L'évolution de l'intelligence artificielle : du raisonnement symbolique à l'informatique inspirée par la biologie

L'évolution de l'intelligence artificielle marque un changement de paradigme décisif entre IA symbolique (GOFAI) et connectionnisme. Historiquement, l'IA s'appuyait sur un raisonnement déductif « haut vers le bas », où des règles codées manuellement gouvernaient chaque résultat. Cette approche, précise pour les énigmes logiques, a échoué face au paradoxe de Moravec—la prise de conscience que le raisonnement de haut niveau est facile à calculer, tandis que les compétences sensorimotrices de bas niveau (comme reconnaître un visage) sont presque impossibles à coder rigoureusement.

En revanche, l'informatique inspirée de la biologieadopte une stratégie d'apprentissage inductif « bas vers le haut ». Au lieu de suivre des instructions statiques, les réseaux neuronaux artificiels utilisent des représentations distribuées pour repérer des motifs dans des données brutes. Bien que ces architectures imitent le traitement parallèle et la plasticité du cerveau humain, il est essentiel de les considérer comme des abstractions mathématiques. Elles exploitent l'algèbre linéaire et le calcul différentiel pour produire des résultats fonctionnels, privilégiant l'efficacité computationnelle plutôt que la fidélité biologique.

Implémentation en Python

Question 1

Quel concept explique pourquoi programmer un robot pour marcher est plus difficile que le programmer pour jouer aux échecs ?

A. Le test de Turing

B. Le paradoxe de Moravec

C. Dualité connectionniste

D. Biais inductif

Étude de cas : Évolution de la traduction automatique

Lisez le scénario ci-dessous et répondez à la question.

Dans les années 2000, la traduction automatique reposait sur des modèles « basés sur des phrases statistiques » (règles symboliques ou statistiques). Lorsque Google a adopté la « traduction par machines neuronales » (GNMT) en 2016, le système a cessé de traiter les mots comme des unités indépendantes et a commencé à voir les phrases comme des vecteurs dans un espace à haute dimension.

Pourquoi l'approche neuronale a-t-elle mieux géré le jargon et le contexte que l'approche basée sur des règles ?

Réponse :
L'approche neuronale utilise un apprentissage inductif « bas vers le haut ». En traitant des millions de documents, elle identifie des relations probabilistes entre les mots dans leur contexte, plutôt que de s'appuyer sur un dictionnaire défini par l'humain, incapable de suivre la nature fluide du jargon et de la grammaire.