L’année 2024 a été marquée par une adoption significative de l’intelligence artificielle (IA) générative au sein des entreprises. Le rapport AI Index 2024 de l’Université de Stanford offre une analyse exhaustive des tendances actuelles en IA, couvrant divers aspects tels que la recherche, le développement, l’économie, l’éducation, la politique et la gouvernance.
Selon ce rapport AI I, 80 % des décideurs ont expérimenté l’IA générative, et 20 % l’intègrent régulièrement dans leurs activités professionnelles. De plus, un tiers des entreprises dépendent désormais de cette technologie pour des tâches spécifiques.
L’IA a surpassé les performances humaines dans plusieurs domaines, notamment la classification d’images, le raisonnement visuel et la compréhension de l’anglais. Cependant, elle reste en retrait sur des tâches plus complexes comme les mathématiques de haut niveau, le raisonnement visuel de bon sens et la planification. Les coûts de formation, des modèles d’IA de pointe ont atteint des degrés sans précédent.
Le rapport souligne une absence significative de standardisation dans les évaluations de l’IA responsable. Les principaux développeurs, tels qu’OpenAI, Google et Anthropic, testent principalement leurs modèles sur des benchmarks différents, compliquant ainsi les comparaisons systématiques des risques et des limitations des modèles d’IA.
Malgré une baisse globale des investissements privés en IA l’année précédente, le financement de l’IA générative a presque été multiplié par huit, atteignant 25,2 milliards de dollars. Des acteurs majeurs comme OpenAI, Anthropic, Hugging Face et Inflection ont réalisé des levées de fonds substantielles.
L’IA générative, capable de générer du contenu original à partir de données existantes, a transformé divers secteurs. Les entreprises l’utilisent pour automatiser la création de contenu, améliorer le service client via des chatbots avancés et optimiser la conception de produits. Cette adoption reflète une reconnaissance des avantages compétitifs offerts par l’IA générative.
Limites des approches actuelles et vision de Yann LeCun
Malgré ces avancées, des voix critiques s’élèvent concernant les limites des approches actuelles de l’IA. Yann LeCun, Chief AI Scientist chez Meta, considère que l’IA générative, notamment les grands modèles de langage (LLM), représente une impasse technologique. Selon lui, ces modèles bien qu’impressionnants, ne possèdent pas une compréhension profonde du monde et se contentent de reproduire des patterns appris sans véritable intelligence contextuelle.
Pour surmonter ces limitations, LeCun propose une approche appelée « Objective-Driven AI » (IA guidée par les objectifs). Cette méthode vise à développer des systèmes d’IA, capables de comprendre le monde, de se souvenir, de raisonner et de planifier, des compétences que les LLM actuels ne maîtrisent pas.
L’Objective-Driven AI s’inspire de l’apprentissage humain, où les individus se forment en observant et en interagissant avec leur environnement. LeCun suggère que les machines devraient être entraînées de manière similaire, en utilisant des données provenant de diverses sources, telles que des vidéos, pour prédire des parties manquantes et ainsi développer une compréhension plus profonde du monde.
Cette approche nécessite une architecture cognitive composée de multiples modules, notamment pour la perception, la mémoire à court terme, la mémoire associative, l’évaluation des stratégies et l’action. La modélisation du monde est au cœur de cette architecture, permettant à l’IA de prédire les conséquences de ses actions et de planifier en conséquence, imitant par conséquent le raisonnement humain.
Yann LeCun plaide pour une évolution de l’IA vers des systèmes guidés par des objectifs, capables d’apprendre et de s’adapter de manière autonome, dépassant les limitations des modèles actuels basés principalement sur le traitement du langage.
La transition vers une IA pilotée par les objectifs pose plusieurs défis. Elle nécessite des avancées significatives en matière d’apprentissage autosupervisé, de modélisation du monde et de planification hiérarchique. De plus, cette approche requiert une compréhension approfondie des mécanismes cognitifs humains pour être efficacement reproduite dans des outils artificiels.
