Qu’est-ce que la physique a à voir avec l’intelligence artificielle ?

En 1982, John Hopfield (Chicago, 1933), physicien intéressé par les systèmes complexes, propose une structure inspirée des réseaux neuronaux du cerveau, capable de stocker et de récupérer efficacement des informations : le rouge de Hopfield.

Dans ce modèle inspiré de la physique, les neurones interagissent les uns avec les autres de la même manière que les atomes d’un aimant peuvent modifier l’orientation de leurs voisins.

Quelques années plus tard, Geoffrey Hinton (Londres, 1947) proposèrent une amélioration de ces réseaux, le Machine Boltzmannqui avait une certaine capacité de généralisation. Hinton y est parvenu en s’inspirant de la physique statistique, qui décrit le comportement d’un gaz.

Premiers jalons

Ces réseaux ont constitué les premières étapes de l’histoire des réseaux de neurones. Les développements ultérieurs, moins liés à la physique et plus influencés par les neurosciences et l’informatique, ont rendu les réseaux beaucoup plus puissants et trouvent leurs applications dans le monde réel.

En 1986, Geoffrey Hinton, alors chercheur au département d’informatique de l’Université Carnegie-Mellon, avec les scientifiques cognitifs David Rumelhart et Ronald Williams, ont mené une étude. une découverte fondamentale dans le domaine du machine learning : le algorithme de rétropropagation des erreurs (rétropropagation). Cet algorithme a considérablement amélioré la capacité des réseaux de neurones à apprendre et à reconnaître des modèles dans les données.

Un choix inhabituel ?

Hopfield et Hinton, tous deux reçoit le prix Nobel de physique 2024 pour leurs contributions à l’apprentissage automatique, ils appartiennent à une génération de chercheurs qui ont jeté les bases des réseaux de neurones, inspirés en partie par les principes fondamentaux de la physique, tels que l’énergie, la température et la dynamique des systèmes.

Cependant, sa plus grande contribution a été d’aller au-delà de ces concepts et d’élargir les frontières de la connaissance, permettant l’étude scientifique de phénomènes tels que l’apprentissage, la représentation de l’information et l’intelligence.

Pour ce faire, ils ont démontré ce qui est, à mes yeux, leur valeur fondamentale : leur grande capacité à transcender les cadres des disciplines scientifiques conventionnelles et à collaborer avec des informaticiens, des mathématiciens ou des neuroscientifiques.

Controverse et opinions contradictoires

Si nous recherchons l’expression « Nobel 2024, est-ce de la physique ? Sur les réseaux sociaux, on trouvera de nombreuses publications aux opinions passionnées qui oscillent entre deux extrêmes : certains affirment que le sens du mot « physique » a été déformé, tandis que d’autres soutiennent que la physique englobe toute étude quantitative de la réalité.

Ce panorama contraste clairement avec ce qui devrait être le message central du prix Nobel de physique 2024 : la valeur de l’interdisciplinarité et la résistance de la réalité à être définitivement cataloguée dans nos disciplines académiques.

Le caractère inhabituel de ce choix, qui s’étend également au prix Nobel de chimie (décerné à deux informaticiens spécialisés dans l’IA, Demis Hassabi et John Jumper – aux côtés du biologiste computationnel David Baker), devrait être célébré par tous ceux qui croient que Les défis scientifiques du futur n’admettent pas ce type de préjugés et qu’établir des barrières entre les domaines n’est pas la meilleure option.

Sur l’infaillibilité des prix Nobel

Le 24 novembre 2016, Geoffrey Hinton a fait quelques déclarations devenus célèbres :

« Je pense que si vous travaillez comme radiologue, vous êtes comme Coyote dans les dessins animés. Vous avez déjà dépassé le bord de la falaise, mais vous n’avez pas encore baissé les yeux. Il n’y a pas de sol en dessous. Les gens devraient arrêter de former des radiologues maintenant. Il est tout à fait évident que dans cinq ans, les réseaux de neurones profonds feront mieux que les radiologues.»

Cette déclaration reflète l’optimisme exagéré qui accompagne parfois les progrès scientifiques et qui, dans le cas de l’IA, a été amplifié en raison des investissements importants générés par cette technologie.

Bien que les réseaux neuronaux profonds se soient révélés très utiles dans l’analyse d’images médicales, le remplacement complet des radiologues n’a pas eu lieu et ne semble pas probable à court terme. Cela souligne la nécessité d’être réaliste quant aux capacités et aux limites de l’IA, en particulier dans des domaines aussi complexes que la médecine.

Un avenir difficile à prévoir

“Dans les mêmes circonstances, je referais la même chose, mais je crains que le résultat global de cela pourrait être que des systèmes plus intelligents que nous finissent par prendre le contrôle”, a déclaré Hinton après l’annonce du prix Nobel.

Ce n’est pas la première fois que ses opinions, qui s’inscrivent dans la lignée de ceux qui mettent en garde contre des risques existentiels imminents pour l’humanité si les recherches actuelles sur l’IA se poursuivent, suscitent une controverse au sein de la communauté scientifique.

Il est cependant important de donner à cette affirmation la valeur qui lui convient : une opinion de plus sur une éventuelle évolution technologique qui ne dépendra pas uniquement des connaissances scientifiques et qui est extrêmement difficile à prévoir.

Plutôt qu’une prédiction de l’avenir, la déclaration de Hinton doit être comprise comme un avertissement sur la direction que nous ne devrions pas suivre. Comme l’a dit le physicien danois Niels Bohr : « Il est difficile de faire des prédictions, surtout concernant l’avenir. »