Qu’est-ce que l’intelligence générale artificielle (AGI) et pourquoi n’est-elle pas encore arrivée : un rappel de la réalité pour les enthousiastes de l’IA

L’intelligence artificielle (IA) est partout. Des assistants intelligents aux voitures autonomes, les systèmes d’IA transforment nos vies et nos entreprises. Mais qu’est-ce qui se passerait s’il existait un type d’IA capable de faire plus que d’effectuer des tâches spécifiques ? Qu’est-ce qui se passerait s’il existait un type d’IA capable d’apprendre et de penser comme un humain ou même de surpasser l’intelligence humaine ?

C’est la vision de l’intelligence générale artificielle (AGI), une forme hypothétique d’IA qui a le potentiel d’accomplir n’importe quelle tâche intellectuelle que les humains peuvent accomplir. L’AGI est souvent contrastée avec l’intelligence artificielle étroite (ANI), l’état actuel de l’IA qui ne peut exceller que dans un ou quelques domaines, tels que jouer aux échecs ou reconnaître des visages. L’AGI, en revanche, aurait la capacité de comprendre et de raisonner à travers plusieurs domaines, tels que le langage, la logique, la créativité, le sens commun et l’émotion.

L’AGI n’est pas un concept nouveau. Il a été la vision directrice de la recherche en IA depuis les premiers jours et reste son idée la plus divisée. Certains enthousiastes de l’IA croient que l’AGI est inévitable et imminent et conduira 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 de la création et du contrôle d’une entité aussi puissante et imprévisible.

Mais à quel point sommes-nous proches de réaliser l’AGI, et cela a-t-il même un sens d’essayer ? C’est, en fait, une question importante dont la réponse peut fournir un rappel de la réalité pour les enthousiastes de l’IA qui sont impatients de voir l’ère de l’intelligence surhumaine.

Qu’est-ce que l’AGI et comment diffère-t-elle de l’IA ?

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

• la pensée abstraite
• la capacité de généraliser à partir d’instances spécifiques
• la capacité de puiser dans des connaissances de fond diverses
• l’utilisation du sens commun et de la conscience pour la prise de décision
• la compréhension de la causalité plutôt que de la corrélation
• la communication et l’interaction efficaces avec les humains et les autres agents.

Bien que ces caractéristiques soient essentielles pour atteindre une intelligence similaire ou supérieure à celle des humains, 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 l’apprentissage supervisé, l’apprentissage non supervisé et l’apprentissage par renforcement.

L’apprentissage supervisé implique que les machines apprennent à partir de données étiquetées pour prédire ou classer de nouvelles données. L’apprentissage non supervisé implique de trouver des modèles dans des données non étiquetées, tandis que l’apprentissage par renforcement se concentre sur l’apprentissage à partir d’actions et de rétroactions, en optimisant les récompenses ou en minimisant les coûts.

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

En revanche, l’AGI est conçue pour être libre de ces limitations et ne pas reposer sur des données, des algorithmes ou des objectifs prédéfinis, mais plutôt sur ses propres capacités d’apprentissage et de pensée. De plus, l’AGI pourrait acquérir et intégrer des connaissances à partir de sources et de domaines divers, les appliquant de manière transparente à de nouvelles et variées tâches. De plus, l’AGI excellerait dans le raisonnement, la communication, la compréhension et la manipulation du monde et d’elle-même.

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

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

Par exemple, définir et mesurer l’intelligence, y compris des composants tels que la mémoire, l’attention, la créativité et l’émotion, est un obstacle fondamental. De plus, modéliser et simuler les fonctions du cerveau humain, telles que la perception, la cognition et l’émotion, présente 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. Assurer la sécurité, la fiabilité et la responsabilité des systèmes d’AGI dans leurs interactions avec les humains et les autres agents et aligner les valeurs et les objectifs des systèmes d’AGI sur ceux de la société est également d’une importance cruciale.

Différentes directions de recherche et paradigmes ont été proposés et explorés dans la poursuite de l’AGI, chacun avec des forces et des limites. l’IA 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 tels que les mathématiques et les échecs, mais a du mal à intégrer les données sensorielles et motrices.

De même, l’IA connectionniste, une approche moderne utilisant les réseaux de neurones et l’apprentissage profond pour traiter de grandes quantités de données, excelle dans les domaines complexes et bruyants tels que la vision et le langage, mais a du mal à interpréter et à généraliser.

l’IA hybride combine l’IA symbolique et l’IA connectionniste pour exploiter leurs forces et surmonter leurs faiblesses, visant à des systèmes plus robustes et polyvalents. De même, l’IA évolutionnaire utilise les algorithmes évolutionnaires et la programmation génétique pour faire évoluer les systèmes d’IA à travers la sélection naturelle, cherchant des solutions nouvelles et optimales non contraintes par la conception humaine.

Enfin, l’IA neuromorphique utilise le matériel et les logiciels neuromorphiques pour simuler les systèmes neuronaux biologiques, visant à des modèles de cerveau plus efficaces et plus réalistes et permettant des interactions naturelles avec les humains et les agents.

Ces approches ne sont pas les seules pour atteindre l’AGI, mais certaines des plus prometteuses. Chaque approche a des avantages et des inconvénients, et elles doivent encore atteindre la généralité et l’intelligence que l’AGI exige.

Exemples et applications de l’AGI

Bien que l’AGI n’ait pas encore été atteinte, certains exemples notables de systèmes d’IA présentent certains aspects ou caractéristiques qui rappellent l’AGI, contribuant à la vision de la réalisation éventuelle 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 ou guidance humaine. En démontrant une compétence surhumaine, AlphaZero introduit également des stratégies innovantes qui remettent en question la sagesse conventionnelle.

De même, OpenAI’s GPT-3 génère des textes cohérents et diversifiés sur différents sujets et tâches. Capable de répondre à des questions, de composer des essais et d’imiter différents styles d’écriture, GPT-3 affiche une polyvalence, bien que dans certaines limites.

De même, NEAT, un algorithme évolutionnaire créé par Kenneth Stanley et Risto Miikkulainen, évolue des réseaux de neurones pour des tâches telles que le contrôle de robot, le jeu et la génération d’images. La capacité de NEAT à 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 supplémentaires pour atteindre une véritable AGI.

Implications et risques de l’AGI

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

Sur le plan éthique, elle peut promouvoir de nouvelles normes, de la coopération et de l’empathie et introduire des conflits, de la concurrence 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 considérer et aborder ces implications et risques, y compris les chercheurs, les développeurs, les décideurs politiques, les éducateurs et les citoyens.

En résumé

L’AGI se trouve à la pointe de la recherche en IA, promettant un niveau d’intellect qui dépasse les capacités humaines. Alors que la vision captive les enthousiastes, les défis persistent pour réaliser cet objectif. L’IA actuelle, qui excelle dans des domaines spécifiques, doit répondre au potentiel expansif de l’AGI.

De nombreuses approches, allant de l’IA symbolique et connectionniste aux modèles neuromorphiques, visent à réaliser l’AGI. Des exemples notables comme AlphaZero et GPT-3 montrent des progrès, mais la véritable AGI reste évasive. Avec des implications économiques, éthiques et existentielles, le chemin vers l’AGI exige une attention et une exploration collectives et responsables.