Les niveaux d'IA : ChatGPT est-il une IA générale ?

Novembre 2022. OpenAI lance ChatGPT. En cinq jours, un million de personnes l'essaient. Il écrit un poème, corrige un programme, explique la photosynthèse, traduit un contrat.

Alors, une question s'impose : est-ce enfin une intelligence artificielle générale, une machine capable de tout faire, comme nous ? Posez la question à des chercheurs, à des patrons de laboratoires, à des journalistes : les réponses divergent. Pour comprendre pourquoi, il faut connaître les niveaux d'IA. C'est le sujet de ce deuxième épisode de la série « L'intelligence artificielle ».

Les quatre niveaux d'IA

Pour y voir clair, on range souvent les IA en quatre niveaux, comme les marches d'un escalier.

1. L'IA étroite

On l'appelle aussi IA faible. Elle est performante sur une tâche précise, ou sur un domaine précis : la reconnaissance faciale de votre téléphone, la traduction automatique, les recommandations de Netflix, ou AlphaFold, qui prédit la forme des protéines. Elle est partout, et elle est souvent excellente. Mais demandez à un système de reconnaissance faciale de traduire une phrase : il en est incapable.

2. L'IA généraliste

C'est celle des modèles de fondation. Un même modèle accomplit des milliers de tâches différentes : écrire, résumer, traduire, programmer, décrire une image. C'est ChatGPT, Claude, Gemini ou DeepSeek. Ces outils se sont largement diffusés depuis 2022. C'est la marche où nous nous trouvons aujourd'hui.

3. L'IA générale (AGI)

Ce serait une IA qui égalerait ou dépasserait l'humain sur la plupart des tâches intellectuelles. Il n'en existe aucun exemple admis. C'est pourtant l'objectif déclaré de plusieurs laboratoires.

4. La superintelligence

Ce serait une IA qui dépasserait largement les meilleurs humains dans presque tous les domaines. Pour l'instant, c'est une hypothèse théorique, mais elle est au cœur des débats sur les risques de l'IA.

Alors, ChatGPT est-il une IA générale ?

Tout se joue entre la deuxième et la troisième marche. La frontière entre IA généraliste et IA générale est floue, et il n'existe aucun test admis par tous pour dire qu'on l'a franchie. Le sujet est aussi politiquement chargé : dire qu'on a atteint l'IA générale, ou qu'on en est loin, n'engage pas de la même façon un laboratoire, un investisseur ou un gouvernement. Voilà pourquoi personne n'est d'accord. Nous reviendrons sur ce débat dans le dernier module du cours. Les mots de cette section sont aussi définis dans le glossaire de l'IA.

L'« IA forte » selon John Searle

Vous entendrez aussi parler d'IA forte. Attention : ce n'est pas un synonyme d'IA puissante. L'expression vient du philosophe américain John Searle, en 1980. Pour lui, une IA forte serait une machine qui pense réellement, qui a un esprit, et pas seulement une machine performante.

Pour montrer la différence, Searle imagine une expérience de pensée : la chambre chinoise. Une personne est enfermée dans une pièce. Elle ne connaît pas un mot de chinois. On lui glisse des questions écrites en chinois, et elle dispose d'un manuel qui lui indique, symbole par symbole, quoi répondre. Elle suit le manuel à la lettre. De l'extérieur, ses réponses sont parfaites : on croirait qu'elle comprend le chinois. Et pourtant, elle ne comprend rien.

Pour Searle, la leçon est claire : manipuler des symboles, ce n'est pas comprendre. Qu'une machine soit performante est une chose. Qu'elle comprenne ce qu'elle fait en est une autre.

L'IA symbolique : écrire les règles

Comment fabrique-t-on une machine intelligente ? Depuis les débuts de la discipline, deux grandes réponses s'affrontent.

La première, c'est l'IA symbolique, qu'on appelle aussi, avec un brin d'ironie, GOFAI : Good Old-Fashioned AI, la bonne vieille IA. Des humains écrivent les connaissances sous forme de symboles et de règles logiques. Par exemple : SI fièvre ET toux, ALORS suspicion de grippe.

Dans les années 1970, à Stanford, le système MYCIN diagnostique des infections du sang avec des centaines de règles de ce type. Plus tard, chez le constructeur américain DEC, un autre système, XCON, configure les ordinateurs de l'entreprise et lui fait économiser des millions de dollars par an. On les appelle des systèmes experts.

L'IA symbolique a deux grandes qualités : elle est explicable, car on peut toujours lire la règle qui a produit la réponse, et elle est précise. Mais elle a deux défauts : elle est rigide, perdue face à un cas que personne n'a prévu, et elle coûte cher, car chaque règle doit être écrite, puis entretenue, à la main. À la fin des années 1980, les systèmes experts se révèlent fragiles et incapables d'apprendre. L'IA traverse alors un nouvel hiver.

L'IA connexionniste : apprendre à partir d'exemples

La seconde tradition prend le problème à l'envers. Au lieu d'écrire les règles, on laisse la machine les découvrir à partir d'exemples. C'est l'IA connexionniste, qu'on appelle aussi statistique. Sa forme dominante : les réseaux de neurones artificiels, vaguement inspirés du cerveau.

L'idée est presque aussi ancienne que la discipline. En 1957, Frank Rosenblatt construit le Perceptron, le premier réseau de neurones qui apprend. En 1969, Marvin Minsky et Seymour Papert montrent ses limites : un perceptron à une seule couche ne peut pas apprendre certaines fonctions pourtant simples. Leur livre freine durablement la recherche. Il faut attendre 1986, et la rétropropagation, pour entraîner des réseaux à plusieurs couches.

Puis vient 2012. Le réseau AlexNet remporte le concours de reconnaissance d'images ImageNet, avec un taux d'erreur d'environ 15 %, contre environ 26 % pour le deuxième. C'est l'année charnière : depuis, l'approche connexionniste domine.

Ses qualités sont l'inverse de celles de l'IA symbolique. Elle est souple, car elle s'adapte à des cas qu'elle n'a jamais vus, et elle est puissante. Mais elle est gourmande en données, et difficile à expliquer : on sait ce qu'elle répond, beaucoup moins pourquoi.

Laquelle des deux a gagné ? Pour l'instant, le connexionnisme. Mais l'histoire n'est pas finie : la recherche actuelle explore des approches hybrides, dites neuro-symboliques, qui combinent l'apprentissage et les règles, ainsi que des modèles qui raisonnent pas à pas avant de répondre.

De l'IA aux LLM : les boîtes emboîtées

Pour ne plus jamais confondre les mots, imaginez des boîtes rangées les unes dans les autres :

1. L'intelligence artificielle : la plus grande boîte. Elle contient tout, y compris les règles écrites à la main.
2. L'apprentissage automatique : les systèmes qui apprennent à partir de données.
3. L'apprentissage profond : les réseaux de neurones à nombreuses couches.
4. L'IA générative : celle qui crée du texte, des images, du son ou du code.
5. Les grands modèles de langage (LLM) : tout au centre, comme ChatGPT, Claude ou Gemini.

Chaque boîte est incluse dans la précédente. Tout LLM est de l'IA générative, mais toute IA n'est pas un LLM. Le filtre anti-spam de l'épisode 1, par exemple, est bien de l'IA, mais ce n'est pas un LLM.

Questions fréquentes

ChatGPT est-il une intelligence artificielle générale ?

Il n'existe aucun exemple admis d'IA générale. ChatGPT appartient à l'IA généraliste, celle des modèles de fondation. La frontière avec l'IA générale est floue, et aucun test admis par tous ne permet de dire qu'on l'a franchie.

Quelle est la différence entre IA forte et IA puissante ?

L'IA forte, au sens du philosophe John Searle (1980), serait une machine qui pense réellement, qui a un esprit. Une IA puissante est simplement performante.

Quelle est la différence entre IA symbolique et IA connexionniste ?

L'IA symbolique applique des règles écrites par des humains : elle est explicable, mais rigide. L'IA connexionniste apprend à partir d'exemples : elle est souple et puissante, mais gourmande en données et difficile à expliquer.

Sources

• Wisernotify, lancement de ChatGPT et 1 million d'utilisateurs en 5 jours : wisernotify.com
• Krizhevsky, Sutskever et Hinton, AlexNet, concours ImageNet 2012
• John Searle, la chambre chinoise, 1980

Photo du séminaire de Dartmouth (dans la vidéo) : The Minsky Family.