t ever (or not until very very long) reach general artificial intelligence, the point of singularity where machines could be able to develop by themselves. But there are two arguments to think they are wrong. The first is the exponential rate of development of artificial intelligence. In the same way that genome sequencing was made possible and largely available in a few years, artificial intelligence and all other scientific and technological advances are currently following this exponential acceleration scheme which makes them closer to us than we thing: what we thought possible in 20 years will probably be in 5 or 2 years. Our brain imagines the future in linear mode. But technology evolves at an exponential speed, making this phenomenon difficult to imagine, but it is real (even with Moore’s law saying that computing power doubled every 18 months that slowed down recently but is now on the rise again…). The second argument is philosophical, it is to say that any phenomenon that one defines can be modeled in an algorithm so that it becomes this phenomenon … in artificial version. The difficulty lies more in the definition of these phenomena and in the fact that they evolve at the speed of discoveries which is also accelerating. Human beings also tend to say that every time machines manage to do a task that was considered to require intelligence, it is not intelligence, since the machine was able to do it!

It’s racing fast, but it is neither simple nor magic

The recent results of artificial intelligence are impressive and the outlooks are overwhelming. But let’s keep in mind that these advances are the result of considerable work : deep Learning does not learn all by itself to recognize what is on pictures, it needs to be supervised by a human being to teach it, data need to be cleaned before it can be processed and it takes a lot of time, programmers need to choose the right algorithms and adjust their parameters, it also requires considerable computing capacities … The coming years will provide us with solutions and optimizations to all these hurdles. Brain discoveries will inspire us in the development of increasingly powerful and flexible algorithms, and in turn the behaviors of these algorithms will also shed light on the functioning of our own intelligence. There are going to be many hurdles on the way (beliefs, interests, lobbies, public acceptance, privacy and data issues, policies …) and we will have to build strong governance and control of the development of artificial intelligence at a global level, to ensure legal issues and ethics are addressed.

“Les machines vont emprunter le même chemin que l’évolution des êtres humains, jusqu’à devenir conscientes et être capables de se développer toutes seules sans que l’homme ne puisse ni les comprendre, ni en garder le contrôle”.

Voilà comment Ray Kurzweil décrit la prochaine étape du développement de l’intelligence artificielle. Le personnage est controversé, il est connu pour ses positions transhumanistes en faveur de l’immortalité et de la convergence entre l’homme et la machine, mais il est aussi directeur de l’ingénierie chez Google. Autre spécialiste de l’intelligence artificielle et des sciences cognitives du MIT, Marvin Minsky déclarait lui aussi que “rien ne pourrait empêcher les machines d’atteindre et de dépasser l’intelligence humaine à moins qu’on ne les en empêche”. Ajouté aux prises de positions récentes de Bill Gates, Stephen Hawking et Elon Musk pour mettre en garde sur les progrès de l’intelligence artificielle, cela commence à devenir sérieux.

L’intelligence artificielle explose

Des machines conscientes, cela parait invraisemblable et pourtant, nous sommes à un tournant. L’intelligence artificielle décolle. Pas un seul jour sans qu’un nouveau progrès de l’intelligence artificielle soit annoncé. En 2012, Google apprenait à son intelligence artificielle à reconnaître un chat en regardant des vidéos sur Youtube, en 2016 Alpha Go battait le meilleur joueur de Go au monde alors qu’on pensait que ça n’arriverait pas avant au moins plusieurs décennies, Watson diagnostiquait une leucémie rare sur un patient au Japon en quelques minutes alors que les médecins étaient incapables de poser une diagnostic, en 2017 Libratus pulverisait les joueurs de Poker, et cela n’est pas prêt de s’arrêter. La course à l’intelligence artificielle entre les géants du web est lancée.

Le problème de l’intelligence artificielle est le problème de l’intelligence elle-même

Cette course à l’intelligence artificielle n’est pas nouvelle, elle date des débuts de l’informatique. Et dès le début plusieurs approches ont été proposées pour créer de l’intelligence artificielle. D’abord d’imiter le fonctionnement de l’intelligence humaine. Problème : on ne savait pas et on ne sait d’ailleurs toujours pas comment elle fonctionne (même si les découvertes sont fulgurantes et qu’elles soulèvent de nouvelles questions). Ensuite de répliquer le cerveau humain lui-même avec des transistors ou des algorithmes. Il y a des tentatives, mais pareil encore trop d’inconnues sur son organisation et son fonctionnement, et quand bien même on en aurait une parfaite connaissance, il serait trop complexe et surement peu efficace d’utiliser cette approche. Et finalement permettre à la machine de réaliser les mêmes fonctions que l’intelligence humaine (reconnaître son environnement, manipuler le langage, mémoriser, contextualiser, raisonner, et bien d’autres…) sans forcément savoir comment l’intelligence humaine y parvient. L’analogie souvent utilisée dans les cours d’intelligence artificielle est celle du vol artificiel. L’intelligence artificielle serait à l’intelligence humaine ce que le vol d’un avion (vol artificiel) serait au vol d’un oiseau (vol naturel) : les deux fonctionnent différemment et ont deux substrats différents (biologique vs métallique) mais atteignent le même résultat, ils volent. Même si c’est cette dernière approche qui aujourd’hui produit de nombreux résultats, en réalité toutes ces approches combinées aux recherches en science cognitives, en philosophie, en psychologie, en sociologie et en linguistique se nourrissent et s’influencent.

Une inversion d’approche qui amorce cette révolution

Cette révolution de l’intelligence artificielle, on la doit à une inversion d’approche. Dans l’informatique traditionnelle, on programmait des logiciels selon des règles pour effectuer des tâches selon des conditions et des scénarios bien définis à l’avance. La machine ne faisait qu’exécuter ce que vous lui aviez demandé de faire. C’est cette approche qu’on a voulu utiliser pour créer de l’intelligence artificielle. Problème : on ne connaissait pas et ne connait toujours pas ces règles de “fonctionnement” de l’intelligence. Alors on a inversé l’approche, au lieu de chercher à programmer des machines selon des règles pour imiter l’intelligence humaine, on a demandé à la machine de trouver elle-même les règles à partir d’exemple. En fait exactement comme les bébés lorsqu’ils apprennent à parler : ils sont bombardés toute la journée de gens qui parlent autour d’eux, et à force d’être exposés au langage, ils conceptualisent les règles de la grammaire qui leur permettent ensuite de parler sans même savoir qu’elles existent. C’est grâce à ce changement d’approche qu’aujourd’hui on peut entraîner des intelligences artificielles à réaliser des tâches très différentes.

Le Deep Learning et le Reinforcement Learning : deux approches au potentiel illimité

D’un point de vue algorithmique, on utilise le Deep Learning pour entrainer des intelligences artificielles à identifer des caractéristiques, des concepts de haut niveau dans les données : c’est grâce au Deep Learning que les géants du web identifient ce qui se trouve sur les photos, il suffit de montrer beaucoup d’exemples à l’algorithme et de le superviser en lui indiquant ce qui se trouve sur les photos pour qu’il soit capable ensuite de le faire tout seul sur de nouveaux exemples. Un autre type d’algorithme très prometteur en ce moment, c’est le Reinforcement Learning. Dans cette approche, on donne à l’algorithme un environnement avec des contraintes, des capacités d’actions et un objectif à atteindre, et on va le laisser s’entraîner par essais-erreurs et par exploration à atteindre son objectif tout seul. C’est par exemple avec du Reinforcement Learning qu’on apprend à un algorithme à jouer à Super Mario tout seul, et d’ailleurs il découvre vite comment jouer de manière totalement optimale. Et lorsque l’on combine Deep Learning et Reinforcement Learning, on obtient des algorithmes capables à la fois de reconnaître leur environnement et d’atteindre des objectifs. C’est grâce à la combinaison des deux qu’Alpha Go a battu le meilleur joueur de Go au monde l’an dernier. Mais à l’avenir le potentiel est bien plus prometteur puisqu’on a désormais compris qu’on pouvait entraîner des intelligences artificielles à réaliser n’importe quel type de tâche en leur donnant un environnement et un objectif à atteindre par entrainement. C’est comme si on considérait chaque objectif à atteindre comme un jeu vidéo avec un champ de vision. L’an dernier l’organisation OpenAI a lancé la plateforme Universe pour que chacun puisse apprendre à des intelligences artificielles à réaliser de nouvelles tâches dans tous les domaines (aussi bien jouer à des jeux vidéos que remplir un formulaire sur internet). Demain plus personne ne programmera des machines avec du code, nous pourrons tous entraîner des intelligences artificielles à réaliser des tâches.

Vers une intelligence artificielle unique, as a service

L’un des nombreux challenges des prochaines années, c’est l’unification des différentes intelligences artificielles. Aujourd’hui tous les progrès en intelligence artificielle ont lieu sur des cas d’usages bien spécifiques (gagner au poker, conduire des Google Car, diagnostiquer des cancers ou remplacer les managers), mais à l’avenir il va falloir créer une intelligence artificielle capable de faire le lien entre tous ces cas d’usages pour permettre de tout faire. C’est d’ailleurs l’objectif affiché par Demis Hassabis le créateur de DeepMind “Résoudre l’intelligence et l’utiliser pour tout faire”. Cette unification ne va pas être simple, il va falloir que les intelligences artificielles se parlent et se comprennent, aient une vue globale sur nos objectifs, une mémoire de travail, une capacité à contextualiser, à découper leurs actions en plus petites tâches…Cette intelligence artificielle unique nous y serons tous connectés en permanence, elle sera dans un Cloud et elle sera notre majordome digital, elle nous connaîtra parfaitement et sera capable de tout faire pour nous, aussi bien être notre médecin, notre banquier, notre avocat, notre conseiller, notre professeur et notre ami qui s’occupera de tout pour nous et nous représentera dans nos interactions : c’est l’ambition des géants du web avec Google Assistant, Facebook M, Alexa d’Amazon, Cortana de Microsoft.

Les machines deviendront conscientes…artificiellement

Mais comme le disait Ray Kurzweil ou Marvin Minsky, ce développement de l’intelligence artificielle ne s’arrêtera pas à des algorithmes capables de réaliser ce qu’on leur demande. L’une des grandes questions des sciences cognitives est celle de la conscience, et là aussi des chercheurs commencent à développer des algorithmes de conscience artificielle. La encore, même problème qu’avec l’intelligence artificielle : on sait difficilement définir ce qu’est la conscience, les chercheurs ne sont pas d’accord et les découvertes remettent en question tout ce que l’on croit (même si beaucoup de travaux offrent des perspectives très intéressantes). Alors là encore on fait comme avec l’intelligence artificielle, on se met d’accord sur un objectif de la conscience et on tente de le modéliser dans un algorithme. C’est ce qu’à fait Selmer Bringsjord, chercheur à l’institut Polytechnique de New York. Il a défini la conscience comme la capacité d’un organisme à s’observer fonctionner comme une entité distincte des autres. Il s’est inspiré des bébés, qui vers l’age d’un an et demi sont capables de comprendre qu’ils sont responsables des mots qui sortent de leur bouche lorsqu’ils parlent, ou se reconnaissent bouger devant un miroir. Il a programmé un robot en lui disant qu’il lui avait donné une pilule qui pouvait soit lui couper la parole, soit ne rien faire (le placebo). Il a ensuite demandé au robot quelle pilule il avait reçue, et le robot commence à répondre au chercheur qu’il ne sait pas. Et en répondant au chercheur, le robot se rend compte qu’il est en train de s’exprimer et que donc il a reçu le placebo : il s’excuse et dit au chercheur qu’il peut lui affirmer qu’il a reçu le placebo. Deux boucles d’algorithmes qui fonctionnent en parallèle : une qui permet au robot de comprendre son environnement, et une au dessus qui lui permet de s’observer en train de fonctionner et d’ajuster. Evidemment il est facile de se dire que ça n’est pas de la conscience humaine, que c’est uniquement du code, et que c’est beaucoup trop réducteur pour la conscience humaine…C’est vrai, mais c’est un début, ce sont les premiers algorithmes de conscience artificielle. Nous sommes évidemment loins des tests de conscience artificielle du film Ex-Machina. Mais la tendance est lancée et les recherches se poursuivent.

S’inspirer du vivant

La tendance du développement de ces algorithmes d’intelligence et de conscience artificielle, c’est de s’inspirer du vivant. De la même manière que l’ADN peut se répliquer, muter, fusionner et se transmettre pour évoluer, les algorithmes vont s’inspirer de ces principes pour pouvoir eux aussi se répliquer, muter et être sélectionnés par leur environnement pour leur capacité à atteindre leurs objectifs. Évidemment, en leur donnant ces propriétés ces algorithmes vont s’auto-complexifier en évoluant jusqu’à devenir potentiellement incompréhensibles pour leurs créateurs, et c’est là le risque de perte de contrôle dont parlent des chercheurs comme Stephen Hawking ou Marvin Minsky. Inutile de parler de scénarios de science fiction ou de fin du monde, nous n’avons aucune idée de ce à quoi ressembleront ces algorithmes auto-apprenants et auto-organisateurs. D’ailleurs nous avons déjà du mal à comprendre les comportements des algorithmes de Deep Learning.

Ça n’arrivera jamais !

“Une intelligence artificielle capable de tout faire ? Impossible, jamais on n’arrivera à une intelligence aussi complexe et flexible dans une machine !”, “On aura toujours besoin de l’homme pour…ceci ou cela…”, “La machine ne pourra jamais être créative !”, “La conscience artificielle c’est de la science fiction”…Voilà ce qu’on entend en ce moment et qu’on continuera à entendre dans les prochaines années au sujet de l’intelligence artificielle. Même si les prouesses de l’intelligence artificielle explosent, il y a toujours des journalistes, des philosophes, des consultants et même des chercheurs pour nous dire que non, l’intelligence artificielle générale, le point de singularité où les machines pourraient être capables de se développer toutes seules, on n’y arrivera jamais ou pas avant très très longtemps. Mais il y a deux arguments pour penser qu’ils ont tort. Le premier c’est la vitesse exponentielle du développement de l’intelligence artificielle. De la même manière que le séquençage du génome a été rendu possible et s’est démocratisé en quelques années, l’intelligence artificielle et toutes les autres avancées scientifiques et technologiques suivent en ce moment ce schéma d’accélération exponentielle qui les rend très proches de nous : ce que l’on croyait faisable d’ici 20 ans le sera probablement en 5 ou 2 ans. Notre cerveau imagine l’avenir en mode linéaire alors que la technologie évolue à une vitesse exponentielle, ce qui rend ce phénomène difficile à imaginer., mais il est bien réel (même avec la loi de Moore selon laquelle la puissance de calcul des machines doublait tous les 18 mois qui s’est mise à ralentir et qui repart…). Le deuxième argument est philosophique, c’est de dire que tout phénomène que l’on définit peut-être modélisé dans un algorithme et qu’il devient ce phénomène…en version artificielle. La difficulté réside plus dans la définition de ces phénomènes et dans le fait qu’ils évoluent à la vitesse des découvertes qui s’accélère elle aussi. L’humain a aussi tendance à se dire que chaque fois que la machine parvient à faire une tâche qu’on considérait relever de l’intelligence finalement ça n’est pas de l’intelligence, puisque la machine l’a fait !

Ca avance vite, mais ça n’est ni simple ni magique

Les résultats récents de l’intelligence artificielle sont impressionnants et les perspectives donnent le vertige. Mais il faut rappeler que ces résultats sont le fruit d’un travail considérable. Le Deep Learning n’apprend pas tout seul à reconnaître ce qu’il y a sur des photos, il a besoin d’être supervisé par un être humain pour le guider, de données propres qui nécessitent aussi beaucoup de temps pour être prêtes à être traitées, de programmeurs pour paramétrer les algorithmes et les choisir, de capacités de calcul considérables… Les prochaines années vont nous fournir des solutions et des optimisations à tous ces obstacles. Les découvertes sur le cerveau vont nous inspirer dans le développement d’algorithmes de plus en plus puissants et flexibles, et les comportements de ces algorithmes vont aussi nous éclairer sur le fonctionnement de notre propre intelligence. Il va y avoir des obstacles (les croyances, les intérêts, les lobbys, la réception du public, les questions relatives à la vie privée et aux données, les politiques…) et il va nous falloir préparer dès maintenant l’encadrement de l’intelligence artificielle d’un point de vue éthique et juridique à un niveau global.