Qu'est-ce que l'intelligence générale artificielle (AGI) et pourquoi elle n'est pas encore là : une vérification de la réalité pour les passionnés d'IA

Intelligence artificielle (AI) est partout. Des assistants intelligents à voitures auto-conduite, les systèmes d’IA transforment nos vies et nos entreprises. Mais et s’il existait une IA capable de faire plus que d’effectuer des tâches spécifiques ? Et s’il existait un type d’IA capable d’apprendre et de penser comme un humain, voire de surpasser l’intelligence humaine ?

C'est la vision de Intelligence Générale Artificielle (IAG), une forme hypothétique d’IA qui a le potentiel d’accomplir n’importe quelle tâche intellectuelle que les humains peuvent réaliser. AGI est souvent comparé à Intelligence artificielle étroite (ANI), l’état actuel de l’IA qui ne peut exceller que dans un ou quelques domaines, comme jouer aux échecs ou reconnaître des visages. AGI, quant à lui, aurait la capacité de comprendre et de raisonner dans plusieurs domaines, tels que le langage, la logique, la créativité, le bon sens et l'émotion.

L'AGI n'est pas un concept nouveau. C’est la vision directrice de la recherche sur l’IA depuis les premiers jours et elle reste l’idée la plus controversée. Certains passionnés de l’IA pensent que l’AGI est inévitable et imminente et qu’elle mènera à une nouvelle ère de progrès technologique et social. D’autres sont plus sceptiques et prudents et mettent en garde contre les risques éthiques et existentiels liés à la création et au contrôle d’une entité aussi puissante et imprévisible.

Mais à quel point sommes-nous proches d’atteindre l’AGI, et est-il même logique d’essayer ? Il s’agit en fait d’une question importante dont la réponse pourrait permettre de se confronter à la réalité pour les passionnés d’IA désireux d’assister à l’ère de l’intelligence surhumaine.

Qu'est-ce qu'unGI et en quoi est-ce différent de l’IA ?

L’AGI se distingue de l’IA actuelle par sa capacité à accomplir n’importe quelle tâche intellectuelle que les humains peuvent, voire surpasser. Cette distinction repose sur plusieurs caractéristiques clés, notamment :

• la pensée abstraite
• la capacité de généraliser à partir de cas spécifiques
• s'appuyer sur des connaissances de base diverses
• utiliser le bon sens et la conscience pour prendre des décisions
• comprendre la causalité plutôt que la simple corrélation
• communication et interaction efficaces avec les humains et d’autres agents.

Bien que ces fonctionnalités soient vitales pour atteindre une intelligence humaine ou surhumaine, elles restent difficiles à capturer pour les systèmes d’IA actuels.

L’IA actuelle repose principalement sur l’apprentissage automatique, une branche de l’informatique qui permet aux machines d’apprendre à partir de données et d’expériences. L'apprentissage automatique fonctionne à travers supervisé, sans surveillanceet la apprentissage par renforcement.

L'apprentissage supervisé implique l'apprentissage automatique à partir de données étiquetées pour prédire ou classer de nouvelles données. L'apprentissage non supervisé implique la recherche de modèles dans des données non étiquetées, tandis que l'apprentissage par renforcement se concentre sur l'apprentissage à partir des actions et des commentaires, sur l'optimisation des récompenses ou sur la minimisation des coûts.

Malgré l'obtention de résultats remarquables dans des domaines tels que vision par ordinateur ainsi que le traitement du langage naturel, les systèmes d'IA actuels sont limités par la qualité et la quantité des données d'entraînement, les algorithmes prédéfinis et les objectifs d'optimisation spécifiques. Ils ont souvent besoin d’aide pour s’adapter, en particulier dans des situations nouvelles, et de plus de transparence pour expliquer leur raisonnement.

En revanche, l’AGI devrait s’affranchir de ces limitations et ne s’appuierait pas sur des données, des algorithmes ou des objectifs prédéfinis, mais plutôt sur ses propres capacités d’apprentissage et de réflexion. De plus, AGI pourrait acquérir et intégrer des connaissances provenant de sources et de domaines divers, les appliquant de manière transparente à des tâches nouvelles et variées. De plus, AGI excellerait dans le raisonnement, la communication, la compréhension et la manipulation du monde et de lui-même.

Quels sont les défis et les approches pour atteindre l’AGI ?

La réalisation de l’AGI pose des défis considérables englobant des dimensions techniques, conceptuelles et éthiques.

Par exemple, définir et mesurer l’intelligence, y compris des composantes telles que la mémoire, l’attention, la créativité et les émotions, constitue un obstacle fondamental. De plus, la modélisation et la simulation des fonctions du cerveau humain, telles que la perception, la cognition et les émotions, présentent des défis complexes.

De plus, les défis critiques incluent la conception et la mise en œuvre d’algorithmes et d’architectures d’apprentissage et de raisonnement évolutifs et généralisables. Garantir la sécurité, la fiabilité et la responsabilité des systèmes AGI dans leurs interactions avec les humains et d’autres agents et aligner les valeurs et les objectifs des systèmes AGI sur ceux de la société est également de la plus haute importance.

Diverses directions et paradigmes de recherche ont été proposés et explorés dans la poursuite de l’AGI, chacun présentant des forces et des limites. AI symbolique, une approche classique utilisant la logique et les symboles pour la représentation et la manipulation des connaissances, excelle dans les problèmes abstraits et structurés comme les mathématiques et les échecs, mais a besoin d'aide pour mettre à l'échelle et intégrer les données sensorielles et motrices.

De même, IA connexionniste, une approche moderne utilisant les réseaux de neurones et l'apprentissage profond pour traiter de grandes quantités de données, excelle dans des domaines complexes et bruyants comme la vision et le langage, mais a besoin d'aide pour l'interprétation et les généralisations.

IA hybride combine l’IA symbolique et connexionniste pour exploiter ses forces et surmonter ses faiblesses, dans le but de créer des systèmes plus robustes et plus polyvalents. De la même manière, EIA révolutionnaire utilise des algorithmes évolutifs et la programmation génétique pour faire évoluer les systèmes d'IA grâce à la sélection naturelle, en recherchant des solutions nouvelles et optimales sans contrainte par la conception humaine.

Enfin, le IA neuromorphique utilise du matériel et des logiciels neuromorphiques pour émuler des systèmes neuronaux biologiques, visant des modèles cérébraux plus efficaces et plus réalistes et permettant des interactions naturelles avec les humains et les agents.

Ce ne sont pas les seules approches de l’AGI, mais certaines des plus importantes et des plus prometteuses. Chaque approche présente des avantages et des inconvénients, et elles doivent néanmoins atteindre la généralité et l'intelligence requises par l'AGI.

AGI Exemples et applications

Bien que l'AGI n'ait pas encore été atteint, certains exemples notables de systèmes d'IA présentent certains aspects ou caractéristiques qui rappellent l'AGI, contribuant à la vision d'une éventuelle réalisation de l'AGI. Ces exemples représentent des progrès vers l'AGI en présentant des capacités spécifiques :

AlphaZero, développé par DeepMind, est un système d'apprentissage par renforcement qui apprend de manière autonome à jouer aux échecs, au shogi et au Go sans connaissance ni assistance humaine. Démontrant une compétence surhumaine, AlphaZero introduit également des stratégies innovantes qui remettent en question les idées reçues.

De même, le OpenAI GPT-3 génère des textes cohérents et diversifiés sur divers sujets et tâches. Capable de répondre à des questions, de rédiger des essais et d'imiter différents styles d'écriture, GPT-3 fait preuve de polyvalence, bien que dans certaines limites.

De même, SOIGNÉ, un algorithme évolutif créé par Kenneth Stanley et Risto Miikkulainen, fait évoluer les réseaux neuronaux pour des tâches telles que le contrôle des robots, le jeu et la génération d'images. La capacité de NEAT à faire évoluer la structure et la fonction du réseau produit des solutions nouvelles et complexes non prédéfinies par les programmeurs humains.

Bien que ces exemples illustrent les progrès vers l’AGI, ils soulignent également les limites et les lacunes existantes qui nécessitent une exploration et un développement plus approfondis dans la poursuite d’une véritable AGI.

Implications et risques de l'AGI

L’AGI pose des défis scientifiques, technologiques, sociaux et éthiques aux implications profondes. Sur le plan économique, cela peut créer des opportunités et perturber les marchés existants, augmentant ainsi les inégalités. Tout en améliorant l’éducation et la santé, l’AGI peut introduire de nouveaux défis et risques.

D’un point de vue éthique, cela pourrait promouvoir de nouvelles normes, la coopération et l’empathie et introduire des conflits, de la compétition et de la cruauté. L'AGI peut remettre en question les significations et les objectifs existants, élargir les connaissances et redéfinir la nature et le destin humains. Par conséquent, les parties prenantes doivent prendre en compte et gérer ces implications et risques, notamment les chercheurs, les développeurs, les décideurs politiques, les éducateurs et les citoyens.

Conclusion

AGI est à l’avant-garde de la recherche sur l’IA, promettant un niveau d’intelligence dépassant les capacités humaines. Même si la vision captive les passionnés, des défis persistent pour atteindre cet objectif. L'IA actuelle, qui excelle dans des domaines spécifiques, doit répondre au potentiel expansif de l'AGI.

De nombreuses approches, de l’IA symbolique et connexionniste aux modèles neuromorphiques, s’efforcent de réaliser l’AGI. Des exemples notables comme AlphaZero et GPT-3 présentent des avancées, mais la véritable AGI reste insaisissable. Avec des implications économiques, éthiques et existentielles, le cheminement vers l’AGI exige une attention collective et une exploration responsable.